《Electronics》:An Emotional BDI Framework for Affective Decision Making Based on Action Tendency
JungGyu Hwang and
Sung-Kee Park
编辑推荐:
本文针对现有情感代理在将生成的情感连接到行为执行时,仍严重依赖模型特定规则或隐式链接的“机制缺口”问题,提出了一个情感BDI(Belief–Desire–Intention)框架。该框架引入弗里达(Frijda)的行为倾向(action tendency)作为情感核心与BDI执行器之间的中间表示层,将情感状态首先转化为方向性的行为倾向,再由BDI推理根据角色和情境实现该倾向,从而创建了明确的情感-行为中介结构。在26名参与者的探索性用户评估中,所提模型在满意度(p=0.010)和适当性(p=0.002)上获得了比情感驱动代理(Emotion-Driven Agent)更积极的评价,为超越直接映射或无条件下服从的情感决策提供了有用的架构方向。
随着社交机器人在医疗保健、教育和娱乐等领域的日益普及,人们对能够理解用户情感状态并以情境适宜方式做出反应的情感代理(affective agent)需求与日俱增。人工智能正超越简单的信息处理,走向需要社会意识和适应性行为的系统。然而,现有工作虽然在情感生成和评估(appraisal)方面奠定了坚实基础,但从生成的情感到行为执行这一步,仍严重依赖于模型特定规则或隐式链接。这导致了一个“机制缺口”(Mechanism Gap):情感如何转化为行为的过程是隐含的,使得同一情感在不同情境和角色下的差异化表达变得困难,限制了系统的可扩展性和可解释性。为了弥合这一缺口,研究人员开展了一项研究,旨在构建一个更明确、灵活的情感决策架构。这项研究发表于学术期刊《Electronics》。
为开展研究,作者主要运用了理论建模与架构设计、计算原型实现以及探索性用户评估等方法。具体而言,首先提出了一个三层的情感BDI框架理论模型,将行为倾向(action tendency)概念化为情感核心与BDI执行器之间的中介接口。其次,基于该框架开发了一个当前查找表原型,并在社交机器人Buddy上进行了系统实现,以验证其可行性。最后,设计并执行了一项有26名参与者(N=26)的用户研究,通过与情感驱动代理(Emotion-Driven Agent)和合作代理(Cooperative Agent)对比,评估所提模型在用户满意度和行为适当性等方面的表现。
1. 引言
研究指出,人工智能正向具有社会意识和自适应行为的系统演进。在情感交互领域,虽然生成式AI(如大语言模型)极大改善了语言交互,但自然对话能力本身并不能保证社会适宜行为。只有当情感状态反映在决策中时,情感交互才有意义。现有计算情感模型(如EMA、WASABI、ABC-EBDI)已将情感纳入行为决策,但其连接逻辑常内嵌于评估、应对或领域特定规则中,缺乏一个明确、独立、可重用的中间层。近期端到端深度学习系统提供了灵活性,但其黑盒性质难以保证行为一致性。神经符号(neuro-symbolic)方法则主要关注物理任务规划。本研究将这两类方法的共同局限界定为一个架构设计问题,并提出引入行为倾向作为中间表示层来明确情感-行为的中介过程。
2. 相关工作
2.1. 理论基础:行为倾向
传统心理学常从主观感受或生理反应讨论情感,在解释情感如何导致具体行为改变方面存在局限。作为替代,强调情感进化目的和功能角色的功能主义视角兴起,其中尼科·弗里达的理论处于核心。弗里达将情感重新定义为一种行动准备状态,帮助有机体适应环境变化和满足需求。例如,恐惧倾向于产生回避威胁,愤怒倾向于产生旨在消除障碍的对抗。行为倾向理论识别了情感与行为之间的一种动机状态,将情感确立为启动行动的机制。本研究将行为倾向用作情感与具体行动规划之间的中间层。
2.2. 情感计算模型与局限
人工智能中的情感研究已通过将情感理论整合到AI框架中而日益重要。在认知系统中,BDI模型因其情境敏感性、行为鲁棒性以及相对易于理解和验证而尤为突出。许多情感计算研究通过融入OCC、弗里达、谢勒和拉扎勒斯等理论扩展了BDI框架。尽管如此,生成的情感连接到后续行为的方式在不同模型间仍存在差异,且这种连接的抽象层次也不同。在许多代表性情感代理架构中,即使情感影响了行动,其中介过程仍内嵌在评估、应对或决策规则内部。也有研究从行为倾向角度更直接地处理情感与行为之间的中间层次,但本研究的不同之处在于,将行为倾向定位为情感核心与BDI执行器之间明确的中间接口层,从而在结构上分离了情感生成与具体行为实现。
