РАЗРАБОТКА ЧАТ-БОТА-ПСИХОЛОГА: НАБОР ДАННЫХ, АРХИТЕКТУРА, ДИЗАЙН И ИСПОЛЬЗУЕМЫЙ ЧАТ-БОТ
DOI:
https://doi.org/10.52167/1609-1817-2022-123-4-463-471Ключевые слова:
психическое здоровье, обработка естественного языка, понимание естественного языка, искусственный интеллект, машинное обучениеАннотация
Виртуальные помощники - это программные приложения, которые позволяют пользователям вести беседы с программным обеспечением так же, как они это делали бы в реальной жизни. Создание функциональных разговорных агентов было самым сложным аспектом работы с искусственным интеллектом с тех пор, как эта область была впервые представлена. Основная ответственность виртуальных собеседников заключается в том, чтобы правильно интерпретировать естественное общение и отвечать приемлемым образом, несмотря на то, что они могут выполнять целый ряд действий. В прошлом агенты искусственного интеллекта создавались либо с помощью рукописных правил и команд, либо с помощью простых статистических подходов. Сквозная автоматизация в основном вытеснила эти модели из-за ее превосходного потенциала для обучения новым навыкам. Подход глубокого обучения кодировщик-декодер в настоящее время является методом, представляющим наибольший интерес для моделирования разговоров. Область лингвистического понимания послужила источником мотивации для разработки этой концепции. В этой статье мы представляем обзор результатов нашего исследования по разработке иммерсивного цифрового разговорного агента, который потенциально может оказать страдающим психологическую помощь. Мы использовали подход Rasa NLU, основанный на практиках НЛП, для создания и обучения чат-бота. Результаты исследования показали, что предоставление надлежащих ответов на вопросы и опасения пациентов во время бесед имело точность прогнозирования около 75 процентов.
Библиографические ссылки
[1] Jing, Y. (2020, November). Research on the application of artificial intelligence natural language processing technology in Japanese teaching. In Journal of Physics: Conference Series (Vol. 1682, No. 1, p. 012081). IOP Publishing.
[2] Abro, W. A., Aicher, A., Rach, N., Ultes, S., Minker, W., & Qi, G. (2022). Natural language understanding for argumentative dialogue systems in the opinion building domain. Knowledge-Based Systems, 242, 108318.
[3] Jadhav, K. P., & Thorat, S. A. (2020). Towards designing conversational agent systems. In Computing in Engineering and Technology (pp. 533-542). Springer, Singapore.
[4] Amirhosseini, M. H., & Kazemian, H. (2019). Automating the process of identifying the preferred representational system in Neuro Linguistic Programming using Natural Language Processing. Cognitive processing, 20(2), 175-193.
[5] Anand, M., Sahay, K. B., Ahmed, M. A., Sultan, D., Chandan, R. R., & Singh, B. (2022). Deep learning and natural language processing in computation for offensive language detection in online social networks by feature selection and ensemble classification techniques. Theoretical Computer Science.
[6] Balog, K. (2021). Conversational AI from an information retrieval perspective: Remaining challenges and a case for user simulation.
[7] Cai, Z., Hu, X., & Graesser, A. C. (2019, July). Authoring conversational intelligent tutoring systems. In International Conference on Human-Computer Interaction (pp. 593-603). Springer, Cham.
[8] Chiradeep BasuMallick. What Is a Chatbot? Meaning, Working, Types, and Examples. https://www.spiceworks.com/tech/artificial-intelligence/articles/what-ischatbot/, 2022
[9] Conde, M. Á., Andrés-Gómez, A., Rodríguez-Sedano, F. J., & Fernández- Llamas, C. (2022). Applying Natural Language Processing to Teamwork–A New Dashboard for CTMTC Methodology. In International Conference on Human-Computer Interaction (pp. 251-261). Springer, Cham.
[10] D. Sultan, A. Toktarova, A. Zhumadillayeva, S. Aldeshov, S. Mussiraliyeva et al., "Cyberbullying-related hate speech detection using shallow-to-deep learning," Computers, Materials & Continua, vol. 74, no.1, pp. 2115–2131, 2023.
[11] Buck, J. W., Perugini, S., & Nguyen, T. V. (2018, January). Natural language, mixed-initiative personal assistant agents. In Proceedings of the 12th International Conference on Ubiquitous Information Management and Communication (pp. 1-8).
[12] Ahmad, N. S., Sanusi, M. H., Abd Wahab, M. H., Mustapha, A., Sayadi, Z. A., & Saringat, M. Z. (2018, November). Conversational bot for pharmacy: a natural language approach. In 2018 IEEE conference on open systems (ICOS) (pp. 76-79). IEEE.
[13] Diederich, S., Lembcke, T. B., Brendel, A. B., & Kolbe, L. M. (2021). Understanding the impact that response failure has on how users perceive anthropomorphic conversational service agents: Insights from an online experiment. AIS Transactions on Human-Computer Interaction, 13(1), 82-103.
[14] Dowell, N., & Kovanovic, V. (2022). Modeling Educational Discourse with Natural Language Processing. education, 64, 82.
[15] Gaur, M., Faldu, K., & Sheth, A. (2021). Semantics of the black-box: Can knowledge graphs help make deep learning systems more interpretable and explainable?. IEEE Internet Computing, 25(1), 51-59.
[16] Hagiwara, M. (2021). Real-World Natural Language Processing: Practical Applications with Deep Learning. Simon and Schuster.
[17] Intellectsoft, How To Build A Chatbot: Definition, Process, Architecture, 2019
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Батырхан Омаров, Сергазы Нарынов, Жандос Жуманов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
