由于语音助理在人们日常生活中，逐渐开始受到普遍应用，而为了要让这些系统足以吸引用户，进而完成特定任务，语音助理如能表现适当的社交行为，并且提供信息丰富的回应，将有助完成该目的。
Uber研究显示，人工智能代理所使用的社交语言，与用户的响应性和任务完成度有很大的关系，因此Uber尝试打造更有礼貌的对话代理模型，让模型能够在回应中使用社交语言，并同时保持原有回应内容。
对话代理其中一种类型是任务导向的助理，包括微软Cortana、Apple Siri以及Google Assistant，都是要与用户进行单回合或是多回合对话，并从中截取信息，完成特定任务，Uber研究人员提到，过去部分研究显示，当任务导向的助理拥有更多的社交能力，可能有助于完成任务，但这部分的研究仍非常少。
Uber这项研究将重点放在客户服务的领域上，特别是客户服务人员帮助驾驶员，和共享乘车服务供应商签约的部分。研究分为两部分，第一部分研究人员探究客户服务代表，对驾驶使用友善言语时，所获得的驾驶回应，以及首次车程状况之间的关系，第二部分则是基于第一部分的研究基础，Uber研究人员开发包含社交语言理解，和语言生成组件的语言模型，让语音助理具有使用社交语言的能力，同时还保有原本语义的完整性。
研究显示，客户服务代表消息的礼貌程度，与驾驶的响应性，以及第一趟车程完成情况有关。以这项研究结果为基础，Uber使用超过23万笔司机与客户服务代表的消息，来训练语言模型，这些消息由人类评估人员，标记礼貌与正向标签。
经自动和人工方法评估，以礼貌消息资料集训练过后的机器学习模型，其输出消息的礼貌和正向程度。虽然消息积极度与司机回应呈现负相关，但是语言模型成功改变回复方式，在以更有礼貌的方式回应下，还能够同时保有原本消息意义。研究人员解释，语音助理的语言正向程度，与驾驶回应呈现负相关性结果，可能是由于语言的正面积极概念，与情绪上的积极存在差异。
但整体而言，通过改变语言模型输出消息的礼貌程度，的确可以让驾驶更快做出回应，并且遵循最佳做法，包括行为举止更礼貌，并且使用更正向的语言。这份研究的贡献在于，有系统地分析社交语言，以及用户回应之间的关系，也提出用于任务导向对话生成深度学习框架的社交语言理解和生成组件，还使用人工和自动评估方法，评估结合社交语言之后的对话，其保留原本内容的程度。