社交机器人激励老年人锻炼

6.3 使用社交辅助型人机交互激励老年人进行体育锻炼

6.3.1 引言

老龄化人口正在增加全球对医疗服务的需求。根据最近的估计，到2050年，85岁以上的人口数量将增长五倍[1]，而护士的短缺问题已经日益凸显[2e4]。定期进行体育锻炼已被证明在维持和改善老年人的整体健康方面是有效的[5e8]。身体素质与较高的执行控制过程功能相关[9]，与额叶皮层区域萎缩程度较低相关[10]，并且与久坐人群相比，反应时间更优[11]。社交互动，特别是高水平的感知的人际社会支持，也被证明对身心健康具有正面影响[12]，此外还能降低患抑郁的可能性[13e16]。在众多需要提供的医疗服务中，运动疗法、社交互动和陪伴感可以通过社交辅助机器人技术来实现。

社交辅助机器人（SAR）是一种采用非接触式交互策略的系统，包括使用语音、面部表情和交流手势，根据特定的医疗环境提供辅助。我们研究实验室此前关于社交辅助机器人的工作包括为中风患者、阿尔茨海默病患者、自闭症谱系障碍儿童以及健康成年人和健康老年成年人开发和测试的系统。

本章重点介绍一种社交机器人系统的设计方法论、实现细节和用户研究评估，该系统旨在激励并吸引老年用户参与体育锻炼和社交互动，以应对不断增长的老年群体在身体和认知健康方面的需求。具备此类激励性、社交性和治疗能力的社交机器人系统，有望帮助老年人独立生活在自己家中，提升其生活质量，并改善整体健康状况。

本章其余部分组织如下。在下一节中，我们讨论老年人辅助机器人领域的相关工作。第6.3.3节介绍了我们的社交辅助机器人系统的方案和设计方法。第6.3.4节介绍了我们的SAR人形机器人平台以及SAR锻炼系统的实现细节。第6.3.5和6.3.6节中，我们讨论了使用该系统进行的两项用户研究，以调查和评估不同激励技术的效果，测试系统的有效性，并获取用户反馈。最后，我们对本研究的主要贡献进行了总结，以此结束本章。

6.3.2 相关工作

6.3.2.1 老年人用机器人

关于老年人辅助机器人的文献较为有限。代表性研究包括专注于满足功能需求的机器人，例如移动辅助设备和导航引导装置。S. 杜博夫斯基等人开发了一种机器人拐杖/助行器，旨在作为移动辅助设备，帮助用户行走时提供身体支撑，同时对用户的基本生命体征进行引导和健康监测[25]。蒙特梅尔罗等人设计并进行了试点测试一种机器人，该机器人可在辅助生活机构中陪伴老年人，提醒他们预约安排，并提供天气预报等信息内容[26]。

研究人员还探讨了利用机器人帮助满足老年人的社会和情感需求，包括减轻抑郁和增加与同龄人之间的社交互动。和田等人研究了一种毛绒海豹机器人帕罗在日间服务中心用于与老年人互动时的心理效应。该研究发现，在六周期间，由人类操作员陪同的帕罗能够持续改善老年参与者的情绪，这些参与者曾花时间抚摸并与机器人互动[27]。

基德等人在另一项研究中使用了帕罗，发现它可作为促进社交互动的催化剂。他们观察到，当机器人开启并存在时，参与小组活动的老年人彼此之间进行社交互动的可能性更高，相比之下，当机器人关闭或不存在时，互动较少[28]。

也许与我们的SAR锻炼系统最相关的针对老年人的机器人系统是松坂等人开发的运动示范机器人太藏，该机器人用于协助人类示范者向训练小组教授简单手臂锻炼[29]。然而，该机器人并非自主的：它通过主要人类示范者的按键或语音输入进行控制，并且没有任何用于感知用户的传感器。因此，该系统无法提供实时反馈、主动指导或个性化训练。

6.3.2.2 社会代理教练

旨在帮助个人完成健康相关任务（如体育锻炼）的社交代理已在人机交互（HCI）和人道机器人交互（HRI）领域得到开发。Bickmore 和 Picard 开发了一种基于计算机的虚拟关系型代理，该代理作为日常锻炼顾问，通过与用户进行对话，提供关于步行锻炼的教育信息，并提出相关问题。

这些系统在提供反馈的方式上（来自社交代理）与我们的SAR锻炼系统相似，且除French的研究外，在被监测的活动（体育锻炼）方面也类似。然而，我们的系统与它们都不同之处在于：我们的代理——一个机器人，不仅提供主动指导、反馈和任务监控，还直接负责指导和引导任务。因此，我们的代理既是管理者，也是与健康相关的活动中的积极参与者，这使得该系统具有一个独特的特征：机器人与用户之间的社交互动不仅有助于维持用户参与和影响内在动机，而且对于完成体育锻炼任务本身也是一种必要的手段。

6.3.3 SAR方法

在设计我们的系统以帮助满足老年群体的体育锻炼需求时，我们遵循了设计方法论，该方法论强调社交辅助机器人代理必须具备以下两点：（1）能够影响用户完成任务的内在动机；（2）能够个性化社交互动，以维持用户对任务的参与，并在基于任务的人机关系中建立信任。下文将详细阐述这两种特性在提供医疗干预背景下的重要性，并说明它们是如何被融入到我们的SAR锻炼系统中的。

6.3.3.1 内在动机

动机是建立对治疗方案或任务场景的依从性以及促进行为改变的基本工具。动机有两种形式：内在动机，源自个体内部；外在动机，源自个体外部。尽管外在动机在短期任务依从性方面有效，但在长期任务依从性和行为改变方面已被证明不如内在动机有效[33]。

然而，内在动机可能会受到外部因素的影响，并且通常确实如此。在任务场景中，指导者（在本例中为社交辅助机器人）可以通过言语反馈影响用户的内在动机。例如，表扬被视为一种正面反馈，有可能增强用户执行任务的内在动机。

而批评作为一种负面反馈，往往会负面影响用户的内在动机[34,35]。然而，正面反馈的效果与用户自身对任务的感知能力密切相关。一旦用户认为自己有能力完成任务，额外的表扬就不再影响其内在动机。我们的SAR锻炼系统在用户正确完成给定的锻炼后，以表扬的形式提供正面反馈，并且从不给予负面反馈，以避免削弱用户参与锻炼任务的内在动机。

