综述：工业情感计算领域的范式转变与知识演化：基于库恩理论视角的系统性文献计量分析

《Neurocomputing》：Paradigm shift and knowledge evolution in industrial affective computing: A systematic bibliometric analysis from the perspective of kuhn’s theory

　　摘要
工业情感计算作为连接人工智能与智能制造的跨学科领域，近年来经历了从传统机器学习到深度学习，再到由大型语言模型驱动的技术范式快速演变。然而，现有的文献计量学综述往往仅能提供图表形式的分析结果，其实际贡献并不清晰，且对范式转变的识别主要依赖定性描述。本研究梳理了近24年来主流学术数据库中关于工业情感计算的文献，运用库恩的范式理论、野中郁次郎的SECI知识转化模型以及多西的技术范式框架等理论工具，通过多维度分析方法对这些文献进行系统研究。为识别范式转变，本研究进一步构建了一套包含四个指标的操作化流程，即问题意识转变、方法标准变化、评价标准重构以及研究路径重新定义，从而将原本依赖定性判断的范式转变识别转化为基于明确指标定义和定量阈值的多元指标评估体系。通过这一方法，本研究发现了该领域中三次相互关联的范式转变，同时指出其发展过程呈现出累积性而非替代性的内在结构，存在时间压缩效应，使得累积发展轨迹与外部技术突破相契合，此外在研究期内技术供给与工业需求之间也存在着协同进化关系。这些发现打破了现有研究中以二元对立视角描述的范式演化模式，提出了一个三阶段累积发展路径，即从跨模态推理逐步发展到基础模型推理，从而突破了以往仅关注单一突破点或单一驱动因素的局限性。

引言
工业情感计算是连接人工智能与智能制造的重要跨学科方向，旨在让工业系统具备感知、理解并响应人类情感的能力。如图1所示，自1997年罗莎琳德·皮卡德在麻省理工学院首次提出“情感计算”概念以来[1]，该领域已从单纯的面部表情和语音识别发展到当前的多模态融合及基于大型模型的复杂情感理解阶段，并在协作机器人、智能工厂、安全监控以及员工福利管理等多个工业场景中展现出巨大应用价值[2]。在这一发展过程中，深度学习的出现[3]、Transformer架构的提出[4]以及大型语言模型的诞生[5]先后推动了三次技术飞跃，促使该领域不断经历范式变革，从单纯识别向理解乃至生成能力迈进。然而，尽管技术迭代迅速，现有学术研究在把握该领域发展规律方面仍显滞后：大多数文献仍集中在特定方法的优化或单一场景的案例分析上[6][7]，缺乏对整体发展轨迹的系统探讨；现有综述多采用定性描述[8]，难以量化揭示学科知识结构的内在演化规律或识别出范式转变的关键节点；虽然库恩的范式理论被广泛用于描述学科发展阶段[9]，但尚未形成将范式理论与系统性文献计量方法相结合的综合研究框架；此外，现有研究通常将时间演化、空间分布和主题聚类视为相互独立的分析维度，缺乏对其相互作用机制的深入研究[10]。

针对上述背景及理论缺陷，本研究以库恩的范式理论、野中郁次郎的SECI知识转化模型以及多西的技术范式框架为分析视角，提出了以下四个层层递进的研究问题：
RQ1：工业情感计算领域的知识增长遵循何种规律？该领域的年度论文发表量和引用量是否呈现技术S型曲线的累积特征？哪些重要事件构成了推动研究规模跃升的关键节点？
RQ2：工业情感计算领域是通过怎样的范式转变路径实现发展的？深度学习、Transformer架构和大型语言模型这三项重大技术创新如何在文献计量指标中体现？范式转变的方向性与累积机制是什么？
RQ3：学术社区的空间分布结构如何影响知识的传播与创新？哪些国家和机构在该领域网络中处于核心地位？国际协作网络在研究范式传播中扮演着怎样的角色？
RQ4：工业情感计算的学科知识结构是如何组织的？它又如何演化？研究热点和新兴领域随时间如何变化？主题聚类、文献关联度和突发术语之间是否存在某种协同关系？

