本文研究交互式机器学习的发展和应用，探讨人类反馈对于机器人行为的影响和提高机器人性能的方法，发现人类反馈参数对于任务性能的影响很大，需要更好地了解人类反馈的潜在变量以更好地处理人机交互领域的问题。

Jan, 2017

该研究提出通过 EEG 作为自然反应的形式来捕获人类的内在反应作为隐式反馈，并将人类智能通过隐式反馈与 RL 算法相结合，以加速 RL 智能体的学习。

Jun, 2020

该研究探讨了通过学习人类示教实现机器人互动反馈的一种可能性 —— 基于双方肢体语言的意义建立，通过人机互动教机器人跳舞，对正确和错误示范进行姿态分析以测量人对机器人的响应。

Jun, 2016

采用深度学习生成模型来生成机器人情感表情，通过几个手动设计的机器人身体表达生成一个新的符合上下文感知的表达。评估结果表明，生成的表情与手动设计的表情没有显著差异，且能达到不同目标情绪的效果。

May, 2022

本文研究了如何通过面部表情感知学习来降低人机交互中的显式反馈，取得了较好的实验效果，该方法可为人机交互领域提供辅助

Jun, 2016

我们研究使用非语言行为线索和机器学习技术来预测人们对机器人行为的印象，通过观察类型的不同组合以及人类和监督学习技术的预测能力分析发现，面部表情和空间特征对人类对机器人表现的印象有用，而导航场景中的空间特征是这种推断任务中最关键的信息。在二元分类中，人类预测和机器学习模型的 F1 分数提高了一倍以上，表明它们在判断机器人表现的方向性上比精确预测性能评级更好。基于我们的研究结果，我们提供了在真实导航场景中实施这些预测模型的指南。

Oct, 2023

EMPATHIC 项目的研究旨在设计一款情感表达丰富的虚拟教练，能够吸引健康老年人提高幸福感并促进独立老龄化。本文概述了虚拟教练的情感表达识别模块的开发，包括数据收集、标注设计和针对项目需求的第一种方法论。结果表明，研究的多模态方法在对老年人进行情感分类时具有信息量，并且通常优于其他方法（音频标签准确率约为 68％，视频标签准确率为 72-74％）。这些发现有助于有限的关于情感识别在老年人与人工智能交互中的文献。

Nov, 2023

利用三部分模块系统，包括验证时机检测、用户情绪状态识别和验证式回应生成，本研究介绍了首个旨在促进共情对话的框架。通过利用日本 EmpatheticDialogues 数据集和 Task Adaptive Pre-Training（TAPT）基于 BERT 的模型，在所有模块的 F1 分数方面，表现超过随机基准线和 ChatGPT；在 TUT Emotional Storytelling Corpus（TESC）语音对话数据集上的应用也证实了模型的有效性，超过了随机基准线和 ChatGPT，强调了我们框架在促进人工智能与人类之间的共情沟通上的有效性。

Feb, 2024

该研究提出通过音频识别负面情感以实现具有自适应共情反馈的英语教学聊天机器人，并通过初步用户研究证明了该系统的有效性。

Apr, 2024

本文旨在研究和评估现有的衡量和评估共情能力的工作，以及迄今为止已经收集和使用的数据集，以通过比较它们的性能来突出和促进人工共情领域的最新方法的使用，以便帮助人工共情领域的研究者选择精准的方法。

Sep, 2023