Effect of Domestic Trainee Robots’ Errors on Human Teachers’ Trust
Notice bibliographique
Résumé
It is anticipated that intelligent robots will gain the ability to learn from humans how to perform tasks, and will assist them in many contexts such as with household chores in the near future; therefore, people should have the confidence to trust these robots after teaching them how to do a task. Like most machines, robots may sometimes behave in an erroneous manner and such errors can easily undermine trust in the robots, depending on their severity. Nevertheless, when a robot has been taught a task by humans, we hypothesize that the teachers may ignore small mistakes made by the robot, if it shows significant improvements while practising the task. We first conducted a study with 173 participants in which the perceived severity of different robot errors in a household chore (preparing food) was investigated. We then used the results to create scenarios of different levels of severity and conducted a second study with 138 participants to investigate the impact of error severity on trust. Participants remotely taught their preferences in food preparation tasks to robots. Over several practice rounds, robots’ behaviour improved, but the robots made either (a) no errors, (b) a small, or (c) a big error at the end, depending on the experimental condition. Small errors significantly affected trust and big errors had an even more adverse impact. Trust in the robot was found to be correlated with personality traits of the participants as well as with their disposition to trust other people.
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) | 0,032 | 0,001 |
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 ».