عنوان مقاله:
طراحی و ارزیابی عامل مکالمه ای برای تسهیل ایده پردازی در فرآیندهای نوآوری سازمانی
Design and Evaluation of a Conversational Agent for Facilitating Idea Generation in Organizational Innovation Processes
سال انتشار: 2022
رشته: مدیریت
گرایش: مدیریت کسب و کار - مدیریت عملکرد - بازاریابی
دانلود رایگان این مقاله:
دانلود مقاله تسهیل ایده پردازی
مشاهده سایر مقالات جدید:
Design and Development
CA Development
The development of the CA facilitator was guided by the micro and macro scripts from cycle one. The macro script served to determine the process sequence and conversation flow, whereas the micro script defines relationship-related aspects for the CA facilitation. Accordingly, the facilitative acts [1] introduction, [2] generate, [3] build consensus, and [4] closing from the macro script were implemented to develop the logic of the process and conversation flow. The CA follows the depicted sequence of steps in Fig. 3: In the [1] introduction the user is asked to indicate the desired form of address (name vs. anonymous), the number and content of process steps are explained, and the idea generation process is started, if desired. In [2] generate, the CA poses questions to record the ideas. To reassure the correctness of idea items and allow users to edit content, the CA shows a summary in [3] build consensus. Lastly, in [4] closing, the CA expresses farewell. In line with the micro script, CA’s utterances across all macro script steps include affirmative feedback (e.g., “Thank you very much!”), motivational explanations (e.g., “For others to understand your idea well, you should describe it as clearly as possible.”) and general reactions (e.g., “I’m sorry. Unfortunately, I do not have a suitable answer to your input.”).
To develop the CA according to the macro script logic, the open-source framework Rasa was used. This allowed to fulfill research-related constraints such as expandability and sovereignty over data. The Rasa framework is divided into the submodules Rasa Core and Rasa NLP. Rasa Core is responsible for administrating the dialog flow and Rasa NLU for processing natural language. The dialog structure is modeled by a finite set of intents, entities, and slots. Intents are utterances with which the user confronts the CA. Entities represent the information the CA extracts from the conversation. Rasa NLU recognizes the intents and entities from the messages sent by the user. Rasa Core directs the dialog flow and triggers actions that correspond to the intents. The recognized entities are stored in the respective slots. In our case, the intents and corresponding training data were derived from previous studies in cycles one and two. The eight slots (S1-8) of the CA are filled sequentially during [1] introduction and [2] generate from the macro script (see Fig. 3). The first slot refers to the name of the participant, which is registered, if indicated by the user. The remaining slots (S2-S7) correspond to the seven previously identified relevant items of an idea: (S2) idea text, (S3) keywords, (S4) which problem is solved, (S5) novelty of idea, (S6) target audience, and (S7) title (Bittner et al., 2019a). To facilitate users and react to their input in a suitable manner, the CA is designed to identify different intentions in users’ input during [2] generate (see Fig. 3). More specifically, the CA can, corresponding to DP2, differentiate between five different categories of questions posed by the user referring to the topic, task, or process by recognizing terms and vocabulary and reply with appropriate answers. In accordance with DP3, the CA can detect silent moments and react by offering support. The silent moment was set to trigger after five minutes of inactivity, which has proven to be a meaningful threshold for activating users (Tavanapour & Bittner, 2018). In addition, the CA can detect users’ intentions of aborting the process and offers to end the process. Most importantly, the CA can actively lead the conversation by posing questions to fill the slots (S2-8) (see Figs. 3 and 4). If the CA was not successful in filling a slot due to a different intention of the user (e.g., a question referring to specific terms), the CA repeats the question for that slot until it was successfully filled. In case users abort the facilitation process before it is completed, the input for the slots filled up to that point is saved.
