在现实世界的视觉搜索任务中,询问策略的效率
Alberto Testoni1, Raffaella Bernardi2,3, Azzurra Ruggeri4,5,6
1Institute for Logic, Language and Computation (ILLC), University of Amsterdam.
Cognitive science
|December 24, 2023
概括
人类对话数据集可以增强认知科学研究. 我们的方法使用计算模型来分析大型数据集,揭示了对复杂视觉任务中的提问策略和实用约束的洞察力.
科学领域:
- 认知科学 认知科学
- 计算语言学 计算语言学
- 人工智能的人工智能
背景情况:
- 人与人对话的大数据集主要用于训练人工神经网络的对话代理.
- 这些数据集是验证,补充和增强人类行为和语言使用的认知研究的未经探索的资源.
- 以前的认知科学研究探索了使用20个问题游戏的变体提出问题的策略.
研究的目的:
- 介绍一种利用计算模型对大型对话数据集进行细粒度注释的方法.
- 应用认知科学指标和技术来分析人类问问题策略的规模.
- 调查GuessWhat数据集中的询问策略,这是一项涉及真实世界的图像的任务.
主要方法:
- 利用强大的计算模型对大规模对话数据进行细粒度的注释.
- 应用认知科学的指标和技术来分析对话数据.
- 专注于GuessWhat数据集,该数据集包含数以万计的基于图像的对话.
主要成果:
- 证明了计算工具在复杂视觉场景中自动编码假设空间变化的有效性.
- 证实了较小规模认知科学研究的先前发现.
- 在特定的对话阶段确定了"非信息性"问题 (以预期的信息获取为准).
结论:
- 开发的方法可以使用计算工具对人类问问题策略进行大规模分析.
- 不具信息性的问题可能有务实的功能,帮助人类参与者解决复杂的视觉任务.
- 这种跨学科的方法增强了对人类问问题的理解,并为对话系统的开发提供了信息.
