Modelling interruptions in human-agent interaction
Modélisation des interruptions dans l’interaction humain-agent
Abstract
Interruptions play a significant role in shaping human communication, occurring frequently in everyday conversations. They serve to regulate conversation flow, convey social cues, and promote shared understanding among speakers. Human communication involves a range of multimodal signals beyond just speech. Verbal and non-verbal modes of communication are intricately intertwined, conveying semantic and pragmatic content while tailoring the communication process. The vocal mode incorporates acoustic features, such as prosody, while the visual mode encompasses facial expressions, hand gestures, and body language. The rise of virtual and online communication has necessitated the development of expressive communication for human-like embodied agents, including Embodied Conversational Agents (ECA) and social robots. To foster seamless and natural interactions between humans and virtual agents, it is crucial to equip virtual agents with the ability to handle interruptions during interactions. This manuscript focuses on studying interruptions in human-human interactions and enabling ECAs to interrupt human users during conversations. The primary objectives of this research are twofold: (1) in human-human interaction, analysis of acoustic and visual signals to categorise interruption type and detect when interruptions occur; (2) endow ECA with the capability to predict when to interrupt and generate its multimodal behaviour. To achieve these goals, we propose an annotation schema for identifying and classifying smooth turn exchanges, backchannels, and different interruption types. We manually annotate exchanges in two corpora, a part of the AMI corpus and the French section of the NoXi corpus. After analysing multimodal non-verbal signals, we introduce MIC, an approach to classify the interruption type based on selected non-verbal signals (facial expression, prosody, head and hand motion) from both interlocutors (the interruptee and the interrupter). We also introduce One-PredIT, which utilises a one-class classifier to identify potential interruption points by monitoring the real-time non-verbal behaviour of the current speaker (only interruptee). Additionally, we propose AI-BGM, a generative model to compute the facial expressions and head rotations of ECAs when it is interrupting. Given the limited amount of data at our disposal, we employ transfer learning technology to train our interruption behaviour generation model using the well-trained Augmented Self-Attention Pruning neural network model.
Les interruptions jouent un rôle important dans l’élaboration de la communication humaine et se produisent fréquemment dans les conversations quotidiennes. Ils servent à réguler le flux des conversations, à transmettre des signaux sociaux et à promouvoir une compréhension partagée entre les locuteurs. La communication humaine implique une gamme de signaux multimodaux au-delà de la simple parole. Les modes de communication verbaux et non verbaux sont intimement liés, transmettant un contenu sémantique et pragmatique tout en adaptant le processus de communication. Le mode vocal intègre des fonctionnalités acoustiques, telles que la prosodie, tandis que le mode visuel englobe les expressions faciales, les gestes des mains et le langage corporel. L’essor de la communication virtuelle et en ligne a nécessité le développement d’une communication expressive pour les agents incarnés de type humain, notamment les agents conversationnels incarnés (ECA) et les robots sociaux. Pour favoriser des interactions fluides et naturelles entre les humains et les agents virtuels, il est crucial de doter les agents virtuels de la capacité de gérer les interruptions lors des interactions. Ce manuscrit se concentre sur l’étude des interruptions dans les interactions humain-humain et sur la possibilité pour les ECA d’interrompre les utilisateurs humains pendant les conversations. Les principaux objectifs de cette recherche sont doubles : (1) dans l'interaction humain-humain, analyse des signaux acoustiques et visuels pour catégoriser le type d'interruption et détecter le moment où les interruptions se produisent ; (2) doter ECA de la capacité de prédire quand interrompre et de générer son comportement multimodal. Pour atteindre ces objectifs, nous proposons un schéma d'annotation permettant d'identifier et de classer les échanges fluides, les canaux de retour et les différents types d'interruptions. Nous annotons manuellement les échanges dans deux corpus, une partie du corpus AMI et la partie française du corpus NoXi. Après avoir analysé les signaux non verbaux multimodaux, nous introduisons MIC, une approche permettant de classer le type d'interruption en fonction de signaux non verbaux sélectionnés (expression faciale, prosodie, mouvements de la tête et de la main) provenant des deux interlocuteurs (la personne interrompue et l'interrupteur). Nous introduisons également One-PredIT, qui utilise un classificateur à une classe pour identifier les points d'interruption potentiels en surveillant le comportement non verbal en temps réel du locuteur actuel (uniquement la personne interrompue). De plus, nous proposons AI-BGM, un modèle génératif pour calculer les expressions faciales et les rotations de la tête des ECA lors d'une interruption. Compte tenu de la quantité limitée de données à notre disposition, nous utilisons une technologie d'apprentissage par transfert pour entraîner notre modèle de génération de comportement d'interruption à l'aide du modèle de réseau neuronal bien entraîné Augmented Self-Attention Pruning.
Origin | Version validated by the jury (STAR) |
---|