间接竞争，即用户被激励去挑战理想结果，在原本无竞争性的任务中也被证明能够提升用户愉悦感[36]。例如，当向用户展示其在任务中的最高分时，她往往会努力超越自己之前的表现，从而增强对该任务的内在动机。因此，在任务场景中，为了激励用户，任务指导员持续向用户报告其表现分数至关重要。我们的机器人锻炼指导员在三款锻炼游戏中的两款实施了这一策略，即在过程中报告用户的个人高分。

导师向用户提供的言语反馈在基于任务的动机中确实起着重要作用，但任务本身及其呈现给用户的方式或许更为重要。契克森米哈伊的研究表明：“当个体所从事的活动相对于自身能力处于最佳挑战水平时，其投入任务并获得愉悦感或心流的可能性最大”[37]。他还指出，具有内在动机的活动通常以愉悦感为特征。简而言之，人们“在最佳挑战条件下会产生内在动机”[38]。如果一项任务低于最佳挑战水平，则对用户来说过于简单，会导致无聊。

或者，如果任务超出了最佳挑战水平，则任务会变得过于困难，导致用户感到焦虑或沮丧。因此，在任务场景中监督用户表现的指导者必须能够持续调整任务，以满足用户的适当需求，从而提升或维持用户完成任务的内在动机。我们已将实现用户最佳挑战水平的这些原则融入到我们的SAR锻炼系统中。例如，锻炼游戏会定期更换，以防止用户对其中任何一个游戏感到无聊或沮丧。此外，下一节讨论的记忆游戏会根据用户的表现水平，逐步增加锻炼序列的难度来挑战用户。

影响用户愉悦感的另一个任务特征是融入直接用户输入。研究表明，支持用户自主性和自我决定的任务能够提高参与者的内在动机、自尊心、创造力以及其它相关变量[39]，而这些因素对于实现任务依从性和长期行为改变至关重要。自我决定在任务中体现为活动选择[40]，难度等级选择[39]，和奖励的选择[41]，已被证明比不涉及选择的类似任务条件更能增加或更少损害内在动机。在我们的SAR锻炼系统中，用户选择是一个非常有趣的研究问题，我们通过一项用户研究来检验选择在锻炼场景中的作用。该研究的设计和结果在第6.3.6节中进行了介绍。

6.3.3.2 社交互动与个性化

许多社交细节构成了有意义关系的基础，无论是在人机交互（HCI）中（如Bickmore和Picard[30]所述），还是在人机交互（HRI）中，这些细节包括共情、幽默、对共同知识的提及、连续性行为、礼貌和信任等。我们高度重视这些关系构建工具，因此以各种形式将它们全部融入到我们的机器人锻炼指导员的社交互动组件中。

我们的主要关注点是消除用户对机器人口头指令/评论的感知到的重复性。我们相信，如果用户认为机器人言语重复且因此可预测，这可能导致用户对机器人智能的感知下降，并最终导致对机器人在激励锻炼方面的帮助性产生信任丧失。因此，我们特别注重增加机器人言语输出的多样性。为此，机器人在与用户交流时，总是从强调相同要点的一组语句中随机选择其一在运行时使用。例如，机器人有超过10种不同方式表扬用户（如“太棒了！”、“干得好！”、“真不错！”）。此外，如果机器人确实需要完全重复自身，例如在某个锻炼游戏中提供相同的反馈评论时，它会在原有语句中添加填充词，例如用户姓名或“try”一词，或两者都加（如“Try to raise your left arm”，“John, raise your left arm”）。

在交互对话中加入用户姓名是我们系统设计的重要组成部分，不仅为了增加多样性，还为了增强关系建立的效果[30]。机器人总是在初次问候时以及在会话结束告别时使用用户姓名。让机器人以名字称呼用户是个性化交互的重要环节，同时结合针对用户个人表现水平和表现历史提供直接反馈，并引用共同知识。我们的SAR锻炼系统通过机器人在介绍时提及与用户的之前会话、在交互结束时提及计划中的未来会话，以及在报告之前的高分等过去的锻炼表现时进行引用，从而实现了连续性。

6.3.4 机器人锻炼系统

在本节中，我们介绍了SAR锻炼系统的设计与实现细节，包括锻炼程序类型的设计动机、人形机器人平台、不同的锻炼游戏以及机器人视觉用户手臂动作识别过程。

6.3.4.1 系统概述

锻炼场景包含一个社交辅助机器人，其目的是指导、评估并鼓励用户进行简单的锻炼。该场景为一对一模式；机器人将注意力集中在用户身上，以提供及时准确的反馈，并最大化锻炼环节对用户的效果。在锻炼设置中，用户坐在机器人前方的椅子上，用户与机器人面对面。使用黑色幕布作为背景，以方便对用户的臂部动作进行视觉感知。

在锻炼环节中，机器人会要求用户进行简单的坐姿手臂姿势练习。为了最大限度地提高机器人对用户手臂动作的视觉检测准确性，机器人在练习中的手臂运动范围被限制在身体两侧。这种坐姿锻炼被称为“坐姿锻炼”或“坐姿有氧运动”，在老年人生活设施中广泛开展，为我们的锻炼系统提供了实践基础。坐姿锻炼因其对低活动能力人群的高度可及性[5e8]，以及安全性（因其降低了因平衡不当导致跌倒受伤的可能性）[5,8]，和健康益处（如改善灵活性[5,7]，肌肉力量[5,7,8]，执行日常任务的能力[5,7,8]，甚至记忆回忆能力）而备受推崇[6]。

用户能够通过无线按钮控制界面（即流行的Wiimote遥控器）与机器人进行交互，该遥控器通过蓝牙与系统通信，且按钮标签已修改为适合我们系统的样式。用户有两个按钮可用于响应机器人的提示，分别标记为“是”和“否”，还有一个按钮可在交互过程中的任何时间请求休息暂停。

