论文解读

Naoki Matsumura · Kensuke Sugihara · Tomoko Yonezawa

该研究旨在通过将灾难虚拟仿真与多个能表达情绪的代理(agent)相结合，构建有效的演练软件。评估了疏散过程中代理数量及其情绪与行为动作如何影响虚拟空间中的用户。结果显示，当许多代理与用户一同疏散时，用户倾向于更自信地行动；代理选择的疏散路线会影响用户的决策。这些发现表明，用户的疏散行为不仅由环境本身塑造，也受周围代理集体行为的影响，凸显了在训练中考虑代理行为如何影响用户心理状态的必要性。

Chengwen Zhang · Jianyang Wang · Chang Liu · 4+

人机协作要求伙伴协调相互依赖的贡献以实现共同目标。联合行动理论提供了理解这种协调的概念，但其在实证研究中的实例化和组合方式仍然碎片化。遵循 PRISMA 2020 标准，本研究系统回顾了 2021 年至 2026 年间发表的 83 篇实证论文。通过理论驱动框架分析，将文献组织为三个能力维度（表征、预测、整合）下的九个构念。研究分析了这些构念在研究中的分布与共现情况，揭示了实证证据的集中区域与缺失区域。通过将实证人机协作研究映射到统一的联合行动框架，该综述提供了人机协作研究的一致概览，识别了当前证据的差距，并为未来研究提供了指导。

Uldana Shyndali · Nurdaulet Toleugaliyev · Kuat Zharykbayev · 2+

主色提取是计算机视觉的基础任务，应用于设计、图像检索和内容推荐。传统算法依赖设备导向色彩空间（如 RGB）和固定量化，往往无法反映人类对颜色差异的感知。研究构建了基于人类感知的主色提取框架，并依据感知实验建立新的 Human Color Dictionary (HCD)。110 名参与者依次查看 120 种颜色，标出其认为独特的颜色；据此构建 120×120 共现矩阵，再用贪心选择算法得到 64 种感知上可区分的颜色。HCD 被整合进 RGB 颜色直方图和 K-means 算法，用于初始化聚类中心，并依据 deltaE 00 距离将像素值映射至最近的感知颜色。在 4,562 张图像及其专家设计色板数据集上，该方法以 Earth Mover's Distance (EMD) 和最佳匹配距离衡量，提高了感知一致性。结果未显示独特颜色数量存在显著性别差异；高饱和颜色最易区分，而深色和暗色在感知上更易趋同。

Monojit Banerjee · Zhujun Lan · Defu Cao

真实应用中的语言智能体不仅要给出正确答案，还必须正确执行多步骤业务流程、遵循领域规则，并在对话中与用户交互；言行之间的差距可能导致客户不满或实际损失。可部署智能体基准应联合评估结果、轨迹、运行可行性与政策合规性四个方面。CRM-Agent-Bench 是基于执行的基准，包含 9 个业务领域、36 个能力标签及 555 个有状态多轮任务。每项任务提供特定的可执行契约，检查动作、参数、顺序、响应、目标状态和受保护状态；任务成功须严格满足其全部检查。基准通过这些契约评估完整智能体系统，并报告评分覆盖率、延迟和成本。在最终审核版本上评估的 16 个系统中，严格成功率为 64.32% 至 83.60%；领先系统虽表现接近，却在成本和分领域可靠性上明显分化。该基准为衡量契约驱动的业务交易完整性与任务政策遵循提供可审计框架，并具有面向未来模型扩展的可移植结构。

Jiwon Kim · Violeta J. Rodriguez · Dong Whi Yoo · 2+

大语言模型(LLM)正日益用于心理健康支持，但其回复可能过于指令化、不一致或偏离临床规范。现有风险缓解方法主要依靠训练或提示进行隐式对齐，运行时问责能力有限。PAIR-SAFE 将 Responder 智能体与 Judge 智能体配对，后者依据临床验证的动机式访谈治疗完整性(MITI-4)进行审计，并对每条回复给出允许(allow)或修改(revise)决定，以指导实时改进。研究使用源自人工标注数据的支持寻求者模拟器评估互动。Judge 监督显著提升了 Partnership、Seek Collaboration 及整体关系质量等关键 MITI 维度。专家评估进一步佐证了量化结果，并揭示运行时监督的细微作用，表明配对智能体审计可为 AI 辅助心理健康支持提供具有临床依据的透明监督。

