本文提出一种新颖的后发模型，模拟了英语中 Yeah 和 Uh-huh 以及德语中的对应标记的最小响应的使用，通过处理讲话者语音的声学特征，捕捉和模仿听众的后发行为，并编码演讲者 - 听众交互，提出了一种基于神经网络的声学后发分类器。通过在 Switchboard 和 GECO 数据集上的实验，我们的研究表明，在几乎所有测试场景中，演讲者或听众行为嵌入有助于模型进行更准确的后发预测。更重要的是，一种适当的交互编码策略，即结合演讲者和听众嵌入，能够在 F1-score 方面在两个数据集上实现最佳性能。

Apr, 2023

该论文探讨了对话中后接点的建模方法，并提出了一个主动式听众系统，旨在通过插入连续器和评估等后接点来影响发言人，实验结果表明声学线索比词汇线索更重要，以及将听众嵌入与音频特征相结合效果最佳。

Apr, 2023

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

研究发现，人类认知塑造了语言的演变和使用，600 种语言的语料库证实了超出和内部有惊讶 - 持续时间权衡的存在，结果是在不同语言中，更少惊讶的音位生成速度更快，反之亦然，并且确认了 319 种语言中更惊讶的音位平均更长。

Sep, 2021

本研究提出了一个基于交互式重复参考任务的连续学习框架，以更准确和高效地与伙伴通信，并通过 COCO 的模拟和与人类伙伴的实时参考游戏实验进行了评估。

Nov, 2019

使用信息论将语言理解建模为准确性和处理深度之间的最佳折衷，将处理深度与 EEG 信号和阅读时间联系起来，从浅到深地量化语言处理的时间进程，提供一个统一框架来解释语言理解的行为和神经特征。

May, 2024

通过量化非词汇信息对对话期望的感知价值，本文展示非词汇信息在对未来对话的期望中产生一致影响，即使在与仅有词汇内容相比出现较差的鉴别性判断时，它也在参与者之间产生更高的共识。

Jul, 2023

该文提出了一个基于信息理论的人类语言处理模型，观点是内在的语言输入在启发式解释和错误校正的两个层次上处理，由此提出两种信息处理的脑电信号（N400 和 P600）和由现代自然语言处理技术获得的 surprisal 量。该理论通过成功模拟实验证据，可以为传统的认知理论提供精确的信息理论解释。

Dec, 2022

对话中的语言协调、显式回复、对话结构、人际协调和层次主题模型进行研究。

Nov, 2023

我们提出了一种通过将神经声学模型与大型语言模型（LLM）融合的方法，连续预测口语对话中的交替和回应位置。在 Switchboard 人人对话数据集上的实验证明，我们的方法始终优于单模态的基线模型。我们还开发了一种新颖的多任务指令微调策略，以进一步从 LLM 编码的知识中获益，以理解任务和对话语境，从而带来额外的改进。我们的方法展示了结合 LLM 和声学模型在人类和语音启用的 AI 代理之间实现更自然和对话式交互的潜力。

Jan, 2024