需要注意的是，机器人在锻炼环节中完全自主地进行锻炼环节、评估用户表现并提供实时反馈，在整个锻炼过程中无需任何人工操作干预。

6.3.4.2 机器人平台

为了探讨机器人物理实体的作用，我们使用了Bandit，这是一种仿生拟人机器人平台，由安装在MobileRobots Pioneer 2DX移动底座上的人形躯干（由BlueSky Robotics开发）组成。该躯干包含19个可控自由度（DOF）：六自由度手臂（x2）、一自由度抓握手（x2）、两自由度水平/俯仰颈部、一自由度可表达眉毛和两自由度可表达嘴巴。该机器人如图2所示。

机器人腰部装有一个标准的USB摄像头，用于在锻炼交互过程中捕捉用户的臂部动作，使机器人能够向用户提供适当的表现反馈。

机器人的语音由商用NeoSpeech文本转语音引擎[42]生成，并通过机器人上的扬声器向用户输出合成语音。机器人的嘴唇动作与语音同步，即在语音开始时张开，在语音结束时闭合。

6.3.4.3 锻炼游戏

我们的系统中提供了三种锻炼游戏：锻炼游戏、模仿游戏和记忆游戏。在一次锻炼环节中，用户有机会玩这三种游戏，并且通常可以在会话持续时间内多次玩每种游戏。以下是每种游戏的详细说明。

1. 健身游戏 ：在此游戏中，机器人充当传统锻炼指导员的角色，用自己的手臂示范手臂锻炼动作，并要求用户进行模仿。机器人实时向用户提供反馈，在需要时给出纠正（例如：“抬起你的左臂并降低右臂”或“将左前臂稍微向内弯曲”），并在每次成功模仿后给予表扬（例如：“做得很好！”或“现在你已经掌握要领了”）。在监测用户表现时，机器人通过视觉模块检测到的用户当前手臂角度与指定目标进行比较，通过手臂角度来确定性能准确性。该比较程序对用户疲劳和活动范围的变化具有较强的鲁棒性；它更多地依赖于用户当前的手部位置和前臂角度，而非用户手臂角度与目标角度之间的绝对差异。

2. 模仿游戏 ：在此游戏中，用户和机器人在锻炼游戏中的角色互换；用户成为锻炼指导员，向机器人展示该做什么。机器人会鼓励用户创建自己的手臂姿势练习，并实时模仿用户的动作。

当交互角色发生反转，机器人将锻炼流程的控制权交还给用户时，机器人不再提供关于锻炼的指导性反馈。然而，机器人仍会通过鼓励和一般性评论与用户进行交流。例如，如果机器人检测到用户没有移动，它会鼓励用户创造新的姿势，比如说道：“玛丽，试着设计一些你自己的姿势，我会模仿你。”此外，机器人还会做出关于游戏或用户的一般性评论，例如“你是一位很好的指导者，玛丽”或“这是我最喜欢的游戏，感谢这次健身。”

3. 记忆游戏 ：在此游戏中，用户需要学习一系列不同的手臂姿势。游戏的目标是让用户尝试记住越来越长的序列，从而挑战自己的最高分。序列在游戏开始时确定，并且在游戏持续期间保持不变。序列中每个位置的手臂姿势在运行时随机选择，且序列长度没有内在限制，从而使不同技能水平的用户都能感受到游戏的挑战性。

机器人首先展示序列的前两个姿势，并要求用户在机器人提供反馈的同时进行模仿。当用户在机器人的帮助下成功重复了前两个姿势后，机器人会要求用户再次从头开始重复整个序列，但这次不再进行示范或言语反馈。当用户在没有帮助的情况下完成这些姿势后，机器人会展示序列中的接下来两个新姿势，并再次要求用户从头开始执行整个序列（此时序列长度为四个姿势）。随着用户持续成功记忆所有已展示的姿势，机器人会继续每次增加两个新姿势（六个、八个⋯⋯以此类推），游戏难度也随之逐步增加。

机器人通过在用户每次做出正确手势时进行计数，帮助用户跟踪序列，并在检测到错误时提醒用户相应的姿势（例如：“哦，真遗憾！再来一次第五个手势吧”）。机器人还会向用户报告其当前的最高分（即正确记住的手势数量），以激励用户提升以往的表现。

6.3.4.4 视觉模块

为了在锻炼程序期间监测用户表现并提供准确的反馈，机器人必须能够识别用户的臂部姿势。为此，我们开发了一个视觉模块，能够在对周围环境要求极低且无需用户配合的情况下，实时识别用户的臂部姿势/姿态。

为了实现对人类动作的跟踪（包括二维和三维），已经开发出多种不同的方法，其中包括骨架化方法[43,44]，使用概率方法进行手势识别[45]，以及基于颜色的跟踪[46]等。我们选择创建一个手臂姿势识别系统，利用简化的锻炼设置，以实现实时结果，同时不对用户施加任何标记。

为了简化对用户的视觉识别，使用黑色幕布为用户头部和手的快速分割提供一个静态且对比明显的背景，这是手臂姿态识别任务中最关键的特征，且不受用户肤色的影响。

手臂姿态识别算法首先通过对原始灰度相机帧应用单一阈值，将其分割为黑白图像；白色像素被认为构成用户身体的一部分。该算法通过启发式过程定位用户的手和肘部位置，该过程以分割图像的极值点作为输入，进而确定最终手臂角度。示例检测结果如图3所示。有关视觉识别过程的更多详细信息可参见[24]。

、(c) 和 (d) 示例人脸和手臂角度检测结果叠加在原始灰度相机帧上。(b) (a) 中所示相机帧的分割图像)

SAR锻炼系统和视觉识别过程的开发早于微软Kinect[47]的问世。该系统的未来实现将利用Kinect型3D视觉技术，从而摒弃幕布并突破动作的平面限制。然而，在我们的用户研究中，没有任何参与者指出锻炼的二维特性是一个问题。

6.3.5 动机研究一：表扬与关系性话语效果

我们设计并开展了一项内在动机研究，以探讨表扬和关系性话语（礼貌、幽默、共情等）在机器人锻炼系统中的作用。为此，该研究比较了我们的系统采用的两种不同指导风格在激励老年用户参与体育锻炼方面的有效性及参与者评价。本节将讨论所采用的研究方法、评估的主观与客观测量指标，以及针对老年参与者的系统评估结果和研究结果。