2.3. 生成代理与神经符号方法
以ChatGPT和Gemini为代表的大语言模型(LLM)的兴起,引发了情感计算的新转变。LLM通过从大规模训练数据中获得广泛的上下文理解,展示了以更集成的方式处理情感识别和生成的潜力。尽管如此,LLM基于的方法在结构控制和一致性方面仍面临开放性问题。LLM本质上是黑盒概率模型,其情感行为更接近于对文本语料库中嵌入模式的统计模仿,而非情感作为行为动机力量的明确因果机制。为应对纯符号方法的僵化和纯神经方法的不确定性,神经符号AI作为一种有前景的替代方案出现。然而,用于具有社会意义的情感行为的神经符号架构仍未得到充分探索。特别是,将来自神经模型的丰富上下文转换为可重用符号中间表示的标准化中介机制尚未充分建立。本研究提出将行为倾向作为此类集成的候选符号主干。
3. 所提框架
3.1. 架构概述
所提框架采用三层处理结构,包括情感核心、行为倾向层和BDI执行器。情感核心通过感知接收外部刺激,将人格转换为PAD(愉悦-唤醒-支配)空间,在普拉奇克的八种情感类别中建立情绪基线,然后将其与刺激驱动的情感增量整合,产生内部情感状态。行为倾向层接收情感核心的输出以及代理的当前情境信念,并生成抽象倾向,如回避、接近、顺从、拒绝、抑制和关注。这是连接情感与行为的关键层。BDI执行器将行为倾向整合到BDI系统中以形成意图和可执行计划,然后通过行动模块将其实现为具体行动。该框架支持双路径架构。反应性路径触发对突发威胁的即时行为,而审慎性路径则通过复杂情境中的认知评估支持更谨慎的决策。通过将行为倾向层置于审慎路径内,框架明确了情感冲动如何通过中介推理过程转化为行为意图。
3.2. 情感核心
情感核心生成并维护代理的内部情感状态。代理的人格基于大五模型指定,并使用Mehrabian提出的转换公式转换为PAD空间。情绪基线由人格PAD值决定。该框架支持双过程情感生成。初级情感生成器在没有认知评估的情况下对外部刺激做出即时反应,用于反应性路径。次级情感生成器通过对刺激的多层次评估产生情感。情感计算在普拉奇克的八种离散类别中进行:喜悦、信任、恐惧、惊讶、悲伤、厌恶、愤怒和期待。增强情感定义为由刺激产生的短暂情感峰值,并添加到情绪基线中。情绪是一种源自人格的持久基础情感状态,在这些组成部分结合后具有最高值的类别被选为主导情感。外部刺激产生的情感增量不会永久持续;一旦刺激消失,它会随时间衰减。为了实现情感稳态,框架模拟了代理的情感状态向其潜在情绪恢复的倾向。
4. 系统实现
当前原型将人格、情绪和情感建模为将PAD空间与离散情感类别相结合,并支持反应性路径和审慎性路径。行为倾向层被实现为一个模块化接口,以便当前的确定性查找表日后可以被更丰富的推理引擎替代。实现基于社交机器人Buddy进行,并进行了探索性用户评估。
5. 探索性用户评估
一项有26名参与者(N=26)的探索性用户评估比较了所提出的情感BDI模型与两种基线条件:情感驱动代理和合作代理。评估了用户满意度和行为适当性。结果表明,所提模型在满意度(p=0.010)和适当性(p=0.002)方面获得的评分显著高于情感驱动代理。与合作代理相比,所提模型仅在满意度(p=0.030)方面显示出显著优势。这些发现表明,所提出的框架为超越直接映射或无条件下服从的情感决策提供了一个有用的架构方向。
研究结论与讨论
本研究提出了一个情感BDI框架,该框架引入弗里达的行为倾向作为情感核心与BDI执行器之间的明确中间层,以解决现有情感代理架构中情感-行为连接逻辑隐含、依赖模型特定规则的“机制缺口”问题。该框架的核心贡献在于其三层架构设计,它将情感状态首先转化为抽象的行为方向性(行为倾向),再由BDI系统根据具体角色和情境进行实例化,从而实现了情感-行为中介过程的显式化、结构分离和情境适应性。
研究表明,与直接将情感映射到具体行为或无条件服从的基线模型相比,采用行为倾向中介层的模型能产生更令用户满意且情境更适宜的行为反应。这验证了将行为倾向作为可重用接口层的有效性。该框架不仅为情感计算提供了一个更清晰、可解释的架构蓝图,其模块化设计(如可替换的行为倾向层)也为未来集成更先进的推理模块(如基于大语言模型的评估)留下了空间,是迈向可解释、可靠情感AI系统的重要一步。该工作发表于《Electronics》期刊,为社交机器人、人机交互及其他需要情感智能的领域提供了新的理论基础和工程实践参考。