Persuasive Teachable Agent for Intergenerational Learning
可教智能体是基于教中学的教学概念的计算机智能体。在辅导过程中，学生扮演导师的角色来教授计算机代理辅导员，学习者被观察到对主题有更深入的理解。可教代理通常用于科学和数学学习领域，其中学习者能够通过经由诸如概念图的图形表示来教导可教代理来学习复杂的概念和深度推理。对可教代理的文献综述以及研究人员进行的实地研究期间的观察表明，目前许多可教代理缺乏保持学习者参与学习任务所需的交互能力。这样做的结果是学习者偏离教学过程，从而学习者无法充分受益于与可教代理的学习。可教代理的应用仅限于数学和科学等学科的学习。在这本书中，我们提出了说服可教代理（PTA），一个可教代理的基础上说服，计算和面向目标的代理建模的理论框架。我们认为，家长教师协会，一个自主智能体，能够鼓励态度和行为的变化，可以提供一个更有意义的和从事学习经验，从不同年龄组的学习者。根据我们的研究结果，我们认为，有说服力的反馈行动产生的PTA提供了显着的影响，学习者的决定，参与代际学习。PTA在人工智能代理的未来说服技术的发展中起着至关重要的作用。
2016-01-27 cs.CY cs.HC
Teach AI How to Code: Using Large Language Models as Teachable Agents for Programming Education
针对大语言模型作为可教智能体时知识过丰削弱学习者教学意愿的问题，提出限制其知识并引导提问的提示流水线，搭建TeachYou环境与AlgoBo聊天机器人，经技术评估与40名新手实验验证可提升对话知识密度，并探讨相关设计与应用方向。
2024-03-11 cs.HC
Exploring the Impact of an LLM-Powered Teachable Agent on Learning Gains and Cognitive Load in Music Education
本研究基于LBT教学法引入LLM驱动的可教代理，通过28名大学生的在线实验发现，该代理显著提升了学生的音乐理论后测成绩并降低了认知负荷，验证了AI脚手架在音乐教育中的应用潜力。
2025-04-01 cs.HC
Continuous Learning Conversational AI: A Personalized Agent Framework via A2C Reinforcement Learning
Convai Innovations（Convai创新公司）
针对静态LLM难以个性化适应的问题，提出基于A2C强化学习的CLCA框架，利用LLM生成模拟销售对话训练智能体并结合LLM进行响应选择，实现可持续学习的个性化对话AI。
2025-02-18 cs.AI
WeMusic-Agent: Efficient Conversational Music Recommendation via Knowledge Internalization and Agentic Boundary Learning
WeMusic-Agent通过知识内化和代理边界学习，实现高效对话音乐推荐，提升个性化和多样性。
2025-12-18 cs.AI
Towards Personalized Dialog Policies for Conversational Skill Discovery
Amazon Alexa（亚马逊Alexa）
许多企业和消费者正在扩展基于语音的服务的功能，例如Amazon Alexa，Google Home，Microsoft Cortana和Apple Siri，以创建自定义语音体验（也称为技能）。随着这些体验的增加，一个关键问题是发现可用于解决用户请求的技能。在本文中，我们专注于会话技能发现，并提出了一个会话代理，从事与用户的对话，以帮助他们找到满足他们需求的技能。为此，我们从基于规则的代理开始，并通过使用强化学习对其进行改进。通过这种方式，我们使代理能够适应不同的用户属性和会话风格，因为它与用户交互。我们评估我们的方法在一个真正的生产环境中部署的代理与真实的用户进行交互，并显示对话代理的有效性，帮助用户找到他们的要求服务的技能。
2019-11-15 cs.AI cs.CL cs.HC
Improving Search through A3C Reinforcement Learning based Conversational Agent
Adobe Systems Inc（奥多比系统公司）；IIT Delhi（印度理工学院德里分校）
我们开发了一个基于强化学习的搜索助手，它可以通过一组动作和一系列交互来帮助用户实现他们的意图。我们的方法迎合主观搜索，用户正在寻找数字资产，如图像，这是从根本上不同的任务，具有客观和有限的搜索方式。标记的会话数据通常在这样的搜索任务中不可用，并且通过人类交互来训练代理可能是耗时的。我们提出了一个随机虚拟用户模拟一个真实的用户，可以用来有效地采样用户的行为，训练代理，加快了自举代理。我们开发了基于A3C算法的上下文保持体系结构，使代理提供上下文的帮助给用户。我们将A3C代理与Q学习进行比较，并评估其在验证事件中与虚拟用户获得的平均奖励和状态值上的性能。我们的实验表明，智能体学习获得更高的奖励和更好的状态。
