在本文中，我们展示了如何利用 ChatGPT 在角色扮演的模拟游戏场景中，通过使用大型语言模型（LLMs）来提高教学质量，从而促进学生的积极学习。此外，我们讨论了 LLMs 如何通过允许学生使用 ChatGPT 来练习真实生活场景，从而提高学生的学习兴趣。

Feb, 2024

本文介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。在其中，代理可以感知，表情和行动，同时与其他代理进行对话。我们介绍了在这种情况下训练最先进的生成模型和检索模型的结果。我们展示了除了过去的对话，这些模型还能够有效地使用潜在世界的状态来调整它们的预测，特别是使用本地环境的详细信息，包括位置描述和其中存在的对象（及其可用性）和角色（及其先前的行动），可以更好地预测代理行为和对话。我们分析了在这种设置中成功落地所需的要素，以及每个因素如何与能够成功说话和行动的代理相关。

Mar, 2019

数字化教育及其对教学方法的影响是这项研究的重点，该研究探讨了 ChatGPT 在应用科学布尔根兰应用科学大学云计算工程硕士课程中使用的角色扮演游戏中的应用。该研究的目的是分析人工智能模拟对学生学习体验的影响。研究采用维果茨基的社会文化理论，使用 ChatGPT 将学生带入模拟商业场景中的战略决策过程，以加深他们的理解。方法论包括角色扮演和对 20 个学生反思的定性内容分析。研究结果表明，ChatGPT 提高了学生的参与度、批判性思维和沟通技巧，同时有助于理论知识的有效应用。此外，模拟可以促进理论知识的有效应用。研究结果强调了自适应教学方法在促进数字素养和为数字职场装备学习者方面的重要性。将人工智能融入课程和高等教育领域持续创新的需求也被强调为确保优秀、面向未来的教学的手段。研究结果突出了人工智能特别是 ChatGPT 作为一种创新前沿教育工具的潜力，既能提升学习体验，又能通过教育实现可持续发展目标（SDGs）。

Jul, 2024

我们研究建立具有开放式创造性任务的具身代理。通过增强控制器与想象器，根据语言指令生成详细的任务想象，我们提出了创造性代理解决方案的一类方法。我们在 Minecraft 游戏中使用 GPT-4V 评估了这些创造性任务，展示创造性代理是首批在 Minecraft 的生存模式中实现多样化建筑创作的 AI 代理。

Dec, 2023

利用大型语言模型生成人类般的回复，通过提取故事中的人物特点，引入 NarrativePlay 系统，允许用户在沉浸式环境中扮演虚构角色并与其他角色互动，自动生成故事情境、角色形象和对话，大大提升用户体验。该系统关注用户所选角色视角下从故事中提取的主要情节事件，并在两种类型的故事中进行评估：侦探故事和冒险故事，用户可以通过对话探索世界或改善与故事角色的关系。

Oct, 2023

本技术报告针对大型语言模型 (ChatGPT 和 GPT-4)，探究它们在玩文字游戏方面的能力，实验证明 ChatGPT 表现与现有系统相比具有竞争力，但仍没有足够的智能去构建游戏世界模型、利用已有世界知识和推断游戏进程中的目标。这为人工智能、机器学习和自然语言处理交叉领域开辟了新的研究问题。

Apr, 2023

通过将 OpenAI 的 ChatGPT 与具身智能系统相结合，本研究评估了它对交互式决策基准的影响。我们引入了 InterAct 的概念，将 ChatGPT 赋予多个角色，如检查员和分类员，并与原始语言模型进行整合。我们的研究在 AlfWorld 中展示了惊人的 98% 成功率，该环境模拟了一个家庭环境中的 6 个不同任务，强调了有效的提示工程的重要性。结果突显了 ChatGPT 在理解和高效完成复杂任务方面的能力，为任务规划的进一步发展铺平了道路。

Aug, 2023

该研究提供了一个数据集，用于训练能够构建基于知识图谱的交互叙事世界模型的学习代理。数据集包含了 24198 个富自然语言观察和知识图谱之间的映射，以及多个流派的 27 个游戏中的训练数据和 9 个附加的游戏中包含的 7836 项测试集等内容。此外，研究还提供了基于规则、问答和序列学习方法的基线模型以及数据分析。

Jun, 2021

计算思维与计算机编程具有学习曲线陡峭的特点。通过对话代理和生成式人工智能（genAI）的应用，可以提供个性化指导、互动学习体验和代码生成来促进学习过程。然而，目前基于 genAI 的聊天机器人主要面向专业开发人员，对教育需求的考虑可能不足够。因此，与教育者合作设计教育工具至关重要，本文通过设计虚构会话中的参与教育者洞察了一种具备指导学生分步练习、调整指导方法并关注教育背景、技能和学习偏好的对话代理，这些发现可为面向教授计算思维和计算机编程的辅导对话代理的未来实施提供指导。

Nov, 2023

通过在生成的课程上训练，我们教会了目标驱动型智能体在位置化环境中交互行为和语言表达。我们通过在大规模众包幻想文本冒险游戏（LIGHT）中学习，增强了 LIGHT 的功能，并学会了生成额外的小说文本世界和任务，以创建一个渐进式递增难度的课程，以训练智能体达到这样的目标。通过从分布的尾部学习，我们测量该课程的难度，根据最初的训练分布中任务的稀有程度评估其难度 —— 更容易的环境是更有可能在未增强数据集中找到的环境。消融研究表明，从分布的尾部学习的这种方法，可以在从未见过的任务上度量的零 - shot 性能方面，产生显着更高的泛化能力。

Oct, 2021