هوش مصنوعی

CARE پاداشِ همدلی را با تغییر نیازهای کاربر تنظیم می‌کند

پژوهشگران در پیش‌چاپی تازه، روشی برای تغییر معیارهای پاداش در هر نوبت گفت‌وگو معرفی کرده‌اند؛ روشی که در چند بنچمارک از خط مبنا پیشی گرفته است.

۲ دقیقه مطالعه
Figure 1 : Evolving support priorities in empathetic reinforcement learning. (a) CARE constructs a context-adaptive rubric over three empathy dimensions— cognitive, affective, and proactive —with state-dependent weights
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

پژوهشگران می‌گویند روش‌های رایج یادگیری تقویتی برای پاسخ‌های همدلانه معمولاً به مشخصات پاداش ثابتی تکیه دارند، درحالی‌که نیاز کاربر به حمایت ممکن است در طول گفت‌وگو تغییر کند. آن‌ها برای پرداختن به این ناهماهنگی، چارچوب Context-Adaptive Rubric Evolution یا CARE را پیشنهاد کرده‌اند.

CARE در هر نوبت، معیار ارزیابی را با توجه به وضعیت گفت‌وگو بازتنظیم می‌کند: هم وزن سه بُعد همدلیِ شناختی، عاطفی و کنش‌گرایانه را تغییر می‌دهد و هم معیارهای جزئی ارزیابی را. مولد این معیارها با نظارت بر روبریک‌های هر نوبت و داده‌های ترجیح انسانی آموزش می‌بیند؛ ابتدا با تنظیم دقیق نظارت‌شده و سپس با یادگیری تقویتی مبتنی بر ترجیح. پس از آن، روبریک تطبیقی به‌عنوان رابط پاداش برای یادگیری تقویتی آنلاین به کار می‌رود.

بر اساس چکیدهٔ پیش‌چاپ، ادغام CARE با دو روش RLVER و MICA در بنچمارک‌های SentientBench، EQBench3 و EMPA، با ارزیابی سه داور مستقل مبتنی بر مدل زبانی بزرگ، به عملکردی در سطح پیشرفته رسیده است. در EMPA، شاخص EPM-Idx دست‌کم ۱۳ امتیاز از قوی‌ترین خط مبنا بالاتر بود؛ در ارزیابی Gemini-2.5-Pro، این امتیاز از ۲۸٫۱۱ به ۸۳٫۵۴ رسید.

تحلیل‌های تکمیلی پژوهشگران نشان می‌دهد اولویت‌های روبریکِ آموخته‌شده برحسب مرحلهٔ گفت‌وگو و احساس کاربر تغییر می‌کنند. این کار در arXiv منتشر شده و پیش‌چاپ است.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست