XiaoMi-AI文件搜索系统
World File Search System角色扮演
剧本角色扮演
建设性学习环境的这些方面通常被概括为“安全性”。 设置角色扮演 尽管角色扮演在沟通技巧培训中具有重要价值，但对于许多学习者来说，使用角色扮演可能是课程中不受欢迎的一部分。他们过去可能经历过组织不善的角色扮演。组织良好的角色扮演首先要明确讨论基本规则。这些规则包括小组内保密、利用暂停时间来强调讨论要点，以及学习者可以随时暂停以向小组或主持人寻求指导。重要的是，首先讨论角色扮演如何成为一种有用的教学工具，并且它对学习者来说往往具有挑战性。询问“你对角色扮演的担心是什么？”并承认角色扮演有时会让人觉得不自然和引起焦虑，可以帮助学习者更容易参与。从剧本转向即兴角色扮演 角色扮演有多种构建方式，每种方式都有不同的优势，可以影响小组的安全性和有效性。小组规模是一个实际考虑因素。对于一个由 4-8 名学习者组成的小组，使用一个角色扮演，由一名主持人征求小组的反馈和意见，可以非常成功，因为大多数或所有学习者都可以在某个时候发挥积极作用，而不会在没什么可说的时候感到有说话的压力。两三人一组的小组可以轮流扮演角色扮演中的“演员”和观察员，观察员可以注意角色扮演中使用的技巧，例如： 使用肢体语言
使用机器人角色扮演角色扮演：通过叙事和游戏代理增加用户参与
现场娱乐活动正朝着更大的参与式审议迈进，并通过观众互动讲述了动态的叙述。robot角色提供了一个独特的机会，可以减轻大规模创建个性化娱乐的挑战。但是，机器人通常无法对受众的反应做出反应，从而限制了观众参与的机会。在这项工作中，我们探讨了在具有机器人角色的现场娱乐体验中增加用户代理的方法，以改善用户参与度和享受。在受试者间研究（𝑁= 60）中，我们创建了一个身临其境的故事，用户角色扮演作为具有两个不同机器人角色的侦探。用户（1）通过与机器人交谈（叙事条件）交谈，在故事中具有更大的参与和自我认同，（2）在解决难题（游戏玩法）（游戏玩法）中具有更积极的作用，或者（3）在不受机器人提示的情况下跟进输入（CON-TROL条件）。我们的结果表明，在角色扮演或游戏玩法中，在角色扮演体验中增加用户代理，证明了用户的流动状态，自主性和能力的感觉，口头参与以及对机器人角色参与度的看法。不断增加的叙事机构还导致了参与者的更长的未提及的反应，而游戏机构改善了与机器人的影响和相关性的感觉。这些发现表明，创建叙事或游戏机构可以改善用户参与度，这可以扩展到更广泛的机器人互动，其中游戏元素和故事中的角色扮演可以合并。
通过角色扮演探索人工智能的未来
我们通过角色扮演游戏提出了一种研究和教授人工智能影响的创新方法。该游戏有两个主要目的：1）培训人工智能开发人员和人工智能政策专业人员反思和准备应对与人工智能相关的未来社会和道德挑战；2）探索人工智能技术开发、部署、社会影响和治理的可能未来。虽然该游戏目前侧重于人工智能短期、中期和长期影响之间的相互关系，但它有可能适用于广泛的场景，更深入地探索人工智能政策研究问题，并在组织内提供培训。这里介绍的游戏经过了两年的开发，并已通过 30 多个活动进行了测试，参与者人数在 3 到 70 人之间。该游戏正在积极开发中，但初步结果表明，角色扮演是一种很有前途的方法，既可以探索人工智能的未来，也可以训练个人和组织思考和反思人工智能的影响以及今天可以避免的战略错误。
在图书馆和玩具库中角色扮演的价值和位置
2，在专门扮演角色的研究中，它是习惯性的，以解释何时实践。didier guiserix从角色游戏书的第一页上做到了这一点，而奥利维尔·凯拉（OlivierCaïra）则致力于角色扮演的最后一章，小说的锻造是他自己的实践问题以及她对她的研究的影响。在同一型号上，我偶尔练习角色扮演多年（每年3至十二个零件），无论是玩家还是玩家。
