《Journal of NeuroEngineering and Rehabilitation》：The interplay between haptic guidance and personality traits in robotic-assisted motor learning
编辑推荐：
为解决机器人辅助运动（再）学习中个体差异的影响问题，研究人员开展了人格特质（如控制点LOC、挑战转化Transform of Challenge和游戏风格）与触觉引导策略交互作用的研究。结果表明，高挑战转化特质者在无引导训练中表现更优，而外部LOC者在引导训练中交互力增加。研究强调了基于人格特质的个性化机器人康复策略的潜力，对提升神经康复效果具有重要意义。
中枢神经系统损伤（如脑卒中后）常导致运动功能障碍，需要重新学习丧失的运动技能。机器人技术和虚拟现实（VR）等科技进步通过提供增强反馈（如视觉、听觉、触觉或其多模态组合）在支持运动（再）学习方面展现出潜力。其中，触觉反馈是机器人辅助训练中最流行的方法之一。研究表明，触觉引导（即机器人物理辅助用户实现正确运动）可以增强运动学习，特别是对于初始技能较差或处于脑卒中神经康复早期的个体。此外，有证据表明，挑战用户的机器人训练策略（例如通过放大错误）可能对更熟练的用户更有益。
尽管先前的研究指出机器人辅助运动学习存在个体差异，但如何为每个受训者最佳选择触觉训练策略仍缺乏深入理解。不同的训练策略不仅影响训练期间的运动表现，还影响受训者的动机，进而影响运动学习。迄今为止，由于对机器人辅助训练效果中内在人为因素的作用了解不足，确定最适合每个人的训练方法仍然困难。
可能区分受训者的因素是多方面的，从个体特征的变化（例如生理或心理差异）到环境和社会因素。使机器人辅助适应受训者的生理指标和身体能力已在运动学习和神经康复中显示出益处。然而，越来越多的人认识到整合其他特征（如人格特质、个人偏好和心理状态）以提供更个性化的机器人训练计划的潜在价值。
虽然心理状态（例如动机和参与度）是动态的，并且可能根据情况而变化，但人格特质是稳定的特征，塑造了人们随着时间的推移如何一致地思考、感受和行为。由于人格特质预计是稳定的，此类信息可以减少体内数据收集的需求。人格特质已被证明在体育、员工生产力、在线游戏或学术学习等不同领域具有相关性。然而，尽管人格特质与运动学习之间存在潜在关系，但它们与机器人辅助训练的相互作用尚未得到系统研究。
为填补这一空白，我们进行了一项平行设计实验，涉及40名未受损参与者，他们学习控制一个具有一个内部自由度的虚拟摆锤，在基于VR的游戏中击中即将到来的目标。参与者可以通过触觉设备移动摆锤的枢轴点来控制摆锤。参与者可以通过触觉设备感受摆锤动力学。在训练期间，该设备为一半参与者（实验组）提供触觉引导。将该组与未接受此引导的对照组进行比较。使用问卷调查，我们测量了每个参与者的两种人格特质和两种游戏风格。
自个性人格。根据挑战点框架，当学习者面临既不太容易也不太 overwhelming 的挑战时，最佳学习发生，有助于任务参与。因此，影响个体如何感知和应对挑战的人格特质在机器人辅助运动学习过程中可能至关重要。自个性人格特质提供了关于寻求挑战或进入“心流”状态的倾向的信息，并且已经在体育环境中显示出预测参与度的潜力。在本研究中，我们使用自个性人格问卷中的挑战转化（Transform of Challenge）和无聊转化（Transform of Boredom）子量表评估自个性人格。这些子量表反映了个体分别将“具有挑战性”或“无聊”情境转化为个人激励情境的倾向。这些子量表在与机器人设备交互时可能相关，因为它们可能与机器人辅助如何影响参与者对任务功能难度（即任务被感知的挑战性）的参与度相互作用，该难度可以通过物理辅助运动来调节。
