《Annals of the New York Academy of Sciences》：Evidence of Physiological Comodulation During Human–Animal Interaction: A Systematic Review
本综述考察了现有文献中关于人—动物互动过程中生理共调制的证据，识别那些通过对两物种生理信号进行同步测量并开展定量比较来评估共调制的研究。研究人员检索了 PubMed、EMBASE、Scopus、Google Scholar、Animal Studies Repository、Cochrane 以及 Consensus App 学术搜索引擎（最后检索日期：2025年8月5日）。偏倚风险采用经调整的 ROBINS-I V2 工具版本进行评估。研究结果依据数据分析方法、互动情境以及生理参数进行分组，并以结构化表格中的叙述性综合方式呈现。最终纳入37项研究，其中犬为22项，马为15项，主要置于动物辅助治疗/干预与陪伴情境之中。心脏指标与激素指标是最常评估的生理测量。多数研究（n = 20）采用相关分析。样本量范围从 ≤10 到 ≥130 个二元配对。16项研究显示共调制显著，16项为部分共调制，5项未见共调制。时间序列耦合方法较离散时间相关分析提供了更为一致的证据。尽管证据尚不具决定性，但现有结果支持人—动物互动中存在生理共调制。然而，研究之间的异质性限制了结论的可推广性；相关发现提示，共调制可能仅在特定生物学条件与方法学条件下出现，未来研究应在不同情境中明确检验其是否存在。
1 Introduction
1.1 Rationale
本文旨在考察现有文献对于人类与动物在互动过程中是否存在生理同步，或更为审慎地称为生理共调制的支持证据。在人—动物互动研究中，这一现象日益被视为情绪协调、相互调节与关系联结的潜在标志，其理论脉络与人际二元关系研究相呼应。然而，该领域在概念界定与方法学实施上仍较为碎片化。作者指出，尽管生理同步在人类研究中常被用作相关过程的指标，但在跨物种互动中，其存在性及其在联结形成中的作用尚未被确证，因此不宜直接套用既有解释框架。
进一步地，既往研究常将 synchrony 一词宽泛使用，混用于时间分辨耦合与静态关联，且所采用的分析路径差异较大。为避免将瞬时对齐与较长时间窗内的共同变化混为一谈，文中采用“生理共调制”这一更包容的术语，用以指称在保持互动双方时间重叠的前提下，生理信号在扩展时间窗口中的相互影响，而不预设严格的逐时相位一致性或高密度时间序列条件。这一定义更适合容纳动物辅助干预、陪伴、运动和工作场景等多样化情境中的证据。
1.2 Objectives
针对上述空白，作者开展系统综述，聚焦于那些在互动期间同时测量人类与动物生理信号、并进行了定量比较的研究。研究目标是综合现有证据，描绘不同互动情境、不同物种以及不同分析框架下生理共调制的出现情况及其方法学特征。文章采用 PICO 框架明确综述对象：研究总体为发生互动的人与动物；暴露/干预为互动中的同步生理测量；比较条件包括无互动、不同步测量或基线；结局指标为是否报告了生理共调制证据。
2 Methods
2.1 Eligibility Criteria
纳入标准围绕研究问题与 PICO 框架制定。人类参与者在年龄、性别与健康状态方面均不设限制，动物物种亦不受限定。核心要求是研究必须在人—动物互动过程中对双方生理参数进行同步测量，这里的“同步”被宽泛界定为在时间上重叠的采集窗口，且时间分辨率足以支持比较，不要求特定的记录时长。研究设计方面，无论观察性还是实验性研究均可纳入；互动类型、场景、生理参数种类以及采集技术特征亦未被预先限制。
作者同时强调，纳入研究必须对人类与动物生理信号之间的变化进行某种定量比较，以评估共调制。若研究虽测量了双方生理指标，但分别独立分析、未进行跨物种比较，则予以排除。共调制的操作化定义涵盖时间分辨耦合以及静态关联。为保证方法学质量，未经过同行评审的文献、学位论文、未发表文稿、会议论文及非英文论文均被排除。作者未进行正式方案注册，但声明方法决策均依照 PRISMA 2020 进行透明报告。综合分析时，研究从三条主轴进行归类：数据分析方法、互动情境与生理参数类型；同时还对生理参数作了类别整合，如心脏活动、激素、多参数及其他指标，以增强跨研究可比性。
2.2 Information Sources
检索来源包括 PubMed、EMBASE、Scopus、Google Scholar、Animal Studies Repository 与 Cochrane，此外还纳入了 AI 驱动的学术搜索工具 Consensus App，以提高检索灵敏度并补充标准数据库中可能遗漏的研究。作者还对每一篇合格文献进行了引文追踪，并咨询相关研究网络专家，以进一步识别潜在纳入研究。
2.3 Search Strategy
