综述：一项关于为神经多样性用户设计的包容性和适应性人机交互设计的范围审查

《Disability and Rehabilitation: Assistive Technology》：A scoping review of inclusive and adaptive human–AI interaction design for neurodivergent users

AI技术赋能神经多样性用户支持研究显示，智能教学系统、虚拟现实交互及可穿戴设备在提升自闭症、ADHD等群体的认知参与度与社交能力方面成效显著，但存在用户样本性别失衡（78%为男性）、长期效果验证不足（仅31%研究跟踪超过6个月）、文化适应性缺失等问题。研究强调需建立跨学科协作机制，将神经科学理论融入AI算法开发，并构建包含数据隐私审计、算法公平性验证的标准评估框架。

　　近年来，人工智能（AI）技术在支持神经多样性用户方面展现出巨大潜力，尤其在教育、医疗、康复及职场等场景中。这些技术旨在通过个性化、包容性与适应性的设计策略，提升神经多样性群体的用户体验和功能实现。然而，尽管AI在这些领域取得了一定进展，其在实际应用中仍面临诸多挑战，包括研究方法的局限性、数据偏见、用户参与度不足以及伦理问题等。本文综述了2019年至2025年间发表的117篇相关研究，探讨了AI系统的设计与应用现状，并指出了未来研究的方向。

### AI技术的多样化应用

AI技术在支持神经多样性用户方面已经展现出多样化的发展路径。在教育领域，智能教学系统被用于帮助有特殊教育需求的学生，例如通过模糊神经网络（FNN）识别学习障碍，提高学习效率。此外，交互式智能玩具也被用于改善自闭症儿童的情绪表达和社交互动，例如Woodward等人的TangToys项目。这些系统通过可感知的物理界面，使儿童能够在日常活动中获得支持和指导。

在医疗领域，AI技术被广泛应用于早期筛查和诊断，例如通过EEG信号分析识别自闭症的早期生物标志物，或利用卷积神经网络（CNN）进行面部识别，以评估自闭症患者的社交能力。同时，生成式AI模型也被用于模拟训练场景，例如在康复过程中提供个性化的互动体验，帮助患者更好地掌握技能。这些技术的结合，使AI在医疗干预中发挥了重要作用，尤其是在改善诊断准确性和治疗效果方面。

在职场环境中，AI技术则被用于支持神经多样性员工的工作表现，例如通过自然语言处理（NLP）和计算机视觉技术开发辅助沟通工具，帮助有语言障碍的个体更高效地完成工作任务。此外，对话式AI助手也在促进职场包容性方面展现出潜力，它们能够提供即时反馈和个性化的支持，从而帮助员工更好地适应工作环境。

### 用户参与与设计策略的优化

尽管AI技术在功能实现上取得了一定进展，但其在设计过程中对神经多样性用户的参与度仍显不足。目前，大多数研究依赖于专家访谈或文献分析，而直接邀请神经多样性用户参与设计和评估的案例相对较少。这种局限性可能导致系统设计与实际需求之间存在偏差，影响用户体验和接受度。

为了弥补这一不足，研究者们开始尝试采用更具包容性的设计方法，例如“参与式设计”（participatory design）和“协同设计”（co-design）。这些方法强调用户的实际需求和反馈在系统开发中的重要性，通过与用户、治疗师和设计师的协作，确保技术能够更好地满足个体的特殊需求。例如，Li等人通过焦点小组讨论，与家长、治疗师和设计师共同设计出适合自闭症儿童的触觉游戏系统，提高了用户对技术的接受度和使用满意度。

此外，适应性设计（adaptive design）也是提升AI系统实用性的重要策略。通过实时调整任务难度、反馈机制和界面布局，系统能够更好地满足用户的个性化需求。例如，Dutt等人开发的智能教学系统能够根据学生的学习表现动态调整教学内容，从而提高学习效果。同样，Yu等人设计的触觉反馈系统通过实时调整用户交互体验，显著提升了老年人的使用满意度和心理健康水平。