控制点（Locus of Control, LOC）与个体对其行动和结果的掌控感相关。自主性和感知控制在与提供物理辅助的机器人设备交互时可能特别受关注。先前的研究表明，参与者的LOC（内控与外控）可以影响他们对外部反馈的反应，以及他们与机器人设备的交互。例如，在后一项工作中，Acharya等人发现LOC与参与者在机器人远程操作任务中在不同类型的辅助下的行为方式相关。
游戏风格。游戏化可以激励受训者，但可能很复杂，因为它与个人偏好和特征交织在一起，这些特征可以提升或阻碍参与度。一种 established 的方法是对用户的游戏风格进行分类，该风格根据用户在游戏类环境中的交互偏好来表征用户。虽然不是人格特质，但游戏风格可以潜在地用于评估受训者的人格概况。在这里，我们根据两种游戏风格评估参与者：成就者（Achiever）——反映对挑战的偏好——和自由灵魂（Free Spirit）——反映探索倾向。这些游戏风格可能影响用户对结构化交互（如触觉引导）的反应，这些交互可能被感知为限制自由探索或直接影响任务难度的游戏元素。
实验方案分为两个会话，间隔1-3天。第一个会话包括人格特质评估、确定参与者初始技能水平的基线、训练阶段和短期保留（STR）评估。第二个会话包括运动学习的长期评估。在基线和两个保留阶段，参与者执行两个转移任务以评估获得技能的泛化能力。转移任务与训练任务（称为主任务）相似，但包含轻微的设计变化。在位置转移任务中，目标从训练的主任务中随机重新定位，以评估参与者适应不熟悉空间模式的能力。第二个转移任务，称为动力学转移任务，引入了摆锤动力学的变化，即摆杆长度减少了70%，而目标位置与主任务相同。
在本文中，我们通过测试以下假设，展示了关于人格特质、触觉引导、人机交互力和参与者运动学习之间关系的分析结果。
H1人格特质和触觉引导的存在影响从基线到保留的任务表现和人机交互力的变化。
H1.1触觉引导：预计分配到实验组的参与者在短期保留期间的表现会比分配到对照组的参与者差，这是由于对触觉引导的依赖。
H1.2高挑战转化参与者：对于分配到实验组的参与者，如果具有高水平的挑战转化特质，预计在短期保留期间的表现会更差。这基于[43]中的发现，其中具有高挑战转化的参与者在训练阶段接受引导时表现出比不接受引导时更差的性能。
H1.3高成就者：具有高水平成就者游戏风格的参与者预计会表现优于平均水平参与者。这与他们被分配到的训练组无关，并且基于他们在训练阶段相对于平均水平参与者的改进表现[43]。
H1.4人机交互力和自由灵魂：对照组中具有高自由灵魂游戏风格的参与者预计在短期和长期保留期间会表现出比平均水平参与者更高的与触觉设备的交互力，这他们在训练阶段已经显示出来[43]。
H1.5人机交互力和控制点：分配到实验组中具有高LOC分数（外控LOC）的参与者预计从基线到STR会表现出比低LOC分数（内控LOC）参与者更大的交互力，正如他们在训练阶段已经显示出的趋势[43]。
H2不同的运动模式（目标位置）和摆锤动力学影响任务表现和人机交互力，并受人格特质影响。
