PACE：透過對話引導實現人機互動中的人格特質動態適應框架
arXiv - Human-Computer InteractionPeizhen Li, Longbing Cao, Megani Rajendran, Timothy Liu, Aik Beng Ng, Simon See
提出 PACE 框架，讓人形機器人能透過與用戶對話，動態生成並展現具備心理學基礎且個性化的身份特質。
AI 幫你先抓重點
AI 重點 1
從「靜態設定」轉向「動態演化」的人機互動範式
滑鼠懸停看 AI 判斷理由
傳統機器人多依賴預設的人格設定，缺乏靈活性。PACE 證明了透過對話即時調整身份，能顯著提升用戶的參與感與信任感，這為未來開發高度個人化的 AI 助手提供了新路徑。
AI 重點 2
結構化提示詞與具身行為的深度整合
滑鼠懸停看 AI 判斷理由
這項研究不僅僅是語言層面的個性化，更強調了如何將抽象的心理特質轉化為具體的物理行為（如表情、動作），這對於理解如何建立真實的「具身智能」至關重要。
核心研究發現
- 1
開發出互動式人格引導流程，使 Ameca 人形機器人能透過問答形式，從多維度構建結構化的個性化提示詞。
- 2
實現了具身系統整合技術，將結構化的個性描述轉化為機器人具備表現力的多模態行為與動作。
- 3
實驗評估顯示，動態生成的個性在用戶信任度、擬人化感知、人格一致性、個人相關性及互動品質上均優於通用型基準模型。
對教育工作者的啟發
在教育場景中，此技術可轉化為「個性化學習夥伴」。例如，AI 教師可以根據學生的性格、學習風格或情緒狀態，透過對話即時調整其教學風格（如從嚴厲轉為鼓勵型），從而建立更強的教學聯盟（Teaching Alliance）。這對於需要高度情感支持的自主學習（SRL）環境或小班制 PBL 專題指導極具潛力，能有效提升學生的學習動機與信任感。
原始文獻資訊
- 英文標題：
- PACE: Persona Adaptation through Conversational Elicitation in Human-Robot Interaction
- 作者：
- Peizhen Li, Longbing Cao, Megani Rajendran, Timothy Liu, Aik Beng Ng, Simon See
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。