6.3.5.1 研究设计

该研究包含两个条件，即关系型和非关系型，旨在探讨表扬和沟通性关系建立技巧对用户在与社交辅助机器人教练进行锻炼任务时的内在动机的影响。研究设计采用被试内设计；参与者依次体验两种条件，且条件出现的顺序在参与者之间进行了交叉平衡。每种条件持续10分钟，总计20分钟的交互时间，在两次会话后分别进行问卷调查，以独立获取参与者对每种学习条件的感知。以下将更详细地描述这两种条件。

1. 关系型条件 ：在此条件下，社交辅助机器人锻炼教练采用第6.3.3节中描述的所有社交互动与个性化方法。具体而言，当用户正确完成特定锻炼手势时，机器人总会给予表扬（正面反馈的一个例子）；在用户失败时，则提供安慰（共情的一个例子）。此外，机器人还会表现出连续性行为（例如提及与用户的过往经历）、使用幽默，并以姓名称呼用户，所有这些旨在增强用户参与锻炼环节的内在动机。

2. 非关系型条件 ：在此条件下，社交辅助机器人教练根据需要提供指导性反馈（例如用户得分、姿势示范、在尝试姿势时的言语反馈等）来引导锻炼会话，但不采用任何形式的明确关系建立性话语。具体而言，当用户成功完成锻炼姿势时，机器人不会提供正面反馈（例如表扬）；当用户失败时，也不会表现出共情（例如安慰）。社交辅助机器人教练也不会展示连续性行为、幽默或以名字称呼用户。该条件代表了我们SAR锻炼系统的基线条件，在此条件下，机器人教练不采用任何明确的激励技术来促进用户参与任务的内在动机的提升。

6.3.5.2 参与者统计

我们通过与南加州的老年生活社区组织be.group合作，使用传单和口口相传的方式招募老年人参与该研究。十三名参与者响应并成功完成了研究的两个条件。样本群体由12名女性参与者（92%）和一名男性参与者（8%）组成。参与者年龄范围为77至92岁，平均年龄为83岁（标准差 ¼ 5.28）。一半的参与者（n ¼ 7）在第一次会话中参与了关系型条件，而另一半（n¼ 6）则首先参与了非关系型条件。

6.3.5.3 测量指标

在第一次和第二次会话结束时收集了问卷调查数据，以分析参与者在两种条件下对机器人及与锻炼系统交互的评价。每次会话均使用相同的评估问卷，以便对两种条件进行客观比较。

除了这些测量指标外，在最后一次锻炼环节结束时，我们还进行了一次最终调查问卷，要求参与者根据10个评估类别直接比较两种研究条件（标记为“第一”和“第二”）。该调查使我们能够大致了解参与者对不同SAR方法的偏好，从而评估它们各自的激励能力。

还收集了客观测量指标以评估用户在锻炼任务中的表现和依从性。

下文描述了会后调查问卷中收集的具体评估测量指标，以及锻炼环节期间收集的客观测量指标。

1. 互动评估 ：采用两个因变量指标来评估与机器人锻炼系统的交互。第一个指标是交互的愉悦性，通过参与者根据六个形容词对交互进行评价获得：令人愉快；有趣；好玩；满意；娱乐性；无聊；以及刺激（Cronbach’s a ¼ 0.93）。要求参与者在十点量表上评定每个形容词在多大程度上描述了此次交互，量表两端分别为“描述非常差”（1）和“描述非常好”（10）。对于“无聊”这一形容词的评分进行了反转处理，以保持与其他形容词的一致性，即较高分数代表更正面的感受。测量交互的愉悦性旨在了解用户参与任务的动机水平，因为正如契克森米哈伊所述，具有内在激励作用的活动通常以愉悦感为特征[37]。第二个指标是交互的感知价值或有用性。要求参与者评估每个形容词都描述了以下四种交互特性：有用；有益；有价值；有帮助（Cronbach’s a ¼ 0.95）。评估中使用相同的十点量表，量表两端分别为“描述非常差”（1）和“描述非常好”（10）。通过测量用户对系统的感知有用性，来评估用户接受度和系统信任度，以判断该系统在帮助实现预期健康目标方面的有效性，这是系统在长期应用中取得成功所必需的。

2. 机器人评估 ：机器人的陪伴性通过参与者对九个10点语义差异量表的反应来测量，这些量表涉及以下机器人描述：坏/好；不关爱/关爱；不友好/友好；不可爱/可爱；冷漠/温暖；不愉快/愉快；残忍/善良；苦/甜；以及疏远/亲近（Cronbach’s a ¼ 0.86）。这些问题源自Poresky 等人[48]的伴侣动物依恋量表。通过测量机器人的陪伴性，以评估用户对机器人作为家庭伴侣的接受度，从而展示该系统在独立生活/就地衰老设施中应用的能力。

为了评估参与者对系统激励锻炼能力的感知，我们测量了他们对机器人作为锻炼教练的评价。参与者对机器人作为锻炼教练的评价来自两部分：一是参与者对两条与教练相关的陈述所报告的同意程度，二是对三个附加问题的回答。这两条陈述和三个问题分别是：我认为Bandit是一个优秀的锻炼教练；我认为Bandit是一个优秀的锻炼激励者；您有多大可能向朋友推荐Bandit作为锻炼伙伴？您未来有多想与 Bandit一起锻炼？在与Bandit互动时，您被激励锻炼的程度如何？（Cronbach’s a ¼ 0.88）。两条陈述采用十点量表进行评分，量表两端分别为“非常强烈不同意”（1）和“非常强烈同意”（10）；三个问题项均采用十点量表测量，量表两端分别为“一点也不”（1）和“非常”（10）。

为了量化机器人社交能力的有效性，我们测量了机器人的社会存在感。社会存在感被定义为调节人们对社交代理的反应方式的一种感觉；它强烈影响社交互动的相对成功性[49]。本质上，机器人的社会存在感越强，交互成功的可能性就越大。机器人的社会存在感通过十点量表进行测量，量表以“一点也不”（1）和“非常”（10）为锚点，采用Jung 和 Lee 确立的问卷项目[50]（例如，在您与Bandit一起锻炼时，您在多大程度上感觉像是在与一个智能体互动？）（Cronbach’s a ¼ 0.82）。

