礼貌至上:维和机器人的感知
通过定量和定性研究,本文探讨了以个体人类特质为依据对机器人个性的重要性,并证明通过声音和语言特征可以准确地描绘机器人的外向性和内向性。此外,通过收集对不同机器人个性的喜好和信任评分,我们得出结论,无论被测试者个人特质如何,人们更喜欢和信任外向型机器人,对 Robo-Barista(机器咖啡师)而言,这一点尤其如此。同时,我们发现个体对机器人的态度和倾向对 Robo-Baristas 的信任有影响,因此在设计人机交互研究时,除了考虑机器人的个性、角色和交互环境外,个体态度也是重要的考虑因素。
Jul, 2023
本文探究了人类认知负荷、信任和拟人化在人机交互中的关系,并通过 “匹配配对” 游戏测试了人们对 Husky 和 Pepper 两款机器人在高认知负荷下的信任度和其物理拟人形态以及错误率对人们的评价和行为的影响。研究发现人们的认知负荷越高,信任度越低;在高错误率下,人们对 Pepper 的信任更高,在错误率低的情况下,人们对 Husky 的信任更高,表明物理拟人化和变量错误率对人机交互有一定的影响。
Sep, 2019
本文探讨人类与机器人的协作中,心理模型对信任与决策的影响,并通过一项在线测试发现,人们对机器人的能力和意图的估计与总体自我报告信任强相关。但要做出正确的决策,人们需要(并使用)多面向的心理模型,而不是仅仅校准总体信任水平。
Sep, 2019
对于服务机器人来说,关键是能够尽早地察觉到接近的人有意互动,以便主动采取友好行为,从而提升用户体验。我们通过一个自监督训练的序列到序列分类器来解决这个感知任务,主要研究了在这种情况下表示人的目光的特征的益处。在一个新的数据集上进行的大量实验证明,包含目光线索显著提高了分类器的性能(AUROC 从 84.5% 增加到 91.2%),能够实现准确分类的距离从 2.4 米提高到 3.2 米。我们还量化了系统在无外部监督的情况下适应新环境的能力。定性实验证明了与服务员机器人的实际应用。
Apr, 2024
信任是人们对机器人和技术进行采纳的重要因素,因此研究过去几十年的文献主要关注于测量人们对机器人和技术的信任程度,特别是在人机交互方面。本文中,我们概述了当前的研究方法及其优势,提出了一些薄弱方面,并讨论了在人机交互中影响信任度的更全面因素的潜力。
Nov, 2023
本文介绍了利用社会认知中的温暖和能力作为两个基本维度,结合机器人社会属性量表(RoSAS)和 Godspeed 模型,实现对人和机器人交互过程中的感知和偏好进行研究及预测的方法。结果发现,RoSAS 中的温暖和能力对人类在机器人交互中的行为偏好具有较强的预测力。
Aug, 2020
通过实验,我们发现人们对于更具人类特征的机器人的判断更加接近对待人类的方式,主要受到机器的代理能力的影响,这表明人们对人和机器的差异性判断可以通过心理模型的演变来解释。
Oct, 2022
本文提出了一种识别礼貌语言方面的计算框架,使用新的语料库对礼貌的不同方面进行评估,发现礼貌标记符与上下文之间的新互动,然后构建了一个具有领域无关词汇和句法特征的分类器,并通过对维基百科和 Stack Exchange 上的数据进行实验,研究了礼貌与社会权力之间的关系,并对性别和社区的反应进行了初步分析。
Jun, 2013