H2.1具有不同目标位置的转移任务：在基线期间，预计参与者在位置转移任务中的表现和交互力指标都会比主任务差。这是由于调整到新的、不太熟悉的目标位置可能增加的挑战。然而，我们假设这种效应在保留阶段会因训练后的学习而减弱。
H2.2具有不同摆锤动力学的转移任务：预计参与者在所有阶段中在此转移任务中的表现都会比主任务好。在此转移任务中，由于摆杆缩短，摆锤的固有频率增加。在[44]中，Ozen等人展示了在远离摆锤固有频率的情况下操作系统如何与更高的控制相关。我们假设保持相同的目标位置在墙内，但增加摆锤的固有频率，将有助于控制它。
H3人机交互的主观感知与任务表现指标和人格特质相关。
H3.1交互感知和表现：对机器人交互感知的积极反应（例如，认为机器人是允许的、有帮助的或不令人沮丧的）预计与训练后表现改进相关。
H3.2交互感知和人格特质：我们还预计触觉引导的主观感知会与人格特质相互作用，并影响训练后的表现和人机交互力减少。
为了评估引言部分概述的假设，我们使用了线性混合模型（LMMs）。这些模型使用R中的lmerTest包的lmer函数进行拟合。统计显著性设定为p<0.05，并且使用Bonferroni校正对多重比较的p值进行调整。
所采用的LMMs如附录D所述进行选择。我们在本节中根据它们为评估而定制的假设对它们进行分组。表1总结了可以包含在模型中的变量。任务表现（|Error|）和人机交互力（|IntForce|）指标根据模型作为因变量进行分析。应用对数转换以校正偏态分布并实现正态性要求。
为了评估人格特质和训练条件对不同实验阶段的运动学习结果的影响（与假设H1和H2相关），我们采用了两个模型，每个因变量一个。这些模型包括关于训练组、任务类型、阶段和人格特质的自变量（见表1描述）。鉴于变量和潜在交互作用的数量众多，使用Akaike信息准则（AIC）和贝叶斯信息准则（BIC）对不同复杂度的模型进行了逐步比较，以防止过拟合并确保稳定性（见附录D）。
对于性能指标（|Error|），选择了以下具有最小AIC和BIC的模型（M1.1）：
log10∣Error∣=Group×(Task+Stage)+(TCc+LOCc)×(Task+Stage+sIndex)+Task×Stage+Group×TCc×Stage+(1∣ID)+(1∣wIndex:NewWalls).
在此方程中，归一化和中心化的挑战转化（TCc）和控制点（LOCc）结果被作为感兴趣的特质包括在内，因为其他特质在模型选择过程中未显示统计显著性。因此，与成就者游戏风格相关的假设（H1.3）没有得到数据的支持。调整了墙索引（wIndex: NewWalls）的嵌套随机效应，以解释位置转移任务中墙位置的变化。
为交互力指标开发了类似模型（M1.2）。值得注意的是，该模型包括一个额外的交互项，Group × LOCc × Stage。与其他配置相比，具有此额外交互项的模型导致更低的AIC和略高的BIC（见附录D）。鉴于这些相互竞争的结果，使用先前文献来指导选择。此额外关系被认为是有趣的，因为发现LOC在触觉引导活跃的训练阶段与交互力指标相关（见[43]）。最终模型的形式为：
log10∣IntForce∣=Group×(Task+Stage)+(TCc+LOCc)×(Task+Stage+sIndex)+Task×Stage+Group×TCc×Stage+Group×LOCc×Stage+(1∣ID)+(1∣wIndex:NewWalls).
