Scalable-DSC：基于结构化模板提示的可扩展对话状态纠错方法

基于摘要分析。本文研究对话状态跟踪（DST）中错误槽位值的纠正，旨在缓解状态错误传播，并降低纠错方法对特定 DST 模型的依赖。作者提出 Scalable Dialogue State Correction（Scalable-DSC），通过统一的结构化模板提示连接预测状态与对话历史，生成纠正后的对话状态。 核心机制是 Structural Template Prompt（STP）：将 DST 模型输出的预测对话状态转换为标准化自然语言序列，作为历史上下文的一部分，与对话历史信息关联，再依据预定义模板选项生成纠正后的状态序列。其主要设计目标是统一纠错模块的输入表示，而非修改某个特定 DST 模型；作者主张该方法可处理任意 DST 模型的预测结果，但摘要未提供实际覆盖的模型范围。 训练方面，作者提出两种策略：一是使用预测状态模拟器构造训练用预测状态，以增强泛化能力；二是直接采用 DST 模型预测的状态作为训练数据，以缓解训练与推理阶段错误类型分布不一致的问题。摘要未说明两种策略的组合方式、模拟器实现、训练目标或基础模型配置。 作者报告，在 MultiWOZ 2.0–2.4 上取得最先进结果，但摘要未给出具体指标、分数、数据划分及对照基线，因此尚不能量化性能提升或判断不同 DST 模型上的收益是否一致。实验协议、消融及统计信息尚未验证。 本文主要研究对象是自然语言对话系统中的状态纠错，并非状态空间模型或 EEG/BCI 解码。现有材料未提供其与神经信号处理的具体机制对应，不据此推断 BCI 有效性。