通过该研究，提出了一种基于电视剧脚本的 TVShowGuess 任务来评估机器对叙事故事中虚构人物理解能力的新方法，并且证明了这种任务覆盖了多种类型的人物特质和能力，进一步提出了支持长场景文本的上下文编码的新模型结构。实验表明，新模型的性能明显优于基线，但仍大大落后于人类表现。 该研究初步探索了叙事性角色理解的目标。

Apr, 2022

机器学习中的神经心智理论 (N-ToM) 是理解和跟踪他人心理状态的关键，本研究构建了一个新的基准 OpenToM，通过长而清晰的叙述、具有明确人格特征的角色以及挑战人工智能模型对心理和心理世界中角色心理状态建模能力的设计提出了一些问题，揭示了最先进的模型在物理世界中对心理状态的建模方面表现出色，但在心理世界中的心理状态跟踪方面表现不足。

Feb, 2024

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

本文提出了 SymbolicToM，即一种通过显式符号表示来跟踪阅读理解任务中多个字符的信念状态、其对他字符信念状态估计及更高级别的推理的方法，该方法在 ToMi 基准测试中表现出了显著的理解能力提升。

Jun, 2023

通过研究电影人物，从社群策展的 20000 个主题中捕捉主题级别上的相似性，提出了一种新的任务来捕捉自然语言处理中尚未被完全研究的人类体验方面，展示了主题信息学习如何用于理解 Reddit 帖子中人们的体验主题。

Oct, 2020

该研究探讨了几颗子任务的语言协调，通过群体与不同的语言能力代理进行快速交流，提出了使用 ToM 建立代理人之间交流的重要性，实验表明使用 ToM 建立指令可以更好地执行交流任务。

Jul, 2021

大型多模态模型能否拥有类似人类的情感和社交推理能力，以及这是如何实现的？近期研究已经发现了大型语言模型的浮现理论推理能力。通过解决各种基于文本的涉及认知理论（如人类信念、欲望和意图）的任务，语言模型能够推理人们的心理状态。然而，人类的推理能力通常基于动态场景和时间。因此，我们认为视频是一个检验时空认知推理能力的新媒介。我们通过使用视频和文本开发了一个基于多模态语言模型的推理管道，实现了对涉及社交和情感推理内容的视频的显性推理。同时，我们还通过检索回答推理问题所需的关键帧来启用显性认知推理，揭示了多模态语言模型如何推理认知理论。

Jun, 2024

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

本研究提出新的元学习方法，以注意机制和先验知识为主要组成，帮助元学习器更好地理解输入数据并集中于重点特征，在解决少样本学习和一些任务过度拟合问题方面表现优异。

Dec, 2018

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