开放式：培训具有大规模合成角色的可自定义角色扮演的LLM
在大型语言模型（LLMS）中（也称为charcter概括）中可自定义的角色扮演，人们对其在开发和部署角色扮演的对话代理方面的多功能性和成本效率引起了人们的关注。本研究探讨了一种大规模数据合成方法，以配备LLM具有特征生成能力。我们首先使用角色中心的角色综合大规模角色概况，然后探索两种策略：响应重写和响应生成，以创建与角色一致的教学响应。为了验证我们的合成教学调谐数据的有效性以进行角色泛化，我们使用Llama-3 8B模型执行监督的微调（SFT）。我们表现最好的模型增强了原始的Llama-3 8b指导模型，并实现了与角色扮演对话的GPT-4O模型相当的性能。我们发布了1个合成字符和指导对话，以支持公共研究。
RAIDEN 基准：使用测量驱动的自定义对话来评估角色扮演对话代理
随着大规模语言模型 (LLM) 的进步，角色扮演对话代理 (RPCA) 的开发也日益受到重视。尽管取得了这些进展，但仍明显缺乏围绕对话而不是问答格式设计的基准，以评估 RPCA 交互的有效性。本文介绍了 RAIDEN 基准，它包含专门为 RPCA 评估开发的综合数据集，包括 135 个字符的 40,000 多个多轮话语。该基准侧重于评估对话不同阶段的特定维度，通过注释者进行的交互来实现。这种方法使评估阶段能够集中在特定的响应维度上，从而降低了对话评估中的主观性。为了进一步增强客观性，评估者会比较两个不同模型的响应，而不是孤立地评估单个响应。此外，我们还推出了 RPCAJudger，这是专为自动 RPCA 评估而量身定制的专业评判 LLM。RPCAJudger 进行的评估与人类判断非常相似，其无 API 方法可防止潜在的数据泄露。所有模型和所有非私有排行榜数据都将公开 1 。
角色扮演游戏中的个性化任务和对话生成：基于知识图谱和语言模型的方法
视频游戏中的程序化内容生成 (PCG) 为定制和用户参与提供了前所未有的机会。在角色扮演游戏 (RPG) 的专业背景下，我们引入了一个新颖的任务和对话生成框架，将玩家置于生成过程的核心。我们的方法基于手工制作的知识库，将生成的内容与游戏内背景相结合，同时采用大规模语言模型来创建流畅、独特、伴随的对话。通过人工评估，我们确认使用此方法生成的任务在流畅性、连贯性、新颖性和创造性方面可以接近手工制作的任务的表现；展示更大的动态性对玩家体验的增强；并为任务和对话之间的相关性提供一种新颖的自动化指标。我们认为我们的贡献是朝着动态、共同创造的叙事框架迈出的关键一步，在这个框架中，人类和人工智能系统共同合作，创造独特且用户特定的可玩体验。
患有后天性脑损伤的学龄前儿童的角色扮演和执行功能 • Adrienne Thorne、Karen Stagnitti 和 Judi Parson
背景 威斯特米德儿童医院的儿童康复中心是澳大利亚最大的儿科多学科康复团队。作为该计划的一部分，患有后天性脑损伤 (ABI) 的儿童会定期到脑损伤诊所接受评估和治疗干预。儿童康复中心的 ABI 儿童中约有 10% 是学龄前儿童。通过对这些儿童的临床参与，我们发现许多儿童可以执行适合其发育的结构化任务，但无法进行适合其年龄的自发假装游戏。越来越多的证据表明，患有 ABI 的儿童难以进行适合其年龄的假装游戏（Dooley、Stagnitti 和 Galvin 2019；Thorne、Stagnitti 和 Parson 2021）。假装游戏需要复杂的认知能力（Francis and Gibson 2023；Wah 2020），例如对现实的抑制（Vygotsky 2016）、符号的使用、角色的记忆，以及添加技能。