使用自然语言处理技术分析社交机器人学研究

摘要

社交机器人（SR）的快速发展并非单向进行，而是朝着多学科场景发展，从而催生了不同领域之间合作的需求。这种多元化扩展要求对该领域进行清晰分析，以更好地指导研究方向，进而为社交机器人的未来发展铺平道路。本文旨在通过使用自然语言处理（NLP）技术分析社交机器人和人机交互领域的学术出版物，理解过去二十年中社交机器人研究领域的发展演变。该分析发现社交机器人与人机交互研究领域之间存在重叠，通过数据驱动的方法对这一重叠进行了消歧，并识别出一组新的论文，我们将这些论文归类于“软性人机交互（Soft HRI）”概念之下。本研究主题通过提取趋势和洞察进行了分析。最后，进一步应用主题建模方法识别出七个子主题，并对其进行讨论与分析，描绘了当前社交机器人领域的研究现状。本文报告了社交机器人研究领域的全面概览，识别出多个主题与子主题，帮助研究人员理解该领域的发展脉络，从而支持其研究活动的战略定位与发展。

关键词 社交机器人 · 人机交互 · 文献计量分析 · 主题建模 · 自然语言处理

Introduction

社交机器人（SR）是一个年轻但极具前景的领域，经历了指数级增长。除了工程学、心理学、政策制定、生物学和哲学等学科的学者外，该领域还吸引了来自不同学科的研究人员。然而，尽管其成功，社交机器人尚未与一个被广泛接受的定义相关联。

一般来说，我们可以肯定地说，社交机器人是一种自主机器人，它通过遵循与其角色相关的社会行为和规则来与人类进行互动和交流。

作为我们研究的起点，我们需要对社交机器人（SR）有一个明确的定义。为此，我们引用辛西娅·布雷齐尔在其开创性著作《可社交机器人设计》中的观点：2004[1]：“对我而言，可社交机器人能够以一种个性化的方式与我们交流和互动，理解甚至与我们建立联系。它应当能够在社会意义上理解我们以及自身。反过来，我们也应当能够以同样的社会方式理解它——能够与它建立关系并对它产生共情。这样的机器人必须能够在整个生命周期中不断适应和学习，将与其他个体共享的经历融入其对自我、对他人以及彼此之间关系的理解之中。”简而言之，“可社交机器人以类人的方式具有社交智能，与它的互动就如同与另一个人互动一样。”

社交机器人通常被认为是更广泛的人机交互（HRI）研究领域的一个子领域。

人机交互是一个相对较新的学科，由于近年来人们在日常生活中越来越多地接触到机器人，该学科受到了广泛关注。这类交互式机器正越来越多地被开发用于实际应用，例如康复、老年人护理、机器人辅助治疗和教育。因此，对这种跨物种交互的研究变得流行起来，并催生了各种人机交互研究的子主题。

大多数人机交互研究集中在人类与机器人之间的物理交互，特别是工业机器人（例如，协作机器人、工业机械臂）。由于工业4.0的热潮，这些人与“硬性机器人”交互研究正变得非常流行，导致人机交互文献高度两极分化且难以探索。

本文旨在通过使用自然语言处理（NLP）技术分析社交机器人（SR）和人机交互（HRI）领域的学术出版物，理解社交机器人研究领域在过去二十年中的演变过程。

目标是建立一种数据驱动分类方法，以区分物理人机交互（此处定义为硬性人机交互）与非物理人机交互研究（此处定义为软性人机交互（Soft HRI））。

自然语言处理技术旨在实现一种文本驱动的论文筛选和分类方法，以克服基于查询的研究在定义不清的领域中的局限性。特别是，采用基于潜在狄利克雷分配（LDA）算法的主题建模（TM）方法，从与社交机器人（SR）和人机交互（HRI）相关的科学论文语料库中提取研究主题。与社交机器人相关的话题（软性人机交互）已从“硬性”人机交互研究主题中分离出来。随后，我们将分析重点放在新识别出的社交机器人出版领域，以提取文献计量信息，描绘该研究领域的发展演变。最后，对已识别的社交机器人主题进一步应用主题建模，以探究在过去20年中社交机器人研究领域涌现出哪些子主题。

