Nu har roboten blivit moderator

De klipper din gräsmatta, monterar ihop bilar, dammsuger golvet och hjälper till med tunga lyft. Roboten har hittills främst förknippats med fysiska arbetsuppgifter. Men kan den lyssna på när du och dina vänner pratar och sedan avgöra vem som snackar mest? Kanske till och med fördela ordet i en diskussion? Ja. På KTH har forskarna satt roboten i samtalsträning.

04kth01
Gabriel Skantze, universitetslektor på KTH Foto: Erik Thor

Hur var det egentligen under det där senaste jobbmötet? Fick alla, oavsett kön, komma till tals? Hur mycket? Vem eller vilka pratade mest? Vem hade som ovana att avbryta andra? Hur såg det ut med jämställdheten?
Gabriel Skantze, universitetslektor på KTH, kan ta reda på allt detta. Tillsammans med forskarkollegor har han nämligen programmerat en robot att studera hur mycket män, kvinnor, barn och vuxna pratar, och hur balansen ser ut beroende av olika konstellationer.
I en vetenskaplig studie som genomförts på Tekniska museet i Stockholm har roboten fått bekänna färg. Där har den varit en del i ett flerpartssamtal där två besökare åt gången tillsammans med roboten spelat ett spel och diskuterat olika lösningar.
Resultaten är intressanta. I snitt så pratade två kvinnor 45 procent av tiden med två män pratade 26 procent.
– Ja, under 45 procent av tiden talade åtminstone en av kvinnorna och det är ganska mycket. Men detta skedde under en begränsad tid då de tillsammans försökte lösa en uppgift. En kvinna tillsammans med en man pratade lika lite som två män överlag, det vill säga 26 procent av tiden. Noterbart är även att när det var två kvinnor var det väldigt mycket överlapp i talet, det vill säga att de talade samtidigt. I 27 procent av deras taltid talade de samtidigt. Motsvarande siffra för två män, eller en man och en kvinna, var 13 procent.
Gabriel Skantze berättar att det samtidiga talet består till stor del av att ge mycket återkoppling och komplettera varandra, att så att säga ”tala med en röst”.
– Liknande skillnader mellan män och kvinnor har beskrivits förut i sociolingvistiska studier, men jag har inte sett det kvantifieras förut med automatiska metoder och givet exakt samma typ av samtalskontext. Och det är intressant att skillnaderna är så pass stora, även i den här typen av samtal. En annan skillnad mellan män och kvinnor var att taltiden var mer balanserad mellan två kvinnor än mellan två män.
När det kommer till pojkar och flickor pratade de överlag lika mycket, oavsett hur de var kombinerade. När ett barn pratar med ett annat barn så talar det betydligt mer än när det pratar med en vuxen. Den vuxne tenderar nämligen att ta över och dominera samtalet. Det beror förstås på att den vuxne känner ett ansvar för att förklara för barnet, och att barnet intar en mer passiv roll. Barn är vana vid att lära sig av den vuxne, och övar sedan sina ”samtalsfärdigheter” tillsammans med andra barn.
Det fanns för övrigt ingen genomsnittlig obalans mellan män och kvinnor, när en man och en kvinna pratade.
– Detta går delvis emot tidigare studier som har funnit att män och pojkar tenderar att dominera samtal när man blandar kön. Men det beror sannolikt väldigt mycket på samtalskontext. Jag vill även poängtera att de diskuterade skillnaderna mellan olika åldrar och kön handlar om genomsnitt. I de flesta samtal dominerade en av samtalsparterna, även om det ibland till exempel kunde vara kvinnan som dominerade och ibland mannen.
Det som Gabriel Skantze och de andra forskarna i första hand varit intresserade av är dock inte att samla in data om samtalsfördelningen utan att studera hur roboten ska kunna hantera turtagningen på ett bra sätt. Detta är en utmaning i den här typen av konversationer.
– Dels ska roboten veta när det är lämpligt att tala och inte, vilket vi modellerar med maskininlärning, och dels kunna påverka hur mycket de mänskliga samtalspartnerna talar.
Ett sätt att lösa detta på har varit att studera hur roboten kan balansera samtalet genom att adressera den mindre dominerande talaren. Detta gjordes genom att låta roboten slumpmässigt välja olika turtagningsstrategier så att effekterna av dessa kunde studeras. När roboten ställt öppna frågor eller bara fällt en kommenterar tenderar den dominerande talaren att ta ordet och obalansen ökar. När roboten istället vänt sig till den mindre dominerande talaren och ställt en fråga så har chansen varit stor att denne tagit turen.
– På så sätt kan alltså roboten bidra till att minska obalansen. Slutligen studerade jag även om det går att förutsäga på ett tidigt stadium vem som kommer att bli den dominerande talaren. Detta är möjligt, särskilt om man tar hänsyn till talarnas kön och ålder.
Tack vare utställningen fick forskarna ganska mycket data då 540 personer deltog, data som de sedan har använt för att träna maskininlärningsmodeller och studera olika effekter av robotens beteende. Det blev också en bra spridning på försökspersonerna i termer av kön och ålder vilket är ganska ovanligt i den här typen av studier.
Gabriel Skantze presenterade nyligen sitt arbete på konferensen Human-Robot Interaction i Wien där hans vetenskapliga artikel om forskningen nominerades till ”Best Paper”.
Det är en version av roboten Furhat som Gabriel Skantze varit med om att utveckla som använts i studien.

Comments are closed.