XiaoMi-AI文件搜索系统
World File Search SystemConversations
新冠疫情对话中疫苗信念出现分歧
摘要。可行的 COVID-19 疫苗的开发是一项正在进行的工作，但免疫运动的成功将取决于公众的接受度。在本文中，我们将 COVID-19 讨论中的 Twitter 用户分为疫苗拒绝者 (反疫苗者) 和疫苗拥护者 (疫苗者) 社区。我们研究了反疫苗者和疫苗接种者在他们关注的对象方面的分歧。更具体地说，我们研究了 1) 美国国会议员、2) 四大宗教 (基督教、印度教、犹太教和伊斯兰教)、3) 与医疗保健界相关的账户和 4) 新闻媒体账户的追随者。我们的结果表明，疫苗接种者和反疫苗者之间存在党派分歧。我们发现一个宗教社区的反疫苗者比例高于预期。此外，我们发现俄罗斯和伊朗政府运营的新闻媒体账户中疫苗信仰的差异高于其他政府运营的新闻媒体账户。最后，我们提供信息和政策含义，为 COVID-19 疫苗和未来的疫苗接种计划提供信息。
利用移民背景信息个性化对话
为了保持任务的连续性，最近人们研究了跨不同实施方案迁移对话式 AI 代理，以进一步改善用户体验。然而，这些可迁移代理在与用户对话时缺乏对用户信息和迁移设备的上下文理解。这就引出了一个问题：当代理迁移到实施方案以根据上下文预测下一句话语时，他会如何表现。我们从具有迁移上下文的众包工作者之间的对话中收集了一个数据集，该数据集涉及代理迁移到的实施方案的不同环境（公共或私人）中的个人和非个人话语。我们在有和没有迁移上下文的数据集上训练了生成模型和信息检索模型，并报告了定性指标和人工评估的结果。我们相信，迁移数据集将有助于训练未来的可迁移 AI 系统。
有意义的对话（谈话策略）
注意：此工具旨在帮助您以有意义且有目的的方式完成有意义的对话 (TALK 策略) 课程。该课程被分解为更小的部分，每个部分都包含反思和练习。还包括与语言力量中提出的策略直接相关的预期儿童成果。用户发现，当他们遵循本指南时，在课堂上实施这些实践会更有效。
Brain-IHM 数据集：研究人与人、人机对话的大脑基础的新资源
摘要 本文介绍了一个原始的受控交互数据集，重点研究反馈项目。它包括由演员扮演的医生和患者之间的不同对话的记录。在这个语料库中，患者主要是倾听者，并产生不同的反馈，其中一些反馈不一致（自愿）。此外，这些对话已在虚拟现实环境中重新合成，其中患者由人工智能代理扮演。最终的语料库由不同的人与人对话电影以及在人机环境中重播的相同对话组成，从而产生了第一个人与人/人机平行语料库。然后，语料库在语言和非语言层面上用不同的多模态注释进行了丰富。此外，这是第一个此类数据集，我们设计了一个实验，在此期间，不同的参与者必须观看电影并对互动进行评估。在此任务中，我们记录了参与者的大脑信号。然后，Brain-IHM 数据集被构思用于三重目的：1/ 通过比较一致和不一致的反馈来研究反馈 2/ 比较人与人和人机产生的反馈 3/ 研究反馈感知的大脑基础。
Twitter 对话中的面部观察 Moch。......
Moch.armien@gmail.com 这项题为“Twitter 对话中的面子观察”的研究旨在调查 Twitter 对话中说话者在观察和不观察听众面子时所使用的礼貌策略、听众的反应以及观察（不）面子可能产生的影响。本研究采用描述性定性研究。数据来自 Twitter 中的对话。本研究表明，说话者在观察和不观察听众的消极和积极面子时使用了 Brown 和 Levinson (1987) 提出的四种礼貌策略，即公开、积极礼貌、消极礼貌和不公开。听众对说话者使用不同策略的观察（不）行为的反应可能会对对话本身产生一些影响。结果表明，说话者的观察（不）行为会产生两种影响。第一个影响是谈话顺利进行，没有任何干扰；第二个影响是谈话被干扰甚至中断。这表明，积极礼貌策略似乎是参与者在维持谈话时采取的首选策略。