背景來源
本筆記整理自以下論文的閱讀與討論：
- [2602.15063] How Do We Research HRI in the Age of Large Language Models? A Systematic Review（CHI ‘26，86 篇論文）
- 相關脈絡：HAT 分類法、DQAF、GCENT、SafeVLA 等 vault 既有論文
這篇綜述中工業場域的現況
論文識別 8 大 LLM-HRI 應用領域：Social & Conversational、Healthcare & Wellbeing、Domestic & Everyday、Teaching & Education、Industrial Manufacturing、AR/VR-enabled Interactions、Public Spaces Service、Other。
Industrial Manufacturing 是研究最稀少的領域之一。 綜述中幾乎沒有真正在工廠/製造業部署的研究案例，僅有：
- 機械臂 pick-and-place、組裝任務（實驗室場景，非工廠部署）
- 共享自主框架（使用者用自然語言修正 LLM 動作計畫後才執行）
- 文獻 [114] 提到組裝程序，但細節未展開
這個缺口本身就是研究機會的來源。
工業與公共服務場域的潛在研究方向
工廠 / 製造
1. 人機協作中的意圖溝通 工人與 cobot 並肩工作時，如何用 LLM 讓機器人「預告下一步動作」（motion telegraphing）。研究問題：在噪音環境中，哪種溝通模式（語音、動作預告、視覺提示）最有效？
2. 技術轉移與新手上線 LLM 機器人作為廠內師傅：新員工用自然語言問操作流程，機器人從 SOP 中抽取並示範。研究問題：與傳統手冊訓練相比，訓練時間與出錯率差異？
3. 異常事件的分層警示 機器人感測異常時，針對不同技術背景工人生成分層語言警告（新手 vs. 專家）。研究問題：分層語言是否提升異常處理速度與正確率？
醫院 / 醫療
4. 候診室導引機器人的對話設計 醫院環境有時間壓力、情緒緊張使用者、多語言需求。研究問題：LLM 機器人如何處理焦慮病患的非理性問題？何時 escalate 到人類護理師？
5. 隱私保護下的個人化 醫療場域不能儲存 PHI（個人健康資訊）。研究問題：在單次互動內，僅靠 ephemeral memory 能達到多少個人化效果？
公共服務 / 開放場域
6. 多使用者同時互動（最具論文潛力） 車站、機場的服務機器人面對多人圍繞輪流提問。現有 LLM-HRI 研究幾乎都是單使用者一對一。研究問題：機器人如何管理對話佇列、判斷優先序、讓等待者不覺得被忽略？
7. 文化與語言切換 公共場域使用者語言背景多元，對機器人禮貌程度的期待因文化而異。研究問題：LLM 機器人能否根據偵測到的語言與對話風格自動調整溝通策略？
8. 長時間連續部署的效能衰退 家庭研究通常是幾小時實驗，公共服務場景是 8–12 小時連續運作。研究問題：對話品質、回應延遲、幻覺率在長時間後如何變化？
跨場景共通
9. 問責性與可解釋性 當 LLM 機器人給出錯誤建議後，誰負責？如何設計可審計的決策紀錄？技術 × 法律 × 倫理交叉題目。
10. 冷啟動下的情境推斷 公共服務機器人每次遇到陌生人。研究問題：在零個人化資料前提下，如何用環境線索（時間、地點、隊伍長度）推斷使用者需求？
工業場域 Trust 研究方向
工業 trust 的核心特殊性：後果不對稱——過度信任影響安全，信任不足影響效率，目標是校準至適當水準，而非最大化 trust。
1. 時間壓力下的信任決策 工廠有生產配額。趕工時，工人是過度信任機器人（節省核查時間）還是信任不足（怕出錯不敢依賴）？幾乎沒有把 time pressure 作為自變項的工業 HRI trust 研究。
2. 單次失誤後的信任崩潰與修復（Trust Repair）【最具論文潛力】 工人看到機器人出一次錯，往往長期喪失信心。研究問題：機器人用何種溝通策略（無回應、錯誤代碼、NL 解釋、NL + 改善承諾）能最有效修復適當的信任？
- 獨立變項：道歉策略（4 種）
- 依變項：TAS / Muir’s Trust 量表 + 後續任務接受率
- 場景：工廠協作組裝，機器人主動犯一次可控錯誤
3. 跨任務信任遷移（Trust Transfer） 工人在任務 A 對機器人高度信任，是否會不適當地遷移到機器人能力較差的任務 B？這是工業 over-trust 的主要來源之一，目前幾乎沒有實驗研究。
4. 社會擴散：同事信任的影響（Social Contagion of Trust） 工廠是社群環境，老員工對機器人的態度強烈影響新員工。研究問題：如何設計機器人溝通策略，讓正面信任態度在工作群體中傳播？
5. LLM 語言解釋對 trust 校準的影響 自然語言解釋（「建議走 B 流程，因為感測器顯示溫度偏高」）vs. 傳統警告代碼，哪個更能幫助工人做出適當的信任判斷？語言解釋可能讓工人「感覺理解了」但實際上 over-trust。
6. 問責歸因對信任的影響 事故後機器人能否主動說明決策責任歸屬（機器人 vs. 操作員 vs. 系統設計）？清楚歸因是否維持長期適當信任，還是讓工人覺得不安全而降低信任？
與 vault 現有研究的接點
| vault 既有研究 | 可延伸的工業/trust 題目 |
|---|---|
| HAT 分類法（人機協作結構） | 不同自主等級下信任如何隨角色定義改變（題目 1、3） |
| DQAF（操控者回饋設計） | 回饋設計原則移植至工業 trust repair 溝通設計（題目 2） |
| SafeVLA / CMDP（安全約束） | 安全約束透明度是否提升 trust 校準（題目 5、6） |
| GCENT（遠端監督比） | 遠端監督場景下信任如何形成（題目 4） |
| PSD / RINSE（示範品質篩選） | 工廠技術轉移的示範收集品質（工業場域題目 2） |
優先推薦題目
- Trust Repair after Single Failure + LLM NL Explanation（缺口最明確、實驗設計最清晰）
- 多使用者同時互動（公共服務場域，一對多，幾乎零文獻）
- 時間壓力下的信任決策（工廠特有情境，現有 trust 文獻未涵蓋）