为了解决 AI 与人类之间协作中的问题，本文提出了一种新颖的计算问题，即为智能体预测它们自己和它们的合作者缺失的任务知识，通过丰富的感知和对话历史进行沟通和学习，以实现联合任务的完成，结果表明，预测合作者缺失知识是一种更可行的方法，且明确建模合作者对话移动和心理状态可以提供更好的结果。

May, 2023

基于对话的人工智能协作可以在协作问题解决、创造性探索和社交支持方面起到革命性作用。本调查从传统的手工制作和信息状态方法到 AI 规划启发的方法，回顾了协同对话系统中对话管理范式的演变。然后，将焦点转向当代的数据驱动对话管理技术，这些技术旨在将深度学习在填充表格和开放领域环境中的成功经验转移到协作场景。本文还分析了一组将神经方法应用于协同对话管理的最新作品，突出了该领域的主要趋势。希望本调查为未来协同对话管理的发展提供基础背景，特别是在对话系统社区继续积极探索大型语言模型的潜力的情况下。

Jul, 2023

使用大型语言模型与知识图谱相结合，通过与非玩家角色的互动交流获取关键信息，以加快强化学习代理的训练。

Jul, 2023

本研究提出神经叙事生成系统，该系统通过不同程度的人机交互实现故事的生成和不断改进，发现在规划和写作阶段增加人机交互能够使故事质量提升 10% 至 50%，同时提高用户的参与度和满意度，证明在故事创作中人机协作对改进故事特性具有积极作用。

Apr, 2019

本文提出了一个新颖的模块化对话系统框架，将事实信息和社会内容融合到说服性对话中。研究表明，相比于不显式处理社会内容或事实问题的端到端模型，我们的框架在所有方面包括能力和友好度方面更受用户好评。

Mar, 2022

该研究探讨了使用细分搜索解决情节生成问题的可能性，并提出了一种新型的细分搜索规划算法，可以创建具有因果关系的情节进展，并在识别可能的角色目标和创建计划结构方面解释为什么这些角色承诺他们的目标。结果表明，IPOCL 算法生成的叙述计划比传统的部分顺序规划器生成的计划更能支持观众理解角色意图。

Jan, 2014

本研究提出了一种名为 Story Shaping 的技术，能够通过故事来表达暗示性过程知识，让强化学习智能体从范例故事中推断知识，并在执行行动时给予内部奖励，以使其当前的环境符合推断故事世界的要求

Jan, 2023

计算思维与计算机编程具有学习曲线陡峭的特点。通过对话代理和生成式人工智能（genAI）的应用，可以提供个性化指导、互动学习体验和代码生成来促进学习过程。然而，目前基于 genAI 的聊天机器人主要面向专业开发人员，对教育需求的考虑可能不足够。因此，与教育者合作设计教育工具至关重要，本文通过设计虚构会话中的参与教育者洞察了一种具备指导学生分步练习、调整指导方法并关注教育背景、技能和学习偏好的对话代理，这些发现可为面向教授计算思维和计算机编程的辅导对话代理的未来实施提供指导。

Nov, 2023

探索一种新的方向，即代理人专门集中于发现与其对话者有关的信息，定义了一个定量度量标准，提出了一个代理算法来最大化它，并用人工评估验证了这个想法，在这个过程中我们的系统优于各种基线，并且证明了它的指标确实与人类活跃度的评价相关。

Aug, 2018

本研究通过社会认知理论构建了一个特征框架，对代表人类意图、动机、自我效能和自我调节的 Agency 进行了量化和控制，并提供了一个新的数据集，评估当前对话系统中代理能力的发展和潜力。

May, 2023