3. 条件的直接比较 ：通过直接比较调查评估的10个评估类别，询问参与者在第一次和第二次锻炼环节之间进行选择，具体包括：更享受；更有用；更能激励锻炼；更愿意与…一起锻炼；更令人沮丧；更无聊；更有趣；更聪明；更有趣味性；从今以后的选择。直接比较数据分析主要用于支持和证实通过研究条件下的因变量指标的被试内分析所获得的结果。

4. 用户表现指标 ：为了帮助评估SAR锻炼系统在激励参与者进行锻炼方面的有效性，我们在锻炼环节中收集了九种不同的关于用户表现和锻炼任务依从性的客观测量指标。

大多数客观测量指标是在锻炼游戏中获取的，在此过程中，机器人以类似于传统健身教练的方式引导交互。这些指标包括动作完成平均时间（从机器人示范手势到用户成功完成手势的时间）、每项完成锻炼的秒数、失败锻炼次数、由于缺乏手臂动作而由机器人向用户发出的动作提示次数，以及反馈百分比。反馈百分比这一测量指标指的是，在所有给出的手势中，机器人需要就手臂位置向用户提供言语反馈以帮助其正确完成手势的手势比例。

我们还记录了记忆游戏在所有会话中的最高分、用户间的平均最高分以及每次手势尝试的平均时间。对于模仿游戏，由于用户手臂未发生移动，唯一记录的指标仍然是机器人发出的动作提示次数。

6.3.5.4 假设

根据第6.3.3节中讨论的关于表扬和关系性话语对内在动机的积极影响的相关研究，本研究提出了七个假设。

• 假设1：参与者对与关系型机器人交互的愉悦性评价将高于对与非关系型机器人交互的愉悦性评价。
• 假设2：参与者对其与关系型机器人的交互有用性的评价将比对非关系型机器人的交互更高。
• 假设3：参与者对关系型机器人的陪伴感的评价将比对非关系型机器人的评价更正面。
• 假设4：参与者会比非关系型机器人更正面地评价关系型机器人作为锻炼教练。
• 假设5：参与者对关系型机器人和非关系型机器人的社会存在感评估之间将不存在显著差异。该假设背后的理由是，人们的社会存在感在很大程度上由社交代理的具身类型和感知智能决定，而这两种因素在两种机器人条件中被认为大致相等。
• 假设6：当被要求直接比较两种锻炼环节时，参与者将表现出对关系型机器人相较于非关系型机器人的明确偏好。
• 假设7：在与关系型机器人或非关系型机器人互动时，参与者的锻炼表现将没有显著差异。该假设基于以下前提：由于研究的短期性质以及系统的novelty，不同机器人条件下的锻炼表现测量指标将大致相等。

6.3.5.5 结果

1. 交互结果评估 ：在第一次会话中与关系型机器人进行交互的参与者，对非关系型条件的愉悦感评分平均比关系型条件低22%（MR ¼ 7.5 对 MNR ¼ 5.9），有用性评分低23%（MR ¼ 7.5 对 MNR ¼ 5.8）。同样，在第一次会话中与非关系型机器人交互的参与者也表现出更倾向于与关系型机器人交互，他们在愉悦感方面对关系型条件的评分平均比非关系型条件高10%（MNR ¼ 7.6 对 MR ¼ 8.4），在有用性方面高7%（MNR ¼ 7.5 对 MR ¼ 8.0）。

总体而言，85%的参与者（13人中的11人）认为关系型条件在愉悦感方面高于非关系型条件，77%的参与者（13人中的10人）认为关系型条件在有用性方面高于非关系型条件。

为了检验参与者对研究条件的评价之间是否存在显著差异，我们对数据进行了威尔科克森符号秩检验，以分析样本群体在两种研究条件下根据因变量指标形成的配对样本。支持假设1的结果显示，参与者认为与关系型机器人的交互比与非关系型机器人的交互显著更令人愉快/有趣（W [12] ¼ 4, p< 0.005），并且在某种程度上比与非关系型机器人的交互更有价值/有用，但该差异未达到显著水平（W [12] ¼ 15.5, p< 0.10），因此数据未支持假设2。为便于说明，图4(a) 展示了参与者对两种研究条件下交互愉悦性和有用性的平均评分。

2. 机器人结果评估 ：在第一次会话中参与关系型条件的参与者，对非关系型机器人在陪伴感方面的评分平均比关系型机器人低11%（MR ¼ 7.4 对 MNR ¼ 6.5），作为锻炼教练的评分低11%（MR ¼ 7.7 对 MNR ¼ 6.9），在社会存在感方面低1%（MR ¼ 7.2 对比 MNR ¼ 7.1）。参与者在先经历非关系型条件后，对关系型机器人的评分也显示出更高的正面分数，在陪伴感方面，关系型机器人平均比非关系型机器人高出14%（MNR ¼ 6.9 对比 MR ¼ 7.9），作为锻炼教练高出10%（MNR ¼ 7.4 对比 MR ¼ 8.2），在社会存在感方面高出8%（MNR ¼ 6.9 对比 MR ¼ 7.5）。

总体而言，77%的参与者（13人中的10人）认为关系型机器人在陪伴感方面优于非关系型机器人，77%的参与者（13人中的10人）对关系型机器人作为锻炼教练的评价更为正面，而在社会存在感的比较评分方面，两种机器人条件下的结果大致相当，其中54%的参与者（13人中的7人）报告关系型机器人的社会存在感更高。

我们再次分析了数据，通过进行威尔科克森符号秩检验来测试两种机器人条件下参与者评价之间的显著差异。结果表明，参与者认为关系型机器人是一个明显更好的伴侣，高于非关系型机器人（W [13] ¼ 14，p < 0.05），支持假设3；并且作为锻炼教练的表现显著优于非关系型机器人（W [11] ¼ 7，p < 0.02），支持假设4。如预期所示，参与者对两种机器人条件下的社会存在感评价之间无显著差异（W [12] ¼ 28.5，p > 0.2），验证了假设5，两种机器人都获得了同样高的评分。两种机器人条件下所有三个因变量指标的平均评分如图4(b)所示。

两种研究条件下，参与者对交互的愉悦性和有用性评价的图表；(b)两种研究条件下，参与者对机器人（作为伴侣、锻炼教练以及社会存在感水平）评价的图表。注：显著差异用星号（*）标记)