2018-08-19 cs.AI
Homebot: A Personal AI Agent for Conversational Home Assistance and Automation
研究提出可本地部署的Homebot AI智能体，整合语言模型、工具与技能，分离请求处理与会话管理，支持语音和消息请求，可定制以实现对话式家庭辅助与自动化。
2026-08-10 cs.AI
AdaptJobRec: Enhancing Conversational Career Recommendation through an LLM-Powered Agentic System
AdaptJobRec提出首个LLM驱动的智能体对话式职业推荐系统，通过查询复杂度识别与记忆分解机制，在沃尔玛场景中降低53.3%延迟并提升推荐准确性。
2025-10-14 cs.AI cs.IR
Migratable AI : Investigating users' affect on identity and information migration of a conversational AI agent
Massachusetts Institute of Technology（麻省理工学院）
会话式人工智能智能体正变得无处不在，并在我们的日常活动中为我们提供帮助。近年来，研究人员已经探索了这些代理在不同实施例之间的迁移，以便保持任务的连续性并改善用户体验。在本文中，我们调查用户的情感反应，在不同的配置的迁移参数。我们提出了一个2x2的主题之间的研究，在一个基于任务的情况下，使用信息迁移和身份迁移作为参数。我们从研究过程中收集的视频片段中概述了影响处理管道，并报告了用户在每种情况下的反应。我们的研究结果表明，用户报告最高的喜悦和最惊讶的信息和身份被迁移时，最愤怒的信息被迁移时，没有他们的代理人的身份。
2021-09-04 cs.AI cs.RO
Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI
BlackRock, Inc.（黑石公司）
Memoria通过结合动态摘要和加权知识图，为LLM提供持久记忆，实现对话连贯性和个性化，适用于需要适应性用户体验的行业应用。
2025-12-14 cs.AI cs.CL
The Rapidly Changing Landscape of Conversational Agents
College of Information and Computer Sciences University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）
会话代理已经变得无处不在，从帮助预订的目标导向系统到现代虚拟助理中的聊天模型。在这篇调查论文中，我们探索了这个迷人的领域。我们看看一些定义该领域的开创性工作，并逐渐转向当前最先进的模型。我们研究了基于统计、神经、生成对抗网络和基于强化学习的方法以及它们是如何发展的。一路上，我们讨论了该领域面临的各种挑战，缺乏语境的话语，没有一个很好的量化指标来比较模型，缺乏信任的代理，因为他们没有一个一致的角色等，我们结构本文的方式，回答这些相关的问题，并讨论竞争的方法来解决这些问题。
2018-03-24 cs.AI cs.CL
Cognis: Context-Aware Memory for Conversational AI Agents
Lyzr Research（Lyzr研究）
Cognis通过多阶段检索管道解决LLM代理缺乏持久记忆的问题，结合双存储后端和向量相似性搜索，实现智能版本追踪和时间敏感查询增强，展现先进性能。
2026-03-27 cs.AI cs.CL cs.IR
Comparison of Lexical Alignment with a Teachable Robot in Human-Robot and Human-Human-Robot Interactions
University of Pittsburgh（匹兹堡大学）
说话者在调整彼此的会话行为的过程中建立融洽关系。融洽产生的可教代理，而指导域材料已被证明是促进学习。过去的工作在教育领域的词汇对齐遭受的局限性，在这两个措施来量化对齐和对齐与代理人的互动类型进行了研究。在本文中，我们应用基于共享表达式（可能由多个单词组成）的数据驱动概念的对齐措施，并将一对一人机（H-R）交互中的对齐与协作人机（H-R）的H-R部分进行比较机器人（H-H-R）交互。我们发现，学生在H-R设置对齐可教机器人比在H-H-R设置和词汇对齐和融洽之间的关系是更复杂的比以前的理论和实证工作预测。
2022-09-23 cs.CL cs.HC cs.RO
Personalized Query Rewriting in Conversational AI Agents
Amazon Alexa（亚马逊Alexa）