### 伦理挑战与技术发展的平衡

AI技术在神经多样性支持中的应用也伴随着一系列伦理挑战。首先，数据偏见（data bias）是当前研究中普遍存在的问题。许多AI系统在训练数据中过度依赖男性样本，导致女性用户的诊断准确性较低。这种偏差不仅影响系统的公平性，还可能加剧神经多样性群体中的不平等现象。此外，非西方群体的数据代表性不足，使得算法在这些人群中表现出较高的误诊率，进一步凸显了算法偏见（algorithmic bias）的严重性。

其次，数据隐私和安全问题成为AI技术发展的重要障碍。许多研究未能充分考虑数据加密和访问控制等措施，增加了用户信息泄露的风险。特别是在医疗和康复场景中，数据的敏感性要求更高的安全标准，以确保用户隐私不被侵犯。

此外，AI系统的可及性（accessibility）也是不可忽视的问题。尽管一些技术如可穿戴设备和沉浸式系统在特定场景中表现出色，但它们的高成本和复杂性限制了其在资源匮乏地区的普及。因此，未来的研究需要更加注重技术的普及性和可持续性，开发成本较低、易于使用的解决方案，以确保AI技术能够真正惠及所有神经多样性用户。

### 研究方法与结果可靠性

在研究方法方面，当前的AI技术研究仍存在一定的局限性。大多数研究采用短期实验或原型测试，缺乏长期跟踪和评估。这种短视的方法使得研究结果难以反映技术在实际应用中的长期效果。例如，Hu等人开发的计算眼镜系统虽然在实验室环境中表现出良好的效果，但在实际应用中缺乏长期的用户行为跟踪，限制了其推广价值。

此外，定性研究在分析用户体验时往往缺乏透明度。许多研究未能详细说明编码过程和饱和度（coding saturation）的判断标准，这使得研究结果的可靠性受到质疑。而混合方法研究（mixed-methods research）虽然数量较少，但它们能够更全面地捕捉用户的需求和体验，为系统优化提供更丰富的数据支持。

为了提高研究的可靠性和可比性，未来的研究应更加注重方法论的透明性和系统性。例如，采用长期跟踪和混合方法设计，结合定量数据和定性反馈，以更全面地评估AI技术在神经多样性支持中的实际效果。同时，建立统一的评估指标和数据共享平台，有助于提高研究的可重复性和跨研究的比较能力。

### 未来研究方向与建议

基于上述分析，未来的研究可以从以下几个方面进行拓展和优化：

1. **跨学科技术开发**：AI技术的发展应更加注重跨学科合作，尤其是在神经科学、心理学和工程学之间的融合。通过结合神经认知理论和AI技术，可以更精准地设计符合用户需求的干预方案。例如，利用脑机接口（BCI）和生成式AI技术，探索基于神经信号的交互模式，以提升技术的个性化和适应性。

2. **包容性与参与式设计**：未来的AI系统设计应更加注重用户的直接参与，建立用户、设计师和临床专家之间的协作机制。通过持续的用户反馈和参与式设计，确保技术能够更好地满足不同群体的需求，并提高用户的接受度和满意度。

3. **伦理与可持续技术生态**：在技术开发过程中，应加强伦理考量，制定更加严格的数据隐私和算法透明度标准。同时，推动技术的可持续发展，通过开源社区合作和成本控制，提高技术的可及性和普及率，确保所有神经多样性用户都能受益。

4. **方法论的完善**：未来的研究应更加注重方法论的多样性，采用长期跟踪和混合方法设计，以更全面地评估AI技术在实际应用中的效果。同时，建立统一的评估指标和数据共享平台，提高研究的可比性和可重复性。

### 结论

综上所述，AI技术在支持神经多样性用户方面具有广阔的应用前景，但也面临诸多挑战。通过跨学科合作、包容性设计、伦理规范和方法论创新，可以进一步提升AI系统的有效性和可及性。未来的研究应更加注重用户需求和实际应用，推动AI技术从功能实现向包容性支持的转变，真正实现“技术赋能差异，设计尊重多样性”的目标。同时，应加强对数据隐私、算法公平性和文化敏感性的关注，确保AI技术在神经多样性支持中的可持续发展和广泛应用。