マルチパーティ対話における発話先の構造：離散ラベルから連続レベルへ

マルチパーティ対話システムにおいて、ある発話がどの参加者またはグループに向けられているかを特定することは、自然な対話インタラクションを構築する上で重要な課題です。従来の研究では、この発話先検出は多クラス分類タスクとして扱われ、単一のラベルを選択する方式が一般的でした。この離散的な定式化は、発話先が本質的に明確で排他的であることを前提としており、主にターンテイキングの予測に使用されてきました。しかし、東京大学の研究チームはこの前提に疑問を投げかけ、発話先を連続的な現象として分析する新しいアプローチを提案しています。

研究チームは、複数のアノテーターによって注釈が付けられたマルチパーティ対話コーパスを利用しました。多数決に基づく離散的な発話先ラベルに加えて、潜在変数モデルを用いてアノテーターの判断から連続的な発話先レベルを推定しました。この連続レベルは、各参加者やグループが発話の対象としてどれだけ強く指示されているかを滑らかに示します。そして、これらの表現がターンテイキング、視線、およびバックチャネル（うなずきや相槌など）とどのように関連するかを調べました。

実験の結果、ターンテイキングだけでなく、視線とバックチャネルも発話先と有意に関連していることが明らかになりました。さらに、連続的な発話先レベルを使用したモデルは、離散ラベルを使用したモデルよりも予測適合度が高く、発話先が段階的な構造を持つ可能性を示唆しています。この発見は、長年対話システムで用いられてきた離散的仮定に挑戦するものであり、より自然な対話システムを開発するための新たな道を開きます。

具体的には、従来の手法では、複数ユーザーとの対話においてシステムの発話が主に質問者に向けられる一方で、他の参加者の反応も考慮する必要があるという微妙な状況を捉えきれませんでした。本研究の連続モデルは、そのような不確実性を定量化することができます。研究では、ベイズ推定を用いて複数のアノテーターの判断から各単語が各参加者に向けられる確率を推定し、それを連続レベルとして利用しました。この連続特徴量を用いて、視線方向やバックチャネルの発生を予測するロジスティック回帰モデルを訓練しました。

実験に使用したデータは、32グループのマルチパーティ対話（各グループ4名）からなるコーパスです。アノテーターは発話先に加えて、ターンテイキング、視線焦点、バックチャネルを注釈しました。結果として、連続レベルモデルは離散ラベルモデルに比べて発話先予測の精度が約15%向上し、さらに視線やバックチャネルの予測でも優れた性能を示しました。特に、連続レベルが0.4から0.6の範囲にある場合、しばしば相手の視線やバックチャネルが伴うことが観察され、このことは発話先の連続性を裏付けています。

最後に、研究者らは今後の研究方向として、連続的な発話先検出をリアルタイム対話システムに統合する方法や、これらの信号を利用して対話エージェントの社会的知能を向上させることを挙げています。特に、発話先の連続性に応じて発話内容を適応的に生成することで、より自然な対話が可能になると期待されています。本論文はarXivで公開されており（ID: 2607.15648）、今後のマルチパーティ対話理解の基盤となる可能性があります。