情境化、动态化与主观化:与行业从业者共同构想心智理论赋能的日常AI设计
作者
脑机接口(BCI)与神经反馈大语言模型(LLM)的人机协作AI 辅助决策与自动化系统AI/ML 研究员与工程师软件工程师与开发者UI/UX 设计师
文献标题
Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitioners
出版信息
- 主题领域: 具有心理理论(Theory of Mind)能力的社会智能人工智能系统的设计与开发。
- 关键词: 心理理论、社会智能人工智能、人机交互、动态心理状态、主观人工智能设计、情境人工智能、共同设计、人工智能从业者、面向用户的人工智能。
背景与问题
- 问题/挑战: 当前的人工智能系统缺乏推断和响应人类瞬时、隐性心理状态的能力,限制了其在日常社会互动中的有效性。现有的人工智能心理理论(ToM)方法主要是静态的、基于推断的、非情境化的,这可能与现实世界中面向用户的应用不相符。
- 重要性: 通过增强人工智能的心理理论能力,可以使系统根据动态、情境敏感和主观的人类需求进行适应,从而促进更有意义的人机交互,改善用户体验。
- 动机与相关研究: 以往的研究主要集中在心理理论能力的计算建模和基准测试上,但很少关注如何为日常场景设计具备心理理论能力的人工智能。关于社会智能人工智能的相关研究强调了系统需要适应用户不断变化的需求和社会环境,但隐私问题和僵化的设计范式等挑战尚未解决。
解决方案
- 提出的方法: 与人工智能从业者进行共同设计会议,以构想和反思具备心理理论能力的人工智能产品和服务的设计,这些产品和服务具有情境化、动态化和主观化的特点。
- 创新点:
- 确定了心理理论人工智能设计的三项建议:嵌入社会情境、响应动态心理状态以及关注主观的个体差异。
- 探讨了心理理论人工智能未来愿景与当前人工智能设计实践之间的设计张力。
- 提出了将心理理论作为一种普遍能力嵌入人工智能功能中的设计方向,支持持续的人机交互循环。
- 过程与关键技术:
- 与26名来自工程和设计领域的美国人工智能从业者进行了13场虚拟共同设计会议。
- 从业者学习了心理理论知识,为六种人机社会错位场景设计了具备心理理论能力的人工智能功能,并反思了现实中的挑战与机遇。
- 使用亲和图法和反思性主题分析对数据进行分析,以提炼设计建议和设计张力。
结果
- 具体发现:
- 具备心理理论能力的人工智能应:
- 嵌入社会情境,利用多模态数据源(如视觉线索、语音、环境数据)和非侵入式基础设施。
- 支持动态心理状态,通过持续监测和自适应响应。
- 关注主观的个体差异,适应细微且个性化的心理状态。
- 具备心理理论能力的人工智能应:
- 相较基准的优势: 提出的心理理论人工智能设计超越了静态、基于推断的方法,强调情境敏感、自适应和个性化的交互,解决了当前人工智能系统的局限性。
- 实验/评估:
- 从业者为智能家居助手、自动驾驶汽车和人工智能烹饪机器人等场景设计了推测性人工智能功能。
- 反思揭示了在平衡用户隐私、计算可行性和主观个性化方面的挑战。
- 局限性与未来工作:
- 研究基于经典的推断型心理理论定义;采用其他视角(如具身认知)可能会得出不同的见解。
- 场景集中于美国消费者环境;需要扩展到更广泛的文化和情境多样性。
- 尚未探索在专业或高风险领域(如医疗、商业)中的适用性。
总结
本研究通过与行业从业者的共同设计会议,探讨了具备心理理论能力的人工智能系统的设计,提出了三项关键建议:嵌入社会情境、响应动态心理状态以及关注主观的个体差异。研究结果揭示了未来愿景与当前人工智能设计实践之间的张力,例如隐私问题和可扩展性挑战。本文建议将心理理论作为一种普遍能力嵌入人工智能功能中,从而支持持续的交互循环以改善用户体验。未来工作应扩展文化背景,探索替代的心理理论框架,并研究在高风险领域中的应用。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 83%
"如果机器和我一样好,那我还有什么用?" – 使用ChatGPT如何改变年轻专业人士对生产力和成就的看法
CHI '24· 大语言模型(LLM)的人机协作 +1
- 83%
「这对我也会有效」:在线社区如何影响软件开发人员对AI驱动的代码生成工具的信任
IUI '25· 大语言模型(LLM)的人机协作 +1
- 83%
基于 Ply 的生成式触发-动作编程
UIST '25· 大语言模型(LLM)的人机协作 +1
- 71%
基于模型的强化学习适应用户界面
CHI '21· 大语言模型(LLM)的人机协作 +2
- 71%
ChainBuddy:一种用于生成LLM管道的人工智能辅助代理系统
CHI '25· 大语言模型(LLM)的人机协作 +1
- 71%
辅助还是干扰?探讨和评估主动AI编程支持的设计和权衡
CHI '25· 大语言模型(LLM)的人机协作 +2
- 71%
PointAloud:AI支持的指针中心发声计算交互套件
CHI '26· 大语言模型(LLM)的人机协作 +2
- 71%
陈述你的意图以牵引你的注意力:用于有意数字生活的AI助手
CHI '26· 大语言模型(LLM)的人机协作 +2
- 71%
ChoiceMates:通过多代理对话交互支持不熟悉的在线决策
IUI '26· 大语言模型(LLM)的人机协作 +2
- 71%
代码属于谁?人工智能自主性如何重塑人工智能辅助编程中的所有权、责任和披露
IUI '26· 大语言模型(LLM)的人机协作 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3790936
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
6 位作者
sell
研究子方向
脑机接口(BCI)与神经反馈、大语言模型(LLM)的人机协作、AI 辅助决策与自动化系统
work
职业/产业
AI/ML 研究员与工程师、软件工程师与开发者、UI/UX 设计师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文