机器人在社会中的出现越来越多，因此有必要更深入地了解人们对机器人的态度。人们可能将机器人视为机械制品（mechanistic artifacts），或者可能将它们视为目的媒介（intentional agents），这可能导致将机器人的行为解释为源于大脑的操作（有目的意图）或机械设计（机械性）。本研究检验了是否可以根据脑电图（EEG）测得的静息状态下默认神经活动模式来区分个体对机器人的态度。被试观察一个描述了类人机器人在日常环境中执行各种动作的场景。在给被试介绍任务之前，我们测量了他们静息态的EEG活动。研究结果发现，静息态的脑电图beta活动可以区分人们之后倾向于将机器人行为解释为机械性或目的性，该活动模式类似于之前已证明具有社交功能的默认模式网络的活动模式。此外，被试在做出有关机器人行为的决策时观察到了gamma活动，这表明心理理论与上述态度之间存在联系。因此，我们的研究表明，仅在处于静息态EEG信号的神经水平上，就可以检测到将机器人视为目的媒介或机械制品的个体偏见。该文发表在Science Robotics杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料）。随着机器人在日常环境中的出现越来越多，人们对这种人工代理（artificial agents）产生了各种态度，包括热情，承认机器人在日常生活中的潜力，对机器人恐惧和焦虑，甚至野蛮行为和侵略行为。在这种情况下，更详细地研究人类对机器人的一般态度非常重要。鉴于当前致力于开发用于日常协助的机器人（例如医疗保健，老人护理，育儿和一般日常生活）的工作量很大，这一点尤其重要。一些研究人员通过问卷调查了人们对机器人的态度问题，例如拟人化或偏见与焦虑。但有必要将人类对机器人的态度进行更详细的分析，并采用客观的行为和神经测量加上主观报告的方法。具体来说，重要的是要了解人类如何解释机器人的“动因”。我们使用人类的心理模型来理解和预测机器人的行为？还是以纯机械的方式来理解他们的行为？人类对机器人的态度在不同影视作品中也有所体现，如《我，机器人》中的戴尔·斯普纳对机器人充满了怀疑，而《我的机器人女友》则描述了超越生物人与机器人隔阂的爱情，以及看不懂系列之《西部世界》。题外话：对于人类对机器人的态度，最著名的理论是恐怖谷理论。恐怖谷效应，The Uncanny Valley, 指的是当一个事物与自然的、活生生的人或动物非常相似，但不完全相似的时候，它会在一些人中产生反感厌恶的情绪反应。恐怖谷效应常用于解释我们在仿真机器人和电脑特效CGI中常见的，非常像真人但又总觉得哪里不对劲、使人感到反感不适的现象。Uncanny”，翻译成“恐怖”，其实并不确切。“Uncanny“形容的是一种怪异、诡诞的感觉，当然包含恐怖、让人害怕的成分，但更有一重神秘的、无法言说的、离奇异常的含义。要更具象的理解“Uncanny”，想想《世界奇妙物语》和David Lynch (大卫林奇)就够了。“Valley”，谷底，指的是在一个事物的“拟人”程度与它的接受度之间关系的曲线上的一个显著的落点，如下图。
恐怖谷效应最早是在1970年代被Masahiro Mori发现的。Mori认为，当一个机器人的外表变得更像人时，观察者对于机器人的情感反应会变的更积极、更有同理心；但当外表相似到某个点时，观察者的情感反应会迅速向相反的方向转化，变为强烈的反感。当机器人的外表继续向像人的方向偏移，甚至与真人无法轻易区分的时候，观察者的反应又会正向回归，接近于真人对真人的情感反应。( 这里说的外表，不仅仅指静态的身体特征，还包括肢体动作、语言、表情等其他表征人类及其他动物的动态特征。)。而前段时间的波士顿动力机器人组团跳舞的视频一经发出，评论区虽然有人感慨科技的进步之大，同时又有很多人都说：“看到机器做出这些拟人化的动作，我感到害怕和恐惧”。（....假装此处有视频）。因此，本研究的结果对于理解人类对于机器人的态度和机器人的研究进展提供了重要的神经科学证据。在这些考虑的背景下，Daniel Dennett（美国哲学家，著有《意识的解释》）对人类在预测和解释与之交互的各种系统时所使用的策略进行了概念化。例如，驾驶员会预测，踩下制动踏板时，他们的汽车将减速。 Dennett提出了三种不同的策略（或立场）来预测不同的系统。物理立场是预测化学和物理系统的好策略，例如加热下分子的熵，石头下落会被解释为万有引力作用，而不是石头有意图。