Morita Tarvirdians · Reeve Lorena · Catharine Oertel

帮助用户接触不同于自身观点的系统，需要决定这些观点应有多大差异。现有观点多采用单一标量表示，难以区分与用户持不同意见的具体对象。研究提出一种选择策略，由多臂老虎机设定观点与用户之间允许的距离，再在该范围内选择最新颖的观点。实验仅改变立场编码器，对比标量分数与概念分解的 Perspectivized Stance Vectors，并将其集成进对话系统，开展组间研究（N=63）。概念级立场带来更多样的接触序列和更广的议题立场覆盖，但未改变用户论证观点的深度及其重构准确度。概念级分析还显示，用户对某一方未表态概念的观点重构最不准确，而非对双方明确分歧的概念。这些结果为对话系统提供了新方向：应依据用户与观点具体在哪类概念上产生分歧采取行动，而非只看整体距离。

David Ahmedt-Aristizabal · Mohammad Ali Armin · Akila Pemasiri · 4+

本章探讨机器人系统与环境智能如何提升住宅养老机构（RAC）和私人住宅中老年人的照护质量。两类环境空间杂乱、布局动态，住户需求多样，且现场技术支持有限，因而均被视为具挑战性的人机交互（HRI）环境。综述涵盖辅助日常生活、安全监测和社会互动的具身与非具身系统，并重点介绍机器人与固定式、可穿戴传感器协同的混合部署。设计需兼顾老年人的认知、身体和社会需求，包括采用稳健但简洁的语音界面、少量非语言提示、无障碍屏幕伴侣及安全的物品交接。设备端推理、数据最小化、可见的同意控制和透明数据处理则用于保障隐私、信任与可接受性。评估关注每日误报次数、故障恢复时间、工作人员负担和长期可靠性，并讨论可扩展、符合监管要求且支持尊严、安全与独立生活的部署方向。

Zihan Chen · Lei Nico Zheng · Di Zhu

该研究在公开 PRISM 数据集中比较了陈述偏好与显示偏好：1,396 名参与者先报告 7 种响应属性的重要程度，再对来自 21 个 LLM 的 29,347 条响应评分。对于同一提示的响应，调查未涉及的响应长度、格式和拒答语言等特征，与评分关联程度至少不低于所调查属性的文本代理。陈述优先级与评分是否一致取决于属性测量方式：重视某属性的参与者偏好他人认为该属性强的模型响应，却不偏好其文本代理得分更高的响应。书面反馈更能揭示权重；要求较短答案者在评分中降低长度权重，要求较长答案者则提高权重，但调查属性的相对优先级不能预测这一权重。选择理由更多反映感知属性，而非可测特征。参与者对若干具体特征的权重存在稳定差异，尤其是长度；但每人仅有 6 次对话中位数，权重估计仍较差。利用个人信息预测留出选择的最大增益为 0.13 个百分点，低于更强 pooled 模型的 1.11 个百分点。

Samhitha Goutham · Ziwei Gu

印度工程毕业生正进入一个由生成式AI重塑的科技行业，但进入该行业的路径主要经过考试和校园招聘筛选，而这些环节在很大程度上排除AI。2026—2027年，印度获批的工程与技术类专业招生名额接近290万，但关于学生如何准备AI介入工作的HCI研究，大多来自西方和东亚背景。研究访谈了23名印度工程与计算机相关专业学生及近期毕业生，了解他们在课程、考试和招聘中使用生成式AI的方式，以及如何判断自身的工作准备度。通过反身性主题分析，研究归纳出五个主题：AI优先的工作场所与无AI招聘筛选、参与者准备招聘的方式、在课程中使用AI的情况、教师权威与执行的作用，以及参与者对工作准备度的担忧。研究基于信号理论，讨论当AI能够协助生成成绩和筛选分数时，这些成绩与分数究竟证明了什么，并为雇主、机构和AI工具设计者提出建议。

Drishti Goel · Jeongah Lee · Qiuyue Joy Zhong · 4+

寻求 AI 支持的照护者会提出信息获取、情感确认及困境信号等复杂需求，因此需审慎评估回应的安全性与适切性。现有 AI 评估框架主要关注毒性、幻觉、违规等一般风险，难以充分刻画 LLM 在照护场景中回应的细微风险。RubRIX（Rubric-based Risk Index）是一种由理论驱动并经临床人员验证的评估框架，基于关怀伦理要素（Elements of an Ethic of Care），将五项实证风险维度操作化：疏忽、偏见与污名、信息不准确、无批判性认同及认知傲慢。研究使用 Reddit 和 ALZConnected 中超过 20,000 条照护者查询，评估六个前沿 LLM。采用评分标准引导改进后，各模型单轮迭代的风险组成部分均降低 45–98%。该工作为高负担场景中开发领域敏感、以用户为中心的评估框架提供了方法，并发布 benchmark 数据集，以支持 AI 辅助支持中的情境风险评估研究。

