• Human-Agent-Interaction (HAI)
• Persuasive AI
• Explainable (persuasive) AI
• Conversational and Reflective Engagement
• Reinforcement Learning

• Proceedings of the 20th ACM International Conference on Multimodal Interaction (ICMI '18)

  Best Paper Runner-Up Award

• Proceedings of the 19th International Conference on Autonomous Agents and Multi-Agent Systems (AAMAS '20)

  Best Paper Award Finalist

  Link to Presentation

Abschlussarbeiten (Bachelor und Master) und Projekt-/Praxismodule können bei mir u.a. (nicht ausschließlich in den folgenden Bereichen/Themengebieten mit Kontext Argumentation und argumentatives Verhalten bearbeitet werden:

• Reinforcement Learning (RL)
• Neuronale Netze (NN, CNN, GAN)
• Explainable AI (XAI)

Bei Interesse sendet mir gerne eine E-Mail mit einem der oben genannten Stichwörter, dann können wir einen Termin zur weiteren Besprechung vereinbaren. Oder kommt einfach vorbei in meinem Büro. 

Offene Arbeiten (Auswahl, nicht auschließlich): 

• Understanding Subliminal Emotions in Argumentative Speeches via Explainable Artificial Intelligence (MA, PM)

tba (Bei Interesse einfach direkt bei mir melden). 

• Automatic Rule-Based Argument Generation Based on Valence and Arousal (BA, PM)

Studien weisen stark daraufhin, dass es signifikanten Unterschied macht, auf welche Art und Weise Argumente zur persuasiven Beeinflussung vorgetragen werden. Ein wesentliches Merkmal hierbei ist die Art der verwendeten Emotion. Im Rahmen eines Praxismoduls wurden Argumente einer Datenstruktur so umgeformt, dass sie mit verschiedenen Emotionen (inhaltlich) vorgetragen werden können.  Die textuellen Änderungen sind dabei aus der Literatur übernommen und hard-codiert in den Datensatz eingepflegt. Wünschenswert wäre aber eine automatische Generierung neuer Textbausteine auf Basis eines regelbasierten Ansatzes, uim die gewünschte Emotion (Valence & Arousal) zu erhalten. Ziel der Arbeit ist die Einarbeitung in relevante Literatur und die Entwicklung eines Moduls am Beispiel einer vorgegebenen Argumentstruktur mit 43 Argumenten. Vorkenntnisse in Python 3.x sind wünschenswert, jedoch nicht zwingend notwendig.

• Emotionale TTS auf Basis des Pleasure-Arousal Models und neuronaler Netze (MA, PM)

Bekannte TTS-Systeme erzeugen oftmals nur neutrale und emotionslose Stimmen. Dies führt dazu, dass diese als weniger natürlich wahrgenommen werden. Eine Variante dies zu verbessern ist aus Anwendersicht zwar mit Hilfe der EmotionML geschaffen worden, jedoch wird diese von vielen (guten) TTS-Systemen (Amazon Polly, Cerevoice) nicht unterstützt bzw. klingt alles andere als natürlich (MaryTTS). Das Paper „Emotional End-to-End Neural Speech synthesizer“ beschreibt einen Ansatz auf Basis des TTS Tacotron models (neural network) emotionale TTS zu generieren. Eine eigene am Lehrstuhl verwendete Idee befasst sich mit der Manipulierung der Audio-Files mit Hilfe von Cycle-GANs. Ziel der Arbeit ist es sich in die entsprechende Literatur einzuarbeiten und ein Modell zu trainieren und dieses abschließend zu evaluieren. Gute bis sehr gute Kenntnisse in Python 3.x sind wünschenswert. 

• Exploring Persuasive Bias using counter-factual training (MA, PM)

In persuasiven übermittelten Nachrichten spielt das WIE oftmals eine wichtigere Rolle als das WAS. Dies kann die Tonlage sein, die Stimme im allgemeinen oder die Emotion, die über die Stimme übertragen wird. 

Ziel der Arbeit ist es den Unterschied zwischen überzeugenden und nicht überzeugenden Stimmen aufzuzeigen. Eine interessante Variante sind sogenannte Counter-Factuals. Die Grundidee ist, dass man vesucht von einer Domäne A (überzeugende Stimmen) in eine Domäne B (nicht-überzeugende Stimmen) zu konvertieren. Dies wird meistens mit sogenannten Cycle-GANs gemacht (Eine einfache Einführung findet sich hier: https://machinelearningmastery.com/what-is-cyclegan/. Ziel der Arbeit ist es auf Basis dieser C-GANs (aufbauend auf existieren Modell-Architekturen) zu untersuchen, ob und inwieweit sich die Konvertierung von überzeugenden und nicht-überzeugenden Stimmen realisieren lässt und anhand eines Beispiel-Korpus ein Modell zu trainieren und anschließend zu evaluieren. Gute bis sehr gute Kenntnisse in Python 3.x und neuronalen Netzen (TF, Keras, etc.) sind wünschenswert. 

In Bearbeitung: 

• Understanding Subliminal Persuasive Body Language in Political Speeches via Explainable Artificial Intelligence (Lukas Tinnes)
• Towards dynamic behavior animations (Norman Szabo)

Abgeschlossen : 

• Exploring qualitative reasoning for engaging argumention of virtual agents (Eva Pohlen)