情绪识别（ER）是一种可测量的社会情感结果，指的是识别、区分和解释通过多种表达渠道传递的情绪信息的能力，包括面部表情、身体动作和姿势以及语音韵律。ASD患者存在情绪识别困难，这与社会沟通和社交互惠方面的广泛障碍有关（National Autism Center, 2009; Tracy et al., 2011）。ASD患者常常难以准确识别和解释情绪表达（Uljarevic & Hamilton, 2013），这可能导致适应性社交互动的困难。在这种背景下，基于技术的干预措施作为支持该群体情绪识别发展的工具受到了越来越多的关注。由于ASD患者的情绪识别困难与对社会显著线索的异常关注和处理动态情绪信号的能力有关（Mazzoni et al., 2020），数字中介方法可能通过提供结构化、可预测且视觉上明确的学习环境，以及重复练习的机会和减少社交需求来发挥优势（Bertacchini et al., 2023; Justicia et al., 2026）。
基于技术的干预措施是指通过计算机、在线系统、移动设备、数字平台或其他技术手段提供的干预，旨在增强知识、行为或技能成果（Zhang et al., 2019）。尽管研究表明这些干预措施对ASD患者的情绪识别有积极影响（Golan et al., 2010; LaCava et al., 2007; Martínez, 2011），但不同技术类别之间的效果存在差异（Olsson et al., 2025）。技术交互性的水平可能是造成这种差异的一个因素（Scassellati et al., 2012; Zheng et al., 2020）。交互性被定义为系统对用户输入的响应程度。低交互性格式提供静态内容，不进行行为调整；中等交互性包括基于规则的反馈或分支结构；高交互性涉及根据用户数据动态调整内容或任务参数的自适应系统（Camerini and Schulz, 2012; Schnieders et al., 2022）。虽然高交互性方法理论上可以提高参与度和生态效度（Horace et al., 2018），但实证证据并未一致显示其效果优于低交互性格式（David et al., 2025; Farashi et al., 2024; Fitzgerald et al., 2018）。这表明交互性本身可能无法解释所有治疗效果。干预效果也可能因参与者特征而异。高交互性的干预措施通常对认知和感官要求较高，可能更适合基础能力较强的个体。相比之下，年龄较小的儿童（如学龄前儿童）或临床严重程度较高的个体可能从低交互性格式中获益更多，因为这些格式具有更高的可预测性和较低的认知要求（Kourtesis et al., 2023; Zhang et al., 2025）。
多项元分析研究了基于技术的干预措施对ASD患者情绪识别的有效性，但关于关键调节因素的结论并不一致。关于参与者特征，Grynszpan等人（2014）报告称基于计算机和虚拟现实的干预措施对情绪识别有显著的整体效果，未发现年龄或智商的显著调节作用；而Wang等人（2024）则发现干预效果因年龄组而异，智商≥70的个体比智商较低的个体改善更明显。关于干预相关调节因素的结论也存在分歧。Grynszpan等人（2014）观察到干预持续时间与效应量之间存在负相关，而Liu等人（2025）未发现干预持续时间的显著调节作用，但认为技术类型是变异性的重要来源，更倾向于基于桌面的计算机程序。与此观点一致，Xu等人（2026）进一步报告基于计算机的干预措施效果更显著。总体而言，这些元分析一致认为基于技术的干预措施有效，但在技术特性和参与者特征的相对作用方面存在分歧。
此外，先前的元分析主要集中在干预后的即时效果上，对干预效果持久性的研究有限。尽管评估了多种技术模式，但技术交互性作为干预效果的决定因素尚未得到系统研究。调节因素分析的结果各不相同，且通常单独评估变量，限制了对它们潜在交互作用的理解。此外，许多先前的综合研究包括了正常发展的对照组，虽然有助于发展比较，但可能会引入与正常发展轨迹相关的异质性。因此，在匹配条件下，ASD群体内的特定干预效果不够清晰。为了提高分析精度和解释的清晰度，本元分析仅限于包含ASD匹配对照组的RCTs。这种方法通过减少发展异质性，有助于更精确地估计ASD群体内的干预效果，并更清晰地解释特定干预的结果。
