本研究主要探讨了人工智能机器人在人机互动中的表情、肢体语言及面部跟踪技术等对于增进用户情感共鸣和满意度上的应用价值。

Jul, 2005

本文综述了过去在人机交互中与情感参与度推测相关领域的前沿工作，包括交互上下文、情感组成因素及其影响、公开数据集、认证准确度、最常用的特征和方法，指导未来开发致力于可靠的上下文感知和情感推测能力的人机交互界面。

Sep, 2022

本文提出了一种语音情感识别技术的新应用：估算语音通信系统用户之间对话参与程度的水平，使用机器学习技术，如支持向量机（ SVM ）对用户的情感进行分类；结果表明，使用基于耦合的隐马尔可夫模型的多层结构来建模具有时态和交互特性的对话参与程度是可行的。

Oct, 2004

本论文研究了如何将基于连续学习模型的目标识别系统与移动机器人 Fetch 结合起来，以便使机器人能够在与人类用户的多个交互中继续学习。通过与 60 名参与者进行的实验，作者发现，如果机器人忘记了之前学过的目标，参与者对于连续学习机器人的信任、能力和可用性的感知将会明显降低。然而，进行 2-3 次教学和测试任务的任务负荷并不随会话数的增加而增加。此外，本研究发现，目前的连续学习模型在机器人与人类参与者交互时的可靠性较低。

May, 2023

该论文研究了基于用户参与度的智能对话系统的质量评估方法，提出了新的自动评估指标 —— 预测性参与度，并证明了预测性参与度可以用作实时反馈来改进对话模型。

Nov, 2019

考虑到学习者参与可以对学习者和教师带来共同的利益，本文提出了一个通用的轻量级模型，以选择和处理特征来检测学习者的参与度，同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频，该模型能够捕捉学习者参与度的动态本质。此外，本文提出了一个适应策略，以通过利用与教育相关的数据集的情感状态来找到新的标签，从而提高模型的判断能力。该模型在特定实现中取得了 68.57％的准确率，并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。

May, 2024

该研究提出了一种用于在长时间内不断学习机器人环境并增量式更新其内部知识图谱表示的架构，采用知识图谱嵌入技术对获取的信息进行泛化，通过一系列增量学习会话来评估机器人从未知上下文中学习实体和关系的能力。

Jan, 2023

该研究探讨了如何使用人类反馈来有效地开发高度吸引力的社交聊天机器人，通过伪标签和奖励模型提高了聊天机器人的用户积极性和留存率，从而达到使用者参与度优先的目的。研究结果表明，这种方法可以将聊天长度增加高达 70％，使 GPT-J 6B 模型的用户留存率增加超过 30％。未来的工作将使用奖励模型实现数据飞轮，以轮换地微调语言模型和奖励模型。

Mar, 2023

本文研究了人类教授机器人学习的方式及学习机器人需要如何快速学习新信息，在理解每个用户的教学风格方面个性化改进。对 200 个会话进行研究，结果表明教学者的风格存在显著变异，需要进行个性化的适应。同时，在实际运用中，常规设备测试机器学习无法代替真实用户的操作方法。

Jun, 2023

介绍一种通过人工智能和情感计算来测量虚拟学习中学生参与度的隐私保护方法，该方法利用从视频中提取的没有个人身份信息的面部标志点，通过 Spatial-Temporal Graph Convolutional Network (ST-GCN) 模型输出学生在视频中的参与度水平。

Mar, 2024