Few-shot Dialogue Strategy Learning for Motivational Interviewing via Inductive Reasoning

我们考虑构建一个对话系统，可以激励用户采取积极的生活方式改变：即激励性面谈。解决这样的任务需要一个系统，它能够推断出如何有效地激励用户。我们提出了DIIT框架，它能够从专家演示中学习和应用自然语言归纳规则的对话策略。在指令跟随的大语言模型上进行的自动化和人类评估表明，DIIR发现的自然语言策略描述可以提高积极倾听技能，减少未经请求的建议，并促进更具协作性和不那么权威的回应，表现优于各种演示利用方法。

提出了一个名为DIIT的框架，旨在通过学习专家演示中的自然语言归纳规则，构建一种能够激励用户采取积极生活方式的对话系统。

DIIT框架能够学习和应用自然语言策略描述，从而提高积极倾听技能，减少不受请求的建议，并促进更具协作性和不那么权威的回应。

论文使用DIIT框架进行了自动和人工评估，评估结果表明，DIIT能够改善积极倾听技能、减少不受请求的建议，并促进更具协作性和不那么权威的回应。

最近的相关研究包括： -《A Survey of Dialogue Systems: Recent Advances and New Frontiers》 -《Neural Response Generation for Customer Service based on Personality Traits》 -《A Review of Recent Advances in Task-Oriented Dialogue Systems》