CIG：基于语义记忆动态的协商对话中对话信息增益测量
计算与语言
2026-04-21 v2
摘要
衡量公共协商的质量不仅需要评估文明程度或论证结构，还需要评估对话的信息进展。我们引入了一个对话信息增益（Conversational Information Gain，CIG）框架，该框架根据每个话语如何推进对目标主题的集体理解来对其进行评估。为了操作化 CIG，我们对讨论中不断演化的语义记忆进行建模：系统从话语中提取原子声明，并将其逐步整合到一个结构化的记忆状态中。利用该记忆，我们沿三个可解释的维度对每个话语进行评分：新颖性、相关性和蕴含范围。我们在两个有主持的协商场景（电视辩论和社区讨论）中对 80 个片段进行了这些维度的标注，并表明记忆衍生的动态（例如，声明更新的数量）与人类感知的 CIG 的相关性，比传统启发式方法（如话语长度或 TF-IDF）更强。我们开发了有效的基于大语言模型（LLM）的 CIG 预测器，为对话和协商成功中以信息为中心的对话质量分析铺平了道路。
引用
@article{arxiv.2604.15647,
title = {CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics},
author = {Ming-Bin Chen and Jey Han Lau and Lea Frermann},
journal= {arXiv preprint arXiv:2604.15647},
year = {2026}
}
备注
24 pages, 5 figures