Generation d'emotions artificielles negatives a partir de modeles temporels des intentions d'agents situes
Bibliographic record
Abstract
Le rôle primordial que jouent les émotions dans le fonctionnement de l'esprit humain n'est plus à démontrer. En effet, des recherches en psychologie, neurologie et éthologie ont identifié les fonctions essentielles que remplissent les émotions au sein des processus cognitifs des êtres vivants qui en sont dotés.Le projet de recherche présenté ici a pour but d'utiliser les connaissances acquises à propos des émotions pour améliorer l'adaptabilité des agents situés, c'est-à-dire leur capacité à réagir correctement à des situations problématiques non prévues par leur concepteur. La principale source d'inspiration du processus émotionnel développé est la psychologie des émotions, et plus particulièrement les théories de la concordance. Selon ces théories, les émotions sont générées par la détection d'événements qui sont en concordance ou en discordance avec les préoccupations de l'individu.Le processus émotionnel développé dans cette thèse s'inspire de ces théories afin de doter des agents situés de la fonction de signal des émotions, c'est-à-dire mettre en valeur les situations inhabituelles nécessitant une réponse adaptative.Le processus émotionnel développé ne dépend ni de configurations de l'environnement prédéfinies, ni de la mission confiée aux agents. De plus, sa dépendance vis-à-vis des connaissances introduites par le concepteur a été réduite à des informations qui ne dépendent pas d'une interprétation de la façon dont les agents expérimentent la réalité. Ces caractéristiques permettent de considérer le processus émotionnel développé comme la base d'un mécanisme plus générique d'analyse de l'environnement et de l'état interne de l'agent. Un tel mécanisme est nécessaire pour déclencher des changements de stratégie ou des phases d'apprentissage et d'adaptation de façon pertinente et autonome. Concrètement, le processus émotionnel génère deux émotions négatives, la peur et la colère, en fonction des disparités détectées entre les intentions et les actions de l'agent. En accord avec la psychologie et l'éthologie, le choix de quelle émotion est déclenchée dépend de la capacité d'action de l'agent sur la situation. Ainsi, la peur d'un agent augmente s'il considère que ses actions n'ont pas d'effet sur la situation lors de l'apparition d'une disparité. Sa colère augmente dans le cas contraire. Les causes de ces disparités sont ensuite mises en valeur afin que d'autres processus cognitifs puissent adapter le comportement de l'agent à la situation problématique rencontrée.Le modèle d'émotions artificielles basé sur ce processus émotionnel a été appliqué à une tâche de collecte collective. Des expériences en simulation ont permis de montrer que la mise en valeur des causes des disparités détectées améliore les capacités d'adaptation d'un groupe d'agents réalisant cette tâche. Cette amélioration est encore plus nette lorsque les agents se coordonnent à partir de leurs positions dans une hiérarchie.Le processus émotionnel développé constitue donc une première étape nécessaire à la réalisation d'un mécanisme générique d'analyse qui donnerait une autonomie optimale aux agents situés évoluant seuls ou en groupe.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".