Integrating emotional intelligence, memory architecture, and gestures to achieve empathetic humanoid robot interaction in an educational setting

要約

この研究では、個々の人間の特性が、対応するエンゲージメントベクトル測定で学生のエンゲージメントと学習成果を改善するために設計された共感的に適応的な教育ロボットチューターシステムに統合することを調査します。
人間とロボットの相互作用（HRI）の分野での以前の研究は、感情的知性、記憶駆動型のパーソナライズ、非言語的コミュニケーションなどの特性の統合をそれ自体で検討しているが、彼らはまるで粘着性のある運用教育フレームワークへの同期された統合を考慮することを無視している。
このギャップに対処するために、人間のような特性（感情、記憶、ジェスチャー）のモジュールで展開されたマルチモーダル大手言語モデル（MetaのLlama 3.2）をAI-Agentフレームワークにカスタマイズします。
これは、人間の感情システム、メモリアーキテクチャ、ジェスチャー制御を模倣するロボットのインテリジェントコアを構成し、ロボットがより共感的に振る舞うことを可能にしながら、学生の感情状態を適切に認識し、反応します。
また、学生の過去の学習記録を思い出し、それに応じて相互作用のスタイルを適応させることもできます。
これにより、ロボットチューターは、関連するジェスチャーと同期したパーソナライズされた口頭フィードバックを提供することにより、より同情的な方法で学生に反応することができます。
私たちの研究では、HRIエクスペリエンスの品質を判断するための測量士のポールになる可能性のあるエンゲージメントベクターモデルの導入を通じて、この効果の範囲を調査しています。
定量的および定性的な結果は、このような共感的応答性のアプローチが、これらの人間のような特性がないベースラインヒューマノイドロボットと比較して、学生の関与と学習の結果を大幅に改善することを示しています。
これは、共感的能力を備えたロボットチューターが、学生にとって最終的により良い結果につながる、より協力的でインタラクティブな学習体験を生み出すことができることを示しています。

要約(オリジナル)

This study investigates the integration of individual human traits into an empathetically adaptive educational robot tutor system designed to improve student engagement and learning outcomes with corresponding Engagement Vector measurement. While prior research in the field of Human-Robot Interaction (HRI) has examined the integration of the traits, such as emotional intelligence, memory-driven personalization, and non-verbal communication, by themselves, they have thus-far neglected to consider their synchronized integration into a cohesive, operational education framework. To address this gap, we customize a Multi-Modal Large Language Model (LLaMa 3.2 from Meta) deployed with modules for human-like traits (emotion, memory and gestures) into an AI-Agent framework. This constitutes to the robot’s intelligent core mimicing the human emotional system, memory architecture and gesture control to allow the robot to behave more empathetically while recognizing and responding appropriately to the student’s emotional state. It can also recall the student’s past learning record and adapt its style of interaction accordingly. This allows the robot tutor to react to the student in a more sympathetic manner by delivering personalized verbal feedback synchronized with relevant gestures. Our study investigates the extent of this effect through the introduction of Engagement Vector Model which can be a surveyor’s pole for judging the quality of HRI experience. Quantitative and qualitative results demonstrate that such an empathetic responsive approach significantly improves student engagement and learning outcomes compared with a baseline humanoid robot without these human-like traits. This indicates that robot tutors with empathetic capabilities can create a more supportive, interactive learning experience that ultimately leads to better outcomes for the student.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google