综述：面向医疗领域大语言模型赋能社交辅助机器人的HEART评估框架：一项遵循PRISMA规范的结构化综述

《Applied Sciences》：The HEART Framework for LLM-Enabled Socially Assistive Robots in Healthcare: A PRISMA-Informed Structured Review

　　

大语言模型（Large Language Models, LLMs）正通过自然语言交互、个性化适配、多模态推理、交互上下文留存及自适应行为，持续拓展社交辅助机器人（Socially Assistive Robots, SARs）在医疗场景中的应用边界。然而，将生成式语言模型集成至机器人系统时，评估复杂度显著提升：流畅的生成式输出可能夸大系统的感知能力，同时加剧幻觉（hallucination）、过度信任、隐私泄露、关系依赖以及针对建议或行动的不安全依赖等风险。本研究为一项遵循PRISMA规范的结构化综述，综合了医疗机器人、人机交互（Human-Robot Interaction, HRI）、LLM赋能系统、伦理治理、落地实施及照护交付领域的现有证据。数据库检索共获取128条记录，去重后保留110篇独立文献；经补充检索与筛选，最终纳入85项实质性来源，涵盖背景映射、核心分析与治理规范三类。现有研究主要聚焦于可行性、可用性、接受度、对话质量及短期参与度，而对长期安全性、交互上下文治理、比较有效性、工作流整合及可持续医疗价值的关注明显不足。上述空白表明，LLM赋能SARs的评估不能仅局限于对话性能，还需统筹考量物理存在、社会角色、交互记忆及潜在行动风险。基于此，本研究提出HEART这一医疗场景专用评估架构，包含以人为中心的沟通（Human-Centred Communication）、伦理可信部署（Ethical and Trustworthy Deployment）、自适应具身智能（Adaptive and Embodied Intelligence）、关系连续性（Relationship Continuity）及转化医疗价值（Translational Healthcare Value）五个维度。HEART通过边界规则、操作化指标、定性标签及非叠加式部署门控机制，实现各评估域的解耦、可测结果的界定、证据支持程度的汇总，并防止单一维度的优势掩盖关键的安全或治理缺陷。未来研究应通过纵向与比较研究验证HEART框架，重点关注幻觉严重程度、语言到行动的安全性、长期效应、公平性以及部署后监测。

1. 1.
   引言
   社交辅助机器人（SARs）是一类通过社交互动、引导、陪伴、辅导、监测或激励等方式为用户提供支持的有形系统，广泛应用于机构照护、社区康复及居家护理场景，其价值取决于技术可靠性、言语与非言语沟通能力、个性化水平、参与度以及与照护关系的适配性。当前医疗价值相关证据仍不均衡：现有文献多强调可用性、接受度、参与度、感知有用性及短期交互质量，而对持续的临床、心理社会、关系、组织及实施层面的结果验证不足。信任评估多依赖主观量表与短时受控实验，未能在日常照护场景中校准用户对系统能力的认知，这对因年龄、健康状况或认知、感官、功能障碍而易受伤害的群体尤为关键——此类群体的脆弱性、依赖风险、隐私损失风险以及知识与权力不对称问题更为突出。LLM的集成进一步拓展了SARs的能力边界，同时也提升了评估复杂度：LLM赋能SARs将LLM或其他生成式语言模型用于对话生成、语言理解、个性化、交互上下文留存、多模态解释、规划或行动选择，其功能可覆盖从纯对话模块到系统级记忆、多模态推理、规划及行动关联型自主性的全链路。相较于早期脚本化或规则驱动设计，这类系统支持开放式对话、情境解释与多模态交互，具备更强的自适应能力；但流畅的输出可能使机器人表现出超越实际能力的知识性、共情性、社交胜任力或临床能力，从而引发幻觉、误导性能力声明、过度信任、隐私暴露、责任不清及不安全依赖等核心评估风险。