会话式人工智能智能体中的口语理解（SLU）系统经常会遇到自动语音识别（ASR）造成的误解或自然语言理解（NLU）中的语义缺口等形式的错误。这些错误很容易转化为用户的挫折感，特别是在经常发生的事件，例如定期切换一个电器，调用频繁的联系人等，在这项工作中，我们提出了一个查询重写方法，利用用户的历史上成功的互动作为一种形式的记忆。我们提出了一个神经检索模型和一个指针生成器网络与层次的注意，并表明他们在查询重写任务与上述用户的记忆比没有更好地执行。我们还强调了我们的方法与建议的模型如何利用ASR的输出对恢复用户的意图的结构和语义的多样性。
2020-11-09 cs.AI cs.CL cs.LG
Natural Language Communication with a Teachable Agent
Monash University（莫纳什大学）；University of Waterloo（滑铁卢大学）；Openstream, Inc.（奥普斯特里姆公司）
本文基于 Curiosity Notebook 比较句子选择与释义文本输入两种教学方式，发现自然语言释义教学能提升学习结果与情感参与，且释义投入越高学习效果越好。
2022-03-17 cs.CL cs.HC
How to Teach Programming in the AI Era? Using LLMs as a Teachable Agent for Debugging
本研究提出HypoCompass系统，让学生以助教身份帮LLM可教智能体调试代码，通过任务分工提升学生调试能力，其生成训练材料效率超人类四倍，学生调试成绩提升12%。
2024-10-10 cs.HC cs.SE
Exploring Conversational Agents as an Effective Tool for Measuring Cognitive Biases in Decision-Making
University College Dublin（都柏林大学学院）
本文研究利用对话智能体自动测量决策中的认知偏差，提出融合现有实验设计的偏差测量机制，并通过初步实验验证其在测量框架效应和损失厌恶偏差上的有效性。
2024-01-08 cs.AI cs.HC
The influence of persona and conversational task on social interactions with a LLM-controlled embodied conversational agent
University of Regensburg（雷根斯堡大学）
本研究通过虚拟现实实验，发现LLM控制的具身智能体的外向人格能提升用户的社会评价、情绪体验和参与度，且LLM帮助能增强用户信心。
2024-11-08 cs.AI cs.HC
Anticipating User Needs: Insights from Design Fiction on Conversational Agents for Computational Thinking
Northern Arizona University（北亚利桑那大学）；Universidade Federal Fluminense（弗卢米嫩塞联邦大学）
本文通过九位教师参与的设计虚构会议，探索了面向计算思维教学的genAI对话智能体应具备的逐步引导和个性化调整能力，为未来辅导型对话智能体的实现提供设计见解。
2024-06-13 cs.AI cs.HC
Chrysalis: A Unified System for Comparing Active Teaching and Passive Learning with AI Agents in Education
University of Waterloo（滑铁卢大学）；Vector Institute for AI（矢量人工智能研究所）
本研究通过Chrysalis系统，在36名参与者中比较了LLM作为AI导师与可教学智能体的学习效果，发现学生偏好及知识谦逊存在差异，为教育AI研究提供了新方向。
2025-10-06 cs.HC
Conversational AI Multi-Agent Interoperability, Universal Open APIs for Agentic Natural Language Multimodal Communications
XCALLY；Open Voice Interoperability Initiative（开放语音互操作性倡议）；Linux Foundation AI & Data（Linux基金会AI与数据项目）；Conversational Technologies（对话技术公司）；ejTalk
本文分析了对话式 AI 多智能体互操作性框架，提出了由 OVON 构建的新型架构，通过基于自然语言的通用开放 API 实现多模态智能体间的互操作交互，并引入 Discovery 规范框架以增强跨平台 AI 交互的能力与可扩展性。
2024-07-28 cs.AI cs.HC
Exploring Links between Conversational Agent Design Challenges and Interdisciplinary Collaboration
