本文是一篇发表于2023年9月29日的系统性综述，题为“以人为本地定义人机协同：一项范围综述与网络分析”。该文由Sophie Berretta和Alina Tausch（并列第一作者）领衔，联合来自德国波鸿鲁尔大学（Ruhr University Bochum）心理学、组织与商业心理学系，以及吕贝克大学（University of Lübeck）心理学系的多位研究者共同完成，发表在开放获取期刊《Frontiers in Artificial Intelligence》（卷6，文章ID：1250725）。本文的核心目标是对新兴研究领域——人机协同进行系统梳理，旨在弥合不同学科间的理解差异，构建一个统一的、以人为本的人机协同定义，并指出未来的研究方向。

核心问题与研究动机

随着人工智能（AI）技术在工作场所的普及，人与AI的互动方式正在从简单的工具使用向更深层次的“组队”合作演进。这种人机协同 被设想为一种结合人类与AI各自优势（如人类的创造力、伦理判断和AI的数据处理、模式识别能力）以达成共同目标的协同工作模式。它被认为是实现“工业5.0”愿景、创造人性化、可持续且高效的工作环境的关键。

然而，当前人机协同 研究面临几个根本性挑战：首先，术语混乱，诸如“Human-AI Teaming”、“Human-Autonomy Teaming”、“Human-AI Collaboration”等术语交叉使用，导致“术语谬误”，阻碍了知识的整合与积累。其次，研究视角单一，现有文献大多要么以技术为中心，聚焦于AI系统的能力与设计；要么以人为中心，关注用户感知与接受度，缺乏将二者整合的系统性视角。最后，也是最关键的一点，目前缺乏一个普遍接受、能够体现人机协同 本质（尤其是其团队层面特性）的统一定义。正如作者所指出的，“概念的混淆……会给建立连贯的科学知识体系造成困难”。因此，本综述旨在通过量化与质化相结合的方法，勾勒当前研究图景，厘清概念，并为未来的跨学科研究搭建共同的话语基础。

研究方法：文献计量网络分析与范围综述的结合

为实现上述目标，研究团队采用了创新的混合方法，将文献计量网络分析 与范围综述 有机结合。整体工作流程严谨遵循了PRISMA报告规范，具体步骤如下：

第一步：文献检索与筛选。 研究团队于2023年1月25日在Web of Science和Scopus两大核心数据库中进行了系统性文献检索。检索策略围绕“人”、“AI”、“团队合作”和“工作”四个核心概念，使用包括英文和德文在内的同义词组合进行检索，时间限定为2021年（即“工业5.0”概念提出之年）及之后发表的文献。初始检索到1963篇文献，剔除重复项后，由六位研究者对剩余文献的摘要进行盲审，最终筛选出364篇符合“工作场所中人机协同”主题的文献，作为后续网络分析的节点。

第二步：构建与解析文献计量网络。 这是本研究的核心量化分析部分。研究团队采用文献计量耦合分析 来构建研究网络。该方法并非基于直接的引用关系，而是通过比较两篇文献（节点）的参考文献列表，如果它们共享参考文献，则在这两篇文献之间建立一条连接（边）。这种方法特别适合描绘当前研究前沿的关联结构。利用R语言中的“bibliometrix”和“igraph”包，他们对364篇文献及其引用的约1.7万条参考文献数据进行分析，构建了一个包含299个节点和2607条边的加权网络。随后，使用“多级社区聚类算法”对该网络进行聚类，最终识别出五个规模相当（包含55至75篇文献不等）、主题相对集中的研究集群。

第三步：基于聚类的质化内容分析。 在识别出五个主要集群后，研究者从每个集群中选取加权连接度最高的前10%文献（即在该集群内最具影响力、最核心的文献），加上整个网络中加权连接度最高的前10%文献（即跨集群最具影响力的文献），共计45篇文献进行了深入的全文精读（其中41篇获取了全文，4篇仅依据摘要）。分析框架包括：1）集群描述：总结每个集群的核心研究焦点、方法、对AI的角色定位、使用的术语及研究情境；2）概念理解分析：提取并归纳各集群及其核心文献中对人机协同 的定义或理解；3）前因与后果提取：系统梳理文献中探讨的、影响人机协同 成功与否的因素（前因），以及人机协同 所带来的影响（后果）。

主要研究发现

1. 人机协同研究的五大集群图谱 网络分析揭示了当前人机协同研究并非铁板一块，而是分化为五个各具侧重点的集群： * 集群一：以人为导向的研究。 该集群关注人的主观因素，如对AI的信任、情境意识、接受度、工作负荷等。研究多采用实验或问卷等方法，旨在探索影响人与AI成功组队的人际变量。代表性文献来自《Computers in Human Behavior》、《Human Factors》等心理学和工效学期刊。 * 集群二：任务导向的AI模式研究。 此集群聚焦于根据任务特性设计不同的合作模式（如并行、串行、人先、AI先）。研究者认为，人机合作并非单一模式，而应根据任务目标和组织设计进行动态配置。文献多发表于信息科学相关期刊或会议。 * 集群三：可解释性导向的研究。 该集群的核心主题是AI可解释性，即如何通过提供解释（如局部解释、全局解释、可视化）来帮助人类理解AI的决策，从而建立校准过的信任，实现更好的协同决策。研究多为实验室实验，将AI定位为“助手”或“顾问”，常见于人机交互领域的会议和期刊。 * 集群四：技术/机器人导向的研究。 此集群主要研究具身化的AI——机器人，特别关注物理协作中的安全问题。文献多为理论框架或综述，强调物理交互（如速度、力度）、通信、共享心智模型等是实现有效人机协作的关键。研究具有很强的工程和计算机科学背景。 * 集群五：智能体导向的研究。 该集群侧重于研究AI的表现（如准确性、失误、性能变化）如何影响人类对其的感知（主要是信任）和团队绩效。研究通常通过在线或实验室实验来操纵AI的性能变量，探讨其与人类信任、信心等心理变量的关系。

