随着 COVID-19 疫情的发展,疫苗接种和应对疫苗犹豫的努力已成为家庭医学团队关注的焦点问题。通过开展行动研究,我们的团队开发了一个基于网络的交互式指南,以改善围绕患者提出的各种疫苗犹豫的临床对话。本文逐步介绍了与家庭医生(其目标最终用户)共同设计指南的过程,该过程包括验证访谈、角色扮演访谈和用户测试设计。验证访谈旨在了解家庭医学临床实践中疫苗犹豫的实际现实,这些现实与相关心理学理论有关。角色扮演访谈引出了家庭医生的对话策略和建议。动机访谈的原则(一种基于证据的疫苗犹豫对话方法,补充了信息缺乏方法)被用于共同设计指南的内容和布局。用户数量、利益相关者参与度和基于网络的分析表明该指南正在被广泛使用。目前正在对该指南进行正式评估。
随着 COVID-19 疫情的发展,疫苗接种和应对疫苗犹豫的努力已成为家庭医学团队关注的焦点问题。通过开展行动研究,我们的团队开发了一个交互式网络指南,以改善围绕患者提出的各种疫苗犹豫的临床对话。本文逐步介绍了与家庭医生(其目标最终用户)共同设计指南的过程,该过程包括验证访谈、角色扮演访谈和用户测试设计。验证访谈旨在了解家庭医学临床实践中疫苗犹豫的实际情况与相关心理学理论的关系。角色扮演访谈从家庭医生那里汲取了对话策略和建议。动机访谈的原则(一种基于证据的疫苗犹豫对话方法,补充了信息缺乏方法)被用于共同设计指南的内容和布局。用户数量、利益相关者参与度和基于网络的分析表明该指南正在被广泛使用。目前正在进行该指南的正式评估。
虽然基于语言模型 (LM) 的聊天机器人和生成搜索引擎擅长回答具体查询,但在未知的未知领域中发现信息对用户来说仍然具有挑战性。为了模拟常见的教育场景,即儿童/学生通过聆听和参与与父母/老师的对话来学习,我们创建了协作 STORM (Co-STORM)。1 与要求用户提出所有问题的问答系统不同,Co-STORM 允许用户观察并偶尔引导多个 LM 代理之间的对话。代理代表用户提问,让用户偶然发现未知的未知事物。为了促进用户交互,Co-STORM 通过将未发现的信息组织成动态思维导图来帮助用户追踪对话,最终生成一份综合报告作为总结。对于自动评估,我们通过收集具有用户目标的真实信息搜索记录来构建 WildSeek 数据集。 Co-STORM 在话语追踪和报告质量方面均优于基线方法。在进一步的人工评估 2 中,70% 的参与者更喜欢 Co-STORM 而不是搜索引擎,78% 的参与者更喜欢它而不是 RAG(检索增强生成)聊天机器人。
我们已经在一家真正的医院部署了基于LLM的口语系统。ARI SO-SOIAL机器人体现了我们的系统,患者及其同伴可以将其与多方合作一起使用。为了启用这种多方能力,多模态是批评性的。因此,我们的系统将语音和视频作为输入,并产生语音和手势(手臂,头部和眼动)。在本文中,我们描述了我们的复杂环境和对话系统的体系结构。每个组件都是详细介绍的,并且可以实时突出显示的适用组件的完整系统视频。我们的系统决定何时轮流,当患者停止中牙,回答局限性问题(基于提交后的知识)时,会产生类似人类的澄清请求,并适当地回答范围的请求(例如产生笑话或生成笑话或Quizzes)。后一个功能特别值得关注,因为真正的患者经常说出以前无法处理的意外句子。
有针对性地使用社会机器人对家庭的使用需要更好地了解多个利益相关者的隐私问题,包括父母和孩子的隐私问题。通过共同学习研讨会,向家庭介绍了家庭中社会机器人的功能和假设使用,我们提供了来自6个家庭的初步证据,这些证据表现出父母和孩子如何在不同使用环境中收集和共享信息的机器人如何具有不同的舒适水平。的对话和小册子答案表明,父母在他们期望孩子拥有更多代理的情况下采用了孩子的决定,例如在完成作业或清理玩具的情况下,以及当孩子提出父母发现他们的决定是可接受的推理时。家庭在做出结论性决定时共享相同的推理时表示宽慰,表示机器人与家庭之间的边界管理协议。如果父母和子女不同意,他们拒绝了二进制的决定,并选择了第三种反应,反映了怀疑,不确定性和/或妥协。我们的工作强调了让父母和子女以子女和家庭为中心的研究的好处,包括父母为孩子提供认知脚手架和个性化假设情景的父母能力。
