التنبؤ الديناميكي من انحراف المحادثة

المحادثات عبر الإنترنت يمكن أن تأخذ في بعض الأحيان دورا للأسوأ، إما بسبب الاختلافات الثقافية المنهجية أو سوء الفهم العرضي أو مجرد خبث.تتوقع الانحراف المتوقع تلقائيا في المحادثات العامة على الإنترنت يوفر فرصة للقيام بالإجراءات المبكرة إلى معتدلة.العمل السابق في هذا الفضاء محدود، وتمديده بعدة طرق.نحن نطبق تشفير اللغة المحددة مسبقا للمهمة، والتي تتفوقت على النهج السابقة.سنقوم بمزيد من التجربة مع تحويل نموذج التدريب للمهمة من ثابت إلى ديناميكي واحد لزيادة الأفق التوقعات.يظهر هذا النهج نتائج مختلطة: في إعداد بيانات عالي الجودة، يمكن تحقيق أفق متوسط متوسط الأطول بتكلفة انخفاض صغير في F1؛في إعداد بيانات منخفضة الجودة، ومع ذلك، فإن التدريب الديناميكي ينشر الضوضاء وهو أمر ضار للغاية للأداء.

Online conversations can sometimes take a turn for the worse, either due to systematic cultural differences, accidental misunderstandings, or mere malice. Automatically forecasting derailment in public online conversations provides an opportunity to take early action to moderate it. Previous work in this space is limited, and we extend it in several ways. We apply a pretrained language encoder to the task, which outperforms earlier approaches. We further experiment with shifting the training paradigm for the task from a static to a dynamic one to increase the forecast horizon. This approach shows mixed results: in a high-quality data setting, a longer average forecast horizon can be achieved at the cost of a small drop in F1; in a low-quality data setting, however, dynamic training propagates the noise and is highly detrimental to performance.