Mal-entendidos Fundamentados no Diálogo Assimétrico: Um Esquema de Anotação Perspectivista para MapTask

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

November 5, 2025

Autores: Nan Li, Albert Gatt, Massimo Poesio

cs.AI

Resumo

O diálogo colaborativo depende da construção incremental de terreno comum pelos participantes, contudo, em contextos assimétricos, estes podem acreditar que estão de acordo enquanto se referem a entidades diferentes. Introduzimos um esquema de anotação perspectivista para o corpus HCRC MapTask (Anderson et al., 1991) que captura separadamente as interpretações aterradas do falante e do ouvinte para cada expressão referencial, permitindo-nos rastrear como a compreensão emerge, diverge e é reparada ao longo do tempo. Utilizando um *pipeline* de anotação com LLM restrito ao esquema, obtivemos 13 mil expressões referenciais anotadas com estimativas de confiabilidade e analisámos os estados de compreensão resultantes. Os resultados mostram que os mal-entendidos completos são raros após a unificação de variantes lexicais, mas discrepâncias de multiplicidade induzem sistematicamente divergências, revelando como um aparente alinhamento pode mascarar um desacordo referencial. A nossa estrutura fornece tanto um recurso como uma lente analítica para estudar mal-entendidos no terreno comum e para avaliar a capacidade dos (V)LLMs em modelar o alinhamento dependente da perspetiva no diálogo colaborativo.

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.