研究围绕目标展开的协作性教学任务，对语言变化进行了分析，发现指导者在与学习者越来越熟练的情况下，会增加语言复杂度以更好的协作。

Sep, 2021

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

报告介绍了一种协议以收集跨语言韵律映射和其他改善语音翻译的方法，包括收集语言之间紧密匹配的话语对的、数据收集的描述，以及一些相关的观察和思考。此报告面向使用语料库，扩展语料库和设计类似的双语对话数据收集的人。

Nov, 2022

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

通过结合智能技术和通信与协作，本研究提出了数字通信媒体的三个关键设计概念，包括面板基底、基于语言的意图识别和轻量级交互技术，并开发了名为 CrossTalk 的视频会议系统来实现这些概念，从而实现了更流畅灵活的通信和协作体验。

Aug, 2023

该研究提出了一种新模型 ——TVGNN，通过共同建模会议通话对话和公司网络，对波动率进行预测，取得了较好的效果。

May, 2022

本研究介绍了一种自动检测共享词形构造的方法，并将其应用于参与者旨在识别没有既定标签的新颖对象的指代交流语料库，分析揭示了共享构造的使用模式与参与者在社交互动后展示的对象标记一致性程度相关的特征，从而表明自动检测的共享构造为研究对话中的参考协商动态提供了有用的分析层面。

May, 2024

在第二语言学习中，基于情景的对话实践对于语言学习者实现口语流利至关重要，本文提出了基于情境的对话模型，通过在大型语言模型（LLMs）上进行微调，旨在结合开放式对话的吸引力和基于情景任务的集中练习。利用 LLMs 的泛化能力，我们证明了我们的情境对话模型在训练话题和未遇到的话题上都有效，为支持广泛的会话主题提供了有希望的解决方案。此外，对话系统领域的研究仍缺乏可靠的自动评估指标，引发人工评估作为黄金标准（Smith 等，2022）的问题，而且通常成本较高。为了解决现有评估方法的局限性，我们提出了一种新颖的自动评估方法，利用经过微调的 LLMs 来高效而有效地评估情境对话模型的性能。

Mar, 2024

使用自然語言處理的方式分析了在重複參照遊戲中，設定共同基礎並理解彼此喜好的過程。發現不同的語言配對會發現各種特殊而有效的合作方式，而這些合作方式受到溝通環境的影響。此外還發現人們說話越來越有效率，最終成為包含開放類詞語的簡短標籤。

Dec, 2019

自动预测公开在线对话中的偏离度可提供早期干预机会。我们将预训练语言编码器应用于此任务，并尝试将训练范式从静态转换为动态以增加预测范围。该方法在高质量数据环境下表现出更长平均预测范围，但在低质量数据环境下动态训练会传播噪音并对性能产生负面影响。

Oct, 2021