การสอนหุ่นยนต์ผ่านการสาธิต (Learning from demonstrations) มักประสบปัญหาเมื่อมนุษย์ให้ข้อมูลไม่ครบถ้วนหรือเน้นย้ำฟีเจอร์บางอย่างไม่เพียงพอ ซึ่งอาจเกิดจากความเหนื่อยล้าหรือความซับซ้อนของงาน ส่งผลให้หุ่นยนต์เข้าใจเป้าหมายผิดเพี้ยนไปจากที่ควรจะเป็น
งานวิจัยนี้เสนอแนวคิดใหม่ที่มองว่าการสาธิตจะบ่งบอกโดยปริยายว่าฟีเจอร์ใดที่ถูกระบุไว้ชัดเจนแล้ว (ฟีเจอร์ที่คงที่ตลอดการสาธิต) และฟีเจอร์ใดที่ยังกำกวมอยู่ (ฟีเจอร์ที่มีความแปรปรวนสูง) หุ่นยนต์จะใช้สัญญาณทางสถิตินี้เพื่อระบุช่องว่างของความเข้าใจ จากนั้นจะใช้ภาษาธรรมชาติเพื่ออธิบายจุดที่ตนเองไม่มั่นใจและร้องขอการสาธิตที่เจาะจงเพื่อเติมเต็มข้อมูลที่ขาดหาย
ผลการทดสอบทั้งในระบบจำลองและหุ่นยนต์ Franka ของจริงแสดงให้เห็นว่า การตั้งคำถามแบบระบุเป้าหมายชัดเจนช่วยให้หุ่นยนต์กู้คืนฟังก์ชันรางวัล (Reward recovery) ได้แม่นยำกว่าการสุ่มเก็บข้อมูลหรือการเก็บข้อมูลแบบ Passive อย่างเห็นได้ชัด
