Personlig konversationsagent för inlärning av andraspråk
I tusentals år har människan utvecklat funktioner och teknik som underlättar livet för många. Det innebar en kompromiss om att dessa anläggningar inte är perfekta för varje person, men att de fungerar för de flesta. Varje individ är unik med avseende på den miljö och de resurser som står till buds. Men vissa människor skiljer sig mer än andra från samhällets norm, som formar minoriteterna. Dessa lösningar, även om de är kompromissade, skulle inte fungera för dessa andra människor och de skulle lämnas utanför. Detta strider dock mot det moderna mänskliga samhällets rättigheter. Alla människor bör ha lika rättigheter och språkliga rättigheter är en del av dem.
Språket är ett grundläggande kännetecken för människan och därmed också rätten att förstå, att bli förstådd, att få tillgång till innehåll och att lära sig ett nytt språk. Den globala byns framväxt har lett till att många människor måste lära sig nya språk. Den digitala tekniken ger ett utmärkt tillfälle att lära sig språk. Men denna teknik, liksom andra mänskliga lösningar, innebär oftast kompromisser för majoriteten, vilket inte är en perfekt lösning för alla. Därför leder de till utestängning och minskar möjligheterna för vissa samhällsmedlemmar. Ett steg mot att lösa detta problem är att ta hänsyn till alla individers olikheter med hjälp av adaptiva intelligenta system och anpassa inlärningsupplevelsen. Ett generellt system eller en tillämpning som är lika för alla är inte optimalt på grund av varje individs olika behov, och resursbegränsningar skulle inte göra det möjligt att ha en lärare för varje person.
Konversation är en av språkets viktigaste dimensioner. Vi har använt språkmodellen GPT-3 för att utveckla en smart konversationsagent för grammatikinlärning och konversationsträning i engelska. Samtalet börjar med en uppmaning från agenten som ställer en enkel fråga till användaren för att starta diskussionen. Varje användares svar går längs en pipeline: Först passerar svaret genom två system för upptäckt av grammatiska fel för att upptäcka om det finns några fel i meningen, och om ja, var och vad som är det korrekta sättet att säga det. För det andra, om meningen är korrekt kommer agenten att ge ett relevant svar, annars kommer den att gå in i en korrigeringsslinga. En av de olika typerna av korrigeringsåterkoppling (ingen återkoppling, korrigerande, informativ, korrigerande+informativ, uttömmande) ges sedan till användaren. Användaren bedömer varje respons från agenten som <god> eller <dålig>. Dessa korrigerande återkopplingar ges inledningsvis slumpmässigt. För närvarande samlar vi in crowdsourced data för att träna en grundmodell som kan avgöra när och hur vilken typ av korrigeringsfeedback ska ges. I nästa steg kommer vi med hjälp av metoderna för fortsatt lärande inom maskininlärning att anpassa basmodellen för varje individ som använder systemet utifrån deras personliga erfarenheter. Ett språktest administreras i slutet av samtalet utifrån användarens egna misstag för att optimera modellens svar under nästa iteration.
En sådan personlig inlärningsupplevelse har betydande fördelar: 1) Genom att möta allas behov individuellt säkerställer de inkludering. Adaptiva agenter är inte samma för alla, utan unika för varje person. Därför skulle de fungera för minoriteter som personer med språkliga brister, personer med social ångest, ASD och ADHD. 2) Optimerar användarens inlärning genom att betona automatiskt upptäckta svaga punkter, vilket sparar tid och ökar inlärningseffektiviteten. Translated with www.DeepL.com/Translator (free version)