请注意，虽然此模型不包括自由灵魂游戏风格，但替代模型的结果（见附录D和E）表明该特质与交互力结果之间存在潜在关系，这对于假设H1.4可能是有趣的。然而，完全评估此效应需要研究超出当前研究范围的模型复杂性，使结果的理解复杂化。因此，我们将对H1.4的彻底调查留给未来工作。
为了调查人机交互（HRI）的主观感知是否影响任务表现（H3），我们采用了以下模型：
log10∣Error∣=(ACc+FSc+TCc+LOCc)×HRIQuestion×Stage+(1∣ID)+(1∣wIndex),
其中HRIQuestion表示对每个特定HRI感知问题的归一化和中心化响应。此模型考虑了四种特质的归一化和中心化版本，即成就者（ACc）和自由灵魂（FSc）游戏风格、挑战转化（TCc）和控制点（LOCc）。所有阶段（基线、训练、短期和长期保留）都包含在此数据集中，而转移任务被排除，因为HRI问题仅在训练阶段之后询问，该阶段不包括转移任务。
LMM的结果以视觉方式总结在图4、5、6和7中，模型的完整输出表格可在附录E中找到。本节中的图表显示了条形图，说明了两种条件之间性能或交互力的预期变化。这些变化比较了参考情况（例如，具有平均特质水平的基线参与者（或特定特质值））与感兴趣情况（例如，同一参与者在后期阶段）之间的相对差异。这些个体条件下的预期性能或交互力基于相应的LMM估计值计算，差异反映了预测的改进或下降百分比。此外，我们提供围绕这些估计变化的95%置信区间，以显示我们估计的不确定性。
请注意，图中显示的一些变化在应用Bonferroni校正后可能彼此之间没有显著差异（见附录E中相应的校正和未校正p值）。我们决定将它们包括在内，以便在特质条件下进行一致的比较，并突出显示可能指导未来工作的新兴模式。
在整个本节中，为了说明比较情况，我们提到人格特质或游戏风格的高或低水平。我们将这些值设置为高于（特质/游戏风格高水平）或低于（特质/游戏风格低水平）平均水平参与者水平的10%。选择此百分比是因为它代表了观察数据范围内的小而现实的偏移，使我们能够有意义地说明潜在的个体差异。这不适用于控制点，其中我们将比较外控LOC（LOC=1）或内控LOC（LOC=-1），因为这些 well-established 端点代表了 psychologically meaningful 的行为 profiles。对于所有情况，这在每个图中明确指示。
模型M1.1的输出用于计算跨阶段的预期|Error|演变。这些预测显示在图4（主任务）和图6顶部（转移任务）中。模型M1.2的输出用于计算预期的|InteractionForce|演变，并显示在图5（主任务）和图6底部（转移任务）中。
当关注对照组时，图4说明了具有每种人格特质平均水平的参与者（即平均水平参与者）预计在短期保留（STR）中显示误差从基线减少38%，在长期保留（LTR）中减少39%，如果完成主任务。
关于人格特质在对照组中的影响，较高的挑战转化从基线到STR/LTR进一步减少了误差；即这些参与者表现出改进的性能。然而，与这些效应相关的p值仅在Bonferroni校正之前显著（校正后：p=0.147和p=1分别）。此特质的高水平对应于从基线到STR，除了平均水平参与者预期的误差减少之外，还有大约5%的性能改进。LOC也轻微影响对照组从基线到LTR的性能变化（p值仅在Bonferroni校正之前显著，校正后：p=0.277）。外控LOC与从基线到LTR的性能下降相关，与平均水平参与者从基线到LTR相比。
实验组表现出性能指标下降，从基线到STR减少约28%（校正后p值：p=0.05），从基线到LTR减少约31%（校正后p值：p=0.277）。这些值可以与对照组的38%（STR）和39%（LTR）误差减少进行比较。在实验组中，高水平的挑战转化特质并未显示出比对照组中显示的改进更好的改进（STR和LTR的校正后p值分别为p=0.729和p=1）。