一旦生成式语言与社会临场感及潜在物理行动耦合，故障将不再局限于沟通层面，而是直接影响行为、照护关系及患者安全。尽管已有综述分别覆盖了医疗社交机器人的特征、技术要求、部署场景、LLM驱动的HRI能力、信任、接受度、伦理与实施，但这些成果分散于技术、临床、关系及治理文献中，尚未形成能够统筹评估生成式沟通、记忆、适应、社会可信度、物理能动性与医疗问责制交互作用的整合框架。为此，本研究提出HEART这一医疗场景专用的解释性架构（而非心理测量量表或复合评分工具），从五个既独立又交互的维度组织评估体系：以人为中心的沟通、伦理可信部署、自适应具身智能、关系连续性与转化医疗价值。通过明确的边界规则界定各维度的核心评估对象，以操作化指标将维度转化为可测结果，并以非叠加式门控防止某一维度的优势掩盖其他维度的关键安全或治理缺陷。研究围绕三个核心问题展开：一是梳理医疗机器人、SARs、HRI及LLM赋能机器人系统的文献中涌现的评估挑战；二是阐释LLM与生成式AI如何重塑医疗场景下SARs的评估范式，尤其是在沟通、信任、具身性、自主性、连续性与医疗价值方面的影响；三是将上述评估挑战整合为LLM赋能SARs的医疗场景评估框架。本研究采用PRISMA规范指导证据识别与筛选，结合框架导向的来源分析，将证据基础划分为背景映射、核心分析与治理/监管解读三类语料库，以支持评估框架的构建而非干预效应的合并估计。最终形成的HEART架构旨在为研究设计、比较评估、利益相关者参与、实施决策及未来实证验证提供支撑。
2. 2.
   相关工作
   本节从医疗机器人与HRI、特定人群场景、伦理评估、生成式AI四个层面梳理既有研究缺口，为HEART框架的提出提供基础。在医疗机器人与HRI及具身AI领域，既有研究表明医疗机器人的价值源于情境化交互而非单纯技术能力，HRI综述重点关注社会感知、行为适应、沟通、形态学、交互模式及服务角色，但针对医疗场景特有的脆弱性、连续性与临床价值的关注不足；具身AI研究聚焦感知、规划、决策与行动，而临床HRI虽提供了信任、治疗联盟、个性化与响应性的证据，但仍存在持续性方法学缺口与临床转化障碍，尚未解释生成式语言、社会临场感、自主性与照护相关风险汇聚时的评估范式转变。在老年、痴呆、衰弱及长期照护场景中，机器人支持的价值需在日常常规中而非孤立交互中评判：护理机器人嵌入用户、家庭、专业人员、机构、家庭与技术服务的网络中，现有研究多报告可行性与接受度，但对认知功能、神经精神症状、生活质量及衰弱结局的长期影响证据有限或不一致；研究设计的异质性、随访时长差异及测量工具的多样性削弱了持续有效性声明的可信度。 uptake还受可靠性、个体需求、组织情境、维护、人员配置及常规照护整合程度的影响，这意味着HEART框架下个性化、记忆与适应的评估必须基于纵向数据，短期接受度无法单独证明持久获益。在儿科照护、临床工作流与护理实践场景中，机器人支持必须与临床角色、情感敏感性及人员责任保持一致：儿童导向干预涵盖自闭症治疗、操作性疼痛管理、情绪调节及住院心理支持，机器人被用于社会学习、沟通、模仿、分心、激励及发展适宜性参与，但疼痛、焦虑等负面情绪的缓解效果因结局指标、操作流程及测量方式而异；主动参与、引导呼吸、激励支持与物理安抚同样影响干预反应，表明单纯的机器人临场感并不足够。专业视角下，机器人对工作量、效率与患者福祉的潜在收益需与可靠性、角色边界、培训、隐私、知情同意、职业认同及公平可及性相权衡；产科与新生儿护士额外关注安全性、消毒灭菌、精度、警报、数据传输、导航、可用指导及明确的责任划分。因此，价值声明必须与明确的照护问题绑定，而非仅基于技术新颖性或普遍认可度推断。