論文の概要: DinoCompanion: An Attachment-Theory Informed Multimodal Robot for Emotionally Responsive Child-AI Interaction

• arxiv url: http://arxiv.org/abs/2506.12486v1
• Date: Sat, 14 Jun 2025 12:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.298878
• Title: DinoCompanion: An Attachment-Theory Informed Multimodal Robot for Emotionally Responsive Child-AI Interaction
• Title（参考訳）: DinoCompanion:感情応答型児童-AIインタラクションのためのアタッチメント理論インフォームドマルチモーダルロボット
• Authors: Boyang Wang, Yuhao Song, Jinyuan Cao, Peng Yu, Hongcheng Guo, Zhoujun Li,
• Abstract要約: DinoCompanionは、感情に反応する児童とAIのインタラクションのための、アタッチメント理論に基づく最初のマルチモーダルロボットである。 発達的にインフォームドされたAIアーキテクチャの欠如、安全性とエンゲージメントのバランスの必要性、アタッチメントベースの機能のための標準化された評価フレームワークの欠如、という3つの重要な課題に対処する。 DinoCompanionは最先端のパフォーマンス(57.15%)、GPT-4o(50.29%)、Claude-3.7-Sonnet(53.43%)を上回っている
• 参考スコア（独自算出の注目度）: 20.544543785877444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Children's emotional development fundamentally relies on secure attachment relationships, yet current AI companions lack the theoretical foundation to provide developmentally appropriate emotional support. We introduce DinoCompanion, the first attachment-theory-grounded multimodal robot for emotionally responsive child-AI interaction. We address three critical challenges in child-AI systems: the absence of developmentally-informed AI architectures, the need to balance engagement with safety, and the lack of standardized evaluation frameworks for attachment-based capabilities. Our contributions include: (i) a multimodal dataset of 128 caregiver-child dyads containing 125,382 annotated clips with paired preference-risk labels, (ii) CARPO (Child-Aware Risk-calibrated Preference Optimization), a novel training objective that maximizes engagement while applying epistemic-uncertainty-weighted risk penalties, and (iii) AttachSecure-Bench, a comprehensive evaluation benchmark covering ten attachment-centric competencies with strong expert consensus (\k{appa}=0.81). DinoCompanion achieves state-of-the-art performance (57.15%), outperforming GPT-4o (50.29%) and Claude-3.7-Sonnet (53.43%), with exceptional secure base behaviors (72.99%, approaching human expert levels of 78.4%) and superior attachment risk detection (69.73%). Ablations validate the critical importance of multimodal fusion, uncertainty-aware risk modeling, and hierarchical memory for coherent, emotionally attuned interactions.
• Abstract（参考訳）: 子どもの感情発達は、基本的に安全な愛着関係に依存しているが、現在のAI仲間は、発達的に適切な感情的支援を提供する理論的基盤を欠いている。 DinoCompanionは、感情に反応する児童とAIのインタラクションのための、アタッチメント理論に基づく最初のマルチモーダルロボットである。 発達的にインフォームドされたAIアーキテクチャの欠如、安全性とエンゲージメントのバランスの必要性、アタッチメントベースの機能のための標準化された評価フレームワークの欠如、という3つの重要な課題に対処する。 コントリビューションには以下のものがある。 i) 125,382個の注釈付きクリップとペアの選好リスクラベルを含む128人の介護者のダイアドのマルチモーダルデータセット (II)CARPO(Chard-Aware Risk-calibrated Preference Optimization)は、先天的不確実性重み付きリスクペナルティを適用してエンゲージメントを最大化する新たな訓練目標である。 (iii)AttachSecure-Benchは、専門家による強いコンセンサス(\k{appa}=0.81)を持つ10のアタッチメント中心の能力をカバーする総合的な評価ベンチマークである。 ディノコンパニオンは最先端のパフォーマンス(57.15%)、GPT-4o(50.29%)とClaude-3.7-Sonnet(53.43%)を上回り、例外的に安全なベース動作(72.99%、ヒトの専門家レベル78.4%)と優れたアタッチメントリスク検出(69.73%)を達成している。 アブレーションは、マルチモーダル融合、不確実性を考慮したリスクモデリング、そしてコヒーレントで感情的に直感的な相互作用のための階層記憶の重要な重要性を検証する。

関連論文リスト

• Towards Evaluating Proactive Risk Awareness of Multimodal Language Models [38.55193215852595]
  プロアクティブな安全人工知能(AI)システムは、リアクティブシステムよりもうまく機能する。 PaSBenchは416のマルチモーダルシナリオを通じてこの機能を評価する。 Gemini-2.5-proのようなトップパフォーマーは、71%のイメージと64%のテキスト精度を達成したが、繰り返しトライアルで45-55%のリスクを逃した。
  論文  参考訳（メタデータ） (2025-05-23T04:28:47Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Quantifying Security Vulnerabilities: A Metric-Driven Security Analysis of Gaps in Current AI Standards [5.388550452190688]
  本稿では、NIST AI RMF 1.0、英国のAIおよびデータ保護リスクツールキット、EUのALTAIの3つの主要なAIガバナンス標準におけるセキュリティリスクの監査と定量化を行う。 新しいリスク評価手法を用いて、リスク重大度指数(RSI)、アタックポテンシャル指数(AVPI)、コンプライアンス・セキュリティギャップパーセンテージ(CSGP)、ルート原因脆弱性スコア(RCVS)の4つの主要な指標を開発する。
  論文  参考訳（メタデータ） (2025-02-12T17:57:54Z)
• Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
  信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。 私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
  論文  参考訳（メタデータ） (2024-10-25T07:53:32Z)
• AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
  本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。 Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。 ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• ASSERT: Automated Safety Scenario Red Teaming for Evaluating the Robustness of Large Language Models [65.79770974145983]
  ASSERT、Automated Safety Scenario Red Teamingは、セマンティックなアグリゲーション、ターゲットブートストラップ、敵の知識注入という3つの方法で構成されている。 このプロンプトを4つの安全領域に分割し、ドメインがモデルの性能にどのように影響するかを詳細に分析する。 統計的に有意な性能差は, 意味的関連シナリオにおける絶対分類精度が最大11%, ゼロショット逆数設定では最大19%の絶対誤差率であることがわかった。
  論文  参考訳（メタデータ） (2023-10-14T17:10:28Z)
• VSRQ: Quantitative Assessment Method for Safety Risk of Vehicle Intelligent Connected System [6.499974038759507]
  I-FAHP と FCA クラスタリングを組み合わせた新しい車両リスク評価モデル VSRQ モデルを開発した。 我々はOpenPilotのモデルを評価し,VSRQモデルの有効性を実験的に実証した。
  論文  参考訳（メタデータ） (2023-05-03T05:08:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。