该研究基于情境评估，提出了一种新颖的解决方案，可以在人机团队合作中帮助机器人预测和模拟人类决策，并通过沟通协调达到信念一致，提高问题解决效率和鲁棒性。

Oct, 2022

采用心灵理论将人的意图、机器理解和人对机器的理解显式建模，生成更优质的 AI 解释框架以提高人们对复杂机器学习模型的信任。在 3 个视觉识别任务中展示了该框架的实际应用性，而且经过大量的人类实验证明该框架的效果比现有的同类算法要更好。

Sep, 2019

AI 系统与人类的相互作用中，理解计算机中的心智模型和说明性交流对于实现合作场景和操纵人类期望至关重要。

May, 2024

本研究通过一个协同迷宫游戏设计，用深度强化学习技术实现了人机共同协作。研究结果证明人机共同协作相互影响，在时间的推进下不断适应并建立起相应策略，这为人机智能的协作提供了可行的方案。

Mar, 2020

本文考虑了人机团队合作的问题，并基于计划可解释性的概念，将其扩展到考虑交互设置。结果表明，我们的算法生成的计划的可解释度得分与人类计划相当，并且比不考虑该度量的 FF 计划更好，从而更好地满足人类期望，提高人机合作效率。

Jan, 2019

基于认识逻辑的合作代理研究中探讨了在没有共享模型的情况下，代理能够通过动态规划行动或交流来解决合作中的不一致。研究提出了一种在条件信念逻辑基础上扩展的形式化表示方法，用于显式地表示代理对可行计划和执行状态的嵌套信念，同时提供基于蒙特卡洛树搜索的在线执行算法，包括用于解释计划可行性、宣布意图和提问的通信行动，并通过评估算法的成功率和可扩展性证明，我们的代理能够更好地适应没有共享模型的团队合作。

Jul, 2023

通过论证式对话的方式，我们提出了一个新的框架，使得 AI 代理能够学习和更新概率性的人类模型，从而更好地理解人类的思维状态，通过人类对其论点的信任和对自己论点的确信程度，调整概率分布，并在论证场景中的人类主体研究中证明了该方法捕捉了人类信念形成和适应的动态过程。

May, 2024

通过一个更佳的、基于理性的智能体在人类世界的适当整合，能够建立一个在人际合作中可以进行有效协作的方法，此研究提出了在 Minecraft 的虚拟场景下，对人类合作任务探索想象过程的细粒度数据集，并借此数据展示了几个有关于想象过程的任务的计算模型

Sep, 2021

该研究讨论了在未来机器人作为人类队友的角色，并提出了更新智能体结构的方案，强调了自主代理的谋划过程中人类的心智模型要求。

Jul, 2017

我们提出了一种用于最新深度学习为基础的机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，同时引入了可解释的人工智能（XAI）功能以促进深度学习方法在实际应用中的应用。为了评估 XUI 对任务性能、用户满意度和认知负荷的影响，我们提出了初步用户调查的结果，并提出了一个大规模后续研究的研究设计。

Apr, 2024