Care Providers’ Perspectives on the Design of Assistive Persuasive Behaviors for Socially Assistive Robots
Notice bibliographique
Résumé
OBJECTIVES: The main objectives of this research are (1) to uniquely design assistive behaviors for socially assistive robots using the principles of persuasion from behavioral psychology, and (2) to investigate caregivers' perspectives and opinions on the use of these behaviors to engage and motivate older adults in cognitive activities. DESIGN: We developed 10 unique robot persuasive assistive behavior strategies for the social robot Pepper using both verbal and nonverbal communication modes. Robot verbal behaviors were designed using Cialdini's principles of persuasion; nonverbal behaviors included expansive movements of the body. Care providers' perceptions of the quality, strength, and persuasiveness of these robot persuasive behaviors were assessed based on the Perceived Argument Strength Likert scale. SETTING AND PARTICIPANTS: Eighteen formal and informal care providers caring for older adults including those living with mild cognitive impairments participated. METHODS: An online survey was designed consisting of short videos of the Pepper robot displaying each behavior. After viewing each video, care providers completed the Perceived Argument Strength Likert scale to evaluate 6 attributes for each behavior. They also provided comments. RESULTS: Results show robot assistive behaviors using praise with emotion, along with emotion with commitment were the most positively rated by care providers. Qualitative responses indicate robot body language and speech quality were influencing factors in how a person perceives assistance in human-robot interactions. CONCLUSIONS AND IMPLICATIONS: Our findings provide new insights into incorporating persuasive strategies into the design of assistive social robot behaviors with the aim of engaging and motivating older adults in an activity. The majority of care providers rated the robot persuasive behaviors positively. In designing a persuasive socially assistive robot for older adults, it is beneficial to display a combination of persuasive strategies, such as praise and commitment with emotion, to address individual users' needs and cognitive levels.
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».