但是，这种立场对于解释更复杂的系统并不有效。在汽车示例中，设计立场（design stance）是最成功的，当您指的是系统的设计行为方式时，该立场会做出最佳（或最有效）的预测。相反，当是人类行为者的情况下，目的立场（intentional stance）最有效。当我们对他人采取目的立场时，我们指的是通过他们的心理状态（例如信念，愿望或意图）来解释和预测他们的行为。目的立场正是将一个系统看作理性行动者。我们对待其他人类，天然地会采取目的立场。我们将目的立场的概念与心理化过程区别开来。心理化是指参考特定的心理状态来预测非常具体的当前行为实例。相反，目的立场更像是对机器人（agent）的一般态度-假定机器人是有目的实体，而不是简单的机械制品。以经典的Sally-Anne实验处理心理技能为例，考虑到当Sally离开房间一会儿时，玩具已经从篮子搬到箱子里了，要求孩子们推断出Sally应该对自己玩具的位置抱有的错误信念。根据孩子们希望Sally在回到房间后看她的玩具篮还是玩具箱，可以判断他们是否发展了认知工具来理解Sally的想法。人们对类人机器人采取何种立场是一个非常有趣的问题。作为人工制品和机器，应对机器人采用设计立场。但是，鉴于其拟人化的外观，机器人可能会诱导人们倾向于使用心理思维来解释其行为，特别是如果它们参与了类似人的社交环境或表现出类似人的行为。此外，由于人类天生就有将简单的几何图形拟人化的倾向，因此，假设以目的立场接近类人机器人，并通过将其行为归因于心理状态并不是不可行的。按照这种推理，Marchesi等人研究了人类对人形机器人iCub采取目的立场的程度。为了探究人类对机器人的态度，作者开发了InStance 测试工具，该工具由一系列照片组成（图1），其中描绘了iCub参与的各种活动。
图1. 来自带有反应选项的InStance 测试的示例场景。场景使用两个描述选项和一个滑块进行决策（右侧为“机械” /“设计立场”解释，左侧为“目的立场”解释）。请注意，尽管也可以将机械解释称为与物理姿势有关的描述，但我们将它们称为设计立场。然而，考虑到设计立场更多地与人造制品相关，而不是自然现象，并且在比物理立场更高的抽象层次上提供了描述，我们将这些描述归类于设计立场而非物理立场。在InStance测试中，要求被试在所描绘场景的两种描述之间做出决定：一种是更为心理上的描述（请参见图1；“ iCub在作弊”，因为它倾斜看向另一名玩家的牌）和其他则更具机械性（例如，“ iCub只是不平衡”）。在Marchesi等人的研究中，结果表明，平均而言，整个样本对iCub的行为偏向于设计立场的描述，但在很多情况下，被试选择了对iCub所描绘行为“目的立场”的解释。但是，所获得的数据允许对更有可能选择对iCub行为“目的立场”解释的被试和倾向于“设计立场”解释的受访者进行分组。这表明人们可能会通过假设机器人的目的媒介或纯粹的机械功能而对它们的态度有所偏见。对机器人态度的不同，具体取决于外部因素（机器人的外观，行为和特定的环境）以及内部倾向（个人差异，经验，甚至在给定时间点的特定状态）。在这里，我们决定研究是否可以在个体被试水平上识别态度的神经基础（目的立场与设计立场）。对被试而言，所有的外部因素（机器人身份和所处环境）均相同。
目的立场的神经基质
在对机器人采取各种立场的背景下，解决造成这种偏见的神经基质是重要的。一方面，以前的认知神经科学研究集中在心理理论（ToM）上，心理理论被定义为给自己和他人赋予心理状态（即信念，意图和欲望）的能力。这些研究发现gamma频带神经振荡与需要心理理论和心智化（mentalizing）任务之间存在特定的关联。另一方面，只有很少的研究直接探讨了采用目的立场的神经相关性，这与心理理论相比是一个更普遍，更高级的过程。但是，有研究发现，默认模式网络（DMN）的激活会在解释图片中描述的人类行为时引发目的立场，该范式在某种程度上类似于InStance 测试，不同之处在于它与人类行为的解释有关，而InStance测试则侧重于将目的归因于机器人。DMN是一个广泛的双侧对称神经网络，当大脑没有从事特定的任务时，它在静息状态下表现出较高的活性，而当注意力资源分配给外部环境时则表现出较低的活性。因此，对DMN功能的主要假设推测其参与自我参考的加工，通常与面向外部的目标导向过程相反。Spunt及其同事发现DMN活动与采用目的立场密切相关。尽管大多数有关DMN的研究都使用功能性神经成像，但越来越多的文献倾向于使用脑磁/电图来研究DMN的功能及其时间动力学。在这些研究中，beta波段振荡（13-30 Hz）被证明是静息期间自发认知操作的可靠指标，与DMN所涉及的皮质区域的激活密切相关，尤其是内侧和外侧顶叶区域。