Imperial College London（伦敦帝国理工学院）
本文以跨学科协作为视角，提出对话代理设计挑战的分类法及应对策略，并呼吁实证验证其有效性。
2023-11-15 cs.AI cs.HC
Conversational agents for learning foreign languages -- a survey
Singidunum University（辛吉杜努姆大学）
会话练习对所有语言学习者来说都很重要，但要获得足够的练习可能很有挑战性，而且非常昂贵。聊天机器人是为与人类进行对话而开发的计算机程序。它们被设计为具有有限但不断增长的会话能力的软件化身。聊天机器人最自然、最强大的应用是符合它们的基本性质--语言实践。然而，他们在形式语言学习中的作用和结果目前充其量是无关紧要的。该领域现有的研究通常集中在聊天机器人的可理解性和它们激发用户的动机上。在本文中，我们概述了用于学习语言的聊天机器人，批判性地分析了现有方法，并讨论了未来工作的主要挑战。
2020-11-16 cs.AI cs.HC
Designing and Evaluating a Conversational Agent for Early Diagnosis of Alzheimer's Disease and Related Dementias
Emory University（埃默里大学）；University of California, San Francisco（加州大学旧金山分校）
本文设计并评估了基于大型语言模型的对话代理，用于获取阿尔茨海默病及相关痴呆症患者的相关叙述，以支持早期诊断。
2026-01-27 cs.AI cs.HC
A Multi-Agent Conversational Bandit Approach to Online Evaluation and Selection of User-Aligned LLM Responses
针对基于提示的离线LLM响应优化方法评估成本高、难适应多样风格的问题，提出MACO多智能体对话在线学习框架，通过本地与云端组件动态对齐用户偏好，理论和实验证明其近最优遗憾界及优于基线的性能。
2025-11-11 cs.AI cs.HC
Assistive System in Conversational Agent for Health Coaching: The CoachAI Approach
University of Trento（特伦托大学）
随着医生的工作量和患者的护理需求的增加，需要一种技术来促进医生的工作并对患者进行持续的随访。现有的方法仅仅关注于改善患者的状况，并且没有考虑管理医生的工作量。本文提出了一个初步评估的会话代理辅助教练平台，旨在管理医生的疲劳，并提供持续的后续病人。我们强调了适合构建聊天机器人对话和教练平台的方法。我们将特别讨论活动推荐算法，用于根据先前收集的数据提出关于患者状况和活动的见解。该文件作出三个贡献：（1）将对话代理呈现为辅助虚拟教练，（2）减少医生的工作量和对患者的连续随访，所有这些都是通过处理一些重复的医生任务和对患者执行初始随访，（三）呈现活动推荐器，其跟踪先前的活动和患者信息，并提供关于可能的活动和患者匹配的有用见解，教练未来的工作重点是将推荐模型与CoachAI平台集成，并与门诊诊所合作测试患者的原型。
2019-04-25 cs.AI cs.HC
A Conversational Agent System for Dietary Supplements Use
University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）
膳食补充剂（DS）已被消费者广泛使用，但围绕DS的功效和安全性的信息是不同的或不完整的，从而为消费者有效地找到信息创造了障碍。会话代理（CA）系统已被应用到医疗保健领域，但没有这样的系统来回答消费者关于DS的使用，虽然DS的广泛使用。在本研究中，我们开发了第一个用于DS的CA系统
2021-05-10 cs.AI cs.CL cs.HC
An End-to-End Conversational Style Matching Agent
我们提出了一个端到端的基于语音的会话代理，能够从事自然主义的多轮对话，并与对话者的会话风格。该系统使用一系列深度神经网络组件进行语音识别、对话生成、韵律分析和语音合成，以生成具有与用户匹配的质量的语言和韵律表达。我们进行了一项用户研究（N=30），参与者与代理交谈15到20分钟，产生了超过8小时的自然交互数据。高考虑会话风格的用户报告代理更值得信赖时，它匹配他们的会话风格。而高涉入会话风格的使用者则无差异。最后，我们提供了多轮对话交互使用会话风格适应的设计准则。
2019-08-13 cs.HC
MICA: Medical Intelligent Conversational AgentHow to optimize medical teleconsultations for sports patients via a conversational agent?
