计算语言学（十二）

因此，辅导对话系统更接近商业实用性并不令人惊讶，并且在各种评估中具有相对于传统指令的学习益处，而不是用于现实应用的协作问题。 为众多域和潜在客户建立了教程对话系统，从K-12受试者提供计算机扫盲和新手编程，定性和定量物理，电路分析，机械运行，心血管生理学，火灾损伤控制船舶，谈判技巧等（例如，请参阅Boyer等，2009; Pon-Barry等，2006）。 在最成功的辅导系统中，正在阅读导师（例如，彩色和贝克2007; COLE等人，2007），因为呈现给学习者的材料（以“脚手架”方式）在这种情况下对设计相对简单，以及响应学习者，特别是当它们主要由读取呈现的文本大声朗读时，相对容易评估。 对于培养阅读理解的更雄心勃勃的目标，核心问题是设计对话，以使学习者的贡献可预测，同时也使得互动教育有效（例如，AIST和MOSTOW 2009）。

一些辅导系统，尤其是针对儿童的辅导系统，使用动画角色来提高学习者的参与感。 事实上，这种增强实际上对患有耳聋的儿童学习者的系统是必不可少的（学习者观察到的虚拟代理人的嘴巴和舌头运动可以帮助铰接而令人用铰接），自闭症或阿留（Massaro等，2012; COLE等。2007）。 同样，如果辅导专门针对人际交往技能，那么生活的人物（虚拟人）的实施成为系统开发不可或缺的一部分（例如，Core et al。2006; Campbell等，2011）。

建模用户在辅导系统中的心态主要是确定有目标概念和技能的问题，或者尚未被用户获得，并诊断可能发生的误解，以至于迄今为止会议成绩单。 最近的一些实验系统还可以将它们的策略适应用户的明显情绪，例如沮丧或无聊，这可能被用户的输入，语音或通过计算机视觉分析的面部表情或手势揭示。 其他原型系统可以通过纳入关于对话国家，对话行为和更深刻的语言理解的任务导向对话系统的想法和技术来追求更全面的心理建模。

在面向任务为导向的对话系统中，如已经注意到的，对话建模更具挑战性，因为这些系统预计不仅有助于解决手头的域问题，而且要了解用户的话语，信仰和意图，并在人类中持有自己喜欢，混合主动对话。 这需要域模型，一般增量协作计划方法，对话管理，在所选域中模拟合理的交际交互，以及彻底的语言理解（特别是意图识别）。 原型系统已成功为域而成，如路线规划，航空旅行规划，驾驶员和行人指导，控制和运营外部设备，紧急疏散和药物建议（例如，Allen等，2006; Rich和Sidner 1998;Bühler和Minker 2011;弗格森和艾伦1998年，2007年），这些拥有非常重大的实际承诺。 然而，可以处理各种合理性复杂的问题的系统，尤其是需要对人类认知和行为的广泛勤杂朗知识的系统，目前似乎似乎就遥不可及。

10.9 语言机器人

。如第 10 节开头所述，机器人开始配备网络服务、问答功能、聊天机器人技术（用于后备和娱乐）、辅导功能等。这些技术向机器人的转移进展缓慢，主要是因为仅为机器人配备基本的视觉感知、语音识别、探索性和目标导向导航（对于移动机器人而言）以及物体操控所需的硬件和软件就面临着巨大的挑战。然而，公众对智能机器人的浓厚兴趣及其巨大的经济潜力（用于家政、养老、医疗、教育、娱乐、农业、工业、搜索救援、军事任务、太空探索等）必将持续激发人们对更高机器人智能和语言能力的追求。

。

。可以从 (Scheutz et al. 2011) 中很好地了解人机对话的最新进展和难点。其中展示的一些关于盒子和积木的对话示例让人联想到 Winograd 的 shrdlu，但它们也展现了真实交互中涉及的挑战，例如机器人移动时场景的变化、语音识别错误、不流畅且复杂的多句语句、基于视角的语句（“红色盒子在蓝色盒子的左边吗？”）和指示语（“下去那里”）。此外，所有这些都必须与计划好的身体动作相结合，以便机器人能够理解指令。虽然最近的机器人在一定程度上处理这些困难的能力令人鼓舞，但仍有许多悬而未决的问题，例如在有噪声的情况下进行语音识别的问题，更好、更广泛的语言覆盖、解析和对话处理的问题，对新问题的适应，对对话者和环境中其他人的心理建模，以及对世界的更广泛一般知识及其用于推理和规划的能力（在领域层面和对话层面）。

。

。虽然面向任务的机器人对话面临所有这些挑战，但我们应该注意到，与“会说话”的机器人进行一些可能有用的交互几乎不需要语言技能。例如，(Movellan et al. 2009) 描述的 Rubi 机器人，将物体展示在配有屏幕的“箱子”上，让幼儿触摸并说出物体的名称。尽管交互过程简单，但这却提高了幼儿的词汇学习能力。另一个非常成功的会说话机器人的例子是“博物馆导游”Rhino (Burgard et al. 1999)。与 Rubi 不同，它能够在移动莫测的人群中穿行，并通过预先录制的信息和屏幕上显示的目标吸引观众的注意力。同样，世界各地过去和现在开发的许多人形机器人（例如本田的 Asimo）仍然几乎不懂语言，主要依赖于脚本输出。毫无疑问，得益于上述技术（游戏、友好代理系统、基于语音的应用程序、导师等等），它们的实用性和吸引力将继续增长；这些发展也将推动感知、运动、操纵和有意义的对话等更深层次方面的进步。