我们发现人机交互力与人格特质相关。图5显示了高水平的挑战转化如何根据训练组的不同，与从基线到STR的交互力变化的不同模式相关。对照组中具有此特质高水平的参与者从基线到STR表现出比实验组中具有此特质的参与者更大的交互力减少（校正后p值p=1.56e-9）。对于分配到实验组的参与者，LOC也有显著影响。虽然具有内控LOC的参与者从基线到STR和LTR显示出更大的交互力减少，但那些具有外控LOC的参与者 demonstrated a force increase。在这种情况下，与两种人格特质效应相关的p值在Bonferroni校正后显示统计显著（p=5.84e-2和p=5.17e-5分别）。
关于转移任务的结果可以在图6中找到。两个指标（性能和交互力）都受到转移任务的影响。在对照组中发现了一些趋势。该组中的参与者在基线期间在动力学转移任务中表现出比主任务更好的性能（p=6.303e-4）。同一组中具有高挑战转化水平的参与者显示出较小的差异（p=4.719e-2）。基于位置的转移任务与交互力指标的差异相关。特别是，对照组中的参与者在位置转移任务中从基线到STR和LTR的交互力减少程度较小，与主任务相比（p=6.417e-3和p=7.124e-7分别）。
我们没有发现触觉引导的主观体验（HRI问题）与从基线到任何其他阶段的性能或交互力变化之间存在显著效应。然而，我们发现高挫败感结合高自由灵魂将导致分配到实验组的那些参与者在长期保留（LTR）中显著更高的误差（p=5.772e-3），即他们表现出下降的性能指标。虽然该组中的参与者从基线到LTR显示误差减少，但当考虑具有高挫败感和高自由灵魂分数的参与者时，这种改进不再统计显著。有趣的是，那些感知高挫败感但在自由灵魂游戏风格问卷中得分较低的参与者显示，当比较基线到LTR时，误差减少比平均水平参与者多几乎20%（图7）。
总体而言，参与者展示了学习进展，即从基线到STR和LTR减少了误差和交互力。我们观察到那些接受触觉引导训练（实验组）的参与者的学习略低于那些没有接受它（对照组）的参与者。然而，与我们的第一个假设（H1.1）相反，这些效应相关的p值在Bonferroni校正后并未保持统计显著。这与我们之前在类似摆锤任务中的发现一致，在那里我们没有发现触觉引导训练和无引导训练在训练后准确性改进方面存在显著差异。然而，尽管功率分析（附录A）证实40名参与者足以检测效应大小，但可能我们高估了那个效应。这个效应可能太小，无法在这个样本大小下检测到；用更大的样本大小重复实验留给未来工作。
从评估的人格特质和游戏风格中，只有挑战转化（H1.2）和控制点（H1.5）被发现影响运动学习。成就者游戏风格从LMM M1.1中排除，因为它的包含没有改善模型拟合，并导致更高的AIC和BIC值。因此，假设H1.3没有得到数据的支持。尽管探索性分析表明与H1.4（与自由灵魂游戏风格相关）存在潜在关系，但完全评估此效应需要研究超出当前研究范围的模型复杂性。因此，我们将对H1.4的彻底调查留给未来工作（为完整性见附录D和E）。
自个性人格在运动学习中的效果取决于训练策略（H1.2）
与我们的第二个假设（H1.2）一致，我们观察到那些在挑战转化中得分高的人根据他们被分配到的训练组，在从基线到STR的性能和人机交互力变化方面表现出不同的模式。对照组中具有高挑战转化水平的人与具有平均特质水平的人相比，从基线到STR表现出稍微更大的性能改进（更低误差）。然而，在将Bonferroni校正应用于特定案例后，这种效应并未保持统计显著，可能是由于调整的保守性质和小样本大小。然而，在评估交互力时，差异在Bonferroni校正后仍然显著。对照组中具有高挑战转化水平的参与者从基线到STR比实验组中的参与者 substantially more 减少了交互力。对照组中这种更大的力减少与显示自个性行为与高强度运动员相关的文献一致，这些运动员是运动经济性和效率的专家。对于这些被挑战驱动的受试者，触觉引导可能减少了他们对任务难度的感知，导致分配到实验组的那些参与者交互力减少较小。触觉引导可能干扰了这群参与者的参与和焦点，使学习环境可能对这种人格类型不太理想。这与我们在训练期间的观察一致：具有高挑战转化的参与者在引导下表现出比平均水平参与者更差的性能，可能是由于减少的感知难度导致的缺乏参与。