针对疫情下医疗远程问诊量激增但流程未变的问题，提出对话代理MICA，通过优化信息收集与传输提升诊断准确性与问诊效率。
2024-11-04 cs.HC
Diplomat: A conversational agent framework for goal-oriented group discussion
最近的工作在人机交互已经探索了使用会话代理作为促进群体目标导向的讨论。受这项工作的启发，以及明显缺乏工具来支持它，我们创建了Diplomat，这是一个基于Python的框架，用于构建会话代理促进器。Diplomat旨在支持代理功能的简单规范以及与在线聊天服务的可定制集成。我们记录了一个初步的用户研究，我们进行，以帮助通知外交官的设计。我们还描述了我们在GitHub上分享的工具的架构，功能和限制。
2021-05-11 cs.HC
What Makes a Good Conversation? Challenges in Designing Truly Conversational Agents
会话代理承诺会话交互，但未能提供。这些努力通常模仿人类语言的功能规则，而不考虑对话必须封装的关键特征。鉴于其在支持长期人类-智能体关系方面的潜力，HCI专注于实现这一承诺至关重要。我们的目标是了解人们在对话中的价值，以及这应该如何在代理中体现。一系列半结构化访谈的结果显示，人们在对话的社会和功能角色之间做出了明确的二分法，强调了债券和信任的长期动态以及上下文和关系阶段在他们所拥有的对话类型中的重要性。人们从根本上质疑智能体通信中对纽带和共同点的需求，转而对会话质量进行更功利的定义。利用这些研究结果，我们讨论了对话代理设计的关键挑战，最值得注意的是需要重新定义对话代理交互的设计参数。
2019-01-19 cs.HC
Memory Sandbox: Transparent and Interactive Memory Management for Conversational Agents
本文提出交互式系统Memory Sandbox，通过将记忆视为可跨对话查看、操作、记录、总结和共享的数据对象，使用户能够透明地管理和控制LLM对话代理的记忆，从而解决用户心智模型不佳和对话中断问题。
2023-08-03 cs.HC
Conversational Agents in Therapeutic Interventions for Neurodevelopmental Disorders: A Survey
神经发育障碍（NDD）是一组在发育期发作的疾病，其特征是认知和社会领域的缺陷。会话代理人已越来越多地探索，以支持NDD患者的治疗干预。这项调查提供了一个结构化的观点，这些系统的关键设计特点，他们解决的治疗目标的类型，以及他们的评估所采用的经验方法。从这个分析中，我们阐述了一组建议，并强调了在最先进的状态下，我们的地面上的NDD会话代理的研究议程留下的空白。
2021-12-02 cs.HC
Toward Continual Learning for Conversational Agents
Microsoft Research（微软研究院）
虽然端到端神经会话模型在减少手工制作的功能和传统复杂系统架构引起的错误方面取得了可喜的进展，但由于缺乏模块化，它们通常需要大量的数据。以前的研究采用了混合的方法，以知识为基础的组件，要么抽象出特定领域的信息，或增加数据，以涵盖更多样化的模式。相反，我们建议使用神经模型持续学习空间的最新发展来直接解决这个问题。具体来说，我们采用了一个独立于域的神经会话模型，并引入了一种新的神经持续学习算法，该算法允许会话代理以数据有效的方式在不同的任务中积累技能。据我们所知，这是将持续学习应用于会话系统的第一项工作。我们验证了我们的方法的有效性，通过会话技能转移，无论是合成对话或人与人的对话，人机对话中的客户支持域。
2018-01-09 cs.AI cs.CL cs.HC
Simulating Novice Students Using Machine Unlearning and Relearning in Large Language Models
The University of Hong Kong（香港大学）；Carnegie Mellon University（卡内基梅隆大学）；Monash University（蒙纳士大学）
