人と描画AIエージェントのインタラクションに関する大規模Web実験

• Material Type: 文書・図像類
• Title: 人と描画AIエージェントのインタラクションに関する大規模Web実験
• Author/Editor: 村田, 真悟
• Author Heading: 村田, 真悟
• Publication, Distribution, etc.: 福澤基金運営委員会
• Publication Date: 2021
• Publication Date (W3CDTF): 2021
• Alternative Title: ヒト ト ビョウガ AI エージェント ノ インタラクション ニ カンスル ダイキボ Web ジッケン; Hito to byōga AI ējento no intarakushon ni kansuru daikibo Web jikken; Large-scale web-based experiments on the interaction between human and drawing AI agent
• Periodical title: 福澤諭吉記念慶應義塾学事振興基金事業報告集
• Text Language Code: jpn; eng
• Target Audience: 一般
• Note (General): type:text; 本研究は，他者とのインタラクション様式と発達・精神障害傾向の関係性理解を目指すものである．特に，インタラクションの一例として協調描画タスクをデザインし，人と描画AIエージェントのインタラクションに関する大規模Web実験を実施する．そして，インタラクションダイナミクスの解析結果と発達・精神障害傾向との関係性を探索的に調査する． 本研究は2年間の計画であり，1年目は主に人と描画AIエージェントのインタラクション実験基盤の構築を行った．また，2年目は主に1年目に構築した実験基盤を用いて大規模Web実験を実施する．以下，1年目の研究成果実績の概要を述べる． これまでの研究で取得した大規模描画データを用いて描画AIエージェントを構築した．具体的には，Ha & Eckによって提案されたsketch-rnn [Ha & Eck, 2017]と呼ばれる再帰型変分自己符号化器（variational recurrent autoencoder: VRAE）をベースとした深層学習モデルを構築した．また，描画AIエージェントの構築と並行して，JavaScriptを用いてWebアプリケーションを構築し，ブラウザ上で人と描画AIエージェントとのインタラクションを可能にした． 前述のVRAEの損失関数である変分下限について，Higginsら[Higgins et al., 2016]によって提案されているbeta-VAEの知見に基づき，学習における再構成誤差とKLダイバージェンスの寄与度を決定するハイパーパラメータβを導入した．このβの値の大小の違いによって，描画AIエージェントの行動が受動的になる場合（β=1.0）と能動的になる場合（β=0.1）があることを見出した．これにより，インタラクション実験における描画AIエージェントの行動様式を決定づけることが可能になった． This study aims to understand the relationship between interaction styles with others and (developmental) psychiatric symptoms. In particular, we design a cooperative drawing task as an example of interaction and conduct a large-scale web experiment on the interaction between a human and a drawing AI agent. The relationship between the results of analysis on interaction dynamics and psychiatric symptoms will be exploratory investigated. This research is a two-year project. In the first year, we mainly developed an experimental platform for the interaction between a human and a drawing AI agent. In the second year, large-scale web experiments will be mainly conducted by using the experimental platform built in the first year. The following is an overview of the results of the first year's research activity. A drawing AI agent was created by using large-scale drawing data acquired in our previous studies. Specifically, we developed a deep learning model based on a variational recurrent autoencoder (VRAE) called sketch-rnn [Ha & Eck, 2017]. In parallel with the development of the drawing AI agent, we also built a web application using JavaScript to enable the interaction experiment in a web browser. For the variational lower bound, the loss function of the aforementioned VRAE, we introduced a hyperparameter β that determines the contribution of the reconstruction loss and KL divergence in the learning process, based on the findings of beta-VAE proposed by Higgins et al. [Higgins et al, 2016]. We found that depending on the value of β, the drawing AI agent's behavior can be reactive (β=1.0) or proactive (β=0.1). This allows us to determine the behavioral manner of the drawing AI agent in the forthcoming interaction experiments.; 申請種類 : 福澤基金研究補助
• Access Restrictions: 限定公開
• Data Provider (Database): 国立情報学研究所 : 学術機関リポジトリデータベース（IRDB）（機関リポジトリ）; https://irdb.nii.ac.jp
• Original Data Provider (Database): 慶應義塾大学 : 慶應義塾大学学術情報リポジトリ