相关工作

目前已存在多篇关于社交机器人学论文的综述[2–5]以支持该研究领域的发展，并提出指导原则和研究视角。社交机器人可根据其与用户之间的参与程度、交互类型、目标用户类型、具身性（例如拟人化或拟物化）[6],所指定的交互环境，以及其应用领域（例如医疗保健、教育、公共空间或家庭）进行分类[7]。学者们还讨论了机器人应具备的基本特征以及需要解决的问题[6]。例如，方等人肯定，社交机器人需要表现出具有社交智能，以营造出一种由信念与欲望驱动的人工社交代理的印象。

社交智能由一系列特质构成，其中同理心是基础。因此，社交机器人需要通过表现出自主能力、手势、注视和空间行为来传递同理心[8]。事实上，社交机器人研究关注如何评估社交机器人、如何设计长期交互以及哪些是最关键的伦理方面[6]。然而，社交机器人领域应朝哪个方向发展仍不明确，这一点在社交机器人研究社区中被视为一个重要的未知因素[7, 9, 10]。

多篇综述聚焦于社交机器人研究活动的发展。其中被引用最多的一篇关于社交机器人的综述是《社交互动机器人的综述》[6]。方描述了该领域，并定义了7类社交机器人，其中前四类源自布雷齐尔的一篇论文 [11]。布雷齐尔论文根据“机器人在多大程度上能够支持被赋予它的社交模型”对社交机器人进行分类：
1. 社会激发性
2. 社交界面
3. 社会接受性
4. 友善的

Fong补充了三个类别，旨在评估社交机器人能够支持的交互场景的复杂性：
5. 社会情境化
6. 社会嵌入式
7. 具有社交智能

考虑到自这些作品发表以来已经过去了17年，我们觉得有必要对社交机器人（SR）进行一次全新的审视，并回答以下研究问题（RQs）：
– 研究问题1 社交机器人与人机交互之间是否存在重叠？是否有可能确定这两个领域之间的边界？
– 研究问题2 过去20年中，社交机器人研究是如何发展的？

另一篇由Leite等人于2013年发表的论文[9]根据社交机器人的应用领域对其进行聚类，假设同一领域内的机器人特征和研究设计（例如数据收集方法）更有可能相似，因而更容易进行比较。通过这种方法，Leite等人确定了四个不同的应用领域：
– 医疗保健和治疗
– 教育
– 工作环境和公共场所
– 家庭

据我们所知，只有一项研究对社交机器人领域进行了文献计量分析[12]。作者在标准引用网络上采用了聚类方法，为社交机器人领域的科学论文得出了8个聚类。该论文确定了社交机器人与人机交互研究领域之间存在显著的重叠：
1. 作为社交伙伴的机器人；
2. 人机交互中的人因与工效学；
3. 用于儿童发展的机器人技术；
4. 群体机器人；
5. 情感检测；
6. 机器人手术评估；
7. 用于老年人和远程呈现的机器人；
8. 救援机器人中的人机交互

从分析的角度来看，尽管这种方法是有效的，但它对节点之间的连接施加了较强的限制，尤其是在其所处的上下文中。由于社交机器人（SR）和人机交互（HRI）在发表论文数量上呈指数增长且具有多学科特性，我们可以认为引用聚类仅部分反映了语料库的真实内容。实际上，来自不同领域的作者可能并不了解其他领域正在进行的研究。这一方面限制了算法的聚类能力以及网络方法的意义。然而，我们仍然将梅希亚等人（Mejia et al.）的研究视为我们分析的起点。

查看上述研究确定的聚类可以发现，在布雷齐尔和方提出社交机器人分类后的17年中，学者们主要将研究集中在这些社交机器人的使用以及为其寻找创新应用上。相反，对于社交机器人被感知特征及其关系能力的研究、分析与验证则关注较少。

在我们看来，这是因为在过去的10年中，市场上出现了各种高科技和机器人学解决方案，使得机器人和交互式系统成为新的商品。

事实上，在过去的10年中，多个研究团队开展了技术转移项目，将机器人从学术实验室推向市场。Keepon [13, 14], Zeno 2 [15], Jibo3 [16], 和 Miro4 [17] 就是这样的例子。此外，许多研究人员开发了社交机器人以用于

used as research platforms for them or other colleagues and labs. This is the case of Kismet[18], iCub[19], Kaspar[20, 21], FACE[22–24], Geminoid[25], and many others.