3. 直接比较结果 ：在最后一次锻炼环节结束时，参与者被要求就10个不同的评估类别对两种机器人条件进行直接比较；结果见表1。需要注意的是，研究条件在调查中被标记为“第一次会话”和“第二次会话”。这些标签将根据每位参与者参与条件的顺序对应于关系型条件或非关系型条件，选择这种标记方式是为了避免调查项目中的任何潜在偏见。

结果支持假设6，表明无论条件呈现的顺序如何，参与者均表现出对关系型机器人远超非关系型机器人的强烈偏好。具体而言，关系型机器人获得了82%的积极特质投票，非关系型机器人获得16%，剩余2%由两者平分。其他显著结果包括：大量参与者认为关系型机器人更令人愉快（10票，77%）、更能激励锻炼（11票，85%）、更有用（11票，85%），以及是他们未来会选择一起锻炼的机器人（11票，85%）。相比之下，非关系型机器人在“更令人沮丧”（10票，77%）和“更无聊”（10票，77%）方面获得了较多的投票。

4. 用户锻炼表现统计 ：关于参与者在锻炼任务中表现的收集统计数据非常令人鼓舞，因为它们表明了用户锻炼表现和对锻炼任务的依从性始终保持在较高水平。正如预期的那样，支持假设7的结果显示，两种研究条件下参与者的表现之间没有发现显著差异，两种条件下的参与者表现均同样较高。例如，关系型条件下的参与者平均手势完成时间为2.45秒（标准差 ¼ 0.65），而非关系型条件下的参与者为2.46秒（标准差 ¼ 0.78）（W [13] ¼ 37，p > 0:2）。鉴于两种条件之间的用户表现无显著差异，本节中提供的统计数据指的是所有锻炼环节中参与者的整体表现。

用户在锻炼游戏中的依从性和表现较高。平均手势完成时间为2.46秒（标准差 ¼ 0.70），整体运动表现平均每项锻炼为5.21秒（标准差 ¼ 1.0），其中还包括机器人进行口头表扬、反馈和分数报告所用的时间。在整个研究过程中，所需的纠正性反馈比例较低，平均仅为7.4%，零失败，且无任何动作提示，这些都是非常令人鼓舞的结果，表明参与者在整个交互过程中始终有动力认真完成各项锻炼。

有关用户表现的所有统计数据摘要，包括来自记忆与模仿游戏的数据，可参见表2。

客观测量	平均值（标准差）
手势完成时间	2.46 (0.70)
每项运动耗时（秒）	5.21 (1.00)
反馈百分比	7.4% (4.8%)
失败手势次数	0
移动次数提示w	0
最高分	6
平均最高分	3.08 (1.12)
每次手势时间尝试（秒）	8.57 (4.11)
移动提示次数	0.26 (0.53)

6.3.5.6 讨论

研究结果表明，用户明显更偏好关系型机器人而非非关系型机器人，这证明了在医疗任务导向的人机交互场景中，表扬和关系性话语具有正面效果，并支持了我们所有的假设，仅假设2未达到显著性水平，但差距很小。参与者对关系型机器人的评分显著高于非关系型机器人，在愉悦性、陪伴感以及作为锻炼教练方面的评价。研究结束后，参与者的一些评论进一步说明了他们对关系型机器人的正面反应，例如：“听到自己的名字感觉很好，这很贴心。我感受到了更多的正面激励。”另一位参与者表示：“机器人会鼓励你，赞美你；这起到了很大的作用。”这些结果深入揭示了人们对社交机器人（SARs）的反应，并证实了表扬和关系性话语对内在动机的正面影响。在医疗领域，这些发现尤为重要，因为在该领域中，有效的社交互动、关系建立以及用户接受度和信任的获得，都是实现治疗干预预期健康效果所必需的。

SAR锻炼系统的有效性也通过研究结果得到了证实。参与者不仅评价与我们的机器人教练的交互非常令人愉快/有趣，表明他们内在动机强烈，愿意参与锻炼任务，而且在整个交互过程中持续进行了体育锻炼，这一点从收集到的用户表现统计数据中可以看出。这些结果非常令人鼓舞，因为它们清楚地表明该系统成功激励了老年用户进行体育锻炼，从而证实了其有效性，并实现了系统的主要目标。

6.3.6 动机研究II：用户选择与自我决定

如第6.3.3节所述，允许用户在任务中获得自我决定感，例如通过活动选择，已被证明相较于不涉及选择的相似任务条件，能够提升或较少损害用户的内在动机[39,40]。为了研究选择和用户自主性在影响机器人锻炼系统中用户内在动机方面的作用，并进一步测试和验证我们系统的有效性，我们开展了一项针对老年参与者的第二次用户研究。

6.3.6.1 研究设计

该研究包含两个条件，即选择和无选择，旨在测试用户对活动选择的偏好。这两个条件的区别仅在于锻炼环节中三种锻炼游戏（健身、模仿、记忆）的选择方式。与第一项研究相同，本研究采用被试内设计；每位参与者依次参与两种条件，且条件出现的顺序在参与者之间进行交叉平衡。每种条件持续10分钟，总计20分钟的交互时间。以下是每种条件的详细描述。

1. 选择条件 ：在此条件下，用户可以在交互的特定时刻选择要玩的游戏。机器人会提示用户按下“是”按钮听到用户选择的游戏后，机器人会喊出三个游戏选项的名称。用户做出选择后，所选游戏将进行1到2分钟。随后，机器人会询问用户是否想玩另一个游戏。根据用户的回答，机器人将继续玩相同的游戏再持续1到2分钟，或者再次提示用户选择接下来要玩的游戏。

2. 无选择条件 ：在此条件下，机器人在指定的游戏更换时间间隔（每1e2分钟）选择三个游戏中的哪一个进行游戏。机器人始终会更换游戏，以尽量减少用户的挫败感，因为在该条件下机器人不了解用户的游戏偏好。为简便起见，在此条件下，机器人总是首先选择进行健身游戏，然后依次进行模仿和记忆游戏，并按相同顺序循环重复。

