Automatische Erkennung paralinguistischer Merkmale zur Bewertung der Gesprächsqualität in Callcentern

In der Dissertation wird ein innovatives zweistufi ges Klassifi kationsframework entwickelt, das auf Basis multipler Modelle für den Sprechausdruck qualitätsinduzierende Kriterien bei Callcentergesprächen mit erklärungsfähigen Regeln prognostizieren kann. Zentrales Konzept des Ansatzes ist die automatische Erkennung sprecherisch-stimmlicher Merkmale des Sprechausdrucks als Realisierungsmittel der Gesprächswirkung. Ziel der als Basisklassifikation bezeichneten ersten Stufe des Frameworks ist die bestmögliche Erkennung des Sprechausdrucks. Hierzu werden multiple Klassifi kationsmodelle trainiert, aus denen mit einem Auswahlverfahren der beste Algorithmus für das Training des Basisklassifikationsmodells selektiert wird. Durch diese Basisklassifi kation wird eine symbolische Repräsentation des Sprechausdrucks erzeugt, die sowohl für Experten verständlich ist als auch von Klassifi kationsalgorithmen verarbeitet werden kann. In der zweiten Stufe werden mit Lernverfahren die erkannten sprecherisch-stimmlichen Merkmale zu einer Klassifikation der Qualitätsfaktoren zusammengeführt. Regeln und Entscheidungsbäume bilden die funktionalen Beziehungen zu den relevanten Merkmalen ab und können so anhand der erkannten sprecherisch-stimmlichen Merkmale die wahrgenommenen Qualitätsfaktoren erklären. Das Klassifi kationsframework wird in umfangreichen Tests statistisch verifiziert und in vier Fallstudien validiert.

Autorentext

Mathias Walther studierte Wirtschaftsinformatik an der Martin-Luther-Universität Halle-Wittenberg und an der University of Wollgong, Vereinigte Arabische Emirate und war danach wissenschaftlicher Mitarbeiter am Institut für Wirtschaftsinformatik und Operations Research der Martin-Luther-Universität Halle-Wittenberg. Im Anschluss war er als IT-Analyst und Schulungsleiter für Softwarearchitektur tätig. Seit 2017 arbeitet er als Data-Scientist bei einem Energieversorgungsunternehmen. Mathias Walther war Gründer und technischer Leiter eines Internetreiseportals und ist Lehrbeauftragter an zwei Hochschulen. Seine Forschungsschwerpunkte sind Data-Mining, Big-Data und Mustererkennung in Sprachdaten sowie Simulation.

Klappentext

In der Dissertation wird ein innovatives zweistufiges Klassifikationsframework entwickelt, das auf Basis multipler Modelle für den Sprechausdruck qualitätsinduzierende Kriterien bei Callcentergesprächen mit erklärungsfähigen Regeln prognostizieren kann. Zentrales Konzept des Ansatzes ist die automatische Erkennung sprecherisch-stimmlicher Merkmale des Sprechausdrucks als Realisierungsmittel der Gesprächswirkung. Ziel der als Basisklassifikation bezeichneten ersten Stufe des Frameworks ist die bestmögliche Erkennung des Sprechausdrucks. Hierzu werden multiple Klassifikationsmodelle trainiert, aus denen mit einem Auswahlverfahren der beste Algorithmus für das Training des Basisklassifikationsmodells selektiert wird. Durch diese Basisklassifikation wird eine symbolische Repräsentation des Sprechausdrucks erzeugt, die sowohl für Experten verständlich ist als auch von Klassifikationsalgorithmen verarbeitet werden kann. In der zweiten Stufe werden mit Lernverfahren die erkannten sprecherisch-stimmlichen Merkmale zu einer Klassifikation der Qualitätsfaktoren zusammengeführt. Regeln und Entscheidungsbäume bilden die funktionalen Beziehungen zu den relevanten Merkmalen ab und können so anhand der erkannten sprecherisch-stimmlichen Merkmale die wahrgenommenen Qualitätsfaktoren erklären. Das Klassifikationsframework wird in umfangreichen Tests statistisch verifiziert und in vier Fallstudien validiert.