通过量化与减少心智模型失配改善人机教学

人工智能和机器人技术的快速发展对我们的生活产生了重大影响，智能系统越来越多地执行传统上由人类执行的任务。高效的知识转移需要将人类教师的心智模型与机器人学习者的能力相匹配。本文引入了心智模型失配(MMM)分数，这是一种反馈机制，旨在通过使人类教学行为与机器人学习行为对齐来量化和减少失配。利用大型语言模型(LLMs)，我们分析自然语言中的教师意图以生成自适应反馈。一项涉及150名参与者教虚拟机器人解决拼图游戏的研究表明，基于意图的反馈显著优于传统的基于性能的反馈或无反馈。结果表明，基于意图的反馈改善了教学成果，提高了对机器人学习过程的理解，并减少了误解。本研究通过提供一种量化和缓解人类心智模型与机器人能力之间差异的方法，解决了人机交互(HRI)中的一个关键空白，旨在提高机器人学习和人类教学的效率。