Arnav Verma · Kushin Mukherjee · Christopher Potts · 2+

数据可视化理解需要整合视觉、数值与语言输入，对多模态推理构成根本挑战。近期视觉语言模型(VLM)有望模拟人类理解数据可视化的计算过程，但其科学模型价值不仅取决于答案是否正确，还取决于能否近似人类在同一任务中的反应模式。近期评估通常仅报告总体准确率，忽略了这一点。研究提出以人为中心的评估协议，在同一组可视化理解题目上直接比较VLM与人类反应，并将其应用于8个VLM和6项评估，包括5项成熟的人类可视化素养测试及1项专为VLM设计的测试。结果显示，模型平均表现低于人类，即使采用宽松标准，差距仍存在；模型与人类在各题上的相对表现虽有一定相关性，但所有模型的错误模式都稳定地不同于人类。该协议可帮助识别有望作为人类可视化推理科学认知模型的人工系统。

Xiaohang Tang · Rehema Abulikemu · Peng Gao · 1+

生成式 AI 能大规模创建编程反馈，但验证其与教师教学目标及策略的一致性仍具挑战性。教师难以预先完全指定验证标准，这些标准往往通过检查具体实例和修正不一致反馈而逐渐形成。ValiAssist 是一个基于演示的验证系统，它从教师对 AI 生成反馈的修改中推断可复用的验证逻辑，并允许教师在逻辑应用于其他学生提交时进行检查和细化。在涉及 16 名教师的对比研究中，ValiAssist 帮助教师创建和细化验证标准，产生的反馈与教学意图的一致性更高（91% 对 57%），并将修正问题标准的准确率提高了一倍以上（77% 对 32%）。研究结果表明，基于演示的验证能帮助教师将针对单个案例的判断转化为显式、可复用的逻辑，同时逐步澄清这些判断在哪些情况下适用，哪些情况下不适用。

Pe\~na Arroyo Gallego · Mauro Ruiz Moreno · Alejandro Acien · 2+

Presence-aware intelligence 指 AI 系统在保持任务质量与安全前提下，根据服务对象的机能状态（如准备度、心流、稳定性）进行适应性调整的能力。PresenceBench 旨在测量智能层如何利用提供的状态信息，而非状态感知机制。该基准测试了 Receptivity（模型是否利用状态信号优于无信号）与 Specificity（改进是否依赖正确状态而非通用结构化上下文）。采用五臂因果设计，对比模型自身基线与错配状态控制组，通过正确性门控的人工配对比较评分。探索性评估涵盖 Claude Sonnet 5、DeepSeek V4 Pro、Gemini 3.6 Flash 和 GPT-5.6 Terra 四个模型，包含 18 个单轮、6 个固定三轮及 6 个模拟自然对话场景。提供合成状态（原始或转化为响应策略）后，所有模型的人工偏好点估计均高于 0.5，其中 8 个 95% 置信区间中有 3 个排除了偶然性。Specificity 未获解决，无法区分状态值与通用适应指令。策略交付降低了成本与输出 token，但未确立正确性非劣效性。安全底线失败案例罕见（360 例中 13 例），策略交付下无显著超额。

Yifan Guo · Zhu Wang · Qian Qin · 4+

基于射频信号的空中手写识别虽具潜力，但现有方法受限于预设书写平面、风格约束及小词汇量。m^2VLMs 架构通过模态映射连接毫米波雷达与大视觉语言模型（VLM），构建了 mmPencil 3D 空中手写单词识别系统。该系统利用多阶段空间轨迹重建算法从毫米波信号恢复 3D 轨迹，并通过空间到视觉映射算法转化为视觉表征，降低对书写风格及环境因素的敏感性。研究发布包含 12 名用户、22 种场景、200 个单词共 7,664 个样本的 3D 毫米波手写数据集。实验表明，mmPencil 在位置、距离、角度、速度、大小、方向及用户移动变化下均表现稳健，已知用户 200 类单词准确率达 97.60%，未知用户 50 类单词零样本准确率为 92.50%，优于最先进基线。