6.3.6.2 参与者统计

我们通过与be.group养老组织的合作，再次招募老年人参与该研究。在研究的首次试验中，共有11人参与，随后又增加了13名参与者。因此，总计招募了24名参与者，且均成功完成了研究的两个条件。其中一半参与者在第一次会话中进入选择条件，而另一半则首先进入无选择条件。样本群体包括19名女性参与者（79%）和5名男性参与者（21%）。参与者年龄范围为68至89岁，平均年龄为77岁（标准差 ¼ 5.76）。

6.3.6.3 测量指标

与第一项研究一样，在第一次和第二次会话结束时收集了调查数据，以分析参与者在两种条件下对锻炼系统交互的评估。每次会话均使用相同的评估问卷，以便对两种条件进行客观比较。

在最后一次会话结束时，我们发放了一份附加问卷，询问参与者关于锻炼系统中选择偏好的意见，以及其他多个意见项目，以进一步评估锻炼系统。

以下介绍了在会后调查问卷中收集的具体评估测量指标。

1. 互动评估 ：用于评估与机器人锻炼系统交互的两个因变量指标与之前的研究相同，即交互的愉悦性以及交互的感知价值或有用性。每个测量指标的评分量表和调查项目也保持不变。

2. 关于选择的用户偏好 ：使用了三个问卷项目来评估参与者在锻炼系统中关于选择（即通过直接用户输入来选择锻炼游戏）的偏好和意见。第一个项目要求参与者说明他们的会话偏好，标记为“第一”或“第二”，具体指代选择条件或无选择条件，取决于每位参与者的会话顺序。与之前的研究一样，采用序数标签是为了避免调查项目中的任何偏见。第二个项目询问参与者关于用户选择的问题，具体是他们更倾向于自己选择要玩的锻炼游戏，还是更愿意由机器人来选择。这个问题与第一个项目类似，但表述更为直接。最后，第三个项目询问参与者由于用户选择而带来的增加的乐趣，具体问题是：能够选择要玩哪个游戏是否增加了他们对交互的愉悦感。

3. SAR系统的评估 ：最后七个问卷项目用于获取用户对SAR锻炼系统的感知和感受的额外反馈。其中前四项要求参与者分别对其对机器人智能的感知、对机器人帮助性的感知、对参与机器人锻炼环节的重要性的重视程度，以及在锻炼环节期间的整体情绪进行评分。评分采用五点李克特量表，以“一点也不”（1）和“非常”（5）为锚点（例如，“一点也不智能”和“非常智能”）。关于用户在会话期间情绪的问题采用了修改后的量表，情绪选项从“烦躁/沮丧”（1）到“快乐/喜悦”（5），中间范围为“正常”（3）。还要求参与者报告其最喜爱的游戏、最不喜欢的游戏，并选择最符合其认知的机器人描述，选项包括：伴侣、锻炼指导员、游戏指挥者、以上都不是。

6.3.6.4 假设

根据第6.3.3节中讨论的关于用户选择与自主性对内在动机的积极影响的相关研究，本研究提出了五个假设。

• 假设1：参与者在选择条件下的交互愉悦感评价将比在无选择条件下的交互愉悦感评价更正面。
• 假设2：参与者对选择条件下的交互有用性的评价将比无选择条件下的交互更有正面性。
• 假设3：当要求直接比较两种锻炼环节时，参与者将表现出对选择条件相较于无选择条件的明确偏好。
• 假设4：参与者将报告出明确偏好，即自己选择锻炼游戏，而不是由机器人决定在交互过程中玩哪些游戏。
• 假设5：当参与者有机会自行选择在交互过程中玩哪些游戏时，他们会报告锻炼任务的愉悦感有所增加。

6.3.6.5 结果

1. 交互结果评估 ：在研究的第一次试验后引入了交互评估调查项目；因此，此处针对两个交互测量指标所呈现的结果仅基于扩展研究中13名参与者的收集数据进行分析。然而，所有其他调查结果均来自该研究全部24名参与者的数据。

在第一次会话中参与选择条件的参与者，对无选择条件的愉悦感评分平均比选择条件高出7%（MC ¼ 7.5 vs. MNC ¼ 8.0），有用性评分则低2%（MC ¼ 8.7 vs. MNC ¼ 8.5）。略有不同的是，在第一次会话中参与无选择条件的参与者，对选择条件的愉悦感评分平均比无选择条件高4%（MNC ¼ 8.5 vs. MC ¼ 8.8），有用性评分高5%（MNC ¼ 9.0 vs. MC ¼ 9.5）。

总体而言，参与者对两种条件之间没有明显的偏好，62%的参与者（13人中的8人）认为无选择条件在愉悦感方面高于选择条件，而62%的参与者（13人中的8人）认为选择条件在有用性方面高于无选择条件。

我们对数据进行了威尔科克森符号秩检验，发现参与者对两种研究条件的评价之间没有显著差异，无论是关于交互的愉悦性（W [13] ¼ 28.5, p > 0.2），还是关于交互的有用性（W [13] ¼ 30.5, p > 0.2）。因此，数据未支持假设1和假设2。然而，参与者在两种条件下对交互愉悦性（M¼ 8.18, S.D. ¼ 1.67）和有用性（M¼ 8.95, S.D. ¼ 1.63）的评分都非常正面，得分甚至高于之前的研究。这些对SAR锻炼系统的高度评价进一步说明了该系统在指导和激励老年用户进行锻炼方面的有效性。

2. 关于选择结果的用户偏好 ：关于会话偏好的调查结果显示，42%的参与者（24人中的10人）更喜欢无选择条件，33%的参与者（24人中的8人）更喜欢选择条件，25%的参与者（24人中的6人）对两种条件均无偏好。图5(a) 绘制了参与者对研究条件的声明偏好。参与者条件偏好的差异表明对任一条件均无明确偏好，因此假设3未得到支持。关于锻炼中的用户选择系统中，62%的参与者（24人中的15人）表示更愿意让机器人选择要玩的游戏，其余38%的参与者（24人中的9人）则更倾向于自己选择游戏。参与者对由机器人做选择的轻微偏好与假设4的推论相反，因此假设4未得到支持。

值得注意的是，尽管大多数参与者更愿意让机器人决定玩哪些游戏，但几乎所有参与者（24人中的22人，占92%）在有机会选择锻炼游戏时，都报告任务的愉悦感有所提升。该结果支持了假设5，并且与关于用户选择对内在动机影响的文献一致[39,40]。

