Naukowcy z arXiv przeanalizowali problem rozpoznawania adresata w wielostronnych dialogach, proponując przesunięcie perspektywy z dyskretnych etykiet na ciągłe poziomy adresowania. Dotychczasowe podejścia traktowały to zagadnienie jako zadanie klasyfikacji wieloklasowej, gdzie każda wypowiedź przypisywana była jednemu uczestnikowi lub całej grupie. Nowe badanie, oparte na korpusie dialogów z wieloma adnotatorami, pokazuje, że taka interpretacja może być niedostateczna.
Urządzenie eksperymentalne obejmowało konstrukcję zarówno tradycyjnych etykiet binarnych (uzyskanych metodą majority-vote), jak i ciągłych poziomów adresowania - wnioskowanych z ocen adnotatorów za pomocą modelu zmiennych ukrytych. Naukowcy zbadali związek między tymi reprezentacjami a zachowaniami słuchaczy, w tym kontaktem wzrokowym (gaze) oraz backchannelami - krótkimi potwierdzeniami typu "hmm", "aha".
Wyniki wskazują na istotny związek między adresowaniem a zarówno gestami słuchacza, jak i podejmowaniem turów dialogu. Co ważne, modele oparte na ciągłych poziomach adresowania wykazały lepsze dopasowanie predykcyjne niż tradycyjne klasyfikatory z dyskretnymi etykietami. Sugeruje to, że adresowanie w dialogach naturalnych ma strukturę gradualną - pewne wypowiedzi mogą być częściowo skierowane do jednego uczestnika i częściowo do drugiego, zamiast być przypisane wyłącznie jednemu adresatowi. Znajomość ta otwiera nowe kierunki dla badań nad detekcją adresata i projektowaniem lepszych systemów konwersacyjnych.