此外，多家公司尝试将社交机器人作为消费产品进行商业化，例如索尼的AIBO、5汉森机器人公司的爱因斯坦教授、6 PARO机器人公司的Paro，以及软银机器人公司的NAO和Pepper。8这些平台的目的是研究机器人如何与人类进行社会互动（例如，赋予机器情感）[26]。然而，它们在特定应用场景中的应用推动了更具目的性和应用导向的研究活动。

无论这些新型消费产品和研究平台在市场上成功与否，它们在家庭娱乐和医疗保健等新领域的渗透已经为该领域提供了一些可行的发展路线图。这些社交机器人的使用和应用演变引出了另一个研究问题：
– 研究问题3 Breazeal、Fong、Mejia和Leite分类法是否仍然具有代表性地反映了社会机器人学研究领域？

方法

学者们已广泛使用主题建模来识别某一领域的潜在主题。最近，基于潜在狄利克雷分配的主题建模已被用于识别人形机器人研究中的子领域[27]。由于人形机器人与社交机器人是相关领域，我们决定在本文中采用类似的方法，实施一个三步流程，对应“相关工作”部分提出的三个研究问题：
– 步骤 1. 搜索包含被归类为SR或HRI的出版物的高查全率论文集，并使用主题建模分离出SR手稿（RQ1）；
– 步骤 2. 从已识别的 SR论文的元数据中提取文献计量信息（即论文趋势、文档类型、被引次数最多的作品、顶级期刊、顶级会议、主要出版国家和作者） （RQ2）；
– 步骤 3. 对新识别的SR论文集进行主题建模，以确定社会机器人子主题（RQ3）。

三步流程如图1所示，输入数据、方法和结果之间进行了分离。

在本节中，我们详细描述所提出的方法，重点关注流程的核心部分。数据和结果将分别在“数据准备”和“结果”部分进行详细描述。由于这三个阶段共享某些活动（即特征选择和主题建模），这些活动将仅描述一次，并在各个阶段中类似地应用。

论文检索

当前阶段的目标是检索一组关于社交机器人和人机交互的论文。这些论文来自爱思唯尔于2004年推出的科学出版物数据库Scopus。选择Scopus数据库是因为其受欢迎程度和更新频率，并且它提供了一个应用程序编程接口（API）以简化查询过程。Scopus API提供了所有被索引学术期刊经过筛选的摘要和引文数据（完整的Scopus API访问仅授予拥有Scopus订阅的客户）。之前在社交机器人领域的综述和研究也采用了Scopus作为数据来源，这进一步支持了选择Scopus的合理性[28–30]。

用于论文检索的查询为：TITLE-ABS-KEY （“社交机器人*” OR “人机交互” OR “Human-Robot-Interaction”） 该查询于2020年2月20日执行，返回了17,283篇论文。研究字符串的选择基于命中数量和预期的查全率。表1报告了每个子字符串的贡献，突出了社交机器人和人机交互研究领域的基数。需要注意的是 that HRI counts 6.3 times more paper than SR. Moreover, the two queries if executed separately count a total of 19,291 papers while our query counts 17,283 papers only. This means that 2008 papers are in the overlap and so contain both HRI and SR keywords. Therefore, the query has been selected in order also to capture publications on-the-edge and to analyze multidisciplinary or distantly related papers and not only closed and similar ones. Furthermore, to increase the precision in the analysis, we applied the query only to title, abstract, and keywords of the articles.