3. SAR系统结果评估 ：关于参与者对SAR锻炼系统的感知和感受的调查问题结果非常令人鼓舞；参与者对机器人的智能（M¼ 4.0，S.D. ¼ 0.93）和帮助性（M ¼ 4.0，S.D. ¼ 0.97）评分较高，认为锻炼环节具有中等偏高的重要性（M ¼ 3.87，S.D. ¼ 0.89），并报告在锻炼过程中情绪处于正常到较为愉快的状态（M ¼ 3.87，S.D. ¼ 0.99）。这些结果非常重要，因为用户对代理的智能和帮助性的正面感知是建立人e机器人关系中信任的关键部分。此外，积极的用户情绪以及用户对治疗任务的重要性感知，反过来对于建立和维持用户的内在动机也至关重要。这些因素都是在任何社交辅助机器人场景中实现长期成功的关键组成部分。结果示意图如图5(b)所示。

关于锻炼游戏，大多数参与者更喜欢（62%，24人中的15人）锻炼游戏，其中机器人充当传统健身教练；而记忆游戏则最常被参与者选为最不喜欢的游戏（54%，24人中的13人）。图5(c) 总结了参与者的游戏偏好。

参与者认为最符合机器人形象的描述是锻炼指导员（67%，24人中的16人），而不是游戏指挥者（25%，24人中的6人）或伴侣（8%，24人中的2人），这并不令人意外。尽管所有描述在某种程度上都代表了机器人的某些特征，但参与者主要选择锻炼教练这一角色，说明他们将机器人视为一种值得信任且能够提供帮助的代理，而不仅仅是娱乐。

参与者对学习条件的偏好；(b) 参与者对调查问题的评分，涉及他们对机器人智能、帮助性、会话期间的情绪以及会话对他们的重要性；(c) 参与者对锻炼游戏的偏好)

6.3.6.6 讨论

研究结果显示，两种条件之间没有明确偏好，因为在有无活动选择的情况下，用户对交互的愉悦感水平均被报告为同样高。用户对交互的愉悦性和有用性、智能以及机器人帮助性、用户正面情绪以及对锻炼环节的感知重要性，进一步验证了社交机器人系统在激励老年用户参与体育锻炼方面的有效性。

参与者之间相对混合的条件偏好，或者说缺乏对选择条件的明确偏好，鉴于选择和用户自主性已被证明对基于任务的愉悦感具有正面影响，这似乎有些违反直觉[39,40]。造成这种混合偏好的一个可能解释是，由于机器人在交互中的角色是锻炼指导员，一些参与者可能认为由机器人来决定锻炼方案是其职责所在，因此他们很乐意放弃选择锻炼游戏的权利。另一个可能的解释是，选择游戏所带来的愉悦感并未超过因无需选择游戏而减轻责任所带来的放松愉悦感。这两种解释似乎都合理，因为一些参与者报告称更希望机器人承担引导任务的“责任”。第三种解释可能是，鉴于研究的短期性质，一些参与者可能需要更多使用机器人系统的经验，才能对自己做出基于任务的决策感到足够自信。

有趣的是，尽管参与者的条件偏好各不相同，且近一半的参与者更倾向于让机器人决定玩哪些游戏，但在研究过程中的某个时刻，所有参与者都在选择条件下利用了更大的控制权。具体而言，当机器人提供更换游戏的选项时，所有参与者在某些时候要么选择继续玩当前正在进行的游戏，要么选择避免玩他们不想玩的游戏。这两种情况在无选择条件下均无法发生，因为机器人并不了解用户当前的游戏偏好。

这一观察结果说明了用户偏好在任务场景中的重要性，表明一种混合方法——即结合用户与机器人的决策，并针对每位用户进行个性化和自动调整——最终可能是实现所有用户流畅且愉快的任务交互的最佳解决方案。例如，对于希望机器人承担更多责任并提供更多输入的用户，机器人可以根据当前任务条件和情境推荐“最佳”选择，使用户能够做出知情选择。而对于希望在积累足够经验后才获得更多控制权的用户，机器人可以在初期负责所有基于任务的决策，直到用户准备好并有信心做出选择为止。对于那些在交互过程中对谁应负责基于任务的决策具有明确偏好的用户，所选策略可在整个会话期间持续实施。显然，没有一种固定的用户选择策略适用于所有用户；用户对选择的偏好各不相同，且这些偏好甚至可能随时间而变化。因此，社交机器人系统在用户选择与自主性方面所采用的策略必须持续适应参与交互的具体用户，从而实现治疗干预的个性化。

6.3.7 结论

在本章中，我们介绍了能够与老年用户互动并使其参与坐式有氧运动场景中体育锻炼的社交辅助机器人（SAR）的设计方法论、实现及评估。通过两次针对老年参与者开展的独立用户研究，对影响个体执行任务的内在动机的方法进行了实施和评估，这些方法包括口头表扬、关系性话语和用户选择。

第一项动机研究的结果表明，参与者在交互的愉悦性、陪伴感以及作为锻炼教练方面，明显更倾向于关系型机器人而非非关系型机器人，同时在交互的有效性和社会存在感方面，对两种机器人表现出相似的评价。这些结果说明了激励性关系建立技术（即表扬和关系性话语）在健康相关任务场景中对参与者对社交代理及交互的感知所产生的积极影响，并最终影响用户参与任务的内在动机。第二项动机研究的结果显示，参与者对于锻炼系统中的用户选择表现出不同的偏好，这表明需要提供可定制的交互，以自动适应各个用户的个人偏好。

SAR锻炼系统受到了非常积极的评价，在两次用户研究中均表现出高用户评价，用户对交互的愉悦性、有用性、陪伴感、社会存在感、机器人的智能和帮助性，以及锻炼环节的正面情绪和感知重要性给予了高度认可。根据多种客观测量指标，包括平均手势完成时间、每项运动耗时（秒）和反馈百分比，该系统在促进持续的体育锻炼方面也显示出显著效果。

老年用户对SAR锻炼系统的整体接受度非常高，这一点在评估该系统激励能力和有效性的两项用户研究结果中得到了证实。这表明该系统具有帮助老年群体参与体育锻炼以实现有益的健康结果、促进独立生活并最终提高生活质量的巨大潜力。