Medizinische Assistenzsysteme
„Nicht zerteilen, sondern zerdrücken!“: Wenn Roboter ihre Erklärungen an unser Verständnis anpassen
Unser Artikel „Leveraging Cognitive States for Adaptive Scaffolding of Understanding in Explanatory Tasks in HRI“ ist jetzt in ACM Transactions on Human-Robot Interaction (Vol. 15, Issue 5) erschienen.
Wie kann ein Roboter erkennen, ob sein Gegenüber eine Erklärung verstanden hat, und darauf reagieren? Dieser Frage sind André Groß, Bjarne Thomzik, Britta Wrede und Birte Richter in einer Nutzerstudie nachgegangen.
Der Roboter NAO leitete die Teilnehmenden dabei an, auf einem Touchscreen Medikamente für fiktive Patient*innen vorzubereiten. Das Modell SHIFT schätzte dafür in Echtzeit den kognitiven Zustand der Teilnehmenden aus Blickverhalten, Aufgabenleistung und bisherigem Interaktionsverlauf. Je nach Zustand wählte es passende sprachliche Strategien, etwa gezielte Negationen („Zerteile die Tablette nicht, sondern zerdrücke sie“) oder kurze Häsitationen.
Verglichen mit reinen Affirmationen kosteten die adaptiven Erklärungen etwas mehr Verarbeitungszeit, gingen aber mit rund 23 % weniger Fehlern einher. Die Ergebnisse zeigen auch, dass Strategien wie Negationen gezielt eingesetzt werden sollten. Ihr Nutzen hängt vom Zustand der Person und von der Komplexität der Aufgabe ab.
Zum Artikel: Groß, A., Thomzik, B., Wrede, B. & Richter, B. (2026). Leveraging Cognitive States for Adaptive Scaffolding of Understanding in Explanatory Tasks in HRI. ACM Transactions on Human-Robot Interaction, 15(5), Article 98. https://doi.org/10.1145/3834775
Die Forschung wurde von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des TRR 318 „Constructing Explainability“ gefördert.