面向自闭症谱系障碍儿童机器人干预的以人为中介的大型语言模型
机器人学
2024-07-30 v3 人工智能
摘要
针对自闭症谱系障碍(ASD)个体的机器人干预通常在一对一治疗环节中使用预定义的脚本来提供言语内容。这种做法将机器人的使用限制在了有限的、预先设定的教学课程中。在本文中，我们通过实施观点采择教学，提高了针对 ASD 儿童的机器人干预的自主性。我们的方法使用大型语言模型(LLM)生成文本形式的言语内容，然后通过机器人语音将其传递给儿童。在提出的流程中，我们通过观点采择教学让机器人承担三个角色：发起者、提示者和强化者。我们采用 GPT-2 + BART 流程来生成社交情境、提出问题（作为发起者），并在需要时提供选项（作为提示者）。机器人通过在回答正确时给予积极强化来鼓励儿童（作为强化者）。除了技术贡献外，我们还与领域专家进行了十分钟的模拟真实观点采择教学环节的测试，由研究人员扮演儿童参与者。这些环节通过包括 NASA TLX 和 GodSpeed 在内的问卷调查验证了我们的机器人干预流程。我们使用 BERTScore 将我们的 GPT-2 + BART 流程与纯 GPT-2 流程进行了比较，发现前者的性能更好。根据领域专家的反馈，与无机器人环节相比，机器人环节表现出更高的性能，且在脑力需求、体力需求、时间需求、努力程度或挫败感方面均无额外增加。我们还得出结论，领域专家认为该机器人在理想状态下是安全、讨人喜欢且可靠的。
引用
@article{arxiv.2402.00260,
title = {Human-mediated Large Language Models for Robotic Intervention in Children with Autism Spectrum Disorders},
author = {Ruchik Mishra and Karla Conn Welch and Dan O Popa},
journal= {arXiv preprint arXiv:2402.00260},
year = {2024}
}
备注
This work is submitted for possible publication