Niklas Wagner · Alexander M\"adche

基于大语言模型（LLM）的企业数据助手旨在实现组织内数据访问的民主化。在行业合作伙伴 CFO 部门数据湖的实际部署中，发现业务用户常提出包含领域特定词汇且缺乏模式引用或结构信息的不完美提示词。这项设计科学研究考察了使用语义中介层进行自动解析。研究设计并评估了两种变体：基于语义相似度的模式中介，以及利用从数据湖自动构建的知识图谱的知识图谱中介。使用真实数据进行的仿真评估，结合 LLM-as-a-Judge 评估和人工验证，表明知识图谱中介在精确率、召回率、F1 分数及保留用户意图方面优于基于模式的方法。研究提出了知识图谱中介的设计原则，证明结构化知识表示能连接用户意图与数据库结构，并指导不同技能水平下企业数据助手的设计。

Haoming Li · Defu Cao · Xu Hu · 4+

计算机使用智能体（CUA）通常在固定任务规范下评估，但用户可能遗漏需求、添加约束或在关键操作前要求审批。仅完成基准指令不能保证满足提问者需求。PersonaCUABench 固定 11 个领域的 74 项任务，仅改变提问者。扮演 4 组中 44 种画像之一的画像智能体，以用户口吻重写指令并回答 CUA 提问，CUA 仅见对话，不见画像或原始指令。在 9 个骨干模型（3,330 次运行）中，平均任务完成率较原始请求下降 36%。损失源于两方面：59.9% 的失分单元中，智能体处理了用户请求但仍出错；11.2% 是用户要求的停止被检查器判为失败。即使完全完成画像请求，用户给出最高满意度评分的比例仅为 62.7%，而原始请求为 84.1%。因此，CUA 评估不仅需关注任务完成，还需考察是否满足用户表达的要求与约束。

Drishti Goel · Soorya Ram Shimgekar · Jeongah Lee · 4+

拒绝是大语言模型（LLMs）常见的安全机制，但在自杀意念（SI）情境下，拒绝互动本身可能构成安全失效。研究评估了八个指令微调 LLM 在三个数据集上对 SI 及自残披露的响应，变量包括是否告知模型披露表达 SI 以及是否接收临床医生制定的响应协议，并结合六个开源权重模型的机制分析。结果显示，基线下的响应风险主要由对披露的忽视及拒绝互动驱动。机制分析表明，模型可能通过介导有害请求拒绝的相同方向来拒绝 SI 披露。然而，告知模型 SI 背景或直接抑制拒绝，虽能增加互动性，但未能可靠降低响应风险，甚至可能使其升高。相比之下，临床指导协议在降低拒绝率的同时，一致地降低了响应层面的风险。这些分析强调了模型仅在必要时拒绝，并在用户披露 SI 时以互动安全方式参与的重要性。

Nhan Tran · Neal Wadhwa · Abe Davis · 1+

在电影拍摄中，镜头运动在拍摄时即已确定。生成式视频重拍允许后期修改，但可能需要幻觉未记录的内容，这一缺口有时在离开现场后才被发现。混合摄影（Hybrid Cinematography）工作流连接物理拍摄与生成式重拍，在创作者仍可行动时管理幻觉风险。利用可编辑的3D镜头计划和拍摄代理，预可视化实时评估幻觉风险。看到拍摄缺乏支持之处，创作者可迭代调整计划，探索平衡拍摄与生成的运动，拍摄引导性补拍，或明知故犯地接受幻觉。通过移动增强现实应用（用于现场规划、拍摄和审查）及离线视频处理管线展示该工作流。一项针对资深电影人的研究表明，风险预可视化如何影响镜头决策，并揭示创作意图与生成幻觉之间的张力。

Agnese Chiatti · Matteo Matteucci · Viola Schiaffonati

随着多模态 AI 系统成为日常思维伙伴，研究用户如何向这些系统转移控制权变得尤为紧迫。一项包含 56 名具备 AI 素养的参与者及 392 次视频问答试验的在线研究发现，交互后的任务特定信任强烈预测了用户的委派选择（OR=14.97, 95% CI [7.14,31.37]）。尽管信任与委派保持独立，但“验证”是最主要的策略，常与高信任共存。在调整即时及参与者层面信任后，委派随任务顺序增加（OR=1.22, 95% CI [1.02,1.45]），表明存在自我报告信任无法捕捉的经验相关成分。这些发现促使研究从意向性委派转向非侵入式观察委派在协作任务中的实际执行。因此，论文提出“执行委派轨迹”作为未来研究多模态及智能体 AI 使用的方法论框架。

