通过对话的主题结构进行分段，以便更好地理解对话的结构和组织方式。

Feb, 2024

我们引入了动态对话总结的任务，通过构建一个人为编写的总结数据集并探索几种自动化基准来总结对话的动态。我们评估了这些总结是否能够通过一个已建立的下游任务 —— 预测正在进行的对话是否最终会发展成有害行为 —— 来捕捉对话的轨迹。我们证明这些总结对人类和自动化系统在预测任务上都有帮助。人们在阅读总结时，做出预测的速度是在阅读完整对话的三倍，并且更有信心。此外，与直接对对话记录进行预测相比，自动化预测系统在构建并基于对话动态总结进行预测时更加准确。

Apr, 2024

描述了在文本危机咨询平台上为咨询员分配行为趋势的特定类型的政策的任务，强调了在随机试验难以实施的对话环境中出现的关键挑战，最后展示了如何规避推论方面的这些挑战，并说明了由推荐信息获得的分配政策的潜在益处。

Sep, 2020

该研究提出了一种新的神经模型来动态跟踪论证对话中主题和话语变化对说服力的影响，并在社交媒体和最高法院的论证对话上进行了实验验证。实验结果表明该模型能够有效地辨别具有说服力的论证，并发现主题和话语对说服力都有帮助，但优秀的话语风格可能会在社交媒体争议中造成偏见。

Feb, 2020

本论文探讨了公共辩论中的思想流动问题，提出了一种新的跟踪方法，并在牛津辩论赛的案例研究中发现胜者更能利用互动组件来追求对手的观点。

Apr, 2016

本研究旨在了解信心与能力差异对讨论动态和结果的影响。通过一个在线团队地理游戏，结果发现在面向任务的讨论中，较为自信的个体即使与队友处于同等能力水平，也会对小组决策产生更大的影响，这种信心在决策过程中的不当作用经常会导致团队表现不佳，并通过调查信心对谈话动态的影响来探究这种现象。

Feb, 2017

研究建立在 WikiDisputes 的语料库上，使用特征和神经网络模型，预测带有争议的维基百科讨论页面是否会被调解员升级为调解。结果表明，利用能够捕捉对话过程中语言标记变化的特征，和考虑对话结构的神经网络模型能更准确地预测结果。

Jan, 2021

本文研究了论坛讨论中的两个关键子问题：评论数量预测和再次参与预测，并针对这两个问题提出了一些基于学习的方法并进行了评估。

Apr, 2013

研究人员使用神经文本分类和学习排序训练等技术，探究在人们在讨论会议或面试小组中如何改变想法的方法，并发展出一些改变想法的指标。

Jul, 2022

本文介绍了一种跨学科的对话科学，基于一个大型的多模式语料库，通过语音，视频和转录记录了 1656 次对话，利用此实验数据，研究人员提出了新的算法并应用机器学习技术，以分析对话成功或失败的因素，并探讨对话与幸福感之间的关系。

Mar, 2022