基于眼動實驗的ASD 兒童陪伴機器人造型設計評價研究

王艷群，楊俞玲，張仁杰，韋懿洋，顧天舒

（1.江蘇師范大學 a 科文學院 b 工業設計中心，江蘇 徐州 221100；2.江蘇圣理工學院 中俄學院，江蘇 徐州 221100）

自閉癥譜系障礙（Autism Spectrum Disorders，ASD）是一種發病于兒童早期的廣泛性發育障礙，以社會交往、溝通障礙和興趣范圍狹窄及行為重復刻板為主要特征[1]。2019 年發布的《中國自閉癥教育康復行業發展狀況報告Ⅲ》指出，中國的自閉癥發病率達0.8%[2]。2-6 歲是干預ASD 兒童的最佳時機，越早進行干預，自閉癥的癥狀就能夠得到越有效地緩解。如能及時發現并通過手段干預，ASD 兒童社會交往能力可以實現有效改善[3]。

1 研究背景

1.1 ASD 兒童的視覺認知特點

Quill 等[4-5]研究者指出，ASD 人群的視覺感知能力有較為突出的優勢，對視覺信息的理解能力和整合能力比聲音信息強，結合視覺特征進行的干預訓練效果更佳。Simon Baron-Cohen[6]通過實驗研究發現，視覺注視類型的線索更容易引起ASD 兒童的關注，并且能夠產生積極的影響。樊越波[7]在比較普通兒童與ASD 兒童注視不同視覺特征組合差異的實驗中，發現其對形狀和顏色的識別較為敏感。Cihak D 等研究者[8-10]認為，視覺感知能力是ASD 兒童的突出優勢，合理利用該特點，有助于調動自閉癥兒童配合訓練的積極性。還有學者發現，ASD 兒童對于視覺信息具有獨特的注意和處理模式，即對興趣類物體投入持續的關注，注視的時間延長，次數增多[11-13]。

通過以上相關研究可以看出，較普通被試而言，ASD 兒童對視覺信息的識別程度更高，理解能力更強。在干預訓練中，結合ASD 兒童的視覺認知特點，積極運用色彩、輪廓、體量等造型元素，有助于提高干預訓練的有效性。

1.2 ASD 兒童陪伴機器人的研究現狀

早在1976 年就有學者將機器人用在ASD 兒童的干預訓練中，Dautenhahn 等[14]于1998 年開始了“南極光計劃”，在實驗的過程中使用智能機器人對ASD兒童進行干預訓練，發現其社會互動能力得到了有效的提升。Kim[15]將社交機器人、觸屏電子游戲和康復訓練師分別與ASD 兒童進行交互實驗，結果發現，相比于觸屏電子游戲和人類治療師的交互行為，被試與社交機器人進行人機互動時表現出了更多的主動性行為。Shamsuddin[16]發現陪伴機器人參與干預訓練時，ASD 兒童的刻板行為明顯減少。Huskens 等[17]研究發現，社交陪伴機器人有效地提升了ASD 兒童與同伴及康復訓練師主動性、響應性交互的能力。Warren 等[18]研究認為，ASD 兒童在進行人機交互時焦慮現象得到緩解，主動交流的能力也更容易被激發。

從相關研究可以發現，ASD 兒童喜歡以機器人為載體的干預形式，并能夠配合完成互動訓練；陪伴機器人更容易激發ASD 兒童參與訓練的積極性，改善其行為刻板的現象，是提升其認知能力的有效工具。

1.3 眼動追蹤技術

眼動追蹤技術是指通過眼動儀記錄用戶在處理視覺信息時不同的眼動軌跡特征，進而探究用戶在觀察實驗樣本時的心理活動，并通過眼動數據將其外顯化，能夠增強研究的有效性[19]。劉春麗[20]以眼動追蹤技術為基礎，構建視覺意象認知與設計要素之間的映射模型，進行了學齡前兒童機器人造型設計。李潔等[21]對機器人造型意象與視覺認知規律間的關聯性進行眼動測試，為機器人造型的優化設計提供參考。沙春發等[22]將眼動追蹤技術運用到產品的外觀形態設計研究中，從而分析產品形態與意象認知之間的關聯性，并建立了評估模型。

