belief attribution

As embodied artificial agents (social robots, virtual assistants, and collaborative manipulators) move from controlled laboratories into homes, hospitals, and workplaces, their ability to interpret and anticipate human mental states becomes as important as their physical competence. This paper presents a unified theoretical and architectural account of how Theory of Mind (ToM), the capacity to attribute beliefs, desires, intentions, and emotions to others, can be integrated into embodied agents to support human-aware interaction. We first formalize a computational notion of ToM suitable for embodied settings, distinguishing zero-order perceptual inference from first- and second-order recursive belief attribution, and we relate these levels to the demands of everyday human-agent collaboration. We then propose a modular architecture, the Belief-Intention-Action (BIA) framework, that couples multimodal perception with a hybrid Bayesian-neural mental-state estimator, a hierarchical intention inference module, and an action-selection policy that explicitly conditions on inferred human mental states. The architecture is instantiated on both a simulated humanoid platform and a physical mobile manipulator and evaluated across three interaction scenarios: collaborative object handover, ambiguous instruction resolution, and false-belief-sensitive assistance. Compared with baseline agents lacking explicit mental-state modeling, the ToM-equipped agent achieves higher task success, faster adaptation to human error, and improved subjective ratings of perceived understanding and comfort, while ablation studies confirm the contribution of second-order reasoning to false-belief tasks. We conclude by discussing implications for trust calibration, the computational cost of recursive mental-state reasoning, and the ethical responsibilities that accompany machines that model human minds.

با انتقال عامل‌های مصنوعی مجسم (ربات‌های اجتماعی، دستیاران مجازی و دستکاری‌کننده‌های همکار) از آزمایشگاه‌های کنترل‌شده به خانه‌ها، بیمارستان‌ها و محیط‌های کاری، توانایی آن‌ها در تفسیر و پیش‌بینی حالات ذهنی انسان به اندازه‌ی شایستگی فیزیکی آن‌ها اهمیت می‌یابد. این مقاله یک رویکرد نظری و معماری یکپارچه ارائه می‌دهد که چگونه نظریه ذهن (ToM)، یعنی ظرفیت نسبت دادن باورها، تمایلات، نیات و هیجانات به دیگران، می‌تواند در عامل‌های مجسم برای پشتیبانی از تعامل آگاه به انسان ادغام شود. ابتدا یک مفهوم محاسباتی از ToM مناسب برای محیط‌های مجسم صورت‌بندی می‌شود که تمایز میان استنتاج ادراکی مرتبه صفر و نسبت‌دهی باور بازگشتی مرتبه اول و دوم را مشخص می‌کند و این سطوح را به الزامات همکاری روزمره انسان-عامل مرتبط می‌سازد. سپس یک معماری مدولار با عنوان چارچوب باور-نیت-کنش (BIA) پیشنهاد می‌شود که ادراک چندوجهی را با تخمین‌زننده حالت ذهنی هیبرید بیزی-عصبی، ماژول استنتاج نیت سلسله‌مراتبی و سیاست انتخاب کنش که به طور صریح بر اساس حالات ذهنی استنباط‌شده انسان شرطی می‌شود، ترکیب می‌کند. این معماری هم بر روی یک پلتفرم شبیه‌سازی‌شده انسان‌نما و هم یک دستکاری‌کننده متحرک فیزیکی پیاده‌سازی شده و در سه سناریوی تعاملی ارزیابی می‌شود: تحویل شیء به صورت همکاری، رفع ابهام در دستورالعمل و کمک حساس به باور نادرست. در مقایسه با عامل‌های پایه فاقد مدل‌سازی صریح حالت ذهنی، عامل مجهز به ToM موفقیت بالاتر در انجام وظیفه، سازگاری سریع‌تر با خطای انسانی و بهبود ارزیابی‌های ذهنی از درک و راحتی ادراک‌شده را نشان می‌دهد، در حالی که مطالعات حذف اجزا نقش استدلال مرتبه دوم را در وظایف باور نادرست تأیید می‌کند. در پایان، پیامدهای کالیبراسیون اعتماد، هزینه محاسباتی استدلال بازگشتی حالت ذهنی و مسئولیت‌های اخلاقی مرتبط با ماشین‌هایی که ذهن انسان را مدل‌سازی می‌کنند، مورد بحث قرار می‌گیرد.