迈向社交且引人入胜的同伴学习：预测儿童的反馈行为与脱离参与

社交机器人和交互式计算机应用有潜力通过充当同伴学习伙伴来促进幼儿早期语言发展。然而，研究发现儿童只信任以自然且人际化方式行为的机器人。为了帮助机器人成为引人入胜且专注的同伴学习伙伴，我们开发了模型，用于预测听者是否会在接下来几秒内失去注意力（听者脱离预测，LDP），以及机器人在接下来几秒内应生成反馈行为（backchanneling）的程度（反馈行为程度预测，BEP）。我们将LDP和BEP视为时间序列分类问题，并进行了若干实验以评估不同时间序列特征和特征集对我们模型预测性能的影响。利用统计与机器学习，我们还考察了哪些社会人口学因素会影响儿童进行反馈行为和倾听同伴的时间量。为了增强模型的可解释性，我们还分析了导致其预测性能的关键特征。我们的实验揭示了多模态特征（如瞳孔扩张、眨眼率、头部运动、面部动作单元）的效用，这些特征此前从未被使用过。我们还发现，时间序列特征的动态变化是听者脱离和反馈行为的丰富预测因子。