需要在此强调的是，Scopus数据库仅提供自动检索文档摘要和元数据的功能，不允许自动访问全文。因此，考虑到所分析的文献数量（17,283），后续步骤将仅应用于文档的摘要部分。

文本预处理

文本预处理旨在将文本结构化为可被后续统计模型分析的形式。在当前

表1 在Scopus上使用的研究字符串

研究字符串	结果数量
社交机器人	2642
人机交互	16,649
社交机器人 OR 人机交互	17,283

在本节中，我们描述了对论文摘要应用的预处理流程。

空摘要移除

作为第一步，我们移除了Scopus API未检索到摘要的论文。为了避免在分析中引入统计噪声，我们检查了被移除的论文集合在元数据（年份、引用次数、期刊来源）方面是否与整体论文群体具有不同的行为特征，从而确保其在统计上与整个数据集相似。在此阶段结束后，我们获得了一个包含17,104篇论文的新语料库。

n-gram提取

n-gram（或多词）是从给定文本样本中提取的词序列。识别哪些词序列是n-gram对于技术性内容文档（即科学论文）的分析尤为重要。

由于二元组和三元组[31]主要构成领域特定词典，多词提取通常通过统计方法和语言学规则实现，从而利用n-gram的统计特性[32],或机器学习方法[33]。

然而，由于Scopus提供丰富元数据，因此可以依赖这些信息实现更有效且高效的收集方法[34]。基于此，我们使用每篇论文的关键词来自动标记n-gram及其相关关键词。

我们收集了论文作者列出的19,697个唯一关键词。从这些关键词中，我们仅提取了包含二元组、三元组和四元组的关键词，去除了所有缩略词，并剔除了稀有关键词（出现在少于1%的论文中的关键词）。最后，我们对莱文斯坦距离[35]小于2的关键词进行了聚类（即表达概念相同但拼写不同的关键词）。

该过程得到了一组包含2929个不同n-gram的结果。表2展示了提取出的前10个n-gram。

数据准备

我们应用了一个标准的数据预处理流程，该流程是任何自然语言处理流程的典型代表，包括以下步骤：
– 分词是一种将文本拆分为词符（单个词或预先标注的多词）的过程；
– 词性标注是一种旨在提供关于词的形态角色及其形态句法上下文信息的过程。例如，如果该词元是限定词，则下一个词元极有可能是名词或形容词；
– 词形还原是旨在确定一个词的词根的过程。该输出能够发现两个词具有相同的词根，尽管它们在形式上存在差异。例如，动词 am、are 和 is 共享词根 be；名词 cat 和 cats 都具有词根 cat。

与词干提取相比，词形还原更有利于获得更具可解释性的结果。简而言之，如上所述，词形还原旨在返回一个词的词元或词典形式，而词干提取则返回词干（例如，两种方法都可能将“working”变为“work”，但只有词形还原能正确地将“better”转换为“good”）。

这些步骤已使用R包udpipe[36]完成。

特征选择

整个文本语料库包含 3,019,614 个词和多词。随后，我们进行了一系列词语统一和去除步骤，以选择能够表示每篇摘要的相关词汇（即特征）。这些步骤在多项类似研究中已被证明是有效的[37–39]。

因此我们移除了：
– 出现在少于全部文档0.1%的稀疏术语；
– 出现在多于全部文档10%的常见术语；
– 领域相关停用词列表（例如，abstract，paper，research）；
– 由少于三个字符组成的短词；
– 所有不属于名词和形容词的词性。

经过这些步骤后，整个文本语料库包含708,549个词和多词。值得注意的是，仅有一份文档在这些步骤中丢失。

最终输出的数据被构造成文档-术语矩阵。该矩阵因此包含了17,103个文档和4,772个（唯一）术语。该矩阵是后续主题建模步骤的输入。

主题建模

潜在狄利克雷分配

潜在狄利克雷分配（LDA）算法是一种在文本语料库信息检索领域中广泛使用的生成模型。LDA基于这样一种直觉：每篇文档都可以表示为一组潜在随机变量的混合，而这些潜在随机变量又在词汇词上具有各自的概率分布[40]。

LDA背后的主要假设是主题具有稀疏狄利克雷先验分布[41]。这一假设的依据在于，文档通常只涉及少量主题，而每个主题也仅使用少量词。因此，LDA在词义消歧方面表现尤为出色，从而更有效地将文档分配到主题。这一性能已被证实，尤其是在科学摘要等相对较短的文本中[42, 43]。

