《积极构建情景（ABC）：情境感知通信模型》最新41页干货报告，美空军实验室

1.1 增强作战通信的情境感知支持

有效的通信在生活的几乎所有方面都很重要，对于军事任务尤其关键。不幸的是，通信故障屡见不鲜。其后果包括混乱、挫折和延误，以及由此造成的资产和生命损失。情境错位是通信失败的常见因素。通过对情境感知通信的重点研究，或许有可能避免这些故障及其负面影响，甚至提高任务性能。因此，本研究方向的目标是通过改善军事环境中人类和机器通信者之间的情景重叠来加强作战通信。为此，开发了一种情境感知机器智能体，它能够动态地确定与当前情况相关的信息的相对重要性（即识别情境），从而实现以下一个或多个目标： (a) 利用情景为其自身的理解和语言生成过程提供信息，(b) 帮助人类识别和跟踪可能与交流有关的情景，以及 (c) 帮助人类检测和解决交流错误的风险。

1.2 情景的定义

最广为接受的情景定义是：“情景是任何可用于描述实体状况的信息”，其中 “实体是指与用户和应用程序之间的交互相关的人、地点或物体，包括用户和应用程序本身”，而状况则是 “对相关实体状态的描述”（Dey，2001；Dey & Abowd，1999）。当信息进入或离开注意力时，情境还包含瞬间相关性的渐变（Zimmermann 等人，2007 年）。当前在脑海中（使用中）的信息具有特殊的重要性，因为它占用了认知资源（Dourish, 2004; Winograd, 2001）。此后，信息的重要性将根据其可能的有用性而下降，直至不再被视为背景信息。

1.3 积极构建情景（ABC）的情景感知通信模型

之所以需要一个新的情境感知概念模型，是因为还不清楚如何在多种情境中感知情境，以及如何评估哪些情境信息是可以共享的。识别哪些信息可以共享，哪些信息不可以共享，是通信的重要组成部分（例如，Clark，1996；Clark & Brennan，1991；Clark & Marshall，1981；Mustajoki，2012）。它要求智能体拥有一定的心智理论，并代表自己拥有哪些独特的信息，对话伙伴可能拥有哪些独特的信息，以及两个智能体都可能拥有哪些信息。人类可以使用共同在场启发式来判断双方是否都有信息（Clark & Marshall, 1981）。例如，如果双方都出席了同一次简报会，那么即使他们不确定对方是否在听，他们也可能会认为该信息是共享的。

人类还使用一种称为 “接地 ”的过程（Clark, 1996; Clark & Brennan, 1991）来确保理解所需的信息是共同存在的。当对话者认为他们的伴侣在获取情景方面可能有困难，或者他们可能遗漏了情景时，他们就会添加额外的信息来使他们的通信情景化。如果通信者没有做到这一点，会话伙伴可能会感到困惑或推断出自己的意思，从而为误解打开大门（Mustajoki，2012；Savitsky et al.，2010）。

本模型创建了一个框架，用于识别情景、确定是否需要将通信情景化以及在理解过程中使用情景。该模型代表了每个对话者个人所知道的、他们共同知道的，以及他们认为他们的对话伙伴所知道的。当信息被引入对话时，它就成为使用中的情景。当信息不再使用时，它就进入了共同存在的空间。此外，信息对对话中所有成员的相关性和可用性体现在可访问性的梯度上，认为可访问性是时间、使用频率和显著性的函数。

简而言之，时间是衡量一个实体在对话中最后一次被提及的距离。在零点时，对话中的所有各方都在积极地表现该实体。通信激活了与实体相关的信息，但哪些信息是活跃的，其活跃程度因人而异。如果不再提及该实体，对该信息的访问就会衰减。频率指的是对话者之前激活信息的频率。频率越高，检索速度越快（Anderson，1993）。显著性是指信息吸引注意力的程度，预计是信息的基线感知质量（如大）与个体知识差异之间的相互作用。

1.4 构建情境感知通信智能体

尽管机器智能体越来越复杂，但它们还无法在没有明确规则的情况下将情景从所有可用信息中分离出来（Schilit 等人，2002；van Kasteren & Vredenborg，2022）。本模型提供了一条利用通信识别情景的途径。从通信中建立的表征可用于增强人类可用的信息、指导资源开发和适应环境（参见 Pascoe, 1997）。

情境增强应用（如 Fitbit）可确定谁会接收到哪些信息以及如何传递信息。例如，Fitbit 可检测用户的活动并发送相应的步数提醒。然而，它是针对单一功能和情况而设计的。在本文的通用模型中，应用程序只受与其连接的传感器类型的限制。智能体将利用通信的目标和使用中的信息来告知其激活梯度，并引导其关注特定的传感器数据。通过对话，机器智能体将知道环境中的哪些信息与多种情况相关。利用这一功能和谁能访问哪些信息的表征，它将能够跟踪差异（例如，控制员提供了不准确的到达时间）、理解关系语言（例如，“他们在我的位置以东 100 码处”）、在多次交流中跟踪参考信息、根据共存计算确定向人类提供信息的详细程度等等。

这种模式在实际应用中仍存在一些核心问题和困难。首先，由于信噪比低和口音多样，使用无线电通信训练自然语言处理 (NLP) 模型历来困难重重。近年来，利用深度神经网络的端到端语音识别架构在应对这些挑战方面取得了进展（Badrinath & Balakrishnan，2022 年）。第二个考虑因素是，为了安全起见，情景可能会被有意从业务通信中省略。不过，本文认为，让机器智能体访问简报可能有助于解决这个问题，因为在任务期间可以监控简报中的情景。

1.5 结论

本文描述的研究为动态情景感知智能体奠定了基础，该智能体可利用通信来了解世界中信息的相对重要性（即识别情景）。机器智能体对情景的表述可以用来促进人与人之间以及人与机器之间的交流。该模型的核心进步在于其通用性、表示情景和视角的框架，以及将人类记忆访问的计算模型应用于通信过程中的情景访问。因此，当前的工作整合了大量关于情境感知计算、语言处理和记忆架构的文献，以创建一种新的、适应性更强的通信代理，用于军事行动。