Robot humor: How self-irony and Schadenfreude influence people's rating of robot likability
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Humor in robotics is a promising, though not yet significantly researched topic. We performed a user study exploring two different kinds of laughter. In our study, participants observed a robot-robot interaction where an iCat and a NAO robot exhibited different laughing behavior. While NAO laughed at itself (self-irony), the iCat laughed at NAO (Schadenfreude1). Our participants watched four turns of the same robot-robot interaction, with either NAO or the iCat laughing, both robots laughing, or no robot laughing (baseline). After each turn we asked the participants to rate both robots' likability individually. Our results show that the participants liked a robot with a positively attributed form of humor significantly more than its gloating robotic interaction partner. However, likability ratings showed a trend to approach each other when either robot laughed or when both robots laughed together. Both, the higher likability ratings for a robot showing positively attributed humor and the decreasing difference in likability ratings when both robots laugh together, provide proof of the positive effect of humor. While participants' age did not affect likability ratings, there was a significant interaction effect between participants' gender and robot type. Female participants rated the iCat more likable, while male participants liked NAO better. In addition, more neurotic people liked the self-ironic robot more when no robot laughed and more open people like the robot showing Schadenfreude more when both robots laughed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle