通过智能体概念瓶颈模型将专家认知模型迁移至社交机器人

成功的群体会议，如群体行为改变计划、工作会议及其他社交情境中实施的会议，必须在促进个人目标设定与执行的同时，加强群体内的社会关系。因此，理想的引导者必须对脱离参与、个人目标设定与执行困难以及预示需要干预的人际关系困难等微妙动态保持敏感。引导者所面临的挑战和认知负荷为具身技术创造了一个关键空白，该技术能够解读社交互动，同时关注群体中个人的需求，并提供超越识别社交线索的强大但“黑盒”的基础模型（FMs）的透明建议。我们通过一个社交机器人联合引导者来满足这一重要需求，该机器人分析多模态会议数据并向引导者提供谨慎的线索。机器人的推理由智能体概念瓶颈模型（CBM）驱动，该模型基于参与者参与度和情绪等人类可解释的概念做出决策，确保了透明度和可信度。我们的核心贡献是一个迁移学习框架，该框架将 FM 的广泛社会理解提炼为我们专门且透明的 CBM。这种概念驱动的系统在预测干预需求方面显著优于直接的零样本 FM，并允许对其推理进行实时人工纠正。至关重要的是，我们展示了稳健的知识迁移：该模型在不同群体间泛化，并成功将资深人类引导者的专业知识迁移以提高新手的表现。通过将专家的认知模型迁移到可解释的机器人伙伴中，我们的工作为在复杂社会领域增强人类能力提供了强大的蓝图。