Shing：一个通过同理心沟通技巧提醒客户可疑在线支付欺诈的对话代理

文献标题

Shing: A Conversational Agent to Alert Customers of Suspected Online-payment Fraud with Empathetical Communication Skills

文献信息

• 主题领域: 人机交互、数字金融、人工智能对话代理
• 关键词: 会话代理、聊天机器人、客户服务、数字金融、信任、隐私

研究背景与问题

• 问题或挑战:

  1. 随着数字支付系统的普及，在线支付欺诈事件迅速增加，客户资产面临威胁。在欺诈检测时，服务提供商通常需要拨打电话验证客户信息，这需求大量人力资源。
  2. 现有的语音对话代理（CA）在面对会话中断（breakdown）时常难以恢复会话，会导致用户满意度下降、信任减少以及会话放弃。修复会话的策略（例如重复、改述或解释问题）需进一步优化。

• 重要性:
  研究如何设计一个能够有效修复会话中断并提升用户体验的智能语音对话系统，将有助于优化客户服务效率，保护客户资产，并为其他领域的智能交互体提供设计方向。

• 研究动机与相关工作:

  1. 尽管过去研究主要集中在文本聊天机器人上，以及用户发起会话的场景，关于语音交互中代理主动发起会话的修复策略的研究较少。
  2. 随着用户对语音对话代理期望的提高，有必要探索更人性化的会话修复方法，包括情感感知和表达同理心。

解决方案

• 研究方法与系统设计:
  作者设计了一个语音对话代理“Shing”，用于检测和提醒客户可能存在的在线支付欺诈，并尝试通过同理心等沟通技能修复会话中断。该代理能够：

  1. 主动收集信息以检测支付风险。
  2. 说服客户终止风险交易。
  3. 提供教育信息以增强客户的风险意识。

• 核心创新:

  1. Shing使用了情感自适应的会话中断修复策略，包括积极听反馈、表达同理心、解释问题以及重述问题。
  2. 使用最先进的自然语言处理（NLP）模型（如BERT）来检测客户意图和情绪，并预测交易风险。
  3. 系统架构结合语音识别（ASR）、语言理解（SLU）、对话管理（DM）和文本生成（NLG）技术，实现智能管理包括修复中断的全流程对话。

• 实施步骤:

  1. 数据收集与风险识别: 通过电话收集客户交易信息，用于判断交易风险。
  2. 同理心表达及修复策略: 根据不同类型的会话中断（如客户沉默、无关回应或提问），触发对应修复策略以重新激活对话。
  3. 模型训练与优化: 用大量真实会话数据训练深度学习模型（如BERT和RCNN），结合情绪识别和风险检测模块完善对话生成。

研究成果

• 具体成果:

  • 与基准模型相比，“Shing”显著提高了促使客户终止风险交易的比例（29.6% vs. 27.3%）。
  • 客户在与Shing交谈时愿意说更多轮对话（平均5.69 vs. 5.39轮）并展现更浓厚的对话意愿。
  • Shing可以收集更多客户提供的交易细节，有效支持风险评估。

• 优势与对比:

  • 相较于传统CA仅使用道歉与重复问题机制，Shing通过表达同理心和个性化解释拉近了与客户的距离，提升了交互体验和行为效果。
  • 其情感感知能力显著增强客户提供信息的积极性。

• 实验评估结果:

  • Shing在真实场景（144,795通电话中有57.3%发生自然中断）中表现优异，相较于行业标准CA模型，客户信任度和提供信息的意愿均有所提高。
  • 虽然信任和隐私担忧的主观评价未显示统计学显著差异，但在风险教育和行为影响方面呈现潜在优势。

• 局限性与未来方向:

  • 局限性:
    1. 数据来源主要集中于中国数字金融平台，结果可能存在文化适应性偏差。
    2. 自然中断现象和后续调查问卷的有限响应增加了数据分析的复杂度。
    3. 修复策略的单独效应无法测试且复杂模型评估困难。
  • 未来方向:
    1. 在其他领域探索Shing的应用（如调查问卷或心理咨询），以及语音特征（如语调、速度）的影响。
    2. 提高客户知情同意的透明度，优化数据隐私保护措施。
    3. 通过深入访谈研究客户对CA的真实感受和反馈。

总结

此研究设计了一个具有主动中断修复能力的语音对话代理Shing，并在真实数字金融场景中验证其效果。结果表明，“Shing”在增强客户互动意愿、收集信息以及防止在线支付欺诈方面有显著优势，为HCI领域提供了实证依据及实际设计启示。