Notice bibliographique
Résumé
Human responses towards robots vary from excitement and acceptance to complete rejection, and as robots become more prevalent in personal and public spaces, understanding the factors that elicit those responses is important. This research explores the factors influencing these responses, specifically in the context of human-robot collaborative tasks. Under mechatronics and robotics, the study focuses on identifying behavioural features (like triggers or positive/negative eliciting actions) and human-designed robot algorithms that elicit different human reactions. It also examines how these features interact to shape human behaviour and emotions in stressful and calm situations. I developed a study in a simulated medical setting where participants are tasked with developing dialogue scripts for a social robot. The study utilizes the NAO robot and a programmable platform called the Robot Management System developed by RobotLab. Participants will program NAO to interact with a patient, perform a checkup, and decide on actions like writing a prescription or referring the patient to medical professionals. The experiment is designed to observe how the participant interacts with the robot to complete tasks and how the robot’s design impacts the participants' perception and interaction following and during tasks. While no experimental data has been collected due to pending ethics approval, the research will provide insights into human-robot interaction, including algorithm design. This study aims to enhance our understanding of human-robot relationships, contributing to developing robotic systems that can be effectively integrated into social environments, such as healthcare settings or similar environments. These insights may inform the design and deployment of robots to ensure they support rather than disrupt social dynamics.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».