多方對話資料集 DeliChess：棋局謎題協同推理
arXiv - Human-Computer InteractionXiaochen Zhu, Georgi Karadzhov, Tom Stafford, Andreas Vlachos
本研究建立107筆多方對話資料集，證明協同推理能顯著提升棋局謎題解答準確度，並探討提問式發言對團隊表現的影響。
AI 幫你先抓重點
AI 重點 1
資料集提供了在高度結構化策略領域中研究多方推理與對話動態的稀缺資源
滑鼠懸停看 AI 判斷理由
在教育科技與學習科學領域，能以棋局為例觀察團隊如何協同推理、調整觀點，對設計協作式學習環境與 AI 對話系統具有直接啟發。
AI 重點 2
提問式發言的效用並非單純正向，顯示對話策略需更精細調整
滑鼠懸停看 AI 判斷理由
此發現提醒研究者與實務者在設計協作任務或對話介面時，不能盲目鼓勵提問，需考量其對團隊穩定性與學習成效的雙重影響。
核心研究發現
- 1
協同推理後團隊解答準確率顯著提升，平均提升約12%
- 2
提問式發言（引發提案、辯證或策略反思）使團隊表現變異度增加，但並未持續帶來更佳結果
- 3
資料集中包含完整對話稿、討論前後選擇及難度與走法品質等元資料，提供三種基於棋局引擎評估的績效指標
對教育工作者的啟發
1. 教師可利用此資料集設計模擬棋局協作任務，觀察學生在討論前後的決策變化，進而調整協作策略。2. 透過分類器辨識提問式發言，教師可即時介入，鼓勵有效提問或避免過度提問造成團隊焦慮。3. AI 對話系統可以此資料為基礎，訓練能在多方對話中提供適時提示，提升團隊解題效率。4. 評估指標可作為課程成效量化工具，幫助設計者追蹤協作學習的進步。5. 研究者可將此資料集擴充至其他策略性領域，驗證協同推理效益的普遍性。
原始文獻資訊
- 英文標題：
- DeliChess: A Multi-party Dialogue Dataset for Deliberation in Chess Puzzle Solving
- 作者：
- Xiaochen Zhu, Georgi Karadzhov, Tom Stafford, Andreas Vlachos
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。