數據的可視化是眼動追蹤技術的亮點，主要包含瞳孔信息、注視點信息、眼跳信息、眨眼信息、位置信息和AOI（興趣區）信息，眼動數據可以較為直觀地反映用戶在觀看產品時的情緒狀態和心理反應[23]。目前常見的眼動分析指標共有30 余種，包含首次注視前時間、首次注視前次數、首次注視時間、首次注視次數、持續注視時間、注視次數、瞳孔直徑、瞳孔間距、注視頻率、眼跳軌跡圖、注視點序號等[24]。Khalighy 等[25]通過分析用戶注視產品的持續注視時間、注視次數和眼跳軌跡圖，探究影響產品美感的主要因素，并預測用戶的視覺審美偏好；蘇珂等[26]采用SVM 算法，以注視總時間、首次注視時間、注視次數、瞳孔直徑等眼動指標數據和用戶打分值為基礎，建立了陶瓷產品造型評價模型。

可以看出，不同研究者利用眼動追蹤技術分析注視行為時，往往采用不同的眼動指標來探索不同的視覺認知特點。合理地將眼動指標數據與陪伴機器人造型偏好相結合，可以更為有效地解析ASD 兒童陪伴機器人造型特征要素對兒童視覺認知特點的影響。

2 實驗設計

本文提出了基于眼動追蹤實驗的ASD 兒童陪伴機器人造型偏好評價模型，其研究流程見圖1。研究過程中首先針對ASD 兒童的視覺認知特點，運用逐步回歸法，篩選出對ASD 兒童視覺偏好影響較大的眼動指標；然后根據篩選出的眼動指標，解析視覺偏好得分與眼動指標數據之間的映射關系。

圖1 研究方法流程Fig.1 Research method flow

從而削弱ASD 兒童溝通交流的局限性，為解析其視覺偏好特點提供更為清晰、客觀的眼動數據支撐；將客觀眼動數據與主觀調研評分相結合，為ASD兒童陪伴機器人的造型評價研究提供了新的方法借鑒；總結歸納ASD 兒童陪伴機器人的視覺偏好、眼動指標及造型特征的相關性，為優化陪伴機器人造型設計提供理論參考。

2.1 陪伴機器人造型樣本選取

對徐州康復中心、特殊兒童醫院等相關機構進行走訪調研，與教輔人員、家長進行了多次溝通，發現目前ASD 兒童所使用的陪伴機器人就是市場上普通類型的陪伴機器人。通過兒童實體玩具店、兒童康復中心以及國內外著名的玩具品牌商城網站上收集整理銷量排名較高的陪伴機器人，共收集112 種較為典型的陪伴機器人造型，見圖2。

圖2 部分陪伴機器人造型樣本Fig.2 Several modeling samples of accompanying robots

造型風格相似度高，特征重合較多的樣本對ASD兒童的干擾性較強、不利于兒童在較短的時間內做出清晰的判斷。陪伴機器人的銷量和獲獎情況可以從一定程度上反映家長和廠家的選擇，銷量越高，說明越受ASD 兒童和家長的歡迎。去除造型風格相似度高以及銷量偏低的陪伴機器人造型，篩選出48 張機器人圖片，每一張圖片都有不同的造型特征。參考相關研究中對兒童陪伴機器人的分類[27-29]，按照形狀相似性原則可以將初步選取的樣本造型大致分為基本幾何形、仿生形、不規則形等3 個大類。

為了提高實驗的效率和準確度，突出機器人造型設計的創新性與典型性，邀請2 位多年從事兒童產品設計、經驗豐富的專家和4 位產品造型設計專業的研究生，在上述基礎上，進一步結合銷量和獲獎情況進行篩選，選取造型特征最為顯著、差異性最大的機器人圖片作為典型性樣本。以X1X2X3X4X5X6 對樣本進行編號，樣本的主要功能、造型特征等信息見表1。

