第三章 系統規劃與設計
3.4 S TATUS A NALYST
3.4.2 群體意圖狀態趨勢辨識
要從有限的資訊中，即時(Real Time)辨識出群體當前的意圖狀態，利用「狀 態觀察值」是最基本的方法，但是由於人類的互動行為本身是非線性的，不但難 以預測，而且也沒有規則可言，因此想直接從「狀態觀察值」來判斷群體意圖狀 態的走勢非常困難，尤其是在開放式領域的問題空間中。
與直接利用「狀態觀察值」的方式相比，配合狀態觀察值的時間序列所形成 的「群體意圖狀態趨勢」是一種較為可行的辦法；以本研究而言，主要是透過
Thomas 衝突行為構面模式來分析使用者當前的意圖，若在構面模式中加上時間 軸，就可以清楚呈現一時間區段內的使用者意圖改變趨勢，如圖 3-5（a）所示。
時間 （a） （b） （c）
圖 3-5：包含時間軸之衝突行為構面模式
為因應群體狀態分析的目的，若我們將衝突行為構面模式加入時間軸，將有 以下兩點好處：
<i>
可以有效的延展衝突行為構面模式本身的表達方式
：原始的衝突行為構 面模式只能以二分法（堅持度與合作度的：「增加」或「減少」）來加以 反應群體意圖狀態，但是加入時間軸之後，可以反應出更多表達方式（例堅持度
合作度
堅持度 合作度
時間 時間
如：意圖狀態改變的速率）。
<ii>
能夠使衝突行為構面模式的表達意義更利於群體狀態分析
：原始的衝 突行為構面模式只能表達群體當前呈現何種反應（競爭、合作、容納、避免、妥協這五種狀態之一），但是加入時間軸之後，我們可以透過堅 持度與合作度的「改變走勢」更進一步分析出群體意圖狀態改變的趨 勢、型態與轉折點。
由於 3 維的趨勢圖在觀測上略顯不便，而且在分析意圖時「堅持維度」與「合 作維度」互相獨立，因此可以把它與時間軸分別拆開（圖 3-5（b）、（c）），以利 於觀察與分析。
配合上述包含時間軸的衝突行為構面模式，我們就可以從資料庫中的歷史資 料形成各種「群體意圖狀態趨勢」，由於各種狀態趨勢都具有相當直觀的意義，
因此我們可以把這種「狀態趨勢」當作一種 Rule 的條件。一般來說，我們可以 將狀態趨勢分成八大類，呈現如下圖 3-6。
由於「震盪」狀態(圖 3-6 (h))在使用指數平滑法來記錄 AG 與 CG 時，會趨 向與其他七種趨勢類型之一非常相似，所以在本研究中，我們將狀態趨勢的類型 分成七類（包括圖 3-6 (a) ~ (g)）。
(a) 平緩趨於下降 (b) 直線下降 (c) 下降趨於平緩
(d) 持平 (e) 上升趨於平緩 (f) 直線上升
(g) 平緩趨於上升 (h) 震盪
圖 3-6：狀態趨勢類型
此外，在辨識當前狀態趨勢之前，最重要的是決定從 AG 與 CG 序列擷取多長 時間的狀態為辨識區段的最大單位；一般來說，越長的區段越能夠表現出整體狀 態，不過區段取得越長，越容易受到歷史因素的影響，以下圖（圖 3-7）為例：
0 a b c 時間 T 圖 3-7：群體當前狀態趨勢範例
當時間 T = c，且辨識區段的最大單位為 L1 時，當前狀態會辨識呈「平緩
堅持度或合作度
L1
L2
趨於下降」，但假使辨識區段的最大單位為 L2，則當前狀態會辨識呈「上升 趨於平緩」。
由於本研究嘗試對會議的狀態進行即時的輔助，所以應該採用短期探究法
（參考 2.2.3 節）以專注於處理直接衝突情境，故對於辨識區段最小單位的設定 不宜太長。
將狀態趨勢的類型分成七類，若以堅持度與合作度兩種維度來看，就可以形 成 49 種表達當前意圖狀態趨勢的 Rule，與傳統的衝突行為構面模式相比，後者 僅能表達 5 種，這對於實際進行會議時的狀態分析來說，並無法精確描述之，自 然也難以進行協調處理的任務，而我們提出的分析方式，能在 Thomas 的原始理 論基礎上表達出極細微的會議進行狀態，因此能夠讓會議中的衝突分析與管理任 務更容易實現。
既然能夠透過包含時間軸之衝突行為構面模式取出之當前堅持度與合作度 的狀態趨勢來辨識出群體當前狀態，那麼要如何即時(Real Time)的從群體堅持 度與合作度狀態序列中辨識出狀態趨勢的種類呢?面對識別問題，傳統的辨識方 法大都因其前提限制的假設而失去其準確性，這裡所謂傳統的方法就是檢定，
De Gooijer and Kumar(1992)認為統計方法必須在滿足某些限定條件下才能對對 應模式有良好的能力，最主要的癥結在於：統計方法的假設檢定對所有可能的對 立假設並不滿足一致性。基於這點，可以考慮自由模式的辨識方法，例如類神經 網路，但類神經網路以迭代方式更新鍵結值與閥值，計算量大，相當耗費電腦資
源，此外，類神經網路的解有無限多組，無法得知哪一組的解為最佳解，這些對 於必須即時反饋的系統來說，都是不利的因素。
在本研究中為了做狀態趨勢類型的辨識，採用了隱藏式馬可夫模型（Hidden