考虑到本研究的目标，给定由 T 个不同词符（词和多词）表示的 D 篇文档，并选择主题数K作为主题数量，LDA 的输出是如下定义的两个变量：
– alpha：将主题映射到文档上。它表示对于K个主题中的每一个，当前考虑的文档属于各个主题的概率。因此，为每个文档计算一个K维向量。
– beta：将词符映射到主题上。给定一个主题，它表示对于T个词符中的每一个，该主题包含每个词符的概率。因此，为每个主题计算一个T维向量。

主题数量选择

在许多聚类任务中通常存在的情况是，最优聚类数K事先未知，必须通过某种评估聚类质量的指标或借助领域知识来估计。针对第一种情况，已测试了多种旨在衡量文档聚类过程质量的策略：（1）来自分解矩阵的显著分布的KL散度 LDA模型的分解矩阵[44],（2）基于密度的方法以最大化簇内相似性并最小化簇间差异性[45], （3）主题分布的Jensen-Shannon散度[46],以及（4） P(w |K)[47]的最大似然估计。

没有单一指标适用于所有情况。因此，上述提到的四个指标均被使用，并选择主题数K作为所有或大多数指标达成一致的值。

结果

人机交互与社交机器人主题

在本节中，我们展示了如何使用主题建模技术将我们的科学论文数据库划分为一组通用的人机交互论文和社会机器人学论文。由于社交机器人与人机交互领域之间存在重叠，因此通过传统的基于查询的Scopus搜索来完成此过程具有挑战性。

主题数量选择

首要任务是确定最能代表语料库分割的主题数量。为此，我们将“主题数量选择”部分中描述的技术应用于K从2到10的模型拟合。图2（左）显示了结果。通过观察这些指标（需通过最优的K值进行最小化或最大化），可以识别出：
– 当K值等于3时，CaoJuan2009指标出现局部最小值，Deveaud2014指标出现局部最大值；
– 当K值等于5时，CaoJuan2009指标出现局部最小值；
– 当K值等于6时，Deveaud2014指标出现局部最大值。

在主题数K为3、5和6时，模型的输出已经生成，作者们一致认为K=3时的模型最佳。该输出被认为更能代表整个语料库，从而能够区分出三个界限清晰的主题。

主题建模结果

图2 （右）显示了在二维平面上以圆形表示的主题，其圆心是通过计算主题间的Jensen–Shannon散度，然后使用多维尺度分析将主题间距离投影到二维得到的。[48],

每个主题的整体流行度通过圆形的面积来编码。

已使用LDAvis开发了一个用于导航此结果的交互式仪表板，并已在线发布。9该工具提供了主题的整体视图（以及它们之间的差异），同时还允许对与每个主题关联度最高的术语进行深入检查。

为了展示每个主题的内容，图3列出了对应的beta值（一个词属于某个主题的概率）最高的前10个词。

通过对主题中最常见术语的分析，我们可以将这三个主题与描述相关联，以确定每个主题中论文所属的研究领域：
– 主题1 关于具有面部表情再现、情感生成以及理解能力的社交机器人研究；
– 主题2 涉及共同注意和协作工作（即协作机器人）的人机物理交互研究；
– 主题3 用于机器人-儿童交互研究中机器人行为生成与理解的框架。

根据这种基于术语的主题定义，我们将识别出的三个主题聚合为两个主要类别：硬性（主题2）和软性人机交互（主题1加主题3）。通过对术语进行详细分析（建议使用在线交互式仪表板），可以看出“能力”、“手”和“运动”等术语与主题2高度相关。这清晰地表明了归入主题2的论文如何被关联起来 with physical interactions between robot and humans; what we called Hard human–robot interaction.