在信任、接受度、伦理、自主性与评估领域，流畅的生成式对话加剧了正向用户反应的解释难度：自主水平、交互模式、责任分配与照护角色的差异阻碍了跨部署比较；技术接受模型可解释使用意愿，但无法确立持久的临床、心理社会、关系或组织价值；信任具有动态性与可修复性，但现有测量多依赖短期自评，未针对脆弱人群的实际情况校准。伦理分析警示，社会临场感与效率声明不能成为牺牲用户自主权、导致用户适应设备限制或丧失照护关系控制权的理由；对能动性、行为、参与度及福祉的长期影响仍未被充分研究。伦理关切还包括知情同意、隐私、人类照护替代、不公平可及、幼稚化、尊严、依赖、欺骗与数据保护，且现有测量工具的心理测量学质量参差不齐，在特定临床人群中的效度验证不足。生成式对话的流畅性进一步放大了幻觉、不透明性、欺骗性行为、不安全依赖及责任分散的风险，这意味着HEART的伦理基线需明确：在照护场景中由具有社会可信度的机器人传递语言时，正向态度本身即具有安全相关性。在LLM、生成式AI与机器人自主性领域，生成式模型与医疗SARs的集成实现了对话、推理、规划、个性化与物理行动的紧密耦合，较脚本化系统具备更高的灵活性，但也模糊了实际能力与说服性社会表现之间的界限，引发了对偏差、信任与负责任采纳的担忧。机器人自主性研究中，语言指令可被关联至导航、操作、语义规划、语音交互与自适应执行，但需权衡延迟、可扩展性、隐私、可靠性与实时响应能力；协议层面的研究已将生成式AI与医疗社交机器人的交叉领域视为新兴方向，需系统梳理模型、平台、结局、实施与风险。鉴于误导性能力声明或可信错误信息可能影响患者行为、安全与问责制，评估必须统筹考量沟通、规划、物理能动性、隐私与治理。综上，现有单一文献流均无法覆盖完整的评估问题：医疗HRI提供了沟通、物理能动性与临床适配的证据，照护研究补充了连续性、工作流与专业责任的视角，伦理与测量研究关注自主性与校准信任，LLM研究引入了开放式生成、持久记忆、规划与说服性社会表现。相邻研究如生物传感可穿戴设备研究关联了持续传感与行为效应，但未涉及社会可信生成式对话或语言到行动耦合；以用户为中心的精神健康SAR框架强调了自主性、情感体验、参与度、个性化与长期信任，但未操作化LLM幻觉或执行风险；临床LLM安全研究贡献了错误分类法与严重性敏感的幻觉与遗漏评估，可适配至面向患者的机器人对话评估。HEART通过单一评估架构整合上述贡献，填补现有空白。
3. 3.
   方法
   本研究采用PRISMA规范的结构化设计，结合透明的来源识别与框架导向的分析方法，旨在梳理快速发展的异质性文献而非估计合并干预效应，参考了范围综述、结构化映射与综述报告的成熟指南。信息来源包括Web of Science核心合集与Scopus两大受控数据库，辅以Google Scholar定向补充检索方法学文献、预印本、治理/监管文件及受控检索中代表性不足的预LLM SAR与医疗机器人研究；补充来源的引文追踪未被采用，且预印本与治理文件仅用于规范性解释而非有效性声明。检索时间窗口聚焦于2021—2026年，反映生成式语言与具身AI机器人系统的近期涌现，早期文献仅在提供方法学、伦理、概念或综述设计基础时被保留。检索策略采用四个概念块构建布尔逻辑表达式，涵盖社交/医疗/照护机器人、LLM/生成式AI/多模态AI、医疗场景及评估/伦理/信任/自主性/实施/安全/临床转化，并在Web of Science与Scopus中适配字段语法。研究筛选流程区分受控数据库检索分支与补充检索分支，前者生成可审计的记录数，后者为定向补充；两条路径合计初始获取128条受控记录，去重后保留110篇独立文献，补充检索后形成110篇候选源日志，经来源级评估排除18篇，最终保留92篇文献，其中7篇为方法学参考文献，不参与实质性编码，剩余85篇实质性来源按分析功能划分为语料库A（n=35，综述、调查与背景/缺口映射研究）、语料库B（n=35，实证研究、技术开发、试点、协议与设计导向研究）与语料库C（n=15，治理、伦理、隐私、问责与监管材料）。