这些发现表明，具有自个性特质（特别是挑战转化）的个体可以在节约努力方面表现出色。然而，他们可能对减少感知挑战的干预措施（如触觉引导）敏感。这一发现将此特质定位为进一步研究的有趣主题。未来的研究应该探索此特质与感知难度和注意力焦点之间的相互作用。此外，采用像错误放大这样的方法，增加任务难度，可能有助于维持此类参与者的动机并进一步 enhance 他们的学习结果。
控制点在运动学习中的效果取决于训练策略（H1.5）
与我们的假设H1.5一致，我们发现LOC与从基线到保留阶段的人机交互力减少之间存在显著关系。对于实验组中的参与者，我们发现在训练后交互力减少方面存在 contrasting tendencies，取决于参与者是表现出更多外控还是内控LOC取向。特别是，具有外控LOC（即，相信行动结果归因于外部环境）的参与者从基线到STR和LTR增加了他们的交互力。相反，那些具有内控LOC（即，相信行动结果归因于自己）的人 demonstrated significantly larger reductions 当与分配到实验组的具有平均特质水平的参与者比较时。
这些结果与我们先前的训练发现一致：实验组中具有外控LOC的参与者在训练期间表现出比那些具有内控LOC的参与者更高的交互力。一个可能的解释是，具有内控LOC的参与者将触觉引导视为增强他们对摆锤动力学个人控制的一种手段，这与他们内在的自我控制信念一致。通过将成功的性能改进归因于他们自己的行动，内控LOC参与者可能更 engaged 在改进他们的交互策略。这种解释与先前的研究一致，显示具有内控LOC的个体在提供积极反馈时往往表现更好，或者在这种情况下，通过在接受引导时获得更高分数来感知更好的性能。
相反，具有更多外控LOC的参与者可能将触觉引导视为任务成功的主要驱动因素，导致 less motivation 积极改进他们的性能/与设备的交互。先前在教育和行为心理学中的研究表明，具有外控LOC的个体在面对新挑战或场景时往往表现出较低的持久性。在触觉引导的背景下，这可能转化为“依赖”机器人支持的倾向，导致从基线到保留阶段的更高交互力。然而，这并没有伴随着统计显著的性能下降。一种解释是，这些参与者将早期的改进归因于机器人引导，可能对它的移除没有准备，导致低效的策略，增加了与设备的物理交互，而不一定恶化性能结果。
当检查转移任务期间的性能和交互指标时，出现了 distinct patterns。在基线期间，参与者在不同动力学转移任务中表现出比主任务更小的误差，与我们的假设（H2.2）一致。动力学转移任务涉及一个具有较短杆的摆锤，导致更高的固有频率。由于手部运动要求保持不变（即，与主任务相同的目标位置），改变的动力学可能使参与者更容易在摆锤的固有频率之外移动。我们小组的先前工作表明，偏离摆锤的固有频率确实与在这种特定目标击中任务中的更高控制相关。改进的控制可能有助于更好的性能。有趣的是，那些具有高挑战转化分数的参与者显示从主任务到动力学转移任务在基线中的误差减少较小。这表明这些个体可能将改变的动力学任务感知为 less difficult，因此 less engaging，与假设H2.3和先前讨论的与运动学习相关的发现一致。在动力学转移任务中观察到的比主任务更好的性能在随后的STR和LTR阶段不再显著。这可能反映了参与者对主任务的 increased mastery，这是训练阶段唯一训练的任务。因此，训练阶段改进的整体技能可能减少了两个任务之间的性能差距。
与假设H2.1相反，我们没有发现在基线期间主任务和基于位置的转移任务之间的性能或交互力差异。然而，当比较基线到STR时，基于位置的转移任务中的人机交互力减少程度小于主任务。此转移任务旨在促进更广泛的运动，迫使受训者处理更大的摆幅。这可能阻碍了泛化过程，因为他们需要增加交互力来克服挑战。
