跳到正文
原文
arXiv · Human-Computer Interaction· A'di Dust, Anura Deshpande, Pat Levitt 等 4 人
· 3 天前AI 评分43

轮到我了!可解释方法从母子对话动态中揭示发展差异

It's My Turn! Interpretable Methods Reveal Developmental Differences from Mother-Child Conversational Dynamics

预印本 · 尚未经过同行评审

AI 导读

可解释计算框架分析94对母子游戏对话,发现语言发展得分较高的儿童与母亲的对话组织更有序、可预测性更强。

摘要 · AI 翻译

理解母亲与儿童之间的对话互动是计算行为建模的一项重要挑战。现有方法使用传统统计方法和对话动态的主观测量,未纳入时间或概率建模。我们开发了一个可解释的计算框架,该框架结合序列分析、信息论测量和贝叶斯分层建模,用以刻画亲子游戏中的时间性对话动态。我们将该框架应用于94对母子(儿童为两岁)的互动。序列分析显示,语言发展水平较低(依据贝利发育测验得分定义)的母子对表现出更异质的对话组织,且“发球—回球”(serve-and-return)式交流更少——这是一种一方发起交流、另一方作出回应的互惠轮替模式——相比发展水平较高的母子对。互信息分析提示,低发展组与高发展组在对话可预测性上存在差异,尽管自助法置信区间存在重叠。贝叶斯分层模型估计了母亲连续话轮、儿童在母亲言语后的回应以及重叠回应的时间轨迹;HDI显示,各轨迹在是否排除0上存在差异,但贝利分组之间没有统计学上可信的差异。总体而言,这些结果表明,发育得分较高的儿童具有更有组织、更可预测的沟通风格,与母亲之间表现出更多“发球—回球”模式。这些结果证明,对话动态的可解释计算表征能够捕捉到超越简单言语数量测量的发育差异。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Human-Computer Interaction · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。