人机协作新范式：面向人-机器人团队设计的34项社会技术系统原则创新框架

本文针对AI增强型人-机器人团队(HRT)设计中的社会技术系统(STS)理论缺口，通过系统文献回顾与专家协作评估，提出包含34项原则的创新框架（含8项新原则），涵盖自适应自主性、协作感知等关键维度，为构建可信、高效、符合伦理的HRT系统提供理论指导。论文发表于《Applied Ergonomics》，对跨学科团队开发具有重要实践价值。

　　

随着人工智能和机器人技术的迅猛发展，人-机器人团队(HRT)正在重塑现代工作场景。这类由人类与智能机器人组成的协作系统，通过大型语言模型(LLM)等技术实现动态交互，在制造、医疗等领域展现出巨大潜力。然而传统社会技术系统(STS)理论诞生于1950年代，其核心假设——技术组件在运行期间保持静态、仅需人类单向适应技术——已难以应对HRT中双向学习带来的复杂挑战。当人类与AI驱动的机器人互为"队友"，系统会持续产生设计阶段未预期的行为模式，这对团队信任建立、任务分配和安全控制提出全新要求。

悉尼科技大学(University of Technology Sydney, UTS)机器人研究所的Karyne C.S. Ang团队通过系统研究，在《Applied Ergonomics》发表重要成果。研究采用多学科专家协作评估方法，对传统STS原则进行适用性验证，最终构建包含34项原则的创新框架，其中8项为针对HRT特性的全新原则。该研究通过文献系统回顾、独立专家评估、面对面协作讨论三重验证，历时三年跟踪HRT设计过程，形成兼顾理论严谨性与实践指导性的原则体系。

研究创新性地提出HRT开发需关注的八大新维度：自适应自主性(Adaptive Autonomy)强调根据任务需求动态调整人机控制权；敏捷响应(Agile & Responsive)要求设计具备技术前瞻性；认知负荷管理(Cognitive Workload)优化人机任务分配；协作感知(Collaborative Sensemaking)建立共享心智模型；伦理考量(Ethical Considerations)确保技术向善；透明度与可解释性(Transparency and Explainability)破解AI"黑箱"；信任机制(Trustworthiness)构建多维度信赖关系；不可预测性管理(Unpredictability Management)应对AI涌现行为。这些原则被归类为系统设计与适应、以人为本、集成优化等七大主题，形成完整的方法论矩阵。

在理论层面，研究突破性地将传统STS的"联合优化"(Joint Optimization)原则扩展至动态环境，提出"共同生成学习"(Co-generative Learning)机制，强调人类、机器人与开发者三者间的知识循环。实践层面，框架指导开发者平衡技术能力与社会因素，例如通过"最小关键规范"(Minimal Critical Specifications)保留设计弹性，利用"边界控制"(Boundary Controls)优化信息流。值得注意的是，研究特别强调HRT中"双向不可预测性"——既包括机器人行为的不可预测，也涵盖人类对新技术适应路径的不确定性，这要求设计保留"不完整性"(Incompletion)以支持持续迭代。

该研究的现实意义在于：为正处于爆发期的HRT应用提供系统化设计指南，弥补了AI伦理与工程技术间的理论鸿沟。特别是在高风险场景如医疗手术机器人或工业协作机器人领域，框架中的信任构建原则与透明度要求可直接降低事故风险。研究团队建议未来重点验证原则的行业适用性，开发配套评估工具，并将STS审计纳入HRT开发生命周期。这项成果标志着人机协作从技术实现迈向系统化设计的重要转折，为构建真正"以人为本"的智能团队奠定理论基础。