人类-机器人互动中情感与对话特征对再参与意图的预测——基于人类社交机器人的学生中心研究

人类社交机器人正日益出现在日常生活中，持续的用户参与度已成为其有效性和接受度的关键因素。虽然先前研究常检查情感评估或拟人化设计，但关于动态对话特征和机器人感知特征在决定用户再参与大型语言模型 (LLM) 驱动社交机器人意图方面的相对影响，了解有限。本研究中，68 名参与者与 Nadine 人类社交机器人进行开放式对话互动，完成前后问卷调查以评估机器人感知、对话质量和再参与意图之间的变化。结果显示，语言交互显著提升了机器人的感知特征，关于愉悦感 ($p<.0001$) 和可接近性 ($p<.0001$) 的统计显著性增加，关于恐怖感 ($p<.001$) 的降低。然而，这些情感变化在多元回归模型中并非用户再参与意图的强和独特预测因子。相反，参与者对机器人对话有趣程度 ($\beta=0.60$, $p<.001$) 和自然程度 ($\beta=0.31$, $p=0.015$) 的感知成为再参与意图最显著且稳健的独立预测因子。总体而言，结果凸显了对话质量（ Specifically 指的是感知的有趣程度和自然程度）是再参与的主要驱动力，表明 LLM 驱动的机器人设计应优先考虑引人入胜、自然的对话，而非情感印象管理或拟人化线索。