人格特质与人机交互感知之间的相互作用影响性能（H3）
实验组中的参与者被问了三个关于他们发现引导有多限制或许可、多干扰或多有帮助，以及他们在任务期间的挫败感水平的额外问题（HRI问题）。与我们的假设H3.1相反，没有一个问题对性能改进显示出统计显著效应。然而，当在分析中包含人格特质的信息时，我们发现具有不同水平自由灵魂游戏风格的参与者对挫败感特别敏感，影响他们的性能，并与假设H3.2一致。
实验组中从基线到长期保留的性能改进——可能与学习效应相关——在考虑具有高挫败感和高自由灵魂分数的参与者时不再统计显著。具有高自由灵魂游戏风格分数的个体——以强烈的探索倾向为特征——如果感到挫败，则没有经历从基线到长期保留的性能改进。这可能是由于引导限制了他们的探索倾向。自由灵魂游戏风格已被发现与社会设计游戏元素负相关，表明对自主性和自我表达的偏好 over 结构化交互。相反，那些报告高挫败感但在自由灵魂游戏风格中得分低的参与者显示从基线到LTR更大的性能改进。具有较低探索倾向，这些具有低自由灵魂游戏风格的参与者可能更不愿意偏离引导，更可能遵守训练结构。因此，他们的挫败感可能驱使他们专注于改进熟悉的、学到的运动，而不是寻求替代方法，最终随着时间的推移增强他们的任务性能。这些发现也与先前在人在环系统中的研究一致，强调纳入人类偏好以维持最佳人类性能的重要性。
我们的发现表明，自个性人格、控制点和自由灵魂游戏风格可能塑造个体对触觉引导的反应，突出了个性化机器人辅助康复协议的需要。理解和扩展我们关于这些特质依赖差异如何与机器人辅助相互作用的知识，可以通过定制辅助水平和反馈机制来帮助改进机器人康复方法，以增强性能和运动（再）学习。人格特质和个体的欲望和需求可能在获得性脑损伤之前和之后以及通过恢复过程发生变化。然而，我们预计这些变化遵循比心理状态变化更慢的时间尺度，心理状态变化在很大程度上取决于日期、一天中的时间或要完成的任务而变化，减少了提供定制康复计划对体内测量的需求。
尽管这项工作代表了朝着理解将人格特质纳入个性化康复协议的潜在价值的第一步，但未来工作应该检查是否类似的人格依赖效应影响脑卒中后个体的运动恢复。这需要扩大评估的特质，因为脑卒中经常诱发新的或改变的心理特质，这些特质在调节他们与机器人设备的交互时可能很重要。此外，未来的研究可以探索人格特质与心理状态（如感知难度、注意力焦点和参与度）之间的关系，跨越不同的任务和触觉训练方法（如错误放大策略），在未受损和临床人群中。
这项研究有几个局限性。尽管统计功率计算显示40名参与者足以检测一些感兴趣的效应，但模型选择过程导致包含了比最初预期的更复杂的交互项。结果，统计检验的有效功率降低了，这反映在一些结果中观察到的置信区间和非统计显著的p值中。这表明，虽然40名参与者在运动学习实验中是一个合理的样本大小，但在研究更复杂的效应（如那些涉及人格特质及其交互作用的效应）时，它可能相对较小。未来的研究可以通过使用此处呈现的发现来指导未来实验的设计，具有更大的样本大小或简化的模型以维持足够的功率，来解决这一限制。
此外，用于估计人格特质效应高或低水平的值可能不能完全代表真实世界的分布。而且，参与者没有被分类到 distinct 人格组，而是同时表现出混合的特质，使得难以隔离个体效应。最后，我们承认运动学习的个体差异可能由一系列社会文化影响塑造，包括那些与性别认同相关的。由于模型已经高度复杂，我们没有在本研究中调查性别相关效应。然而，我们鼓励未来工作使用更具包容性和代表性的性别框架进一步探索这一点。
这项研究突出了人格特质、运动学习和人机交互（HRI）在机器人辅助训练背景下的多方面关系。我们进行了一项运动学习实验，有四十名未受损参与者，其中一半接受了来自机器人设备的物理引导。我们发现，具有高挑战转化人格的受训者在接受触觉引导训练后显示出较少的误差减少，
