精读笔记

Problem Setting

这篇论文真正解决的不是“人是否会把机器人拟人化”这个表层问题，而是：个体在面对同一个 humanoid robot 行为时，为什么会系统性地选择不同解释框架。关键矛盾是机器人同时具有 artifact 属性和 social cue 属性；同一行为既可以被解释为设计/机械结果，也可以被解释为意图/心理状态结果。

困难点在于 stance bias 本身很隐蔽：它不像明确态度问卷那样可直接报告，也不像单个 ToM task 那样只测一次心理状态推断。它处在更上游，是一种解释系统的默认先验。以前路线多停留在显性问卷、行为评分或任务诱发脑活动，容易混入刺激语义、社会期望、响应策略和 trial-level decision noise。作者要问的是：这种解释先验是否在任务前的 default neural activity 中已经可见。

Motivation

已有 HRI 态度研究缺的是 objective predisposition marker。问卷能说明用户报告了什么，InStance Test 能说明用户选择了什么解释，但都不能区分这是任务当下诱发的策略，还是进入任务前已有的认知状态/特质。

作者借用的关键观察来自 DMN 文献：静息态并非“无任务噪声”，而包含 self-referential/social cognition/mind-wandering；DMN 与 intentional stance、mentalizing 有重叠。进一步，EEG beta 被一些 MEG/EEG-fMRI 文献视作 DMN-like resting activity 的 proxy。因此动机不是为了找一个更 fancy 的神经指标，而是试图把机器人 stance bias 放入“默认社会认知状态如何塑造后续解释框架”的问题里。

Core Idea

核心思想可以压缩为一句：用任务前静息态 beta 活动读出个体默认社会认知状态，并检验它是否预测后续对机器人行为采用 intentional stance 还是 design stance。这个想法改变了建模位置：不是把 stance 看成由机器人刺激触发的即时判断，而是看成由进入任务前的 latent cognitive state 调制的解释偏置。

本质区别在于 prior 多研究 task-evoked ToM 或机器人态度评分，而这里把 resting-state neural pattern 当作 bias prior。这个 inductive bias 很强：如果 DMN/beta 代表自发 mentalizing，那么个体在看到机器人前的社会认知状态可能影响其后续是否把机器人纳入“有心智主体”类别。值得注意的是，结果方向并非直觉上的“beta/DMN 高 → 更 intentional toward robot”，而是相反：design-stance 组 beta 更高。作者解释为更强的人类心智表征可能强化 human/non-human category boundary，从而让机器人更被视作 artifact。这个解释有启发性，但证据链不闭合。

Method

方法层面最关键的是三件事。

第一，行为标签来自 InStance Test，而不是泛泛的机器人好感问卷。每个场景提供 intentional 与 mechanistic 两种解释，让 stance bias 被操作化为解释选择偏置。它解决的是态度测量太粗的问题，把“喜欢/害怕机器人”转成“用哪种因果模型解释机器人行为”。

第二，任务前采集 resting EEG，重点分析 eyes-open beta。这个环节的必要性在于建立时间上的前因关系：如果任务前信号能区分后续行为组，至少说明差异不完全来自 task-evoked processing。beta 的选择来自 DMN electrophysiological proxy 文献，但这里是一个较强假设，不是直接测 DMN。

第三，任务中只抓 response 前窗口的 gamma。它不是主贡献，而是用于连接 stance 与 ToM/mentalizing。response 前窗口比句子呈现期更接近实际决策过程，因此更适合观察“当参与者准备给出 intentional/mechanistic 判断时，mentalizing-related dynamics 是否不同”。不过这个窗口也更容易混入决策信心、运动准备和反应策略。

Key Insight / Why It Works

最值得保留的 insight 是：对人工主体的社会解释偏置可能不是 stimulus-driven 的末端判断，而是 resting cognitive ecology 的外显。也就是说，机器人是否被当成 intentional agent，不只取决于机器人长得多像人、行为多社会化，还取决于观察者当下/长期默认激活的是哪类社会认知表征。

方法之所以可能有效，不是因为 EEG beta 是一个高精度 classifier，而是因为任务设计把外部变量压得较窄：同一个 iCub、同一套场景、同一类解释竞争，剩下方差更可能来自个体内部差异。在这种设置下，resting beta 这种粗糙 proxy 才可能与后续 stance 发生可检测关联。

真正的核心贡献是把 intentional stance 与 resting-state predisposition 链接起来，而不是具体发现某几个电极显著。电极簇和频段结果更像证据载体，不应过度解读为精确脑区机制。任务内 gamma 结果是辅助性的：它支持 intentional stance 与 ToM processing 有关，但不能证明 ToM 是 stance 的 consequence，也不能排除难度/选择冲突解释。