本文提出基于机器去学习的知识级模拟方法，通过转换知识丰富的LLM为新手级AI学生，评估其通过教学对话重新学习知识的能力，揭示了学生行为随时间的变化轨迹。
2026-03-30 cs.HC
CoachAI: A Conversational Agent Assisted Health Coaching Platform
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Konstanz（康斯坦茨大学）
不良的生活方式是一个健康风险因素，是发病率和慢性病的主要原因。不良生活方式的影响可以通过个人行为的改变而显著改变。尽管当前医疗保健向持久的可修改行为转变，然而，随着护理者工作量的增加和个人对护理的持续需求，需要减轻护理者的工作，同时确保与用户的持续交互。本文介绍了CoachAI的设计和验证，会话代理辅助健康教练系统，以支持健康干预提供给个人和团体。CoachAI实例化了一个基于文本的医疗聊天机器人系统，它连接了远程人类教练和用户。这项研究提供了三个主要贡献的预防保健和健康的生活方式的推广：（1）它提出了会话代理，以帮助照顾者;（2）它的目的是减少照顾者的工作量，并加强对用户的照顾，通过处理（自动化）重复的照顾者任务;（3）它提出了一个域独立的移动健康会话代理的健康干预交付。我们将讨论我们的方法，并分析为期一个月的身体活动，健康饮食和压力管理验证研究的结果。
2019-04-26 cs.AI cs.CL cs.HC
Can a Humorous Conversational Agent Enhance Learning Experience and Outcomes?
以前的研究已经强调了教学会话代理使用面向社会的对话与学生的好处。在这项工作中，我们研究的影响，一个会话代理人的使用亲和和自我挫败的幽默-被认为有利于社会福祉和加强人际关系-对学习者的代理人的看法和对任务的态度。使用科目之间的协议，58名参与者教一个会话代理岩石分类使用学习教学平台，Curriculum笔记本。虽然所有的代理人都是好奇和热情的，幽默的风格被操纵，使代理人要么表达一种亲和的风格，一种自我挫败的风格，或者没有幽默。结果表明，亲和幽默可以显着增加动机和努力，而自我挫败的幽默，虽然提高努力，负面影响享受。调查结果进一步强调了在使用幽默时了解学习者特征的重要性。
2021-08-25 cs.HC
Using Conversational Agents To Support Learning By Teaching
会话代理越来越受欢迎，以支持和促进学习。传统的教学代理被设计为通过向学生提供指示来扮演人类教师的角色。在本文中，我们调查使用会话代理，以支持“边学边教”的范例，代理接收来自学生的指示。特别是，我们介绍Curriculum Notebook：一个教育应用程序，收获会话干预，以促进学生的学习。认识到这样的干预措施不仅可以帮助学生参与学习互动，而且还提供了一个更深入的了解设计会话代理的教育目的所涉及的复杂性。
2019-09-30 cs.CY cs.HC
Applying the Persona of User's Family Member and the Doctor to the Conversational Agents for Healthcare
会话代理已经在医疗保健领域展示了很多机会，它们接管了许多过去由人类完成的任务。会话式医疗代理的主要功能之一是干预用户的日常行为。在这种情况下，与用户建立亲密和信任的关系是主要问题之一。应深入探讨影响人-代理关系的因素，以提高医疗保健代理的长期接受度。尽管已经提出了一系列的想法和研究来提高医疗保健中会话代理的接受度，但挑战仍然存在。从我们进行的初步工作中，我们提出了一个想法，即应用用户的家庭成员和医生的角色，他们在现实世界中与用户的关系，作为一个解决方案，形成人类和聊天机器人之间的刚性关系。
2021-09-02 cs.HC
Learning Affects Trust: Design Recommendations and Concepts for Teaching Children -- and Nearly Anyone -- about Conversational Agents