纳入标准限定为对医疗机器人、SAR、LLM赋能交互、HRI、具身自主性、实施、评估、安全、伦理或监管治理有实质性贡献的研究，排除非医疗/HRI/机器人领域文献、无物理实体的聊天机器人研究、无人类照护意义的工业自动化研究及无分析价值的出版物；纯技术LLM研究仅在涉及机器人自主性、多模态接地、隐私、安全或负责任部署时被保留。数据提取采用结构化模板，记录文献计量信息、研究设计、机器人配置、照护场景、目标人群、AI/LLM组件、交互模态、持续时间、评估方法、结局、伦理关切、实施问题、局限性与现实照护意义；针对实证研究重点提取场景类型、交互时长、参与者特征与测量方式，针对技术研究提取LLM的功能角色，针对综述提取文献流、结论与缺口，针对治理文献提取原则、风险与监督机制。证据状态与声明功能的区分被引入以适配异质性来源：前者区分同行评议实证研究、技术/设计研究、综述、协议/预印本与治理文件，后者区分观察到的用户/临床结局、技术性能、设计/方法提议、计划评估与规范性要求，避免将异质材料强制纳入单一质量层级。主题合成通过迭代编码实现，从描述性代码提炼为分析性主题，跨语料库比较识别LLM赋能SAR评估中的碎片化与缺口，重点关注表观能力与实际可靠性的张力、短期参与与持久价值的矛盾、个性化与用户控制的平衡、对话流畅性与临床适当性的协调，以及技术自主性与专业问责制的冲突。框架细化过程中，HEART的初始类别通过与既有文献流的对比及跨语料库主题的匹配进行迭代优化，仅保留覆盖重复出现的局限性、跨语料库功能且因生成式语言而复杂化的议题，最终形成整合性解释框架而非经验证的测量工具。方法学边界明确：本研究优先保障框架开发的透明度而非效应估计或全面覆盖，保留了受控数据库的精确计数、来源级排除日志、方法学参考文献、语料库构建细节及补充路径的明确边界，非LLM子集仅作为目的性比较基线，不构成对早期SAR文献的全面综述。
4. 4.
   HEART框架
   HEART是针对LLM赋能SARs的医疗场景专用评估架构，包含五个维度：H（以人为中心的沟通）、E（伦理可信部署）、A（自适应具身智能）、R（关系连续性）与T（转化医疗价值），将生成式语言、社会可信度、记忆、物理能动性、治理与照护结局视为医疗干预的交互特征，补充而非替代技术验证、临床评估、伦理治理、实施科学与监管审查。框架逻辑通过边界规则解决维度重叠：多模态连贯性若以理解与沟通一致性为评估对象则归属H，若以语音、感知、手势或运动的同步化为对象则归属A；个性化若评估连续性与适应则归属R，若评估知情同意、数据最小化、访问、删除或隐私则归属E；幻觉或不受支持的内容若评估事实性、可理解性、沟通修复或用户理解则归属H，若评估潜在临床危害、合理依赖、监督、升级或部署责任则归属E。非叠加式部署门控机制规定E与A为关键约束：任一维度的严重故障均可阻断部署，即使其他维度表现优异；R与T则设定证据阈值，分别要求重复交互证据及超越可用性/接受度的结局证据。H维度评估生成内容的易懂性、情感适宜性、情境敏感性、临床边界及与非言语行为的一致性，核心风险在于说服性语言可能提升感知能力，但实际缺乏事实支撑、临床授权或可靠的修复机制；相关测量指标应包括不受支持声明率、安全响应率、修复成功率、解释质量及用户对局限性的理解，而非仅关注流畅度。E维度评估部署的可问责性，要求患者、照护者、临床医生与机构明确理解机器人的能力与局限，并建立治理、申诉、升级与监督机制；信任应校准于实际能力而非最大化接受度，需报告不受支持的临床声明与遗漏率、重大/关键错误率、适当弃权与转诊率，以及已证实可靠性与用户依赖之间的差距；隐私与治理要求数据最小化、隐私感知记忆、生命周期监测、人类监督、变更控制、透明度与可追溯的更新流程。