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

Resumo Técnico: Mapeando o Crescimento da Interação Humano-Robô Sócio-Física (spHRI)

Definição do Problema
A interação humano-robô sócio-física (spHRI), definida como interações físicas com robôs onde a intenção social é o objetivo primário, tem experimentado um crescimento rápido nos campos da robótica, interação humano-computador (HCI) e háptica. No entanto, o campo sofre com terminologias fragmentadas, silos disciplinares e metodologias inconsistentes, o que dificulta a acumulação sistemática de conhecimento. Embora revisões sistemáticas em larga escala sejam necessárias para mapear este cenário, o volume massivo de literatura (mais de 130.000 publicações candidatas neste estudo) cria um gargalo para revisores humanos. A triagem tradicional é demorada e, embora os Grandes Modelos de Linguagem (LLMs) ofereçam uma solução potencial, eles frequentemente exigem acesso à nuvem, recursos computacionais substanciais e levantam preocupações éticas relativas à pegada de carbono e opacidade de dados. Consequentmente, há uma necessidade de ferramentas de triagem acessíveis, ambientalmente responsáveis e escaláveis que não dependam de infraestrutura cara.

Metodologia
Os autores conduziram uma revisão sistemática de literatura seguindo um fluxo de trabalho PRISMA pré-registrado para investigar o crescimento da spHRI e avaliar a utilidade de Pequenos Modelos de Linguagem (SLMs) como auxílio na triagem.

• Coleta de Dados: Os registros foram recuperados do PubMed, IEEE Xplore, Scopus e ACM Digital Library usando uma consulta de busca booleana refinada cobrindo robôs, toque/háptica e conceitos sociais/afetivos. Após a remoção de duplicatas, o conjunto de dados inicial compreendeu aproximadamente 182.000 registros, dos quais 32.000 foram triados por dois pesquisadores humanos independentes.
• Implementação de SLM: Quatro SLMs de código aberto e leves (≤ 1,5 bilhão de parâmetros) foram avaliados: Llama3.2 (1B), Gemma3 (1B), Qwen3 (0.6B) e DeepSeek-R1 (1.5B). Estes modelos foram implantados localmente em um desktop de nível de consumo (Intel i5-13600K, NVIDIA RTX4070) utilizando o framework Ollama.
• Estratégia de Ensemble: Os modelos foram testados individualmente e como um "ensemble de unanimidade". Na abordagem de ensemble, um artigo era sinalizado para re-triagem humana apenas se todos os quatro SLMs o previssem como "relevante" (incluir). Esta regra conservadora foi desenhada para minimizar falsos positivos e manter a carga de trabalho de re-triagem manual gerenciável.
• Métricas de Avaliação: O desempenho foi medido em relação aos rótulos dos revisores humanos usando acurácia, recall, precisão, especificidade, taxa de falsos positivos (FPR) e pontuação F1. A inferência estatística utilizou bootstrapping não paramétrico pareado (10.000 reamostragens) com correção de Holm–Bonferroni.

Principais Contribuições

1. Mapeamento Sistemático de spHRI: O estudo fornece a primeira revisão sistemática abrangente abrangendo HRI, HCI, háptica e robótica, esclarecendo as fundações conceituais e o cenário metodológico da spHRI.
2. Benchmarking de SLM em HRI: O artigo avalia o desempenho de SLMs de nível de consumo contra revisores humanos para a triagem de título e resumo em um domínio específico e sutil (spHRI), indo além dos típicos benchmarks biomédicos ou de engenharia de software encontrados na literatura existente.
3. Pipeline de Revisão Acessível: Demonstra um fluxo de trabalho prático para integrar modelos de baixo parâmetro implantados localmente em revisões sistemáticas, oferecendo uma alternativa sustentável aos LLMs baseados em nuvem.

Resultados

• Trajetória de Crescimento (H1 Suportada): A análise das contagens de publicações de 1992 a 2025 revela um crescimento não linear sustentado na pesquisa de spHRI, com uma aceleração pronunciada na última década. Um Modelo Aditivo Generalizado (GAM) ajustado aos dados explicou 96,9% da variância, confirmando a spHRI como um subcampo emergente.
• Desempenho vs. Humanos (H2 Rejeitada): Nenhum SLM individual ou o ensemble combinado igualou o desempenho do revisor humano. Todos os modelos tiveram desempenho significativamente inferior aos humanos em todas as métricas ($p < 0.001$). No entanto, o Llama3.2 alcançou o melhor acordo isolado com os rótulos humanos (Especificidade = 0.9366) enquanto triava artigos em 0,21 segundos cada, ordens de magnitude mais rápido que os 30–60 segundos exigidos pelos humanos.
• Utilidade como Rede de Segurança (H3 Suportada): O ensemble de unanimidade identificou com sucesso 39 artigos relevantes que foram perdidos pela triagem humana inicial. Estes 39 artigos representaram 10,29% do dataset relevante final (379 artigos no total), excedendo o limiar predefinido do estudo de 5%.
• Trade-offs: Os resultados destacam um trade-off entre precisão e recall. Modelos como o Gemma alcançaram alto recall (0.9794), mas com uma sobre-inclusão extrema (FPR = 0.9185). Por outro lado, a abordagem de ensemble foi altamente seletiva (Precisão = 0.2202) com um FPR muito baixo (0.00161), atuando efetivamente como uma "rede de segurança" para capturar artigos perdidos sem sobrecarregar os revisores com falsos positivos.

Significância e Alegações
O artigo argumenta que os SLMs não devem ser vistos como substitutos para revisores humanos especialistas, mas como ferramentas de aumento que tornam as revisões de literatura em larga escala acessíveis e sustentáveis. Os autores afirmam que:

• Os SLMs podem servir como "filtros de segunda passagem" confiáveis para recuperar estudos relevantes perdidos, melhorando assim a abrangência das revisões sistemáticas.
• A implantação local de modelos pequenos democratiza o processo de revisão sistemática, permitindo que laboratórios de pesquisa sem acesso a computação de alto desempenho na nuvem ou créditos de API caros realizem sínteses rigorosas e de grande escala.
• O campo da spHRI amadureceu o suficiente para ser reconhecido como um subcampo distinto, mas sua natureza fragmentada exige o tipo de síntese sistemática que o esforço humano sozinho tem dificuldade em escalar, tornando os fluxos de trabalho assistidos por IA essenciais para a futura consolidação da pesquisa.

Os autores reconhecem limitações, incluindo o uso de saídas binárias (sem confiança) dos SLMs e um processo de triagem humana de passagem única, o que impede a análise de confiabilidade inter-avaliador. Eles posicionam este trabalho como um Relato de Última Hora (LBR) que estabelece uma base para o refinamento de prompts, exploração de ensembles alternativos e expansão da triagem para conjuntos de dados completos em trabalhos futuros.