技术前沿

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人

2024 年 4 月 10 日

机器之心报道

编辑：陈萍、杜伟

在社交活动中，大语言模型既可以是你的合作伙伴（partner），也可以成为你的导师（mentor）。

在人类的社交活动中，为了更有效地在工作和生活中与他人沟通，需要一定的社交技能，比如解决冲突。

然而，社交技能的练习环境对于大多数人来说通常是遥不可及的。特别是由专家训练这些技能时，往往耗时、投入高且可用性有限。现有的练习和反馈机制很大程度上依赖专家监督，使训练难以扩展。此外，经过专业培训的教练也缺乏，而大多数可以提供定制化反馈的教练无法帮助大量有需要的人。

近日，在由斯坦福助理教授杨笛一为共同一作的论文《Social Skill Training with Large Language Models》中，研究者认为，借助大语言模型可以使得社交技能训练变得更容易、更安全、更有吸引力，并在现实、虚拟练习空间中提供量身定制的反馈。

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人

论文地址：https://arxiv.org/pdf/2404.04204.pdf

具体来讲，研究者提出了以下两种社交技能训练框架。

第一个训练框架是 AI Partner，它可以通过模拟练习为体验式训练提供可扩展的解决方案。此前已经有研究表明，人类角色扮演可以有效地教授沟通、合作和领导技能。与 on-the-job 训练相比，模拟可以让学习者承担更少的风险和机会成本。而通过模拟，AI Partner 将减少进入专业领域的社会经济障碍。

第二个补充训练框架是 AI Mentor，它将根据领域专业知识和事实知识提供个性化反馈。

这两个训练框架（合称为 APAM）都可以将体验式学习与现实练习、定制反馈相结合。研究者呼吁通过跨学科创新来解决 APAM 的广泛影响。

论文作者杨笛一表示：「学习社交技能对大多数人来说是遥不可及的，我们如何才能使社交技能训练变得更容易实现？基于此，我们推出 APAM，其利用 LLM 通过现实实践和量身定制的反馈进行社交技能训练！」

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人配图 2

她接着表示：「在 APAM 中，当用户想要学习一项新的社交技能时，AI Partner 可以帮助他们通过模拟对话来练习相关场景。AI Mentor 可以在模拟的关键时刻提供基于知识的反馈。」

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人配图 3

APAM 架构概览

该研究提出了一个通用框架专门用于社交技能训练，该框架包括 AI Partner 和 AI Mentor（两者简称 APAM），并且这两者至关重要。当用户想要学习一项新的社交技能时，AI Partner 可以通过模拟对话帮助他们练习相关场景。AI Mentor 可以在模拟的关键时刻提供基于知识的反馈。

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人配图 4

然而，构建和部署 AI Partner 并非易事，比如很难保持模拟人物的风格、行为和情感特征的一致性。而开发 AI Mentor 在很大程度上依赖于领域专业知识、情境感知和反馈效率等因素。

为了解决上述问题，研究者提出通过 LLM 进行社交技能训练的通用方法，分四个步骤完成：

了解如何解决问题的技能（例如，解决冲突）；
设计一个 AI partner 来模拟对话，让学习者（即用户）接触目标过程，进行练习；
创建一个 AI mentor 来提供反馈；
将这两个智能体集成到模拟环境中，以便用户学习。

研究者表示，APAM 框架的理想受众是初学者，但是有经验的人也可以使用 APAM 系统来刷新他们的知识。

APAM 可以在许多领域提高学习者的技能，表 1 列举了一些应用场景，例如如何倾听、心理健康咨询等。不过 APAM 框架不仅限于这些典型的例子，论文第 6 节有更多的介绍。

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人配图 5

虽然 LLM 作为社交技能训练工具潜力巨大，因为它们可以生成连贯且自然的文本。然而，这种灵活性往往伴随着有限的可控性。

出于安全考虑， APAM 框架为如何应用 AI 提供了一系列措施，他们将使用过程分解为一个连续体：AI Partner 连续体以及 AI Mentor 连续体，每个连续体都由三个模型完成（如图 1 所示）。

评估结果

AI partner 和 AI mentor 的评估是一个重大挑战，基于 APAM 的工具涉及复杂的计算系统以及与不同需求和背景的用户的交互。

为了将这些训练工具开发为一个领域，评估措施需要超越自然语言处理中传统的指标，转而采用来自多个相关领域和利益相关者的方案。纳入多学科视角将有助于评估此类系统的实证性能、基于用户角度的可用性以及对用户和社区的长期影响。

目前，文本生成的研究主要集中在内在评估上，即通过预定义的规则或交互来评估输出的质量。

在下表 2 中，研究者主要划分为全自动评估和用户驱动评估。基于参考的指标（如困惑度或 Kullback-Leibler 散度）通常用于系统质量自动评估，它们既简单又允许通过演示对所需行为进行丰富的定义。

表 2 详细列出了以往工作中适用于 APAM 系统的内在和外在评估程序。目前，自然语言处理从业者主要关注对系统的内在评估。本文中，研究者强调使用既定的教育成果衡量标准来评估 APAM 系统的重要性。

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人配图 6

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

杨笛一新作：社恐有救了，AI大模型一对一陪聊，帮i人变成e人

立即咨询 JOTO

想把这些做法用到你的业务里?

开启企业级 AI 落地

填写需求单