A维度评估语言与感知、行动的耦合技术正确性与可恢复性，核心风险在于流畅对话掩盖了接地错误的规划，导致不当物理行为、延迟支持或责任不清；需验证语言、感知、规划、运动与行动的接地性、可靠性、错误后恢复能力及对照护场景的适宜性，包括语义规划、多模态输入融合、语言到动作的转换、非言语线索的协调性以及临床场景下的知识源验证与交互防护。R维度评估跨会话的信息留存与适应的准确性、可控性及响应用户需求变化的能力，核心关切在于持久上下文可能保留错误信息、暴露敏感数据或形成系统无法维持的稳定理解假象；需关注记忆的准确性、用户对个人数据的控制权、适应性随需求变化的响应性、新颖性消退后的持续价值，以及共同设计对用户自主性与照护目标的适配。T维度评估机器人是否解决了明确的照护需求，且未将隐性负担转移至患者、照护者、专业人员或机构，可用性、接受度、参与度与技术新颖性仅为必要非充分条件；需结合比较研究、纵向数据、经济学评价、工作量评估与实施科学证据，验证其对患者/心理社会结局、工作流适配、成本、维护、公平性、可持续性及组织问责制的贡献。基于语料库B的分析显示，15项明确涉及LLM的研究主要覆盖H、A维度，而20项基线研究更多覆盖T维度，E与R分布相对均衡；现有LLM研究普遍缺乏纵向、组织层面与结局评估，技术能力与真实世界获益之间的关联尚未建立。HEART的操作化需覆盖模型、交互、物理系统、纵向与医疗层面，将校准信任定义为已证实可靠性、用户信念与行动意愿的一致性，幻觉评估需区分频率与潜在临床严重性；研究设计应关联对话安全、信任与隐私防护、受控记忆、危险与覆盖测试、重复使用、工作流与医疗价值结局至明确的决策门控。回顾性应用示例显示，老年单元研究在沟通与早期可行性方面支持度更高，而陪伴机器人研究则揭示了幻觉、隐私、记忆与用户期望方面的显著关切，两类研究均未确立转化有效性或全面的语言到行动安全性。HEART对三个研究问题的回应可归纳为：RQ1识别出跨越沟通、合理依赖、语言到行动协调、连续性与医疗价值的多维评估问题；RQ2阐明LLM集成将生成式语言与留存上下文同社会可信度、适应性与潜在物理行动在医疗问责制下耦合；RQ3通过HEART提供了判断证据充分性、不完整性与关键安全/治理故障的结构化基础，强调负责任的部署依赖综合证据画像而非单一指标表现。
5. 5.
   讨论
   本研究的评估启示在于，早期交互层面的积极信号不足以支撑部署决策：正向态度、感知有用性、舒适度与参与度仅能说明可行性，无法确立安全性、可信度、临床价值或可持续性；针对LLM赋能SARs，社会响应性对话可能虚增感知能力，因此接受度结果必须辅以事实可靠性、校准依赖、物理安全、连续性与照护结局的评估。负责任实施不仅依赖技术性能，还需明确角色边界、人员工作量、培训、维护、升级机制、隐私治理、机构就绪度、公平可及性、成本与可持续服务模式，且需捕捉监督、更新、工作流效应及向专业人员或照护者转移的隐性负担。纵向评估不可或缺：单会话或严格受控研究无法揭示不准确留存上下文、幻觉、误导性能力声明、隐私暴露、过度依赖或情感依恋在重复使用中的累积效应，需结合重复测量、交互日志、质性随访、专业人员与照护者输入、不良事件监测、实施结局与持久照护价值指标。HEART与相邻评估方法的比较优势在于其共同的边界逻辑，能够追溯生成式沟通故障如何影响依赖、物理行动、纵向个性化与照护交付，其医疗场景扎根性体现在对脆弱用户、敏感数据、专业问责制与潜在临床伤害的考量；创新性不在于单个标准的独创性，而在于将标准分配至非冗余的核心评估对象，通过因果与治理路径连接，并通过E与A门控约束部署。