人工智能 (AI) 的进步使系统能够增强并与人类协作,以执行简单的机械任务,例如安排会议和检查文本语法。然而,这种人机协作对更复杂的任务(例如进行共情对话)提出了挑战,因为人工智能系统在处理复杂的人类情感方面面临困难,并且这些任务具有开放性。在这里,我们专注于同理心对成功至关重要的同理心点对点心理健康支持,并研究人工智能如何与人类协作以在文本、在线支持对话中促进同理心。我们开发了 HAILEY,这是一种 AI-in-the-loop 代理,可提供即时反馈,帮助提供支持的参与者(同理心支持者)对寻求帮助的人(支持寻求者)做出更具同理心的回应。我们在大型在线点对点支持平台 TalkLife (N = 300) 上对现实世界的同伴支持者进行了一项非临床随机对照试验,以评估 HAILEY。我们表明,我们的人机协作方法使同伴之间的对话同理心总体上提高了 19.6%。此外,我们发现,在自我认定为在提供支持方面遇到困难的同伴支持者子样本中,同理心增加了 38.9%。我们系统地分析了人机协作模式,发现同伴支持者能够直接和间接地使用人工智能反馈,而不会过度依赖人工智能,同时报告反馈后的自我效能有所提高。我们的研究结果表明,反馈驱动的 AI 在环写作系统具有帮助人类完成开放式、社交性和高风险任务(例如同理心对话)的潜力。
摘要:在疫情之前和期间,Twitter 和 Facebook 等社交媒体平台成为促进不同社区参与和学习的动态在线空间。本文作者探讨了社交媒体的使用,重点是 Twitter,以促进高等教育中以学生为中心的在线课程设计。与所有技术一样,社交媒体也充斥着复杂的问题,不幸的是,人们越来越认为社交媒体不安全。学生在使用社交媒体时往往犹豫不决,尤其是在课程作业方面,不幸的是,这种犹豫只会加剧。考虑到这一点以及最近的发展,社交媒体已成为一种值得怀疑的教育工具,但它仍然是许多人生活不可或缺的一部分,无论是个人生活还是职业生活。ChatGPT、Lensa AI 和 Canva Magic Write 等生成式人工智能 (GenAI) 工具的出现和流行为教育界带来了新的挑战和机遇,这是教育界无法避免的。在这些不确定的时期,社交媒体和人工智能工具还有希望吗?通过结合当前文献综述和定性协作自民族志研究,作者退后一步,就我们从在线课程中使用社交媒体进行参与和学习中学到了什么进行了批判性对话,重点关注 (1) 社交媒体的有意使用,(2) 社交媒体工具的挑战和相关问题,以及 (3) 探索人工智能的含义。以“希望”为主题,作者探索了这些教育和技术领域,并回答了“我们该何去何从?”的问题。作者是西南边境一所大学的教师,他们教授在职前和在职教师,以及那些想更多地了解教育和学习技术设计的人。他们的声音代表了正在参与并直接受到快速发展的技术带来的挑战和机遇影响的教职员工、教师和学生。
摘要:使用功能性磁共振成像 (fMRI) 进行全脑神经成像可提供宝贵的数据,以在空间和时间上定位大脑活动。在这里,我们使用一个独特的语料库,其中包括 fMRI 和参与者与人类或对话机器人讨论时记录的行为。时间动态在研究对话时至关重要,但考虑到 fMRI 的时间分辨率,识别参与者的行为与大脑活动之间的关系在技术上具有挑战性。我们在此提出一种从语料库中提取神经生理和行为时间序列并分析其因果关系的方法。预处理包括从功能上定义明确的大脑区域构建离散的神经生理时间序列,以及从同步的原始音频、视频和眼动追踪记录中提取描述高阶行为的行为时间序列。第二步是应用机器学习模型,根据行为的各个方面预测大脑活动,同时了解所审查区域的功能作用。结果证明了行为的特殊性,可以预测大脑功能区域的活动。
本期论文由 FireScholars 免费提供给您,供您免费访问。它已被 FireScholars 的授权管理员接受并收录到 Classical Conversations 中。如需更多信息,请联系 firescholars@seu.edu。
• Surgeting of the solution (investors, backgrounds, years of existence, ...) • Support: availability, cost and quality of technical support • Training: training methods in the model • Presence of an active community • Support services for installation and deployment • Maximum number of requests per day • Plan of continuity of activity and rescue (in the event of a problem) • Storage and export of conversations