Markov Model , HMM）。隱藏式馬可夫模型對一連串的取樣資料（sampling data）
是一種極具威力的分析方法，它不但可以有效率的替取樣資料建立參數式的模型
（parametric model），並且可以對隨著時間而改變的資料序列作 pattern segmentation 與 pattern classification 的分析。
HMM 常使用在聲紋的比對、序列的 Alignment 甚至 Gene finding 等的論文 中，在本研究裡，我們必須對一段期間內所累積出來的行為意圖向量觀測值序列 做趨勢比對，這個比對方式非常符合 HMM 方法本身的特性：因為即使某群觀測 值序列為相同類型的變化趨勢，相互間仍然可能有極高的變異性存在，而 HMM 這種相似（Likelihood）機率比對法不但可靠性高，而且所需的時間複雜度也低。
HMM 完整的格式包含兩個定值的參數 N 與 M（N 代表總共狀態的個數，而 M 代表 observation alphabet 的大小）、observation alphabet O、以及三個機率的集 合（metric）：A、B、及π，為了方便表示，我們使用下列的表示法：
Φ=(A，B，π)
在本研究中，我們設定 N=3（意指「當前狀態」與「前一個時間點的狀態」
相比，可能有：升高、持平與下降等三種實際狀態），M=21（意指觀測狀態的可 能值範圍是-1~1 之間，以 0.1 為間隔，共 21 種）；其中 A 是指三種實際狀態間改
變的機率值所組成的 3×3 矩陣，B 是指該模型中各個狀態之機率密度函數所組成 的 3×21 矩陣，而π則是指該模型中各狀態的初始機率值所組成的 1×3 矩陣。
在應用 HMM 來處理 pattern classification 的問題時，須先將 HMM 加以訓練；
本 研 究 將 趨 勢 分 成 七 大 類 ， 因 此 我 們 要 辨 識 的 pattern 種 類 共 有 7 種
{ C C
1, 2,...,C
7}
，對於每一種類C ，我們收集一組訓練用資料（training sample kdata），由此訓練出一對應該種類的 HMM 模組Φ ；當完成所有 7 種類的 HMMk 之訓練後，即可用來從事未知 patterns 之分類的工作，其過程如下：假設我們分 析一未知的 pattern X ，其結果為X = X1X2X3...XT(T 代表該 pattern 的長度)，
之後將其代入所有訓練過後的 HMM 模組Φk,k =1,2,...,m(在本研究中，m=7)，
計算其P(X|Φ 的機率值；假若k) P(X |Φ 的值最高，則認為 pattern X 屬於a) Ca 類。由上述例子可知，本研究在使用 HMM 時，有兩項主要的工作：
1. Learning 問題：在使用 HMM 前均需先加以訓練，而訓練時需有一組 訓練用的 patterns
X ' s
，HMM 學習的目的就是調整其內的參數Φ（Φ為包含所有 HMM 參數的向量），使得所有訓練用 patterns 的 join probability(likelihood)
( | )
X
P X Φ
∏
極大。2. Evaluation 問題：給予一個訓練過的隱藏式馬可夫模組Φ及一未知 pattern
X
，假設X
的分析結果為X = X
1, X
2,..., X
T， evaluation 的目 的即為計算P(X |Φ)的機率值。解 決 第 一 個 問 題 必 須 使 用 Forward Algorithm ， 第 二 個 問 題 則 是 使 用
Baum-Welch 演算法（又稱為 backword-forward algorithm）。
依照 DeSanctis 和 Gallupe（1987）對群體支援技術的支援層次分類來看，屬 於第三級的 GSS（即以「協調輔助」為主要目的的群體支援技術）大多是以特定 目的（任務）為主，即專家系統或人工智慧導入的類型，這種類型的群體支援技 術較為少見，且應用範圍也受到相當大的限制，只能處理封閉式領域內的問題，
但是本研究則是試圖偵測與處理會議中的衝突狀況，與會議類型和討論主題完全 獨立，屬於開放式領域的問題空間，這也正是其價值之所在。
當然，要從開放式領域的問題空間中，即時辨識出群體意圖狀態走勢是很困 難的，因為人類的互動行為本身是非線性的，不但難以預測，而且也沒有規則可 言，因此我們在狀態分析元件中的群體意圖狀態趨勢辨識階段，利用 Sentence
opener 的意圖指標、衝突行為構面模式的概念和隱藏式馬可夫模型的辨識法，試 圖達成這個目標；透過上述辨識過程，我們可以取得當前最有可能的群體堅持 度、合作度意圖狀態趨勢類型，這種狀態趨勢的表達能力是基於 Thomas 衝突行 為構面模式，而該構面模式則是一種已經證實非常有效的分析工具。