因此，此处的Soft HRI概念指的是“非物理性”人机交互。软性人机交互（Soft HRI）是指所有基于信息、知识、情感和经验交换的人-机器人互动。我们提出的软性人机交互（Soft HRI）以沟通为核心，并不一定涉及人类与机器人之间的物理和物质交互。

这一旨在建立软技能人机交互的机器人概念，与本文“引言”部分引用的布雷齐尔对社交机器人的定义一致。因此，在本论文中，社交机器人是指具备软技能的机器，能够与人类建立社会性、情感性和共情交互。

因此，从现在开始，我们将新识别出的Soft HRI类别视为代表社交机器人研究领域的论文的一种新的数据驱动分类。基于此，属于主题2的论文将从语料库中移除，以便将后续分析集中在仅属于主题1和主题3的论文上。

选择软术语的理由与流行的软技能心理学概念相关，这些研究之间的相似性将在“讨论”部分中进行讨论。

社交机器人元数据分析

一旦确定了代表社交机器人学的语料库，就可以分析其中包含的论文，从而获得有助于描述社交机器人研究现状和演变的见解。

新的社会机器人学数据集包含11,037篇论文。图4报告了过去20年社交机器人的发表趋势，

强调该领域正以指数级速度增长，且没有任何异常峰值。

表3 与社交机器人相关的论文的来源类型排名。其他包括书籍、简短综述、社论和笔记

论文类型	论文数量	论文百分比
会议论文	7522	68.0
文章	2819	25.0
章节	248	2.5
会议综述	248	2.5
综述	137	1.5
其他	63	0.5

检索到的关于社交机器人的文章发表在总共670种期刊上，其中前10种期刊如下所示 表4 。前十名社交机器人期刊收录了所选论文的25% （数量732），其中国际社交机器人杂志单独覆盖了整个数据集的7.7%，包含219篇Scopus索引论文。

会议论文关联了共计1438个会议。根据发表论文数量排名的社交机器人领域十大会议列于表4中。这十大社交机器人会议收录了所选论文的41%（数量3098），

使用自然语言处理技术分析社交机器人学研究

结果

社交机器人元数据分析

其中ACM/IEEE国际人机交互会议仅此一项就涵盖了该数据集中11%的论文，包含875篇Scopus索引的会议论文。

社交机器人出版物遍布全球，美国和日本作出了重要贡献。表5列出了十大出版国家在社交机器人领域的成果，突出显示了美国和日本合计约占全球社交机器人出版物的30%。

一个有趣的发现来自对表5中十位最高产的社交机器人作者的分析。值得注意的是，这些学者共同贡献了整个社交机器人数据集的7.73%。

表4 社交机器人领域最活跃的期刊和会议排名

期刊	论文数量	%
国际社交机器人杂志	219	2.0
IEEE机器人与自动化快报	87	0.8
先进机器人	76	0.7
IEEE机器人学报	60	0.6
机器人与自主系统	60	0.6
国际先进机器人系统杂志	59	0.6
交互研究	48	0.5
国际人形机器人杂志	43	0.4
自主机器人	41	0.4
IEEE人机系统汇刊	39	0.4

会议	论文数量	%
ACM/IEEE国际人机交互会议	875	8.0
计算机科学讲义	733	6.6
IEEE机器人与人类交互通信国际研讨会	393	3.5
IEEE机器人与自动化国际会议	231	2.1
智能系统与计算进展	199	1.8
IEEE智能机器人与系统国际会议	190	1.8
AAAI秋季研讨会-技术报告	165	1.5
ACM国际会议论文集系列	125	1.1
第六届ACM/IEEE国际人机交互会议	98	0.9
第7届ACM/IEEE人机交互国际会议	89	0.9

表5 社交机器人学领域已发表论文最多的前十个国家和作者及其在社会机器人学数据集中的相关百分比

国家	No.	%	作者	No.	%
USA	2206	19.9	石黒浩	144	1.30
日本	1051	9.5	达滕汉，K.	123	1.11
德国	788	7.1	神田俊治	111	1.01
中国	539	5.1	Paiva, A.	87	0.79
意大利	422	3.9	布里齐尔，C.	85	0.77
UK	401	3.6	萩田直彦	72	0.65
韩国	378	3.4	王，Y.	60	0.54
法国	269	2.4	Scheutz, M.	59	0.53
西班牙	246	2.2	范德博尔赫特，B.	59	0.53
加拿大	205	1.8	Shio mi, M.	55	0.50

表6 社交机器人领域被引次数最多的论文列表。有关论文的更多信息，请参见参考文献编号

第一作者	Year	参考文献	引用次数
布里齐尔，C.	2003	[49]	654
巴特内克，C	2009	[50]	625
卡利农，S.	2007	[51]	613
达滕汉，K.	2007	[52]	444
达菲，B.	2003	[53]	443
汉考克，P.	2011	[54]	414
皮诺，J.	2003	[55]	391

