在本文中，我们研究了在共享物理空间中运行时的影响界面和反馈对人机信任级别的反馈。我们使用的任务是为室内环境中的机器人指定“无-Go”区域。我们评估三种界面（物理，AR和基于地图）和四个反馈机制（无反馈，机器人在空间，AR“栅栏”和地图上标记的区域）。我们的评估看起来可用和信任。具体而言，如果参与者信任机器人“知道”在禁止地区是禁止机器人避免该区域的能力的地方。我们使用自我报告和间接的信任措施和可用性。我们的主要研究结果是：1）接口和反馈确实影响信任水平;2）参与者在很大程度上优选的混合界面反馈对，其中界面的模态与反馈不同。

数据在Web上发布了大量的时间，但大多数数据都是非结构化的，使得很难理解和难以解释。信息提取（IE）方法从非结构化数据获取结构化信息。其中一个具有挑战性的一个任务是事件提取（EE），它寻求从文本中获得有关具体事件及其演员的信息。 EE在许多域中有用，例如构建知识库，信息检索和概述。在过去的几十年中，开发了一些像Ace，Comeo和Icews这样的事件本体，以定义文本中观察到的事件的事件表格，演员和维度。这些事件本体仍然具有一些缺点，例如仅涵盖几个主题，如政治事件，在定义论证角色和金标准数据不足时具有不灵活的结构。为了解决这些问题，我们提出了一个事件本体，即Cofee，它包含专家领域知识和数据驱动方法，用于识别文本的事件。 Cofee由两个层次结构级别（事件类型和事件子类型）组成，包括与环境问题，网络空间和刑事活动有关的新类别，这些类别需要立即监测。此外，根据每个事件子类型的动态角色被定义为捕获事件的各种维度。在随访实验中，在维基百科事件中评估了所提出的本体，并显示为一般和全面。此外，为了便于编写事件提取的金标准数据，基于CoFee提出了一种独立于语言的在线工具。由10人专家注释的金标准数据集也是在波斯语中组成的24K新闻文章。最后，我们提出了一种基于深度学习技术的监督方法，以自动提取相关事件和相应的演员。