检索通过各数据库网页端手动输入简单布尔逻辑组合实施，Consensus App 则采用自然语言问题提示。初始检索词来自 PICO 中的干预维度，并围绕“生理”与“相关”概念展开。作者在预检索后发现，相关证据并不局限于动物辅助治疗或干预语境，因此又补充加入 EEG、PPG、fNIRS、心率、催产素、皮质醇、呼吸等具体生理指标词汇，以改善检索敏感性。这一调整表明研究团队意识到单一以“人—动物互动”为中心的检索策略可能存在覆盖不足的问题。
2.4 Selection Process
两名评审者独立进行检索与筛选，不使用自动化工具。共筛查1179条题录，评估71篇全文，最终纳入37项研究，评审者间一致性较高，Cohen's kappa = 0.94。检索结果以 Zotero 文献集形式保存。
2.5 Data Collection Process
数据提取基于结构化 Excel 表格完成。第一评审者负责手工提取，第二评审者对所有提取项进行核查；对于分歧或不确定处，通过反复阅读原文与交叉比对解决。作者说明未使用软件从图中提取数据，亦未因信息缺失进行推断。虽然也提取了行为学与心理学评估信息，但未纳入主要分析，因为本综述重点在于人类与动物生理参数之间的定性比较。
2.6 Data Items
2.6.1 Outcomes
主要结局定义为互动期间人类与动物之间是否存在生理共调制，即双方生理信号变化之间的动态一致性，并通过任意一种比较性统计分析进行判定。研究结果被归类为“显著”“部分”或“缺失”三类。若同一研究报告了多种共调制分析，综述优先采用关系复杂度更高的方法结果，即优先时间序列耦合分析，其次是回归分析，再次是相关分析。若同一研究涉及多项生理指标，则只有在所有参数均表现为显著共调制时，才归为“显著”；若仅部分参数显著，则归为“部分”。
2.6.2 Other Variables
除主要结局外，作者还提取研究名称、发表年份、动物物种、人与动物样本量、非健康人群或非野生型动物、互动情境、行为测量、生理参数、采样方式、所用指标、分析说明、数据分析类别及结局等变量。缺失或不明确的信息保持空白，不作假设。
2.7 Risk of Bias, Effect Measures, Certainty, and Sensitivity Assessment
偏倚风险评估采用基于 ROBINS-I V2 调整而来的框架，包括混杂偏倚、样本选择偏倚、生理测量偏倚、统计分析偏倚与结局报告偏倚五个维度。每个维度以低、中、高三级定性判定，并给出文字说明。总体偏倚等级依据各维度组合规则确定。作者指出，该工具经过情境化改造，以适应人—动物生理与行为研究的特征。
由于综述关注的是分类性结局而非统一的效应量，故未采用风险比、均值差等标准效应指标，也未开展正式的报告偏倚评估、证据确定性评估或敏感性分析。不过，作者通过广泛检索、引文追踪与专家咨询来尽量减少遗漏结果带来的偏倚。
2.8 Synthesis Methods
2.8.1 Eligibility for Synthesis
所有纳入研究均进入综合，不因物种、互动情境或生理参数不同而排除。即便是高偏倚风险研究亦被保留，但在解释结果时明确提示其局限性。鉴于设计、测量和分析手段高度异质，作者认为不宜进行统计合并，因此采用描述性、结构化的叙述性综合，并通过表格呈现 PICO 各维度上的差异模式。
3 Results
3.1 Individual Studies Characteristics and Results
最终纳入37项研究，且该领域发表数量随时间增加。研究对象主要集中于犬（22项）与马（15项）。在互动情境上，动物辅助干预/治疗与陪伴是最主要的两类场景。生理指标中，心脏活动与激素最常见。总体样本量差异很大，从 ≤10 对到 ≥130 对二元配对不等。结果层面，16项研究报告显著共调制，16项报告部分共调制，5项未观察到共调制，呈现出“支持但不一致”的整体格局。
3.2 Risk of Bias in Contributing Studies
偏倚风险评估显示，混杂偏倚和样本选择偏倚最常被判为中等。这主要源于研究往往缺乏对既往动物经验、情绪状态、身体素质等个体差异变量的控制，且常使用自选样本、小样本或同质化样本。在部分研究中，仅使用单只动物参与互动，也进一步削弱了外部效度并引入个体特异性混杂。
相较之下，生理测量偏倚总体较低，多数研究使用经验证设备和标准化流程采集心脏活动、皮质醇与催产素，并较好地记录了信号处理与伪迹剔除程序。统计分析整体也相对稳健，多数研究采用了适当模型并考虑了模型假设。结局报告通常较清晰，但由于缺乏预注册，仍存在对阳性结果选择性强调的风险。总体而言，内部效度尚可，但外部效度不足和混杂控制薄弱是该证据体系的主要问题。
3.3 Results of Syntheses