研究表明，人与代理人之间的关系与人与人之间的关系形成的方式类似。由于儿童不具备与成人相同的批判性分析技能（例如，可能过度信任技术），这种关系的形成令人担忧。然而，很少有研究深入调查儿童的看法，会话代理人，更少调查如何教育可能会改变这些看法。我们提出了K-12研讨会与相关的对话AI概念，以鼓励更健康的理解和与代理的关系。通过对课程以及来自不同国家的儿童和家长的研究，我们发现参与者对代理人的看法-特别是他们的合作伙伴模型和信任-发生了变化。当参与者讨论对代理人信任的变化时，我们发现他们最常提到的是学习一些东西。例如，他们经常提到学习代理从哪里获得信息，代理如何使用这些信息以及代理如何编程。根据研究结果，我们提出了教学会话代理概念的建议，包括强调学生认为最具挑战性的概念，如培训，话轮转换和术语;补充代理开发活动与相关的学习活动;培养对代理的适当信任水平;并培养准确的代理合作伙伴模型。通过这种教学方法，学生可以学习更好地理解对话式人工智能以及在世界上拥有它意味着什么。
2022-09-12 cs.HC
EvalConvoLearn: An Open-Source Framework for Evaluating Grounded Learner Simulations in Tutoring Conversations
EvalConvoLearn是评估辅导对话中学习者模拟的开源框架，从学习行为与对话质量两个维度开展评估，验证了其在辅导对话数据集上的有效性并公开了代码。
2026-08-11 cs.CL cs.HC
PlanFitting: Personalized Exercise Planning with Large Language Model-driven Conversational Agent
University of Washington（华盛顿大学）；NAVER AI Lab（NAVER人工智能实验室）
本研究针对个性化运动计划制定成本高、难获取的问题，提出由大语言模型驱动的对话智能体PlanFitting，通过自由对话挖掘用户需求以生成符合运动指南的个性化周计划，经多维度评估验证其有效性，并探讨了未来设计方向。
2025-05-19 cs.AI cs.CL cs.HC
Study of Non-Verbal Behavior in Conversational Agents
本文为仅通过语音、聊天和面部动画视频交互的对话智能体 Arthur 设计身体动作，并通过直接或视频互动实验考察非言语动作能否提升用户舒适度与感知体验。
2023-12-11 cs.HC
On the Effectiveness of Creating Conversational Agent Personalities Through Prompting
本研究通过提示为GPT-3.5和GPT-4创建八种对话代理人格，利用LIWC分析发现多数语言线索可区分，提示方法需改进以支持持久人格塑造。
2023-10-17 cs.HC
E3VA: Enhancing Emotional Expressiveness in Virtual Conversational Agents
University of Florida（佛罗里达大学）
E3VA通过情感分析和自然语言处理提升虚拟对话代理的情感表达性，增强用户体验和对话质量。
2026-02-25 cs.HC
Metacognitive Demands and Strategies While Using Off-The-Shelf AI Conversational Agents for Health Information
University of Calgary（卡尔加里大学）；Simon Fraser University（西蒙菲莎大学）；Ottawa General Campus（渥太华综合校区）；Stanford University（斯坦福大学）
研究探讨了使用现成AI对话代理获取健康信息时的元认知需求及用户应对策略，并提出设计改进以提升用户体验。
2026-02-04 cs.HC
How does a spontaneously speaking conversational agent affect user behavior?
