A Melbourne-i Egyetem kutatói megtanították a robotokat az emberi érzelmek felismerésére

Ha a robotoknak általánosabban kell majd az emberek mellett dolgozniuk, akkor az érzelmi képességeiknek is fejlődniük kell. Egy új tanulmányban kutatók kollaboratív robotokat képeztek ki az emberi érzelmek olvasására, nemcsak az arckifejezéseket, hanem a kontextuális tényezőket is figyelembe véve az interakciók során.

A 40 önkéntessel végzett kísérletek során értékelték, hogy a robot érzelmi olvasási képessége és viselkedésének ehhez való igazítása hogyan befolyásolja az ember észleléseit a robot képességeiről, miközben közösen végeztek feladatokat. Az eredmények, amelyek azt mutatják, hogy a robotok érzelmi képességei csak egy bizonyos pontig hatékonyak az embereknél, az IEEE Robotics and Automation Letters című folyóiratban jelentek meg.

Kapcsolódó: AI-csevegés hatása

A robotok érzelmi intelligenciájának fejlesztése

Seung Chan Hong vezette a tanulmányt, amelynek során egy robotot vizuális nyelvi modellel (VLM) képeztek ki az emberi érzelmek felismerésére. A VLM-ek hasonlóak a nagy nyelvi modellekhez, mint például a ChatGPT, de vizuális bemeneteket is képesek feldolgozni. A kutatók arra kérték az önkénteseket, hogy nézzenek videókat, amelyeken robotok tárgyakat adnak át embereknek, és írják le az emberek által kifejezett érzelmeket. Fontos, hogy az önkéntesek figyelembe tudták venni az interakciók kontextusát, nem csak az arcokat.

Kapcsolódó: LLM modell teszt

Például egy szünetet tartó, homlokát ráncoló személy csak koncentrálhat a feladatára, nem feltétlenül mérges. Az ujját doboló, ajkát összeszorító vagy más viselkedések utalhatnak a homlokráncolás valódi okára. A kutatók összehasonlították VLM-jüket egy hagyományos AI-rendszerrel, amely standard arcelemzésre és objektumkövetésre támaszkodik. A VLM 0,86-os pontszámot ért el, míg a hagyományos rendszer 0,77-et, ami azt jelenti, hogy a VLM jobban tudott összhangba kerülni az emberi megfigyelőkkel, mert az egész jelenetet látta, nem csak az arcot.

Kapcsolódó: viselkedéselemzés

Érzelmi alkalmazkodás vs. funkcionalitás

Egy második kísérletben 40 önkéntes vett részt, akik egy VLM-mel működő robottal léptek interakcióba. A robotot szándékosan úgy programozták, hogy hibát vétsen, majd vagy egy érzelmileg adaptív, vagy egy előre rögzített bocsánatkérést kínált fel. A résztvevők túlnyomó többsége az érzelmileg adaptív választ részesítette előnyben (31-ből 40 ember), azonban a felmérések rávilágítottak, hogy ez az adaptivitás kevésbé volt fontos, mint a robot funkcionalitása. Sok résztvevő bizalma csökkent a robotban, miután a hibázott a feladatban, függetlenül a bocsánatkérés módjától.

Kapcsolódó: érzelmi mintázatok

Hong szerint „egy személyre szabott bocsánat társadalmi kenőanyagként működik, de nem tudja helyrehozni a bizalmat, amelyet a robot fizikai feladatának kudarcával elveszítünk.” Érdekes módon a VLM hasonlóan osztályozta az emberi partnerek érzelmeit, mint a harmadik személyből megfigyelő emberi önkéntesek. Azonban amikor a VLM értékeléseit az önkéntesek önbevallásos érzelmeihez mérték, pontossága jelentősen csökkent.

Kapcsolódó: robotok térbeli tudása

„Bár a VLM jó megfigyelője a külső társadalmi jelzéseknek, nem gondolatolvasó” — mondja Hong. „Jól megfelelt a harmadik személyű emberi megfigyelőknek, de nem mindig egyezett az önkéntesek belső, önbevallásos érzéseivel.” A kutatás a Melbourne-i Egyetem és a kutatók közös munkája, és az IEEE Robotics and Automation Letters publikálta, ahol a VLM 0,86-os pontszámot ért el.