Effects of Gaze and Arm Motion Kinesics on a Humanoid's Perceived Confidence, Eagerness to Learn, and Attention to the Task in a Teaching Scenario
Notice bibliographique
Résumé
When human students practise new skills with a teacher, they often display nonverbal behaviours (e.g., head and limb movements, gaze, etc.) to communicate their level of understanding and expressing their interest in the task. Similarly, a student robot's capability to provide human teachers with social signals to express its internal state might improve learning outcomes. This could also lead to a more successful social interactions between intelligent robots and human teachers. However, to design successful nonverbal communication for a robot, we first need to understand how human teachers interpret such nonverbal cues when watching a trainee robot practising a task. Therefore, in this paper, we study the effects of different gaze behaviours as well as manipulating speed and smoothness of arm movement on human teachers' perception of a robot's (a) confidence, (b) eagerness to learn, and (c) attention to the task. In an online experiment, we asked the 167 participants (as teachers) to rate the behaviours of a trainee robot in the context of learning a physical task. The results suggest that splitting the robot's gaze between the teacher and the task not only affects the perceived attention, but can also make the robot appear to be more eager to learn. Furthermore, perceptions of all three attributes tested were systematically affected by varying parameters of the robot's arm movement trajectory while performing task actions.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».