本文探讨人工智能与人类之间的相互交流，并提出了 Mutual Theory of Mind (MToM) 框架，旨在提高双方互相理解的能力和效率，介绍了框架的三个主要组成部分，以及通过案例研究展示了 MToM 框架在引导人工智能设计和人 - AI 交流理解方面的重要性。

Oct, 2022

本文研究了多智能体环境中，人类与机器人协作对抗他人时，基于心智化理论的机器人政策对于人机信任的重要性和有效性，并通过采用机器人心智理论模型来缓解机器人采用逆心理策略的问题以保持信任。

Nov, 2023

本文综述了近年来关于机器 Theory of Mind（ToM）在信仰、欲望和意图方面的进展，概括了不同任务和数据集的发展，并比较了具有优势、局限性和适用条件的模型。我们认为，提出标准的评估标准和数据集，特别是覆盖了 ToM 多个方面的大规模数据集，是解决这种困难的方法之一。

Mar, 2023

通过设计 Theory of Mind （ToM）神经网络，该网络利用元学习从行为观察中建模遇到的智能体，从而学习模拟其他智能体在其世界中的行为，它是发展多智能体 AI 系统、构建机器人与人类交互技术和推进可解释 AI 进步的一个重要步骤。

Feb, 2018

我们提出了一种新颖的个性化决策支持系统，它结合了心智理论建模和可解释的强化学习，以提供有效和可解释的干预。我们的方法利用强化学习提供专家行动建议，并结合心智理论建模来理解用户的心理状态和预测他们未来的行动，从而实现适时的干预。为了解释干预结果，我们使用了基于强化学习的因果关系解释和用户的心智模型结构。我们提出的系统能够生成精确且个性化的干预措施，并且易于被最终用户解释理解。通过一系列的众包实验，我们展示了我们方法的有效性，该实验在模拟团队决策任务中优于对照基线的任务表现。我们的方法不受任务环境和强化学习模型结构的限制，因此具有广泛应用的潜力。

Dec, 2023

探讨了为了使人工智能和人类更有效地团队合作，人类需要了解人工智能的思维方式（称为 ToAIM），并在可视化问题回答视觉问题领域内进行实篇研究，发现虽然解释性 AI 受到了广泛关注，但访问模型内部状态对于预测其行为并不有帮助。

Apr, 2017

为了发展具有人类级社交智能的机器，我们引入了一种多模式心智问答（MMToM-QA）基准，它综合评估机器的心智理解能力，并基于多模式数据和关于家庭环境中人物活动的不同类别的单模式数据。为了实现多模式心智能力，提出了一种新方法 BIP-ALM（基于语言模型的贝叶斯逆规划加速），它从多模式数据中提取统一的表示，并利用语言模型进行可扩展的贝叶斯逆规划。与人类表现、BIP-ALM 和包括 GPT-4 在内的先进模型进行了系统比较，实验表明大型语言模型和大型多模式模型仍然缺乏强大的心智理解能力，而 BIP-ALM 则通过利用基于模型的心智推理和语言模型的能力展现了有希望的结果。

Jan, 2024

人与机器协作中，提出了一种基于可解释人工智能（XAI）框架的思维感知沟通技术，借助贝叶斯推理算法，机器建立了人类用户的层次化精神模型，并生成自身思维的解释，实验证明该方法显著提高了协作表现和机器被用户感知的程度。

Jul, 2020

本文提出了一种新的神经 ToM 架构，它通过学习过去轨迹的潜在特征向量，来乘性调节预测机制，以提高情感理解能力，并在测试中取得了良好的效果。

Apr, 2022

本研究为了衡量 Theory of Mind（意念）在语言学习中的影响，在现有 ToM 的版本上，建立了能够融合 ToM 的语言学习代理，并通过实验，证实高度融合 ToM listener 组件的训练，可以在图像指称游戏环境中获得更好的性能，这表明在计算语言习得中进一步结合 ToM 以及儿童语言习得研究的潜在效用。

Mar, 2023