表1 樣本信息介紹表Tab.1 Introduction table of sample information

為了更好地展現陪伴機器人造型風格特征，選擇正視圖、45°視角、側視圖和135°視角的展示圖進行分析，見圖3。經過多次對比發現，頭部細節較多、軀干形狀較為統一的機器人，如布丁豆豆、小武和悟空，正視圖能夠較為完整地反映產品的造型風格特征。四肢、軀干細節刻畫明顯，輪廓較為復雜的機器人，如可旺二代、米兔和Robo Master S1，45°視角更能夠反映產品的造型風格特征。

圖3 部分陪伴機器人樣本多視角展示圖Fig.3 Multi-view display of some accompanying robots

為了提高實驗的精度，突出陪伴機器人的比例、輪廓、形狀相似性等造型特征，避免材質、紋理、色彩等其他視覺因素對實驗產生干擾，對陪伴機器人進行灰度模式處理，并制作亮度直方圖，使各樣本協調一致，確保形狀線條的構成、轉折圓弧的大小、整體輪廓的動態走向等造型細節清晰，見圖4。

圖4 部分陪伴機器人樣本及其亮度直方圖Fig.4 Some accompanying robots and their brightness histogram

2.2 實驗被試

本次實驗初期聯系了徐州市禾潤福利院的26 名ASD 兒童，因為實驗過程較長，且實驗對被試的配合度要求較高，通過多次溝通，最終確認22 名具備正常視覺認知能力的ASD 兒童作為實驗組。詳細向被試家長介紹本次實驗的內容、目的和意義，征求家長同意，獲得家長自愿簽署的知情同意書。被試具體情況見表2。

表2 研究對象基本情況Tab.2 Basic information of research objects

2.3 眼動追蹤實驗

2.3.1 實驗材料

為確保實驗結果的可靠性，將實驗樣本以拉丁方設計形式排列，并且畫出興趣區域（Areas of Interest,AOI），興趣區域編號與樣本編號一致，見圖5。

圖5 實驗樣本Fig.5 Experimental samples

2.3.2 實驗設備

采用aSee Glasses 眼鏡式眼動儀、微軟Surface Pro 7 一臺，分辨率為2 650*1 600，以及附帶的aSee Glasses Studio 軟件記錄所有參與實驗的被試觀看樣本的視覺行為，注視持續時間大于100 ms 為一次注視。

2.3.3 實驗程序

實驗采取個別測試的方法，在獨立房間內進行，房間隔音效果較好，照度大于1000 LUX。被試者進入實驗室，熟悉環境后在距離顯示器約50 cm 的地方坐下；實驗開始之前，檢查實驗環境，以免出現陌生的視覺目標，吸引被試的注意力。然后由教輔人員向被試講解實驗程序，并提前在日常學習中出示樣本，以確保被試能夠熟悉實驗流程及樣本造型。實驗時，邀請被試家長或教輔人員進行輔助，處理可能出現的行為問題。為了確保實驗能夠準確進行，每次實驗前進行3 點校準法，校準成功后方能進行實驗。實驗結束后給予被試一定的物質獎勵。

2.3.4 眼動指標選取

不同的眼動指標可以反映被試不同的視覺認知特點，為了更加清晰準確地解析被試對不同陪伴機器人造型特征的視覺注視行為，在30 余種眼動指標中篩選出10 種應用率較高的進行實驗[30]。分別是首次注視前時間（Time to First Fixation, TFF）、首次注視前次數（Fixation Before, FB）、首次注視時間（First Fixation Duration, FFD）、持續注視時間（Fixation Duration, FD）、注視次數（Fixations Count, FC）、回視時間（Regression Time, RT）、回視次數（Regression in Count, RC）、注視時間比（Proportion of Fixation Duration, PFD）、回看時間比（Regression Time Rate,RTR）、再注視比率（Regaze Ratio, RR），各眼動指標的具體含義見表3。

表3 眼動指標及其含義Tab.3 Eye-movement index and its implication

續表3

2.3.5 實驗結果

通過aSee Glasses 眼鏡式眼動儀配套的Studio 1.1.17.8 分析軟件將眼動數據導出，利用SPSS 22.0進行數據的統計與分析，實驗數據見表4。

