关于共享空间人机协作中人为因素考量与度量指标的系统性综述报告
本文旨在向各位研究者介绍一篇发表于《Frontiers in Robotics and AI》期刊的重要综述文章。该文由美国德克萨斯农工大学（Texas A&M University）工业与系统工程系神经工效学实验室的Sarah Hopko、Jingkun Wang和Ranjana Mehta*（通讯作者）共同完成，并于2022年2月3日正式发表。文章题为“Human factors considerations and metrics in shared space human-robot collaboration: a systematic review”（共享空间人机协作中的人为因素考量与度量指标：一项系统性综述）。该文聚焦于人机交互（Human-Robot Interaction, HRI）与工效学交叉领域，针对日益普及的共享空间人机协作（Human-Robot Collaboration, HRC）场景，首次系统性地梳理、评估了其中关键人为因素（Human Factors, HFs）的研究现状、测量方法及其对协作系统的影响。
一、 研究背景与目的 随着机器人自动化技术在制造业的深入，人机在共享物理空间内直接协作（HRC）的模式成为趋势。协作机器人（Cobot）能够承担繁重、重复或危险任务，提升生产力和质量。然而，完全自动化并不可行，人类操作员在识别、灵活性和不确定环境下的创造性决策方面具有不可替代的优势。因此，优化人机协作成为关键。在共享空间HRC中，人与机器人物理距离的接近提升了协作潜力，但也带来了新的挑战：操作员的安全感、对机器人的信任、认知负荷（Cognitive Workload）、焦虑、情境意识（Situation Awareness, SA）以及由此产生的技术使用策略，都会动态地影响整个系统的性能、安全性和效率。
尽管人为因素在人机自动化交互领域已有长期研究，但针对共享空间、物理协作这一特定情境下HFs的系统性调查，以及不同HFs之间（HF-HF）、HFs与机器人因素（Robot Factors, RFs）之间的交互效应，仍缺乏深入探讨。此外，测量或操纵这些因素的方法学应用，能为了解情境效应和改进测量技术提供见解。基于此，本综述研究确立了三个主要目标：1) 系统性地梳理共享空间HRC中最常被研究的操作员HF状态及其量化方法；2) 总结已识别的HFs对HRC各项指标的影响；3) 基于这些因素，为改进HRC指标提出机器人认知支持的建议。
二、 主要观点与论据 本文通过系统性文献综述的方法，对2000年至2020年间发表的文献进行筛选，最终纳入了61篇符合标准的实证研究论文进行分析。基于对这些文献的综合，文章提出了以下核心观点：
1. 共享空间HRC中最受关注的三大人为因素是信任、认知负荷和焦虑，且主观问卷是衡量这些状态最普遍的方法。 * 支持证据：在纳入的61项研究中，测量信任的研究有20项，测量认知负荷的有19项，测量焦虑（包括心理压力）的有15项，这三者是最频繁被研究的HF状态。在测量方法上，除了疲劳（更常使用肌电图EMG）之外，主观问卷是量化操作员状态最常用的工具。例如，信任常使用Jian等人的“自动化信任量表”、Dragan等人的“机器人信任”量表或Körber等人的量表；认知负荷最常使用NASA任务负荷指数（TLX）；焦虑则使用状态-特质焦虑问卷（STAI）或语义差异量表等。 * 子观点与解释：这一发现揭示了当前HRC-HF研究的方法学倾向。主观问卷能直接获取操作员的感知和体验，易于实施和比较，但可能存在回忆偏差、社会期许效应，且难以捕捉状态的动态变化。相比之下，客观测量方法（如生理测量、行为观察、数学模型）在信任、认知负荷和安全感研究中的应用相对较少，但在焦虑和疲劳测量中更为常见。这指出了未来研究需要加强多模态、实时客观测量与主观报告结合，以更全面、动态地理解HF状态。
2. 人为因素显著影响人机协作系统的性能、效率、接受度和使用策略，但现有研究多关注机器人因素对人为因素的影响，反向因果关系及HF间的交互作用研究不足。 * 支持证据：综述发现，HFs对HRC系统产出具有明确影响： * 任务质量与性能：认知负荷降低（如通过图形标识）能提升系统性能；操作员疲劳水平随时间增加会导致系统性能下降；适度的信任能提高生产力和团队流畅性，但过度信任可能导致操作员警惕性下降，反而损害性能；焦虑增加会降低系统性能并导致注意力减退。 * 系统效率与流畅性：焦虑和心理压力增大会降低操作员操作速度；机器人速度过快或意图不透明（低透明度）会降低团队流畅感，增加操作员响应时间；操作员为追求效率而采取的策略（如预测机器人动作）可能增加其认知负荷。 * 接受度与使用策略：信任度越高，操作员越倾向于使用并分配任务给机器人，干预意愿越低；安全感是预测信任和采纳意愿的最重要主题之一；对系统理解的加深可以提高信任、降低认知负荷并提升情境意识。 * 子观点与解释：尽管上述影响已被部分证实，但文章尖锐地指出，大多数纳入的研究仅将HFs视为由机器人系统或RFs影响的因变量，而较少深入探讨HFs本身、以及HFs之间相互作用如何影响HRC指标。这反映了一种单向的研究视角，未能将HRC视为一个具有反馈回路的动态耦合系统。作者据此提出了一个“以协作为中心的概念模型”，强调环境因素（EFs）、机器人因素（RFs）和人为因素（HFs）共同影响HRC系统，而HRC系统的状态又会反过来影响HFs，形成一个闭环。未来的研究需要更多地关注这个“HFs → HRC”的反向路径以及HF-HF之间的协变关系。
3. 现有研究在参与者人口统计学、先验经验及训练方法方面报告严重不足，限制了研究结果的普适性和对实际 workforce 的指导意义。 * 支持证据：对纳入文献的元分析发现： * 样本偏差：在报告了性别分布的研究中，男性参与者平均数量（11.94）显著高于女性（7.03）。超过52%的研究未报告参与者平均年龄，43%未报告性别分布，20%甚至未报告样本量。而美国制造业工人的平均年龄约为44.7岁，女性占比约30%，这与研究中常见的年轻、男性居多的学生样本存在显著差距。 * 经验与训练报告缺失：高达78%的研究未明确报告参与者此前是否有协作机器人使用经验。超过70%的研究未详细说明实验前对参与者进行了何种训练（如无限练习、有限练习、仅概述等）。 * 子观点与解释：年龄、性别、文化背景、人格特质等倾向性因素（Dispositional Factors）已被证明会影响对自动化/机器人的感知和信任，但在HRC情境下严重缺乏研究。不具代表性的样本和关键人口学信息的缺失，使得研究发现难以推广到真实的、多样化的工业劳动力群体。操作员的先验经验和训练程度直接影响其任务难度感知、认知负荷和信任水平，缺乏对这些信息的报告，削弱了研究结论在指导机器人设计、交互界面开发和操作员培训策略方面的价值。作者强调，未来的HF研究必须采用更严谨的抽样方法和更完整的信息报告。
4. 需要开发更鲁棒的度量方法来捕捉人为因素及其相互作用，并推动协作中心化的HRC系统设计。 * 支持证据：文章对比了主观与客观测量方法的优劣，指出结合两者能提供更全面的视角。例如，EEG可用于认知负荷分类，且与TLX结果一致；皮肤电活动（EDA）和心电图（ECG）特征可用于评估焦虑和压力；操作员干预频率、与机器人保持的距离等行为指标可间接反映信任和安全感。 * 子观点与解释：仅仅测量HFs是不够的，需要能够揭示其动态机制和相互关系的鲁棒指标。作者呼吁未来研究应致力于：1) 区分并控制关键HFs（如信任、认知负荷、焦虑）之间的协变效应；2) 更广泛地应用生物仪器测量、行为分析和数学建模等客观方法，以捕捉状态的连续变化；3) 在研究设计中有意识地探索HFs对系统输出的直接影响，而不仅仅是作为RFs的结果。最终目标是实现协作中心化的设计，即机器人因素（如行为、可靠性、透明度）能够根据对操作员HF状态的实时感知进行自适应调整，从而优化整个HRC系统的涌现属性（如性能、安全、接受度）。
三、 论文的意义与价值 本综述论文具有重要的学术价值和实践指导意义： 1. 首次系统性梳理：这是首篇针对共享空间物理人机协作这一特定场景下人为因素研究进行的系统性综述，填补了该细分领域的空白，为后续研究者提供了清晰的知识图谱和研究起点。 2. 揭示研究空白与偏颇：文章不仅总结了现有发现，更重要的是批判性地指出了当前研究的三大不足：对“HFs影响系统”路径的忽视、对倾向性因素研究的匮乏、以及方法学和报告规范的不健全。这为未来研究指明了亟需突破的方向。 3. 提出整合模型：提出的“以协作为中心的概念模型”为理解HRC中EFs、RFs、HFs的复杂交互关系提供了一个有价值的理论框架，强调了闭环设计和系统思维的重要性。 4. 指导实践与应用：研究结论对机器人工程师、系统设计者和企业管理者具有直接参考价值。它强调了在设计协作机器人时，不能只追求机器人本体的高性能，必须同等重视其对操作员心理状态的影响，以及如何通过设计（如运动规划、透明度提升、自适应接口）来校准信任、管理负荷、缓解焦虑，从而最终实现安全、高效、可持续的人机团队合作。 5. 倡导严谨范式：文章对样本代表性、人口统计学报告和训练方法透明化的呼吁，提升了该领域研究的科学严谨性和可重复性标准，有助于产生更具外部效度、更能指导工业实践的研究成果。
这篇综述是对共享空间人机协作人为因素研究领域一次及时而全面的“体检”，既肯定了现有成果，也精准地诊断出了关键问题，并为未来的理论发展和实践应用绘制了有价值的路线图。