Thema
Prompts, Kontext, Modelle, Voice und die Architektur hinter dem Gespräch.
7 BeiträgeEinordnung
Ein System wählte passende Antworten aus echten Peer-Support-Daten aus. 79,2 Prozent galten als akzeptabel, doch Menschen bevorzugten weiterhin menschlich gerahmte Antworten – selbst bei identischem Text.
Einordnung
STEF verbindet frühere emotionale Veränderungen mit der Entwicklung von Unterstützungsstrategien. Auf ESConv war der Ansatz stärker als Vergleichsmodelle – ein Benchmark-Erfolg, kein klinischer Wirkungsnachweis.
Einordnung
MemoryBank speichert, verstärkt und vergisst Informationen aus früheren Gesprächen. Das verbessert persönliche Kontinuität, macht aber Auswahl, Korrektur, Datenschutz und falsche Erinnerungen zu zentralen Produktfragen.
Einordnung
Bei erfahrenen Voice-Shoppern war Peer-Bonding besonders für wichtige Käufe relevant; eine Befragung von 500 Nutzenden verband Beziehungsentwicklung mit Vertrauen und Anthropomorphisierung. Stimme ist mehr als ein Eingabekanal.
Einordnung
Eine Befragung von 500 Nutzenden konnte Mensch-Gerät-Interaktionen mit einem Beziehungsstufenmodell beschreiben. Fortgeschrittene Beziehungen hingen mit mehr Vertrauen und Anthropomorphisierung zusammen.
Einordnung
Die Emotional Chatting Machine modelliert Emotionskategorien, internen Zustand und Vokabular. STEF ergänzt den längeren Strategieverlauf, Retrieval stützt Fakten. Keine Schicht ersetzt die andere.
Einordnung
Wissensgestützte Dialogmodelle mit Retriever, Ranker und Generator reduzierten Halluzinationen deutlich. Für reale Chats verschiebt sich ein Teil des Problems damit in Suche, Quellenqualität und Kontextzusammenstellung.