本研究探讨社交机器人在饮食建议中的透明度与信任问题，提出通过内在语言增强推理可解释性。研究发现，透明的决策过程能提高对机器人的信任，改善人机互动，尤其在医疗健康领域影响显著。

本研究提出了USER-LLM R1框架，旨在解决社交机器人个性化交互的冷启动问题。该框架通过动态用户分析和模型初始化，结合推理模型与视觉-语言模型，实现个性化响应，显著提升老年用户的参与度和信任度。

本研究提出了AutoMisty框架，旨在解决社交机器人API对无编程经验用户的不可操作性。该框架利用大型语言模型生成可执行的Misty代码，并通过四个智能体模块优化任务管理，实验证明其在代码生成和控制精度方面优于现有方法。

该论文提出了一种基于深度神经网络的社交机器人检测方法，利用元数据和合成少数过抽样技术生成大型标记数据集。研究表明，通过推文文本和用户资料提取，能够有效区分社交机器人与人类用户，分类准确率达到98.52%。此外，BotSSCL框架通过自监督对比学习提升了检测性能和泛化能力。

本研究将大型语言模型应用于社交机器人，克服传统对话方法的局限。机器人通过自动化对话系统生成个性化回应，结合情感识别和多样化语音风格。实验反馈积极，但存在自动语音识别错误和LLM自我重复等问题。

本研究将大型语言模型应用于社交机器人，克服传统对话方法的局限。机器人通过自动化对话系统生成个性化回应，结合情感识别和多样化语音表现。实验结果显示参与者认为机器人具备共情能力、自然且富有娱乐性，但也存在自动语音识别错误和LLM自我重复等问题。

本研究将大型语言模型应用于社交机器人，解决传统对话的不足。系统利用LLM生成符合机器人个性的回应，结合多种TTS引擎和动作库。情感识别模型动态选择语调，表情符号引导动作生成。试验表明，参与者认为机器人有共情力和娱乐性。尽管ASR错误影响小，但LLM的自我重复和虚构信息问题仍需注意。

本文介绍了一种增强社交机器人共情能力的方法，通过整合非语言提示，提高机器人与人类的互动。研究结果显示，该方法导致开发出了能够感知上下文并进行更真实互动的社交机器人，为未来人机交互研究奠定了基础。

本研究将大型语言模型整合到社交机器人中，解决了传统对话方法的局限性。机器人通过情感识别模型和表情符号回应，具有个性和表情。试验结果显示机器人具有共情力、乐于助人、自然和娱乐性，但存在语音识别错误和模型产生虚构信息的问题。

这项研究旨在探讨将大型语言模型 (LLM) 与社交机器人整合时的伦理考虑。研究结果揭示了交互、共同设计、服务条款和关系等四个维度中的伦理问题，并评估了设计正义方法在该领域的实证运用。

本文讨论了个人化康复的社交机器人锻炼教练系统的设计、开发和评估，该系统集成了神经网络模型和基于规则的模型，能够监控和评估患者的锻炼，并生成个性化的纠正反馈。在中风幸存者的数据集上进行了验证，展示了实际测试中的应用前景和局限性。

本研究将大型语言模型整合到社交机器人中，解决了传统对话方法的局限性。机器人通过情感识别模型和表情符号回应，具有个性和表情。试验结果显示机器人具有共情力、乐于助人、自然和娱乐性，但存在语音识别错误和模型产生虚构信息的问题。

本研究整合大型语言模型（LLMs）到社交机器人中，解决传统对话方法的局限性。研发了一个自动化对话系统，利用LLMs生成有表情的机器人回应，与机器人个性一致。试验结果显示参与者对机器人反馈积极，认为机器人具有共情力、乐于助人、自然和娱乐性。然而，自动语音识别错误和LLM问题可能影响对话质量。

本文探讨了使用大型语言模型作为HRI的0模型的潜力，并在三个社交数据集上进行了实验，结果显示LLMs能够实现与定制模型相当的性能，同时还讨论了当前的限制。作者展示了LLM人类模型如何集成到社交机器人的规划过程中并应用于HRI场景，结果表明LLMs为HRI的人类建模提供了一种有前途但不完整的方法。

该研究使用GPT-3驱动社交机器人，通过故事讲述和大型语言模型的整合，将虚构游戏角色转变为真实的社交实体。结果显示故事讲述显著提升了机器人的吸引力和可信度。

本文探讨了使用大型语言模型作为HRI的0模型的潜力，并在三个社交数据集上进行了实验，结果显示LLMs能够实现与定制模型相当的性能。作者还讨论了当前的限制，并展示了LLM人类模型如何集成到社交机器人的规划过程中并应用于HRI场景。

本文介绍了一种增强社交机器人共情能力的方法，通过整合非语言提示，包括语音、行动、面部表情和情绪。研究者利用大型语言模型生成这些提示，并开发了基于该模型的对话系统。初步结果显示，机器人的回应呈现出明显的模式，但该方法已经导致了能够感知上下文并进行更真实互动的社交机器人的开发。该研究强调了语言和非语言提示在创建社交和共情机器人方面的重要性。