Het Belang van Gespreksanalyse in het Tijdperk van LLM's: Een Overzicht van Taken, Technieken en Trends

The Imperative of Conversation Analysis in the Era of LLMs: A Survey of Tasks, Techniques, and Trends

September 21, 2024

Auteurs: Xinghua Zhang, Haiyang Yu, Yongbin Li, Minzheng Wang, Longze Chen, Fei Huang

cs.AI

Samenvatting

In het tijdperk van grote taalmodellen (LLM's) zal er dankzij de snelle ontwikkeling van taal-UI een enorme hoeveelheid gesprekslogs worden verzameld. Conversatieanalyse (CA) streeft ernaar om cruciale informatie uit gespreksgegevens te onthullen en te analyseren, waardoor handmatige processen worden gestroomlijnd en zakelijke inzichten en besluitvorming worden ondersteund. De behoefte van CA om bruikbare inzichten te extraheren en empowerment te stimuleren wordt steeds prominenter en trekt brede aandacht. Echter, het ontbreken van een duidelijk afgebakend kader voor CA leidt tot een versnippering van verschillende technieken, waardoor het moeilijk wordt om een systematische technische synergie te vormen om zakelijke toepassingen te versterken. In dit artikel voeren we een grondige review uit en systematiseren we de CA-taak om het bestaande gerelateerde werk samen te vatten. Specifiek definiëren we formeel de CA-taak om de gefragmenteerde en chaotische situatie in dit vakgebied aan te pakken, en leiden we vier kernstappen van CA af, van reconstructie van gespreksscènes, tot diepgaande attributieanalyse, en vervolgens tot het uitvoeren van gerichte training, om uiteindelijk gesprekken te genereren op basis van de gerichte training om specifieke doelen te bereiken. Daarnaast presenteren we relevante benchmarks, bespreken potentiële uitdagingen en wijzen op toekomstige richtingen in zowel de industrie als de academische wereld. Gezien de huidige ontwikkelingen is het duidelijk dat de meerderheid van de inspanningen nog steeds gericht is op de analyse van oppervlakkige gesprekselementen, wat een aanzienlijke kloof creëert tussen onderzoek en bedrijfsleven, en met behulp van LLM's toont recent werk een trend naar onderzoek naar causaliteit en strategische taken die geavanceerd en hoog-niveau zijn. De geanalyseerde ervaringen en inzichten zullen ongetwijfeld een bredere toepassingswaarde hebben in bedrijfsactiviteiten die gericht zijn op gesprekslogs.

English

In the era of large language models (LLMs), a vast amount of conversation logs will be accumulated thanks to the rapid development trend of language UI. Conversation Analysis (CA) strives to uncover and analyze critical information from conversation data, streamlining manual processes and supporting business insights and decision-making. The need for CA to extract actionable insights and drive empowerment is becoming increasingly prominent and attracting widespread attention. However, the lack of a clear scope for CA leads to a dispersion of various techniques, making it difficult to form a systematic technical synergy to empower business applications. In this paper, we perform a thorough review and systematize CA task to summarize the existing related work. Specifically, we formally define CA task to confront the fragmented and chaotic landscape in this field, and derive four key steps of CA from conversation scene reconstruction, to in-depth attribution analysis, and then to performing targeted training, finally generating conversations based on the targeted training for achieving the specific goals. In addition, we showcase the relevant benchmarks, discuss potential challenges and point out future directions in both industry and academia. In view of current advancements, it is evident that the majority of efforts are still concentrated on the analysis of shallow conversation elements, which presents a considerable gap between the research and business, and with the assist of LLMs, recent work has shown a trend towards research on causality and strategic tasks which are sophisticated and high-level. The analyzed experiences and insights will inevitably have broader application value in business operations that target conversation logs.