长期人机交互中的个性化解释-计算机科学-人机交互-可解释性.pdfVIP

长期人机交互中的个性化解释

FerranGebellí,AnaísGarrell,Jan-GerritHabekost,SéverinLemaignan,StefanWermterandRaquelRos

Abstract—在人机交互（HRI）领域，一个基本的挑战是SometimesIcanconfusedetected

objectsandassignthemtothewrong

促进人类对机器人的理解。新兴领域的可解释HRI（XHRI）研Whydidyoutype.Thisismorelikelytohappenwith

究生成解释并评估这些解释对人机互动影响的方法。以前的研mistaketheorangebadlightingconditionsorifIsee

asanapple?objectsfromunusualperspectives.

究强调了需要个性化解释的详细程度以增强可用性和理解力。

LLM-based

我们的论文提出了一种框架，旨在更新和检索用户知识记忆模explanation

型，允许在参考先前获取的概念的同时调整解释的详细程度。基generator

于我们提出的框架设计了三种架构，这些架构使用大型语言模

本型（LLMs），并在两种不同的场景中进行了评估：医院巡逻机persistentuserknowledgeextraction

memory

器人和厨房助手机器人。实验结果表明，一个两阶段架构——

译Xdayslater

首先生成解释然后个性化它——是能够有效减少仅在存在相关Imistookthemforthe

中用户知识时的详细程度的框架架构。WhydidyousamereasonsIconfused

mistakethelemonanorangeandanapple

1asapeach?somedaysago.

vI.介绍LLM-based

9