表4 眼動實驗數據Tab.4 Experimental data of eye-movement

2.4 ASD 兒童陪伴機器人造型設計偏好統計

根據美國心理學家Osgood 創立的語義分化法，并結合李克特量表（Likert scale）編制評估問卷，問卷中的評估量表分為5 個等級[31]。由于ASD 兒童語言表達能力較弱，根據其視覺認知特點繪制視覺評分圖表輔助評分[32-33]，分別以1～5 的分值作為被試對陪伴機器人造型的評分標準，可以反映被試對不同機器人造型的視覺偏好，見圖6。

圖6 視覺評分Fig.6 Visual scoring chart

實驗開始前由教輔人員對被試詳細講解實驗流程和要求，并介紹視覺評分圖表中每個評分等級的含義，確保被試理解實驗要求和評分圖表的使用方式。實驗時，讓被試兒童自己觀察實驗樣本，并分別對6個實驗樣本根據喜愛程度進行相應的評分，即根據偏好程度在視覺評分圖表中相應的位置勾選，見圖7。

圖7 實驗場景圖Fig.7 Experimental scene diagram

實驗后，由教輔人員記錄整理不同造型機器人對應的評分等級被選擇的次數，統計得出陪伴機器人造型的最終評分數據（見圖8），評分越高說明兒童興趣越大，評分越低說明兒童興趣越小。

圖8 樣本評價得分Fig.8 Parametric map of sample scoring

3 建立回歸模型

多元線性回歸模型是統計分析方法中最常用的一種方法，用來確定兩種或兩種以上的影響因素之間的關系，并建立因變量與自變量（影響因素）之間的線性函數關系式，其模型的一般形式如下：

3.1 可信度檢驗

通過SPSS 軟件的“可靠性分析”功能對眼動實驗數據和樣本的視覺偏好評價得分進行可信度檢驗，整體樣本的克倫巴赫系數α系數為0.802，說明本次實驗數據的同質性相對很高，根據α系數的評價表屬于理想層次，見表5。

表5 信度分析Tab.5 Reliability analysis

對表4 中的眼動數據進行統計分析，根據被試間的平方和、項目之間的平方和，進行方差分析，結果顯示ρ＜0.05，即實驗數據的重復標度效果良好，見表6。

表6 方差分析Tab.6 Variance analysis

3.2 變量的共同度檢驗

為了確定眼動指標與陪伴機器人造型樣本在數據上的關聯程度，進行變量的共同度檢驗，共同性列表如表7 所示。除首次注視時間之外，其他眼動指標的共同度都達到0.85 以上，且共同度在0.9 以上的占60%，因此可以確定眼動追蹤實驗與偏好統計實驗的結果效度較高。

表7 共同度檢驗Tab.7 Common degree test

3.3 回歸分析

逐步回歸法是將全部自變量由大到小地逐個引入回歸方程，按照其貢獻度大小剔除作用不顯著的變量，進而建立最優的回歸模型，以便于深入研究變量之間的依賴關系[34-35]。在可靠性分析和共同度檢驗的基礎上，采用逐步回歸法對實驗數據進行相關性計算，提煉出3 項指標：注視時間比、首次注視前時間和注視次數。以這3 項指標作為自變量，建立視覺偏好的多元線性回歸方程。從表8 可以看出，該模型的復相關系數即擬合度R值為0.563，樣本決定系數R2為0.317，調整后R2的值為0.313，Durbin–Watson 檢驗值為1.555，說明該回歸模型選定的眼動指標可以較大程度上解釋偏好統計得分，且殘差與自變量相互獨立。

表8 模型摘要Tab.8 Model summary

表9 離散系數Tab.9 Dispersion coefficient

從表10 中可以得出，注視時間比、首次注視前時間和注視次數的回歸系數分別為2.439，–5.478 和0.088，且這3 個變量所對應的顯著性均小于0.05，可整理得到回歸方程：

表10 回歸系數Tab.10 Regression coefficient

3.4 模型驗證

為了進一步驗證回歸模型的有效性，選取徐州五彩鹿兒童發展中心的12 名ASD 兒童對6 個機器人造型樣本進行眼動追蹤和偏好統計實驗，注視時間比、首次注視前時間和注視次數的眼動實驗數據，見表11。