本研究通过大规模对话实验比较自发语音与朗读语音合成的对话智能体，发现自发语音能缩短用户响应时间、增加反馈声道并提升类人对话感。
2022-05-03 cs.HC
Insert-expansions for Tool-enabled Conversational Agents
University of St.Gallen（圣加仑大学）
本文针对工具赋能对话智能体易偏离用户意图的问题，提出“用户即工具”的插入扩展交互概念，并通过两项实证研究验证了该方法在推荐领域的有效性。
2023-07-04 cs.AI cs.CL cs.HC
Motivations, Classification and Model Trial of Conversational Agents for Insurance Companies
人工智能的进步重新引起了人们对会话代理的兴趣。所谓的聊天机器人在工业应用方面已经成熟。德国保险公司对改善客户服务和实现业务流程数字化很感兴趣。在这项工作中，我们通过确定保险公司感兴趣的代理类别，找到相关的用例和要求，并开发一个示例性的保险方案的原型，研究了保险公司中会话代理的潜在用途。基于这种方法，我们得出的对话代理实施在保险公司的主要结果。
2018-12-19 cs.CY cs.HC
Voice-Based Conversational Agents for self-reporting fluid consumption and sleep quality
智能对话代理和虚拟助手，如聊天机器人和语音助手，有可能增强健康服务能力，以筛查症状和提供医疗干预。在本文中，我们在Google Actions Console中开发了基于语音的会话代理（VCA），以提供定期的自我评估健康调查。本文的重点是适应自我监测的患者特定的液体消耗量的要求或睡眠障碍。我们的VCA，名为FluidMonitor和Sleepy，经过测试，可以自然融入患者的日常生活方式，提供有用的干预措施。我们展示了Google Actions的功能，并讨论了使用VCA作为家庭自我报告调查技术的注意事项。用户测试表明，对VCA的易用性、受欢迎程度和负担水平表示满意。
2022-02-04 cs.HC
Personalizing Emotion-aware Conversational Agents? Exploring User Traits-driven Conversational Strategies for Enhanced Interaction
KTH Royal Institute of Technology（皇家理工学院）；University of Bergen（卑尔根大学）；University of Surrey（萨里大学）；Norwegian University of Science and Technology（挪威科技大学）；Chalmers University of Technology（查尔姆斯理工大学）
本研究通过实证探究用户性别、人格和文化背景如何影响其与多情绪多声音情感感知对话代理的交互策略，发现个性化定制能提升用户满意度与交互质量。
2025-11-10 cs.HC
Can Virtual Agents Care? Designing an Empathetic and Personalized LLM-Driven Conversational Agent
Swinburne University of Technology（斯威本科技大学）；FPT University（富国大学）；Deakin University（迪肯大学）；University of Southampton（南安普顿大学）
本文提出一种框架，通过检索增强架构、结构化记忆和多模态交互，设计出具有同理心和个性化支持的虚拟代理，以提升心理健康支持的质量和可靠性。
2026-04-22 cs.HC
Is my agent good enough? Evaluating Embodied Conversational Agents with Long and Short-term interactions
数字资源的使用在当今社会的每一个实例中都在增加，无论是在商业还是甚至是娱乐目的。尽管在所有领域中越来越多地使用技术作为界面，但在这种情况下，似乎缺乏用户感知的重要性。本研究旨在提供一个关于出口信用社评价的案例研究。我们提出了一个长期的互动（LTI）来评估我们的会话代理的有效性，通过用户的感知，并将其与短期互动（STI），由三个用户进行比较。结果表明，在我们的案例研究中，可以评估用户对所选ECA（即Arthur）的感知的许多不同方面，特别是LTI和STI都很重要，以便更好地了解ECA对用户体验的影响。
2021-09-30 cs.HC
