探索LLM生成的文化特异性情感人机触觉交互

随着大语言模型（LLMs）日益融入机器人系统，其生成社会与文化适宜的情感触摸的潜力在很大程度上仍未被探索。本研究调查了LLMs——具体为GPT-3.5、GPT-4和GPT-4o——能否生成文化自适应的触觉行为，以在人机交互中传达情感。我们针对三种文化背景（中国、比利时和未指定）下的12种不同情感生成了基于文本的触摸描述，并在机器人到人类和人类到机器人两种场景中考察了它们的可解释性。共有90名参与者（36名中国人、36名比利时人和18名文化未指定者）对这些LLM生成的触觉行为进行了情感解码和感知适宜性评估。结果显示：（1）在文化匹配条件下，参与者成功解码了十二种情感中的六种——主要是社会导向情感（如爱）和Ekman基本情感（如愤怒），然而，自我聚焦情感（如骄傲和尴尬）更难被解释；（2）当触觉行为由人类指向机器人时，其被感知的适宜性高于由机器人指向人类，揭示了基于交互角色的社会期望的不对称性；（3）被解释为具有攻击性（如愤怒）、过于亲密（如爱）或情感模糊（即无法清晰解码）的行为，被显著更可能评为不适宜；（4）文化不匹配降低了解码准确性，并增加了行为被判定为不适宜的可能性。