表6列出了2020年被引次数最多的前十篇社交机器人论文。值得注意的是，这些论文中只有两篇的作者属于上述前十名中的作者。总体而言，正如预期的那样，所有这些高被引论文均为综述和立场性研究。

社会机器人学的子主题

在本节中，对新定义的Soft HRI语料库应用了另一轮主题建模分析，以识别社交机器人研究领域的子主题。

第一个任务仍然是确定能够更好地对社交机器人论文集进行聚类的最佳主题数量。为此，我们将“主题数量选择”部分中描述的方法应用于K值从2到10的模型。图5（左）显示了结果。

观察这些指标（需要通过最优的K进行最小化或最大化），可以识别出：
– 当K值等于3时，CaoJuan2009指标出现局部最小值，Deveaud2014指标出现局部最大值；
– 当K值等于7时，CaoJuan2009指标出现局部最小值，Deveaud2014指标出现局部最大值；

在主题数K为3和7时生成了模型输出，作者们一致认为划分为7个主题的模型最佳。

图5（右）将主题以圆形的形式呈现在二维平面上，并通过圆形的面积来编码各主题显著性。

已识别的社交机器人主题还使用LDAvis进行了可视化，并作为交互式仪表板在线发布。10该工具提供了主题的整体视图，同时允许深入检查与各主题最相关的术语。

图6报告了在新识别出的七个社交机器人主题中各自聚类的前15个术语，以及每个词属于该主题的beta指数（概率）。

从术语分析中，可以推测出每个识别主题的描述，从而提出对社交机器人研究的一种新分类。
– 主题1. 用于社交机器人行为生成的算法与框架；
– 主题2. 具有操作能力的人形服务社交机器人；
– 主题3. 用于儿童交互研究的社会机器人与框架；
– 主题4. NAO机器人。一种具备手势与行为调节能力、用于儿童人机交互研究的社交机器人；
– 主题5. 机器人手势生成与识别：儿童社交/软体机器人；
– 主题6. 移动机器人助手；
– 主题7. 具有先进感知能力以实现安全人机交互的机械臂与机械手；

讨论

社交机器人（SR）是一个极具吸引力的研究领域，在过去20年中经历了指数级增长。然而，由于其异质性、跨学科性以及快速发展，很难对其进行清晰明确的界定。

SR最初是作为人机交互（HRI）的一个子领域而诞生，如今已发展得足够成熟和稳固，可被视为一个独立的研究领域。然而，使用传统的基于关键词的检索方法难以准确识别属于SR领域的论文。这一点在我们于Scopus上执行 “SR或HRI” 查询的结果中得到了体现：在总共识别出的17,283篇论文中，有2008篇论文同时出现在HRI与SR的交集区域，即这些论文也可通过分别执行HRI和SR查询获得。

该分析回答了研究问题1的第一部分：社交机器人与人机交互之间是否存在重叠？然而，我们分析的第二步（对已识别论文的整个语料库进行主题建模）还揭示了人机交互与社交机器人领域之间可能存在的分离（研究问题1的第二部分）。

通过对与三个已识别主题相关术语的分析可以明显看出，主题2更侧重于人类与机器人之间的物理交互，因此可被视为代表了旨在理解人类与机器人如何在物理和具体任务中协作的研究（例如用于制造的机械臂、协作机器人、机器人外骨骼等）。

相反，主题1和主题3主要与无形的人机交互研究相关。这种分离 brought us to name this merged macrotopic as Soft HRI, taking inspiration from the well-known psychological classification of human capabilities in soft and hard skills[56, 57]。

根据奇马蒂在[59]中的定义：“软技能是[…]，用于表示个人的通用能力，如社交能力、语言与沟通能力、友善性、团队合作能力以及其他表征人际关系的人格特质。软技能传统上被认为与硬技能相辅相成，硬技能是指执行特定类型任务或活动的能力。[…]。”

