《A HYBRID COGNITIVE MODEL FOR MACHINE AGENTS IN PROJECT AND ACTION TEAMS》由Joshua A. Lapso撰写。研究提出一种混合认知模型（HCM），融合共享心智模型（ *** M）和交互记忆 *** （TMS）特点，旨在提升项目和行动团队中机器智能体的 *** 能，通过理论分析、实验验证等 *** ，证明了HCM在多方面的优势，并为未来人机团队研究提供方向。
1. 研究背景：高绩效团队通过共享认知应对复杂领域的不确定 *** ，但现有共享认知模型，如 *** M和TMS，无法满足项目和行动团队同时整合知识与行为的需求。项目和行动团队面临环境不确定、边界模糊等挑战，且人类和机器智能体在协作时存在沟通、资源及设计等方面的约束。因此，本研究旨在提出一种混合认知模型，以降低机器智能体在复杂领域的认知负担，提高团队 *** 能。
2. 混合认知模型（HCM）：HCM将 *** M融入TMS，整合了两者优势，通过形式化、泛化和专门化三个阶段构建。在形式化阶段，分析 *** M和TMS的特征并提取原子元素，确定相关算法；泛化阶段，提出具有马尔可夫 *** 质、因果结构等特点的算法形式，并使用动态贝叶斯 *** （DBN）等图形模型；专门化阶段，针对不同问题域对模型进行调整。HCM适用于多种团队类型，能在不同合作程度的领域发挥作用。
3. 实验验证：在协作项目团队环境（如分诊和事件响应领域）和非合作环境（新闻外交博弈领域）对HCM进行测试。实验采用多种评估指标，包括计算复杂度、通信开销、信念状态 *** 准确 *** 等。结果表明，HCM能帮助机器智能体平衡认知负荷，减少通信开销，在协作中 *** 推理，还能在非合作环境中进行因果推理，学习对手意图。例如，在事件响应领域，HCM降低了计算复杂度，减少了智能体间的通信；在新闻外交博弈中，HCM智能体的表现优于随机水平 。
4. 研究贡献与展望：研究贡献在于HCM使机器智能体在Dec-POMDPs中创建并维持完全分解的信念状态；将Dec-POMDPs的复杂度从NEXP降低到PSPACE-Hard；显著降低团队通信开销；使智能体保持因果推理能力。未来研究方向包括将人机接口集成到HCM中，研究异步和近连续域表示，开展涉及人类受试者的实验，评估HCM在人机团队中的有效 *** ，以及改进HCM在新闻外交博弈中的效用函数和自然语言翻译等。
展开全文
