Charting the Growth of Social-Physical HRI (spHRI): A Systematic Review Pipeline Augmented by Small Language Models

Resumen Técnico: Trazando el Crecimiento de la Interacción Humano-Robot Socio-Física (spHRI)

Planteamiento del Problema
La interacción humano-robot socio-física (spHRI), definida como las interacciones físicas con robots donde el objetivo principal es la intención social, ha experimentado un rápido crecimiento en los campos de la robótica, la interacción humano-computadora (HCI) y la háptica. Sin embargo, el campo sufre de una terminología fragmentada, silos disciplinares y metodologías inconsistentes, lo que dificina la acumulación sistemática de conocimiento. Si bien las revisiones sistemáticas a gran escala son necesarias para mapear este panorama, el enorme volumen de literatura (más de 130,000 publicaciones candidatas en este estudio) crea un cuello de botella para los revisores humanos. El cribado tradicional consume mucho tiempo y, aunque los Modelos de Lenguaje de Gran Escala (LLM) ofrecen una solución potencial, a menudo requieren acceso a la nube, recursos computacionales sustanciales y plantean preocupaciones éticas respecto a la huella de carbono y la opacidad de los datos. En consecuencia, existe la necesidad de herramientas de cribado accesibles, ambientalmente responsables y escalables que no dependan de una infraestructura costosa.

Metodología
Los autores realizaron una revisión sistemática de la literatura siguiendo un flujo de trabajo PRISMA preregistrado para investigar el crecimiento de la spHRI y evaluar la utilidad de los Modelos de Lenguaje Pequeños (SLM) como ayuda para el cribado.

• Recopilación de Datos: Los registros se recuperaron de PubMed, IEEE Xplore, Scopus y la ACM Digital Library utilizando una consulta de búsqueda booleana refinada que cubría conceptos de robots, tacto/háptica y social/afectivo. Tras eliminar duplicados, el conjunto de datos inicial comprendió aproximadamente 182,000 registros, de los cuales 32,000 fueron cribados por dos investigadores humanos independientes.
• Implementación de SLM: Se evaluaron cuatro SLM de código abierto y ligeros (≤ 1.5 mil millones de parámetros): Llama3.2 (1B), Gemma3 (1B), Qwen3 (0.6B) y DeepSeek-R1 (1.5B). Estos modelos se desplegaron localmente en un ordenador de escritorio de consumo (Intel i5-13600K, NVIDIA RTX4070) utilizando el marco de trabajo Ollama.
• Estrategia de Ensamblaje: Los modelos se probaron individualmente y como un "ensamblaje de unanimidad". En el enfoque de ensamblaje, un artículo se marcaba para la reevaluación humana solo si todos los cuatro SLM lo predecían como "relevante" (incluir). Esta regla conservadora fue diseñada para minimizar los falsos positivos y mantener manejable la carga de trabajo de reevaluación manual.
• Métricas de Evaluación: El rendimiento se midió frente a las etiquetas de los revisores humanos utilizando precisión, exhaustividad (recall), exactitud (precision), especificidad, tasa de falsos positivos (FPR) y puntuación F1. La inferencia estadística utilizó bootstrapping no paramétrico por pares (10,000 remuestreos) con corrección de Holm–Bonferroni.

Contribuciones Clave

1. Mapeo Sistemático de la spHRI: El estudio proporciona la primera revisión sistemática integral que abarca HRI, HCI, háptica y robótica, aclarando los fundamentos conceptuales y el panorama metodológico de la spHRI.
2. Benchmarking de SLM en HRI: El artículo evalúa los SLM de consumo frente a revisores humanos para el cribado de títulos y resúmenes en un dominio específico y matizado (spHRI), yendo más allá de los típicos benchmarks biomédicos o de ingeniería de software encontrados en la literatura existente.
3. Pipeline de Revisión Accesible: Demuestra un flujo de trabajo práctico para integrar modelos de bajos parámetros desplegados localmente en revisiones sistemáticas, ofreciendo una alternativa sostenible a los LLM basados en la nube.

Resultados

• Trayectoria de Crecimiento (H1 Soportada): El análisis de los recuentos de publicaciones de 1992 a 2025 revela un crecimiento sostenido y no lineal en la investigación de spHRI, con una aceleración pronunciada en la última década. Un Modelo Aditivo Generalizado (GAM) ajustado a los datos explicó el 96.9% de la varianza, confirmando la spHRI como un subcampo emergente.
• Rendimiento vs. Humanos (H2 Rechazada): Ningún SLM individual ni el ensamblaje combinado igualaron el rendimiento del revisor humano. Todos los modelos funcionaron significativamente peor que los humanos en todas las métricas ($p < 0.001$). Sin embargo, Llama3.2 logró el mejor acuerdo independiente con las etiquetas humanas (Especificidad = 0.9366) mientras cribaba artículos en 0.21 segundos cada uno, órdenes de magnitud más rápido que los 30–60 segundos requeridos por los humanos.
• Utilidad como Red de Seguridad (H3 Soportada): El ensamblaje de unanimidad identificó con éxito 39 artículos relevantes que fueron omitidos por el cribado humano inicial. Estos 39 artículos representaron el 10.29% del conjunto de datos relevantes final (379 artículos en total), superando el umbral predefinido del estudio del 5%.
• Compromisos (Trade-offs): Los resultados resaltan un compromiso entre precisión y exhaustividad. Modelos como Gemma lograron una alta exhaustividad (0.9794) pero con una sobreinclusión extrema (FPR = 0.9185). Por el contrario, el enfoque de ensamblaje fue altamente selectivo (Precisión = 0.2202) con un FPR muy bajo (0.00161), actuando efectivamente como una "red de seguridad" para capturar los artículos omitidos sin abrumar a los revisores con falsos positivos.

Significancia y Reivindicaciones
El artículo argumenta que los SLM no deben verse como reemplazos de los expertos revisores humanos, sino como herramientas de aumento que hacen que las revisiones de literatura a gran escala sean accesibles y sostenibles. Los autores afirman que:

• Los SLM pueden servir como fiables "filtros de segunda pasada" para recuperar estudios relevantes omitidos, mejorando así la exhaustividad de las revisiones sistemáticas.
• El despliegue local de modelos pequeños democratiza el proceso de revisión sistemática, permitiendo que los laboratorios de investigación sin acceso a computación de alto rendimiento en la nube o créditos de API costosos realicen síntesis rigurosas y a gran escala.
• El campo de la spHRI ha madurado lo suficiente como para ser reconocido como un subcampo distinto, pero su naturaleza fragmentada requiere el tipo de síntesis sistemática que el esfuerzo humano por sí solo tiene dificultades para escalar, haciendo que los flujos de trabajo asistidos por IA sean esenciales para la futura consolidación de la investigación.

Los autores reconocen las limitaciones, incluyendo el uso de salidas de SLM binarias (sin confianza) y un proceso de cribado humano de una sola pasada, lo que impide el análisis de la fiabilidad inter-evaluador. Posicionan este trabajo como un Informe de Actualidad (LBR) que establece una base para refinar los prompts, explorar ensamblajes alternativos y expandir el cribado a conjuntos de datos completos en trabajos futuros.