尽管存在这些不同的侧重点，但一个贯穿所有集群的突出特点是：当前人机协同 研究的主导视角是以技术为中心的。大部分研究要么来自计算机科学和工程领域，要么即使关注人类因素，其出发点也往往是为了优化技术系统的设计和接受度，而非将人机团队作为一个整体的、动态的社会技术系统来研究。

2. 概念理解的碎片化与团队视角的缺失 对核心文献的概念分析证实了研究初期提出的担忧。术语使用极其多样，“协作”、“合作”、“交互”、“组队”等词汇混杂使用，且大多缺乏清晰的定义。只有少数文献（如O‘Neill等人于2022年发表的综述）试图给出人机协同 的详尽定义，但其定义仍被批评带有技术中心色彩，且未能充分体现团队的动态互动本质。

更重要的是，分析发现，绝大多数文献（包括网络中最核心的文献）都未能从“团队层面” 去真正定义和探讨人机协同。研究问题集中在“人类需要什么才能与AI合作？”或“AI需要具备什么功能才能成为队友？”，而鲜少问及“一个高效的人机团队应该具备哪些整体特质？”或“人机团队的动态互动过程是怎样的？”。这表明，尽管“组队”是一个被广泛使用的比喻，但当前研究尚未深入其作为“团队”的核心内涵，造成了概念上的一个“盲点”。

3. 前因与后果的研究现状 研究系统梳理了文献中涉及的前因变量和后果变量，并按“人类”、“AI”、“团队”、“任务”和“情境”五个维度进行了归类。 * 主要前因：研究最集中的前因包括：1) AI特性：可解释性、自主性水平、性能（可靠性）、适应性。2) 人类特性：对AI的信任、数字素养、情境意识。3) 团队特性：沟通、共享心智模型。4) 任务特性：任务类型、目标导向。其中，可解释性和信任是出现频率最高的两个关联变量。 * 主要后果：关注的后果同样多样，包括：1) 人类层面：决策绩效、工作负荷、压力、疲劳。2) 感知层面：对AI的信任与信心、对AI能力的感知、接受意愿、角色清晰度。其中，（校准后的）信任和决策绩效（如准确性） 是最常被测量的结果变量。

这一梳理清晰地展示了当前研究的知识点分布，同时也暴露了不足：研究变量虽然众多，但多呈点状分布，缺乏一个整合性的理论框架来揭示这些变量在人机团队动态中的相互作用关系。

结论、定义提案与研究展望

基于以上发现，本文的核心结论是：当前人机协同研究领域虽然活跃且多元化，但存在显著的“术语碎片化”和“视角单一化”（技术中心）问题，并且严重缺乏对团队层面动态的关注。为了推动该领域从多学科并行走向真正的跨学科整合，构建共同的语言基础至关重要。

为此，本文在最后提出了一个全新的、以人为本的人机协同定义，旨在弥补现有定义的不足：“人机协同是一种协作形式，其中一个或多个人类与一个或多个基于人工智能的（部分）自主系统，在一个共享的、有价值的目标指引下，通过相互依存、适应和相互支持的方式进行互动。它需要将AI视为一个具有明确角色的团队伙伴，而不仅仅是一个工具，并强调在技术能力、人类需求、任务要求和组织背景之间实现共同优化。”

这一定义的创新之处在于：1) 明确将人机协同 确立为涵盖各种AI系统的总括性术语；2) 强调了“共同优化”的社会技术系统理念，要求同时考虑技术子系统和人类子系统；3) 突出了“相互依存、适应和相互支持”的团队动态过程，超越了静态的角色分配；4) 坚持了以人为本的价值观，将人类福祉和需求置于核心。

研究价值与亮点

本综述的学术价值和亮点主要体现在以下几个方面： * 方法创新：创造性地结合了文献计量网络分析（揭示宏观研究结构）与范围综述（深度解析研究内容），同时把握了研究的“量”与“质”，为梳理新兴、交叉领域的研究现状提供了方法范本。 * 系统性诊断：首次通过大规模文献分析，实证揭示了人机协同 研究领域在术语、视角和团队理论应用上的三大核心缺陷，为领域发展提供了清晰的“诊断书”。 * 提出整合性定义：在批判性分析现有定义的基础上，提出了一个更具包容性、动态性和人本主义的人机协同 新定义，为未来的理论构建和实证研究奠定了重要的概念基石。 * 指明未来方向：基于发现，研究明确呼吁未来研究应：1) 采用真正的跨学科方法，特别是纳入组织心理学和团队科学的知识；2) 加强对团队层面过程（如团队凝聚力、协调机制、冲突解决）的研究；3) 探索动态角色适应和双向学习（人类向AI学习，AI也向人类学习）的机制；4) 在真实工作场景中进行长期研究，而非仅依赖实验室短期实验。

这篇综述不仅是对当前人机协同 研究现状的一次全面盘点和深刻反思，更是推动该领域走向成熟与整合的重要纲领性文献。它倡导从“人与机器”的二元对立思维，转向“人机团队”的系统协同思维，对于指导AI时代的工作系统设计与人性化职场构建具有重要的理论与现实意义。