未来研究优先级包括：明确机器人平台、模型配置、部署模式、对话架构、留存上下文、自主性水平、目标用户、照护功能与禁止声明；开展与脚本化机器人、无实体聊天机器人、远程医疗工具、人工干预及常规照护的比较研究；评估物理系统的接地性、延迟、语言到行动执行、恢复、升级与更新后回归；纵向检验个性化与记忆功能的准确性、用户数据控制权、依赖性指标及新颖性消退后的稳定性；将安全、隐私、治理与医疗价值作为全生命周期核心结局，采用对抗性提示、脆弱用户与临床边界场景、严重性敏感的幻觉与遗漏评估、适当弃权与升级、数据最小化、删除测试、更新后验证及有害输出监测。分阶段评估与转化路线图将HEART转化为从用例定义到部署后监测的七阶段流程：阶段1定义预期用途与主张，覆盖H、E、A、R、T全维度；阶段2在用户暴露前评估对话与模型安全；阶段3验证物理系统的语言到行动接地性；阶段4在预安全门控通过后开展受控用户评估；阶段5在纵向照护试点中评估记忆准确性、个性化与稳定性；阶段6在务实条件下评估实施与医疗价值；阶段7开展部署后监测。各阶段均需明确推进、重新设计、限制使用、补充证据或终止的决策规则，重大更新或不良发现需回溯至相应阶段。HEART的实证验证需分阶段推进：首先通过多学科内容效度与可行性研究，采用改良德尔菲法结合认知访谈验证维度定义、边界规则、指标、标签与门控的适用性与完整性；其次通过独立评分者对标准化证据包的标注评估评分者间信度与结构效度；最后通过前瞻性多中心研究检验效用与决策效度，比较HEART引导的评估与传统研究规划或治理审查的差异，评估额外风险检出率、结局选择改变、利益相关者一致性、时间与负担、部署前安全事件识别及预部署画像与真实世界事件的对应关系，并在可靠性、效度与实用后果确立后再考虑数值加权或总分计算。
6. 6.
   局限性
   本研究存在若干方法学局限：作为PRISMA规范的结构化综述而非系统综述或荟萃分析，不估计合并效应或确立临床有效性，结论仅适用于异质性快速发展证据基础的组织与解释；受控数据库分支的检索、去重与筛选流程可审计，但补充检索路径的路由级添加、重叠与剔除未被完整保留，无法重构纯数据库链路的筛选流程；纳入研究在设计、人群、场景、机器人类型、技术成熟度与结局指标上异质性显著，实证研究、技术演示、协议、综述与规范性文件的方法学等价性不足；直接关于LLM赋能医疗SARs的证据有限，35项核心分析来源中仅15项明确涉及LLM或生成式AI，且少有研究评估纵向或转化价值，目的性选择的预LLM子集仅用于确立照护、工作流、连续性与实施要求，不作为LLM安全性或有效性的证据；语料库分配、HEART标签、回顾性画像与主题合成依赖解释性判断，单作者完成所有筛选与编码，无法评估评分者间信度；HEART尚未经过前瞻性信度、效度或预测效用验证；研究还受发表偏倚、语言限制、数据库覆盖与灰色文献获取约束，未保留机器导出的界面历史；HEART不替代正式风险管理、临床验证、数据保护评估、医疗器械监管或机构治理，其在非医疗场景的适用性未被检验。
7. 7.
   结论
   LLM赋能社交辅助机器人的研究进展快于其持久医疗价值的证据积累。现有研究对可行性、交互质量与早期接受度的支持强于对长期安全性、交互上下文治理、比较有效性、工作流影响、成本、公平性及部署后表现的验证。这种不平衡具有关键意义：生成式输出通过具有社会可信度的系统传递，这些系统可能留存信息、塑造行为并在受临床与组织问责制约束的场景中发起或影响物理行动。HEART框架通过关联沟通、可信部署、自适应具身性、关系连续性与医疗价值五个互补域应对上述评估挑战：边界规则解耦核心评估对象，操作化指标与定性标签揭示缺失证据，非叠加式E与A门控防止单一维度的优势掩盖关键安全或治理缺陷。在概念层面，HEART将LLM赋能SARs视为照护中的整合型社会技术干预而非对话产品；在实践层面，其为研究设计、系统比较、利益相关者审查与实施决策提供了通用结构。回顾性画像表明，沟通或可行性获益可能与未解决的纵向、转化或安全问题共存。未来需通过前瞻性验证检验HEART的内容效度、评分者间信度、结构效度、决策效用、多中心适用性及对模型或平台更新的响应性，之后再考虑引入总分计算。