Gegronde Misverstanden in Asymmetrische Dialoog: Een Perspectivistisch Annotatieschema voor MapTask

Grounded Misunderstandings in Asymmetric Dialogue: A Perspectivist Annotation Scheme for MapTask

November 5, 2025

Auteurs: Nan Li, Albert Gatt, Massimo Poesio

cs.AI

Samenvatting

Collaboratieve dialoog berust op deelnemers die geleidelijk aan gemeenschappelijke grond vestigen, maar in asymmetrische settings kunnen zij menen dat zij het eens zijn terwijl zij naar verschillende entiteiten verwijzen. Wij introduceren een perspectivistisch annotatieschema voor het HCRC MapTask-corpus (Anderson et al., 1991) dat de geïndividualiseerde, door de spreker en de aangesprokene verankerde interpretaties voor elke referentie-expressie apart vastlegt. Dit stelt ons in staat te traceren hoe begrip ontstaat, uiteenloopt en zich herstelt in de tijd. Met behulp van een schema-gestroomlijnd LLM-annotatieproces verkrijgen we 13.000 geannoteerde referentie-expressies met betrouwbaarheidsschattingen en analyseren we de resulterende begripstoestanden. De resultaten tonen aan dat volledige misverstanden zeldzaam zijn zodra lexicale varianten zijn gestandaardiseerd, maar dat multipliciteitsverschillen systematisch divergentie veroorzaken. Dit onthult hoe schijnbare afstemming referentiële misalignering kan maskeren. Ons raamwerk biedt zowel een bron als een analytische lens voor de studie van verankerde misverstanden en voor het evalueren van het vermogen van (V)LLM's om perspectiefafhankelijke afstemming in collaboratieve dialoog te modelleren.

English

Collaborative dialogue relies on participants incrementally establishing common ground, yet in asymmetric settings they may believe they agree while referring to different entities. We introduce a perspectivist annotation scheme for the HCRC MapTask corpus (Anderson et al., 1991) that separately captures speaker and addressee grounded interpretations for each reference expression, enabling us to trace how understanding emerges, diverges, and repairs over time. Using a scheme-constrained LLM annotation pipeline, we obtain 13k annotated reference expressions with reliability estimates and analyze the resulting understanding states. The results show that full misunderstandings are rare once lexical variants are unified, but multiplicity discrepancies systematically induce divergences, revealing how apparent grounding can mask referential misalignment. Our framework provides both a resource and an analytic lens for studying grounded misunderstanding and for evaluating (V)LLMs' capacity to model perspective-dependent grounding in collaborative dialogue.