Instantiation of the CA Facilitator
For the implementation of the CA facilitator, the defined DPs were matched to artifact features that cover the specifications of the prescriptive knowledge and the depicted architectural settings in Figs. 3 and 4. Once triggered by a user, the CA initiates a conversation in line with the DPs and facilitation acts of the macro script. The implementation of the dialog management was supported with pre-set response options to sustain the process logic of the CA facilitation. Figures 5 and 6 visualize several functionalities of the CA during an exemplary conversation (translated from the original language) with a user. The conversation snippets show the CA a) introducing into the process, b) leading the conversation for the idea generation process, and c) reacting to a question regarding a specific term or to a silent moment. Furthermore, in d) the editable summary is depicted.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
طراحی و توسعه
توسعه CA
توسعه تسهیل کننده CA توسط اسکریپت های خرد و کلان از چرخه اول هدایت شد. اسکریپت کلان برای تعیین توالی فرآیند و جریان مکالمه خدمت می کرد، در حالی که اسکریپت خرد جنبه های مرتبط با رابطه را برای تسهیل CA تعریف می کند. بر این اساس، اقدامات تسهیل کننده [1] مقدمه، [2] ایجاد، [3] ایجاد اجماع، و [4] بسته شدن از اسکریپت کلان برای توسعه منطق فرآیند و جریان گفتگو اجرا شد. CA دنباله ای از مراحل نشان داده شده در شکل 3 را دنبال می کند: در مقدمه [1] از کاربر خواسته می شود که شکل دلخواه آدرس را نشان دهد (نام در مقابل ناشناس)، تعداد و محتوای مراحل فرآیند توضیح داده شده است، و ایده توضیح داده شده است. در صورت تمایل فرآیند تولید آغاز می شود. در تولید [2]، CA سوالاتی را برای ثبت ایده ها مطرح می کند. برای اطمینان از صحت موارد ایده و اجازه دادن به کاربران برای ویرایش محتوا، CA خلاصه ای را در [3] ایجاد اجماع نشان می دهد. در نهایت، در پایان [4]، CA خداحافظی می کند. مطابق با اسکریپت خرد، گفته های CA در تمام مراحل اسکریپت کلان شامل بازخورد مثبت (به عنوان مثال، "خیلی از شما متشکرم!")، توضیحات انگیزشی (به عنوان مثال، "برای اینکه دیگران ایده شما را به خوبی درک کنند، باید آن را به وضوح توصیف کنید. ممکن است.») و واکنش‌های کلی (مثلاً «متاسفم. متأسفانه، پاسخ مناسبی به نظر شما ندارم.»).
برای توسعه CA مطابق با منطق اسکریپت کلان، از چارچوب منبع باز Rasa استفاده شد. این اجازه می دهد تا محدودیت های مرتبط با تحقیق مانند قابلیت گسترش و حاکمیت بر داده ها برآورده شود. چارچوب Rasa به زیر ماژول های Rasa Core و Rasa NLP تقسیم می شود. Rasa Core مسئول مدیریت جریان گفتگو و Rasa NLU برای پردازش زبان طبیعی است. ساختار محاوره ای با مجموعه محدودی از مقاصد، موجودیت ها و اسلات مدل سازی می شود. Intent ها عباراتی هستند که کاربر با CA مواجه می شود. نهادها اطلاعاتی را نشان می دهند که CA از مکالمه استخراج می کند. Rasa NLU مقاصد و موجودیت ها را از پیام های ارسال شده توسط کاربر تشخیص می دهد. Rasa Core جریان گفتگو را هدایت می کند و اقداماتی را انجام می دهد که مطابق با اهداف هستند. موجودیت های شناسایی شده در اسلات های مربوطه ذخیره می شوند. در مورد ما، مقاصد و داده های آموزشی مربوطه از مطالعات قبلی در چرخه های یک و دو به دست آمد. هشت اسلات (S1-8) CA به طور متوالی در طول معرفی [1] پر می شوند و [2] از اسکریپت ماکرو تولید می شوند (شکل 3 را ببینید). اولین اسلات به نام شرکت کننده اشاره دارد که در صورت نشان دادن کاربر، ثبت شده است. اسلات‌های باقی‌مانده (S2-S7) با هفت مورد مرتبط قبلاً شناسایی شده یک ایده مطابقت دارد: (S2) متن ایده، (S3) کلمات کلیدی، (S4) که مشکل حل شده است، (S5) ایده جدید، (S6) هدف مخاطب، و عنوان (S7) (Bittner et al., 2019a). برای تسهیل کاربران و واکنش مناسب به ورودی آنها، CA برای شناسایی مقاصد مختلف در ورودی کاربران در طول تولید [2] طراحی شده است (شکل 3 را ببینید). به طور خاص، CA می تواند، مطابق با DP2، بین پنج دسته مختلف سؤالات مطرح شده توسط کاربر با مراجعه به موضوع، کار یا فرآیند با تشخیص اصطلاحات و واژگان تفاوت قائل شود و با پاسخ های مناسب پاسخ دهد. مطابق با DP3، CA می تواند لحظات خاموش را تشخیص دهد و با ارائه پشتیبانی واکنش نشان دهد. لحظه سکوت پس از پنج دقیقه عدم فعالیت شروع شد، که ثابت شده است آستانه معناداری برای فعال کردن کاربران است (تواناپور و بیتنر، 2018). علاوه بر این، CA می‌تواند قصد کاربران را برای توقف فرآیند تشخیص دهد و پیشنهاد پایان فرآیند را بدهد. مهم‌تر از همه، CA می‌تواند با طرح سؤالاتی برای پر کردن شکاف‌ها (S2-8) به طور فعال مکالمه را هدایت کند (شکل‌های 3 و 4 را ببینید). اگر CA به دلیل نیت متفاوت کاربر (مثلاً سؤالی که به عبارات خاصی اشاره دارد) در پر کردن یک شکاف موفق نبود، CA سؤال را برای آن شکاف تکرار می کند تا زمانی که با موفقیت پر شود. در صورتی که کاربران فرآیند تسهیل را قبل از تکمیل آن متوقف کنند، ورودی شکاف‌های پر شده تا آن نقطه ذخیره می‌شود.