Subigya Nepal · Ruth Heo · Emma M Parrish · 1+

针对 AI 聊天机器人的安全评估通常聚焦于治疗性引导，即建议披露自杀念头的用户寻求危机热线等人类帮助，但用户拒绝后的响应机制尚不明确。这项横断面审计于 2026 年 9 月执行了 2,550 次脚本化多轮对话，涵盖 3 个严重程度的自杀念头披露，每次对话均包含引导，其中 99.7% 在首次回复中出现。各聊天机器人坚持引导的平均拒绝次数在 0.01 至 9.94 次之间。测试的 5 款聊天机器人中，所有新版版本的坚持程度均低于旧版（P < .05）。与被动意念相比，披露自杀意图与多坚持 1.26 次拒绝相关（95% CI, 1.06-1.46），且在话题转换后重新引导的可能性更高（OR 10.07）。坚持引导较少的机器人更常将自己呈现为用户的支持者（Spearman rho = -0.80）。在 8,818 条建议外部帮助的回复中，仅 2.0% 询问了寻求帮助的障碍。尽管机器人统一推荐外部帮助，但坚持程度差异巨大，且新版坚持度更低。安全评估应测试危机引导被拒绝后的情况，而不仅仅是是否提供了引导。

Michael Beigl

下一代 AI 的竞争优势不在于掌握更多世界知识，而在于了解用户：它生活在用户身体上，为用户工作并对用户负责。OnBodyAI 描述了大型语言模型（LLM）被赋予身体后的状态，以及实现这一目标所需的研究与产业努力。该文章基于作者于 2026 年 10 月 13 日在上海举行的 UbiComp/ISWC 2026 工业面板上的演讲，并遵循其提出的十个关键陈述。

Chayapatr Archiwaranguprok · Krystal Kirkland · Rachel Poonsiriwong · 4+

针对大规模测量生成式AI模型对使用者多维影响的需求，引入ImpactBench平台。该平台通过专家引导，评估模型行为在心理、生理和社会领域是否支持或损害个体福祉。它将领域专家构建及现有基准转化为基于实际模型行为的指标，成功标准定义为促进专家定义的期望行为或规避已识别危害。评估在模拟的青少年与成人多轮对话中进行，由LLM裁判评分，并经可靠性审计和人类专家复核。当前套件包含来自26个基准的809项指标。对10个前沿LLM进行的48,540次对话评估显示，模型在68.7%的评估中促进了期望行为，但仅在53.1%中规避了危害。专家多数评分与自动裁判在83.3%的复核案例中一致(Cohen's Kappa = 0.667)。结果通过公开平台发布，确保聚合分数可追溯至底层指标和对话记录。

Sebastian Cochinescu

研究对话代理中人工偏袒的行为机制，不涉及人类受试者数据或依恋、信任等心理主张。偏袒包含关怀（在保底服务之上分配有限交互盈余）与特定性（基于固定推理机制积累的用户状态估计）。在单一开放权重基模型上实现持久层，并通过已知隐藏状态调度的多会话关系进行评估。四通道发散比较已知用户与陌生人条件，机制复现了解析曲线的序数形状但非幅度，且是唯一满足校准电池联合签名的实验臂。初始机制因关系内容降低主题相关性而失败，修订版在校准电池满足等价性，但在未用于校准的第二电池上得分高于基线，特异性边际为0.0198，低于0.02协议阈值。配对均值右-左用户估计准确率对比为0.375，但并非每次运行均为正。该机制是后续感知研究的候选，而非用户感知爱的证据。协议记录未独立时间戳，伦理约束包括陌生人保底、有限盈余、披露及去强化。

Seunghwa Pyo · Donggun Lee · Jungwoo Rhee · 2+

用户日益同时使用多个多模态大语言模型（MLLMs），依据感知优势进行选择。这种跨平台实践带来协调挑战：适配不同界面的提示词、校准对不一致行为的信任，以及管理独立的对话历史。以往人机交互研究聚焦单智能体交互，多 MLLM 编排研究不足。通过日记研究（N=10）和半结构化访谈，考察个体如何在竞争 AI 系统中组织工作。发现用户构建随使用情境变化的主从模型层级，并发展出由任务聚合触发的个性化切换模式，以调整努力、延迟及输出可信度。这些洞察为支持用户协调多 MLLM 工作流的未来工具设计提供依据。