为回答这些问题，本研究以Web of Science Core Collection作为唯一数据来源，检索时间范围为2002年至2026年，文献筛选遵循PRISMA指南，最终纳入1204篇论文作为分析样本。在方法上，本研究综合运用CiteSpace、VOSViewer和Bibliometrix三种互补的文献计量工具，通过五项分析步骤展开系统研究：基础特征分析（涉及论文、期刊和作者分布的描述性统计）、知识库分析（共引分析）、主题结构分析（关键词共现分析）、前沿演化分析（突发项检测）以及协作结构分析（协作网络分析）。这五项分析共同覆盖时间演化、空间分布、主题聚类和知识流动四个维度，其中基础特征分析和协作结构分析分别用于分析空间分布和知识流动，前沿演化分析则补充时间演化方面的分析内容。此外，本研究还将范式转变识别转化为一种明确的多元指标评估流程，将原本依赖定性的判断转化为可量化的分析结果。

本研究的主要贡献体现在三个层面：
首先，本研究将库恩的范式理论、野中郁次郎的SECI知识转化模型以及多西的技术范式框架有机整合为一个统一的分析框架，兼顾了学科发展、技术轨迹和知识转化三个方面，避免了单一理论视角可能带来的解释偏差。
其次，本研究提出了一套包含四个指标的范式转变识别操作化流程，即问题意识转变、方法标准变化、评价标准重构和研究路径重新定义，将现有综述中以定性描述为主的范式识别方式转变为具有明确指标定义和定量阈值的多元指标评估体系，这一方法也可应用于其他具有类似文献计量特征的快速发展的跨学科领域。
最后，通过对2002年至2026年间1204篇论文的分析，本研究发现工业情感计算所经历的三次范式转变呈现出累积性而非替代性的内在结构，存在时间压缩效应，即累积发展轨迹与外部技术突破紧密相关；同时在研究期内，技术供给与工业需求之间也存在着协同进化关系。这些发现打破了现有研究中“识别与理解”二元对立的叙事模式，提出了一个三阶段累积发展路径，即从跨模态推理逐步发展到基础模型推理，从而突破了以往仅关注孤立突破点或单一驱动因素的局限。

片段摘录
**范式理论框架**
工业情感计算作为认知科学、人工智能和人因工程等多学科共同塑造的交叉研究领域，其学科成熟度不仅体现在技术指标的不断进步上，更体现在研究群体能够在问题意识、方法标准及评价标准等方面形成符合发展阶段的共识。当一个跨学科领域存在多种并存的研究传统时……

**数据来源**
本研究以Web of Science Core Collection作为数据来源。选择该数据库是基于以下考虑：它涵盖了各学科领域的高质量学术期刊，能够确保数据的学术价值；同时提供完整的引用索引信息，为共引分析和作者协作网络分析提供必要数据支持；此外，该数据库在学术评估中被广泛使用，具有较高的认可度。

**年度论文发表量及增长趋势**
本研究最终纳入1204篇论文进行分析，时间跨度约为2002年至2026年的24年。如图3所示，该领域的年度论文发表量呈现持续增长趋势，复合年增长率高达46.2%。为便于分析，可将这一增长过程分为三个阶段：以论文产出为导向的发展阶段。第一个发展阶段为2002年至2010年……

**检测到的范式转变的累积轨迹**
这三次范式转变在文献计量数据的多个层面均可同时被识别，并且具有明显的时间顺序。具体而言，大约在2012年，特征工程被表示学习所取代，后者为该领域增添了可直接学习的情感表征能力；大约在2017年，单模态处理流程被跨模态注意力机制所替代，使得分析单元从通道内的情感信息转变为跨通道的情感信息；……

**结论**
工业情感计算已发展成为一个跨学科领域，目前其范式演进仍主要以基于孤立技术突破的定性描述为主，而其背后的累积发展结构、与外部技术突破的时间同步性以及技术供给与工业需求之间的协同进化关系则缺乏充分记载。为弥补这一不足，本研究综合运用三种理论视角……

**CRediT作者贡献声明**
程驹：撰写——初稿、可视化、软件、方法论、研究设计、数据整理、概念构建。马洪平：可视化、方法论、研究设计、概念构建。

**利益冲突声明**
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。程驹于2016年在南开大学获得电子科学与技术博士学位。2017年至2024年期间，他在中国航天科技集团担任高级工程师。目前，他是延安大学西安创新学院数据与科学工程学院的副教授。他的研究兴趣包括基于深度学习的物体检测、边缘计算技术、物联网传感技术以及物联网应用解决方案。

程驹 | 马洪平
中国陕西省西安市710100，延安大学西安创新学院数据科学与工程学院