表11 眼動實驗數據Tab.11 Experimental data of eye-movement

根據回歸方程（2）計算得到相應的模型評價計算分值，見表12。

表12 實驗數據Tab.12 Experimental data

將模型評價計算分值與偏好統計得分相對比，對比情況見圖9。可以看出，回歸模型評價計算得出的分值與偏好統計得分值曲線基本相擬合，證明該回歸模型的可靠性較高，故認定模型有效。

圖9 兒童陪伴機器人造型評價分值Fig.9 Evaluation of broken line drawings for children accompanying robot

3.5 綜合分析

通過問卷調研，可以統計得到陪伴機器人造型樣本中偏好得分情況分別是：X2>X1>X3>X4>X6>X5，即基本幾何形>仿生形>不規則形。在此基礎上，結合眼動實驗數據分析，可以得到視覺偏好的多元線性回歸模型，提煉出對被試視覺偏好得分影響較大的3 項眼動指標：首次注視前時間、注視時間比和注視次數。

通過對比眼動實驗數據和陪伴機器人造型特征可知，評分較高的樣本外形輪廓大都包含較為簡潔的幾何形狀，例如頭部與軀干之間通過流暢的線條進行銜接，四肢細節刻畫較少。該類樣本造型更容易獲得被試的首次注視，并具有較長的持續注視時間和較高的注視次數。

評分稍低的樣本細節刻畫較多，頭部、四肢及軀干的輪廓比例具有較高的仿生特點，例如頭部具有較為明顯的人類或者動物特點，面部五官刻畫較為清晰。相比于具有幾何形狀特征的樣本，該類樣本視覺沖擊力較弱，但持續注視時間相對較長，注視次數相對較多。

評分最低的樣本輪廓大都較為復雜，四肢、軀干往往由不同類型的形狀單元拼接而成，組件之間形狀協調性較弱，例如軀干及上肢為仿生形狀，下肢為車輛底盤造型。該類樣本造型具有較長的首次注視前時間，持續注視時間較少。

ASD 兒童陪伴機器人造型設計是以調動兒童參與干預訓練的積極性、提高干預效率為主要目標，在設計中可以優先考慮眼動指標中具有首次注視前時間較短、持續注視時間較長、注視次數較多特征的造型。

3.6 結論

通過研究可以發現：從目前研究常用的10 個眼動指標中篩選出3 個與視覺偏好關聯性較大的指標，即首次注視前時間、注視時間比、注視次數；對視覺偏好影響程度大小的排序為首次注視前時間x2>注視時間比1x>注視次數3x，即研究視覺偏好的眼動實驗中，應優先觀察這3 項指標的數據；形狀輪廓中基本幾何形較為明顯、組件風格較為協調、細節刻畫適量的造型，更符合ASD 兒童的視覺偏好。

4 結語

本研究通過采用眼動追蹤技術和問卷調研對ASD兒童陪伴機器人造型設計進行評價，將客觀眼動實驗數據與主觀視覺偏好調研相結合，以期降低設計評價過程中主觀因素的干擾，獲得更為客觀的用戶偏好分析，使用戶對產品的體驗更加準確客觀。首先通過眼動實驗獲取各項指標數據，在可靠性分析和共同度檢驗合理的基礎上，利用逐步回歸法篩選出3 個眼動指標主因子，建立眼動指標與視覺偏好之間的回歸關系，即得到視覺偏好與眼動指標的相關性。然后結合偏好評分對實驗樣本的造型特征進行分析，提煉出視覺偏好與造型特征的相關性。在此基礎上總結歸納了ASD 兒童陪伴機器人的視覺偏好、眼動指標及造型特征的相關性，為陪伴機器人造型設計研究提供理論依據，也為教輔人員的使用提供參考。以期促進ASD兒童更為積極主動的人機交互行為，提高其干預訓練的有效性。

此外，由于陪伴機器人造型圖片在空間感、材質和色彩的表現等細節上存在局限性，在后續的研究中將采用陪伴機器人實物作為測試樣本，以期獲得更為全面的結果反饋，為ASD 兒童陪伴機器人造型設計提供更為細致的設計參考。