一些最关键的软技能包括沟通、团队合作、灵活性／应对不确定性的能力、人际关系、礼貌和创造力[58]。如果这些软技能对于人类在社会和工作环境中的成功至关重要，那么在我们看来，对于希望被人类视为具有社交性的机器人而言，这些软技能也是必不可少的。

For this reason, for us社交机器人是一种具备软技能的交互式机器，旨在与人类建立社会性、情感性和共情性的互动。这种数据驱动提出的新定义与我们确定为本工作框架的布雷齐尔定义相一致：[…]“可社交机器人以类人的方式具有社交智能，与其交互就如同与另一个人互动。” 这表明，社交机器人领域在不断扩展其应用领域和范围的同时保持发展稳定与其起源和重点的联系：人-机器人软交互。

关于R.Q.2社交机器人研究在过去20年中是如何发展的？，我们可以断言，该领域正处于持续的指数级增长中，有影响力的期刊和会议被社交机器人学术界视为支柱。此外，显然该领域受到少数高产作者的影响，他们凭借大量的出版物和引用正在塑造社交机器人领域。然而，这些作者并未成为社交机器人发展的瓶颈。他们的论文合计引用量不到总引用量的10%，为新兴创新性工作留下了发展空间。

社交机器人领域的发展也催生了子研究主题。我们尝试通过将另一轮主题建模应用于新定义的“人-机器人软交互”研究领域，来回答研究问题3（布雷泽尔、方、梅贾和莱特分类法是否仍然代表社会机器人学研究领域？）。结果使我们识别出7个子主题，这些子主题可被视为特定研究领域。

这种数据驱动分类导致的主题具有明确的目的特征，即所研究的机器人平台的开发目的。这与梅希亚等人基于文献计量学的分类法[12]一致，但很难在梅希亚的类别与我们识别出的主题之间建立一一对应的关系。

然而，必须强调的是，NAO机器人是已识别主题之一。在我们的软人机交互论文集中，3.5%的论文（共379篇不同的论文）中出现了“NAO机器人”这一术语，表明社交机器人研究的发展受到了显著影响。

论文集商业和易于使用的机器人解决方案的可用性。这种现象在社交机器人这样的跨学科领域中尤为突出。现成解决方案的可用性使得心理学家、精神病学家、神经科医生等非技术背景的研究者能够以最小的经济投入开展社交机器人研究，从而推动了该领域的发展。

在这一方面，值得注意的是主题4（NAO机器人）与其他两个主题之间的重叠：主题1（用于社交机器人行为生成的算法与框架）和主题2（具备操作能力的人形服务社交机器人）（见图5）。这些重叠形成了某种 “NAO集群”，表明NAO机器人是开发社交机器人行为生成算法的流行框架，并且在服务机器人学研究中被视为一个参考标准。

结论

本文通过基于自然语言处理技术和主题建模的文献计量分析，研究了社交机器人领域的主题。该工作的目的是通过对科学论文（摘要和特别是关键词）的分析，理解过去二十年中社交机器人研究领域的发展演变。本研究并未采用基于平台（NAO 与 FACE 与 iCub 等）、目标用户（自闭症患者、老年人 等）或市场类别（玩具、教育娱乐、辅助机器人等）的方法，而是旨在梳理社交机器人领域，得出关于社交机器人使用情况和目的的结论。整个分析过程尽可能减少人为干预，以避免主观解释、期望以及知识极化。

结果表明，社交机器人领域可以分为七个关键主题，其中三个主题围绕商业机器人平台形成了一个独特的集群。

我们意识到，更先进和现代的自然语言处理技术可能会带来更好的分类结果[60]。然而，考虑到本文的核心是对社交机器人研究领域的发展进行分析，而非实现一种用于论文分类的新型自然语言处理方法，因此我们更倾向于使用一种已在类似分类任务中应用并已验证[27]的技术，其输出结果能够被具备一定自然语言处理背景的社交机器人专家轻松解读。

未来的工作包括通过其他数据库对我们的研究进行交叉验证，以检验所发现主题的一致性和鲁棒性。一个令人期待的发展方向可能是专注于专利分析，旨在更好地研究商业机器人解决方案对社会机器人学研究领域发展的影响。