- EMNLP神经心智理论？关于大型语言模型社交智能的限制
本文从经验和理论角度出发，探究了现代 NLP 系统中的社交智能和心理理论的问题，并使用 SocialIQa 和 ToMi 任务检验了 GPT-3 的社交智能和 Theory of Mind 的能力，结果表明 GPT-3 在这些任务中存在严重 - 通过自我观察学习心智理论的机器人：利用意图 - 信仰的协同作用
本文介绍了一种学习他人低层次和高层次心智状态的神经网络模型，并表明把高层次认知附加到低层次状态模型中可以使模型更快、更准确地进行意图预测，并提高学习表现。
- 大型语言模型是否知道人类所知道的？
通过评估大量语言暴露对理解心灵理论的影响，发现语言的统计学学习能够部分解释人类认知发展中心灵理论的发展，但是其他机制也起到重要作用，因为最先进的语言模型 GPT-3 尽管暴露于更多的语言环境下，但其表现并不能完全解释人类的行为
- 基于层级贝叶斯心智理论解决幼儿直觉基准测试
使用基于层次贝叶斯心理理论的方法，在婴儿先天直觉测试基准中取得接近于完美的结果，表明了结构化的贝叶斯人类社交认知模型的优势，同时实现了可解释的人类化推理。
- 协调机制的自说明偏差
本文研究合作多智能体问题的一种特定子类，即人类能够发现自我解释偏差（SED）。作者首先给出了 SED 的定义，然后提出了一种新算法 IMPROVISED 来执行 SED，并在 Hanabi 基准设置中进行了评估。IMPROVISED 是第一 - Nocturne: 一种可扩展的行车基准，让多智能体学习更接近真实世界
介绍了 Nocturne，一个新的 2D 驾驶模拟器，用于研究部分可观测下的多智能体协作。该模拟器旨在提供真实世界中的推理和心理理论研究，而无需进行计算机视觉和图像特征提取的计算开销。使用开源的轨迹和地图数据，构建了一个加载和重播任意轨迹和 - 通过心态因果分析解释行为：初步报告
该论文构建了一个支持因果推理的框架，可以推理出动机状态的原因，并允许动机改变的行动成为观察结果的原因，这个框架可以解释在交际多智能体环境中的代理行为。
- 通过动态特质归因学习心智理论
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。
- ACLTVShowGuess: 以扮演者猜测为基础的故事人物理解
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 - 深度学习方法在心智理论方面的挑战
本文介绍了深度学习方法在推理他人心理状态方面的潜力、现有进展和问题，并强调当前研究的局限性和提出的解决方案。研究者应探索理论思维在复杂开放式环境中的研究，并使用人类的先前工作对深度学习系统进行成功的激励。在进行深度学习的理论思维方面的研究时 - ICLRToM2C: 以心理意图为导向的多智能体通讯与协作
本文介绍了一种使用心理意识理论建立社交智能代理以有效沟通与合作完成任务的方法，通过观察、推断和接收信息，这些代理可以推断他人的心理状态和意图并决定何时、与谁分享自己的意图，最终在两个典型目标导向的多代理任务中展示了优异的性能。
- MindCraft：基于心智模型的协作任务情境对话建模
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 - ACL通过人格建模提升对话系统的谈判能力
本文探讨了用机器的 “心智理论” 来针对不同人格类型的对手去自适应调整对话体系的高层策略，我们通过 CraigslistBargain 数据集的测试表明，利用心智推理方法相比于基线方法在混合对手的情况下显示出更高的对话一致性；同时我们也发现 - 理解心理学与指称游戏相互作用的语用学的涌现
本文提出一种基于理论智能和自适应强化学习算法的合作式多智能体情境下的通讯协议，使得智能体可以在没有显式设计规则的情况下自发地学习 “读懂人心”，实现了语用学的概念在多智能体通讯系统中的有效应用。
- 在合作部分可观察游戏中通过搜索优化策略
本文提出了两种搜索技术，分别是单智能体搜索和多智能体共同知识搜索，在合作部分可观察游戏中应用，以提升合作智能体的性能。在 Hanabi 基准挑战问题中，两种技术均能大幅提高每个测试智能体的性能，并对使用 RL 训练的策略产生了新的最先进得分 - 深度多智能体强化学习的简化行动解码器
该研究提出了一种基于深度多智能体强化学习方法，即 Simplified Action Decoder（SAD），它通过利用集中式训练阶段解决了训练过程中策略非常难以观察的问题，从而在 Hanabi 挑战赛的部分元素中，建立了一个新的 SOT - CVPRX-ToM: 应用心智理论解释以赢取人类合理的信任
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。
- 机器心智理论
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。
- 人工智能心智理论：两个人一起跳探索
探讨了为了使人工智能和人类更有效地团队合作，人类需要了解人工智能的思维方式（称为 ToAIM），并在可视化问题回答视觉问题领域内进行实篇研究，发现虽然解释性 AI 受到了广泛关注，但访问模型内部状态对于预测其行为并不有帮助。
- IJCAI面向心智理论启发的通用决策框架
本研究提出了一个基于 Theory of Mind 的通用框架，允许智能体使用多个模拟来推导和行动，以通过模拟决策过程解决在 IJCAI2013 AIBirds 竞赛中的流行游戏。