3.3.1 Contexts of Interaction Across Studies
在互动情境维度上，12项研究位于动物辅助干预或动物辅助治疗情境，且全部涉及马；其中7项显示显著共调制，4项为部分共调制，1项为无共调制。陪伴情境共有16项研究，主体为犬；其中显著共调制6项，部分共调制4项，无共调制4项，另有涉及狼的研究报告显著结果，涉及猫的研究报告部分结果。竞技运动情境共6项，犬相关研究中2项显著、1项部分显著；马相关研究则均为部分共调制。非竞技运动的2项马研究均报告部分共调制，工作犬训练场景下的1项研究同样为部分共调制。整体上看，结构化程度较高的治疗或陪伴场景更容易观察到共调制证据，但不同场景之间并不能得出简单的一致性结论。
3.3.2 Physiological Parameters Across Studies
在生理参数维度上，心脏活动是最常见指标，共16项研究，且呈现相对较强的一致性：犬研究中4项显著、1项部分、1项缺失；马研究中5项显著、4项部分、1项缺失。激素方面，单独比较皮质醇的8项研究结果更分散；犬研究仅1项显著、2项部分、2项缺失，马研究为1项显著、2项部分。催产素研究数量较少，但1项报告显著、1项报告部分。多参数研究提示，不同生理系统间的组合分析可能揭示更复杂的跨物种调节模式，但现阶段数量有限，尚不足以形成稳定结论。另有个别研究考察呼吸节律与脑连接（EEG），均报告显著共调制，提示除心脏与激素之外，其他连续信号也可能具有研究潜力。
3.3.3 Data Analysis Methods Across Studies
在分析方法维度上，时间序列耦合分析共9项，其中6项显示显著共调制，2项部分显著，1项缺失，整体上提供了最为一致的支持证据。回归分析共8项，不同建模策略下多数结果支持或部分支持共调制。相比之下，相关分析虽然数量最多，共20项，但结果更分散，尤其离散时间相关分析常仅得到部分支持。作者据此指出，分析方法的时间分辨能力与模型结构，可能显著影响共调制的检出率。连续信号更适合采用时间序列方法，而低时间分辨率的分子指标更易受采样窗口和生物学过程限制。
4 Discussion
4.1 General Interpretation of the Results
作者认为，现有证据总体上支持在人—动物互动中存在生理共调制的可能性，这与跨物种情绪协调和相互调节模型相一致，也与人际二元关系研究中的发现形成呼应。然而，证据并不统一：显著、部分以及缺失结果几乎呈三分格局，表明该现象可能并非普遍存在，而是受到互动类型、物种、生理指标及分析路径共同影响。尤其是基于心脏活动的时间序列耦合分析，往往比基于激素的离散相关分析显示出更稳定的支持。
4.2 Limitations of the Evidence
文章强调，研究间高度异质性使得“生理共调制是人—动物互动的一般特征”这一命题尚无法成立。值得注意的是，若干报告最强支持证据的研究往往也伴随较高总体偏倚风险，特别是在混杂控制与样本选择方面存在不足。作者还指出，不同研究对 synchrony 的用法并不一致，从严格时间序列耦合到宽泛的统计相关均有涉及，因此采用“共调制”术语更有助于容纳方法差异并避免概念误置。
此外，具体生理参数及其采样介质显著影响结果解释。例如，心脏活动和 EEG 适于连续时间序列分析，而皮质醇、催产素等激素指标因时间分辨率较低，更难支撑精细的同步性判定；即便同为激素，唾液、血浆、尿液和毛发所反映的生物学时间窗也不同。这些差异决定了共调制不仅是统计问题，也是生物学可解释性问题。作者还指出，互动情境会反向影响采样策略，如治疗场景中过于侵入性的采样可能本身诱发应激，从而干扰所欲观察的互动生理过程。
4.3 Limitations of the Review Processes
综述本身也存在局限。初始检索以“人—动物互动”为核心词，可能对运动或陪伴场景的覆盖不足，虽然后续通过补充生理参数词、引文追踪与 AI 检索工具一定程度上弥补了这一问题。此外，本研究未进行 Meta 分析，结局以定性分类呈现，未计算合并效应量，也未开展正式异质性检验、敏感性分析和报告偏倚评估。综合维度亦非预注册设定，偏倚风险工具为定制化版本，因此其标准化程度有限。
4.4 Implications of the Results
作者最后指出，本综述提供的是关于人—动物生理共调制的初步证据，而非对其普适性或机制的定论。现阶段更合理的解释是：共调制可能是跨物种互动中的一种潜在现象，但它是否出现，很可能取决于特定物种、特定互动情境、特定生理系统及特定分析方法的组合。在实践层面，无论是治疗场景中将共调制用作会话调节指标，还是陪伴研究中将其直接解释为联结强度代理变量，都仍显为时尚早。未来研究应将“是否存在共调制”明确设定为主要研究问题，并采用恰当的对照条件与分析方法，在更多非家养物种、非治疗场景以及结构化运动数据中验证其边界条件。
