编辑：陈萍、杜伟
在社走运动中，大措辞模型既可以是你的互助伙伴（partner），也可以成为你的导师（mentor）。
在人类的社走运动中，为了更有效地在事情和生活中与他人沟通，须要一定的社交技能，比如办理冲突。
然而，社交技能的练习环境对付大多数人来说常日是遥不可及的。特殊是由专家演习这些技能时，每每耗时、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，使演习难以扩展。此外，经由专业培训的教练也缺少，而大多数可以供应定制化反馈的教练无法帮助大量有须要的人。
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，借助大措辞模型可以使得社交技能演习变得更随意马虎、更安全、更有吸引力，并在现实、虚拟练习空间中供应量身定制的反馈。
论文地址：https://arxiv.org/pdf/2404.04204.pdf
详细来讲，研究者提出了以下两种社交技能演习框架。
第一个演习框架是 AI Partner，它可以通过仿照练习为体验式演习供应可扩展的办理方案。此前已经有研究表明，人类角色扮演可以有效地教授沟通、互助和领导技能。与 on-the-job 演习比较，仿照可以让学习者承担更少的风险和机会本钱。而通过仿照，AI Partner 将减少进入专业领域的社会经济障碍。
第二个补充演习框架是 AI Mentor， 它将根据领域专业知识和事实知识供应个性化反馈。
这两个演习框架（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办理 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演习变得更随意马虎实现？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演习！
」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 可以帮助他们通过仿照对话来练习干系场景。AI Mentor 可以在仿照的关键时候供应基于知识的反馈。」
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演习，该框架包括 AI Partner 和 AI Mentor（两者简称 APAM），并且这两者至关主要。当用户想要学习一项新的社交技能时，AI Partner 可以通过仿照对话帮助他们练习干系场景。AI Mentor 可以在仿照的关键时候供应基于知识的反馈。
然而，构建和支配 AI Partner 并非易事，比如很难保持仿照人物的风格、行为和情绪特色的同等性。而开拓 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成分。
为理解决上述问题，研究者提出通过 LLM 进行社交技能演习的通用方法，分四个步骤完成：
理解如何办理问题的技能（例如，办理冲突）；设计一个 AI partner 来仿照对话，让学习者（即用户）打仗目标过程，进行练习；创建一个 AI mentor 来供应反馈；将这两个智能体集成到仿照环境中，以便用户学习。研究者表示，APAM 框架的空想受众是初学者，但是有履历的人也可以利用 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 列举了一些运用处景，例如如何谛听、生理康健咨询等。不过 APAM 框架不仅限于这些范例的例子，论文第 6 节有更多的先容。
虽然 LLM 作为社交技能演习工具潜力巨大，由于它们可以天生连贯且自然的文本。然而，这种灵巧性每每伴随着有限的可控性。
出于安全考虑， APAM 框架为如何运用 AI 供应了一系列方法，他们将利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 的评估是一个重大寻衅，基于 APAM 的工具涉及繁芜的打算系统以及与不同需求和背景的用户的交互。
为了将这些演习工具开拓为一个领域，评估方法须要超越自然措辞处理中传统的指标，转而采取来自多个干系领域亲睦处干系者的方案。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，文本天生的研究紧张集中在内在评估上，即通过预定义的规则或交互来评估输出的质量。
不才表 2 中，研究者紧张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）常日用于系统质量自动评估，它们既大略又许可通过演示对所需行为进行丰富的定义。
表 2 详细列出了以往事情中适用于 APAM 系统的内在和外在评估程序。目前，自然措辞处理从业者紧张关注对系统的内在评估。本文中，研究者强调利用既定的教诲成果衡量标准来评估 APAM 系统的主要性。
更多细节请参阅原论文。