我会把这篇的机制归因为 better latent-state framing，而不是 scaling、retrieval、data coverage 或复杂模型优势。它的价值在理论建模：把 HRI bias 从显性态度测量推进到 baseline neural state。它不是一个强预测系统，也不是可直接部署的 BCI marker。

Relation To Prior Work

最接近的路线有三条：机器人态度/拟人化量表，InStance Test 行为范式，以及 DMN/ToM/intentional stance 神经文献。本文不是重新发明 InStance Test，也不是证明 gamma 与 mentalizing 相关；这些都来自 prior。真正新增的信息是把 Marchesi 等人的机器人 stance 行为差异，与 Spunt 等人关于 DMN priming intentional stance 的框架结合，并把对象从 human behavior 转向 humanoid robot。

和传统 HRI 问卷相比，它的差异在于测的是解释框架而非态度声明；和 ToM 任务相比，它测的是 general stance 而非某个具体 belief inference；和 fMRI DMN 研究相比，它用 EEG resting beta 做更轻量但更间接的 proxy。

看似新的部分——beta/DMN、gamma/mentalizing、intentional stance——都不是单独新概念。实质创新是三者的重组：task-before baseline、robot-as-ambiguous-agent、individual bias grouping。这种组合让论文在 HRI 神经机制上有推进，但从神经科学严格性看，它更像 hypothesis-generating study。

Dataset / Evaluation

评估覆盖很窄但与 claim 对齐：单一 humanoid robot iCub、34 个静态图片序列场景、实验室内 EEG、无真实交互、无真机动态行为。它验证的是“在受控视觉-语言解释任务中，个体 stance bias 与 resting/task EEG pattern 有关”，不是“真实 HRI 中可预测用户如何对待机器人”。

样本量为 52，实际核心比较只用两端组：design n=15，intentional n=18，中间 undecided 被主要分析排除。这有利于放大组间差异，但会降低连续预测和真实分布下的外推性。文中称 predictive，但 evaluation 更接近 retrospective group differentiation；没有看到严格的 out-of-sample prediction、classification accuracy 或跨被试泛化模型。因此核心 claim 中“detectable neural correlates”被支持得比“predictive marker”更充分。

统计上使用 cluster-based permutation 是 EEG 场景下合理选择，能缓解多重比较，但不能解决后验分组、样本小和机制解释不唯一的问题。benchmark 没有 leakage 问题，但有 construct validity 问题：InStance score 是否足以代表一般机器人 attitude bias，文中未充分说明。

Limitation

第一，DMN 解释依赖很强。EEG scalp beta 与 DMN 活动之间只是间接对应，且 beta 也可能反映注意、运动系统状态、视觉固定、警觉性或一般认知准备。没有源定位、同步 fMRI 或 resting thought report，很难确认所谓 resting mentalizing。

第二，预测性被夸大。行为分数先定义组，再比较 resting EEG；这不是一个独立训练-测试预测框架。若用连续 InStance score 做回归并交叉验证，效果可能明显下降。增益来源不清，可能主要来自两端样本截断。

第三，反直觉方向解释不够硬。design-stance 组 beta 更高被解释为更强人类心智活动导致更清晰的人机边界，这很有意思，但也可能是完全不同变量：更高 task vigilance、更强 category-based reasoning、更低拟人倾向、或对人工物更熟悉。文中未充分说明这些替代解释。

第四，泛化上限明显。单一机器人、静态图片、离线解释任务，不足以推到真实交互中的信任、合作、服从、攻击或长期适应。真实 HRI 中机器人行为 contingencies、交互历史和社会反馈会重塑 stance，baseline marker 的解释力可能很快被上下文覆盖。

第五，任务内 gamma 证据存在混杂。response 前 gamma desynchronization 可被解释为 mentalizing 差异，但也可能来自视觉处理、决策冲突、反应准备或 trial selection。它支持相关性，不足以说明 ToM 是 intentional stance 的后果。

Takeaway

• 1. 对机器人 intentional/design stance 的研究不应只看机器人侧特征；观察者进入交互前的 latent cognitive state 可能是同等重要的变量。
• 2. Resting-state neural measures 在 HRI 中有潜力作为 bias prior，而不是只作为噪声 baseline。
• 这个思路可迁移到信任校准、自动化依赖、AI agent 拟人化、甚至人机协作中的责任归因。
• 3. 最值得继续做的是从 group-level correlation 走向真正的 individual-level prediction：连续标签、交叉验证、多机器人、多文化、真实互动，并加入 thought sampling 或 fMRI/源定位来拆解 beta 的心理含义。

一句话总结

这篇论文在 HRI 神经机制谱系中的位置，是把机器人 intentional stance 从任务内行为偏好推进为可由静息态神经状态部分解释的个体差异问题；真正贡献是提出并初步验证了 baseline social-cognitive state 作为机器人态度偏置先验的框架。