論文の概要: Understanding LLM Intervention Explanations in Multi-Party Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2606.29460v1
• Date: Sun, 28 Jun 2026 15:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.91837
• Title: Understanding LLM Intervention Explanations in Multi-Party Human-Robot Interaction
• Title（参考訳）: 多人数ロボットインタラクションにおけるLLM干渉説明の理解
• Authors: Micol Spitale, Massimiliano Nigro, Emily Cross,
• Abstract要約: 大規模言語モデル(LLM)は、自然なグループ間相互作用をサポートするために、社会ロボットに組み込まれている。 本稿では,多人数インタラクションにおける LLM ベースのオーケストレータによる介入説明について検討する。
• 参考スコア（独自算出の注目度）: 1.916345962680756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly embedded in social robots to support natural group interactions, yet their role in complex multi-party settings remains underexplored. In particular, it is unclear how LLM-driven robots decide when and why to intervene in group conversations. This paper investigates the intervention explanations generated by an LLM-based orchestrator in a multi-party interaction involving three human participants and two robots. We conducted a between-subjects study with 24 groups (66 university students), comparing a homogeneous condition (two robots with the same role, i.e., a mover) and a heterogeneous condition (two robots with different roles, i.e., a mover and an opposer). At each conversational turn, the LLM orchestrator decided whether to intervene and generated a textual explanation of its decision. We performed a thematic analysis of 610 intervention explanations, identifying five recurring themes. Results show that explanations are facilitation-oriented, emphasizing agreement, participation, and interaction flow. While patterns remain stable across conditions, role differentiation emerges: the mover supports coordination, whereas the opposer drives goal-oriented interventions. These findings contribute to explainable AI by characterizing how LLM-driven systems justify intervention decisions in real-time, multi-party human-robot interaction.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然集団の相互作用をサポートするために社会ロボットにますます組み込まれている。 特に、LLM駆動ロボットがいつ、なぜグループ会話に介入するかは、不明確である。 本稿では,3人の人間と2人のロボットによる多人数インタラクションにおいて,LLMベースのオーケストレータが生み出す介入説明について検討する。 我々は,24グループ(66人の大学生)を対象に,同種条件(移動ロボット)と異種条件(移動ロボットと反対ロボット)を比較した。 LLMオーケストレータは会話のターンごとに介入するかどうかを判断し、その決定をテキストで説明する。 610件の介入説明のテーマ分析を行い,5つの繰り返しテーマを同定した。 結果は、説明はファシリテーション指向であり、合意、参加、相互作用の流れを強調していることを示している。 パターンは条件によって安定しているが、役割の分化は出現し、移動者は協調をサポートし、反対者は目標志向の介入を駆動する。 これらの知見は、LLM駆動システムがリアルタイムなマルチパーティのヒューマンロボットインタラクションにおける介入決定をどのように正当化するかを特徴付けることによって、説明可能なAIに寄与する。

関連論文リスト

• A Multimodal Framework for Human-Multi-Agent Interaction [5.410329948686681]
  本稿では,ロボットが自律認知エージェントとして機能するマルチエージェントインタラクションのためのマルチモーダルフレームワークを提案する。 チームレベルでは、集中的な調整機構がターンテイクとエージェントの参加を規制し、重複するスピーチを防ぐ。 今後の研究は、大規模ユーザ研究と、社会的基盤を持つマルチエージェントインタラクションダイナミクスのより深い探索に焦点を当てる予定である。
  論文  参考訳（メタデータ） (2026-03-24T14:35:40Z)
• RoboOmni: Proactive Robot Manipulation in Omni-modal Context [165.09049429566238]
  我々は,音声対話や環境音,視覚的手がかりから意図を導出する,クロスモーダルな文脈指示を導入する。 目的認識,インタラクション確認,アクション実行を統一する,エンドツーエンドのOmni-Modal LLMに基づくフレームワークであるRoboOmniを提案する。 シミュレーションと実世界の設定の実験では、Robo OmniはテキストベースとASRベースのベースラインを越え、成功率、推論速度、意図認識、積極的に支援している。
  論文  参考訳（メタデータ） (2025-10-27T18:49:03Z)
• Let's Roleplay: Examining LLM Alignment in Collaborative Dialogues [11.888786446094057]
  本稿では,多人数共同作業におけるパートナーとしての大規模言語モデルの有効性に,異なるアライメント手法がどのような影響を与えるかを検討する。 ロールプレイ手法を用いて、協調作業会話における異なる訓練された摩擦剤の介入を評価する。 以上の結果から, 摩擦認識アプローチは, 共通基盤への収束, あるいはタスク関連命題の一致, タスク結果の正当性の両方において, 共通のアライメントベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-07T00:58:10Z)
• Whom to Respond To? A Transformer-Based Model for Multi-Party Social Robot Interaction [4.276453870301421]
  社会ロボットの意思決定プロセスを改善するために,トランスフォーマーを用いたマルチタスク学習フレームワークを提案する。 我々は、視線ずれなどの現実世界の複雑さを捉えた、新しい多人数HRIデータセットを構築した。 本研究は,自然とコンテキストを意識した多人数インタラクションを実現できる社会知能型社会ロボットの開発に寄与する。
  論文  参考訳（メタデータ） (2025-07-15T03:42:14Z)
• Moderating Group Conversation Dynamics with Social Robots [0.0]
  研究には300人の参加者が参加し、4人グループに分かれ、モデレーターとして機能するヒューマノイドロボットと対話した。 ロボットは会話データを利用して、最も適切な話者を決定する。
  論文  参考訳（メタデータ） (2024-07-31T20:29:20Z)
• SocialBench: Sociality Evaluation of Role-Playing Conversational Agents [85.6641890712617]
  大規模言語モデル(LLM)は、様々なAI対話エージェントの開発を進めてきた。 SocialBenchは、ロールプレイングの会話エージェントの社会的性を個人レベルとグループレベルで評価するために設計された最初のベンチマークである。 個人レベルで優れたエージェントは,集団レベルでの熟練度を示唆しない。
  論文  参考訳（メタデータ） (2024-03-20T15:38:36Z)
• Controlling the Sense of Agency in Dyadic Robot Interaction: An Active Inference Approach [6.421670116083633]
  変形型繰り返しニューラルネットワークモデルを用いて,ロボットのダイアディック模倣相互作用を検討する。 トレーニング中の自由エネルギーを最小化する複雑性項の制御が,ネットワークの動的特性をいかに決定するかを検討した。
  論文  参考訳（メタデータ） (2021-03-03T02:38:09Z)

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。