Codificação Automática de Contingência em Conversas entre Crianças e Cuidadores

Uma das habilidades comunicativas mais importantes que as crianças precisam aprender é se envolver em conversas significativas com as pessoas ao seu redor. No cerne desse aprendizado está o domínio da contingência, ou seja, a capacidade de contribuir para uma troca em andamento de maneira relevante (por exemplo, mantendo-se no tópico). Pesquisas atuais sobre essa questão dependem da anotação manual de uma amostra pequena de crianças, o que limita nossa capacidade de tirar conclusões gerais sobre o desenvolvimento. Aqui, propomos mitigar as limitações do trabalho manual confiando em ferramentas automáticas para julgamento de contingência nas interações naturais precoces das crianças com os cuidadores. Inspirando-nos no campo da avaliação de sistemas de diálogo, construímos e comparamos vários classificadores automáticos. Descobrimos que um modelo de linguagem pré-treinado baseado em Transformer — quando ajustado em um conjunto relativamente pequeno de dados que anotamos manualmente (cerca de 3.500 interações) — forneceu as melhores previsões. Usamos esse modelo para anotar automaticamente novos dados em larga escala, quase duas ordens de magnitude maiores do que nosso conjunto de ajuste. Ele foi capaz de replicar resultados existentes e gerar novas hipóteses baseadas em dados. O impacto amplo do trabalho é fornecer recursos que possam ajudar a comunidade de desenvolvimento da linguagem a estudar o desenvolvimento comunicativo em grande escala, levando a teorias mais robustas.