El papel de los sistemas robóticos en la asistencia humana es inevitable con los bots que ayudan con comandos interactivos y de voz. Para una asistencia cooperativa y precisa, la comprensibilidad de estos bots necesita un mejor análisis de entrada. Este artículo introduce una Técnica de Evaluación de Entrada Comparativa (CIAT) para mejorar la comprensibilidad del sistema de bots. Esta investigación introduce un enfoque novedoso para la Interacción Humano-Robot (HRI) que utiliza algoritmos optimizados para la detección de entrada, análisis y generación de respuestas en conjunto con clasificadores neuronales avanzados. Este enfoque emplea modelos de aprendizaje profundo para mejorar la precisión de la identificación de la entrada y la eficiencia de procesamiento, en contraste con enfoques anteriores que a menudo dependían de técnicas de detección convencionales y métodos analíticos básicos. Independientemente del tipo de entrada, esta técnica define un control cooperativo para la asistencia a partir de historiales previos. Las entradas son validadas de manera cooperativa para las respuestas de instrucción para la asistencia humana a través de clasificaciones definidas. Para este propósito, se utiliza un clasificador neuronal; se recomiendan las máximas posibilidades de asistencia utilizando instrucciones autodetectadas para el usuario. El clasificador neuronal se divide en dos categorías según sus límites comparativos máximos: instrucción precisa y entradas de evaluación mínima. Para este propósito, el sistema de robots se entrena utilizando historiales previos y nuevas actividades de asistencia. El proceso de aprendizaje realiza validaciones comparativas entre las entradas detectadas y no reconocibles con una clasificación que reduce los errores de comprensibilidad. Por lo tanto, se encontró que la técnica propuesta reduce el tiempo de respuesta en un 6.81%, mejora la detección de entrada en un 8.73% y proporciona asistencia en un 12.23% bajo entradas variables.