研究目的和假设
本研究旨在验证是否可以在基于静息状态下（无需任何实验任务）的个体默认脑电图（EEG）活动来预测对机器人的偏见态度。静息状态通常是测量被试不参与任务的一段时间内的默认神经活动的过程，该时间段中被试不参与任务，并被指示休息并让他们的思想自由地游荡。如前所述，通常是在休息状态期间激活DMN。在本研究中，感兴趣的问题是，我们是否可以观察到静息状态下DMN激活的脑电图相关性能够表明，被试在之后实验任务中暴露于机器人刺激下时，是否更可能采用目的或设计立场。考虑到现有文献，我们将关注于静息状态下EEG信号的beta频率范围上，该频率是DMN活动的可能相关因素。除了静息状态的脑电活动外，我们还检验了是否可预测实验任务期间的目的立场与设计立场。在这里，我们特别关注反应执行之前的一段时间，在此期间，反应与根据观察到的机器人动作解释（目的与设计立场的解释）做出选择有关。对于任务相关的脑电分析，我们将关注gamma频带的神经活动上，因为已经假定gamma频带会参与心智活动。
实验设计
静息态
在被试（N = 52）参加实验任务之前，我们测量了他们在静息状态下的脑电活动，以检验在beta频率范围内的静息态活动模式是否可以预测在实验任务期间对稍后呈现的机器人刺激的态度（目的还是机械）。
实验任务
实验任务包括完成InStance测试。当被试参与测试时，我们测量了他们的脑电活动。我们感兴趣的是反应执行之前（即在决策过程中）脑电信号的模式能否预测这些决策的偏见。
材料和方法
被试
我们招募了53名健康被试（25M；平均年龄：23.8±3.71岁）。由于数据质量相关的技术问题，因此将一名被试排除在分析之外。所有被试在参加本研究前均已获得知情同意书。我们的排除标准包括是否存在任何神经或精神疾病的病史，使用兴奋性药物，滥用任何药物（包括研究前2小时内的尼古丁和研究前24小时内的酒精）以及任何可能因使用EEG帽（通过检查使用电解质凝胶后是否有潜在的皮肤刺激性检查）而恶化的皮肤状况。该研究得到当地伦理委员会的批准，并根据1964年Helsinki宣言中规定的伦理标准进行。所有被试的视力正常或矫正正常，并且是右利手。InStance测试包含34个场景。每个场景均由三张图片组成，代表iCub机器人单独或与其他人类代理一起执行动作（参见图1）。每个场景都与两个解释机器人行为的句子相关联。在每对句子中，一个定义了机械行为，另一个定义了目的行为。这些句子是通过意大利语版本的语音合成器进行合成的，并通过入耳式耳机呈现给被试以避免阅读相关的噪音。实验在PsychoPy中编写并呈现。
脑电设备
使用来自64导电极系统（actiCAP，Brain Products GmbH，慕尼黑，德国）的Ag-AgCl电极记录脑电数据，参考电极是FCz。分别从被试眼睛的外眼角和右眼的上下方记录水平和垂直眼电。用BrainAmp放大器（Brain Products GmbH）放大EEG信号，以5000Hz的采样率将其数字化，并记录下来。信号记录期间未应用任何滤波器。在整个实验过程中，电极阻抗均保持在10千欧以下。
程序
实验过程在昏暗的房间里进行。装好EEG设备和耳机后，我们让被试坐在距离屏幕约100厘米的位置。实验从记录静息态活动（睁眼和闭眼）开始。睁眼和闭眼各持续30 s，并交替呈现五次（每种情况下记录时间为2.5分钟）。在睁眼期间，指示被试将视线停留在屏幕中央的“+”上，要求被试放松，并尽可能避免眨眼。在闭眼期间，要求被试避免运动，并等待蜂鸣声提示闭眼结束。在开始InStance测试之前，参加者阅读了屏幕上的实验指导语，并被询问是否有任何可能的问题或不确定性。然后被试先进行4个练习试次。之后，被试开始正式实验，InStance测试由34个随机的试次组成。被试被要求在每个试次开始时按下空格键，并在整个试次过程中一直保持按下状态。按空格键开始后，屏幕会呈现场景6000毫秒，在场景下方会显示一个小“+”。接下来，“+”替换为“句子A”，并在500毫秒后，用耳机播放这句话，最后呈现至少1 s的空屏到场景结束。然后出现“句子B”，并在开始500毫秒后，播放这句话。在整个试验中，目的与机械句子的顺序是平衡的。为避免与性别相关的影响，一半的被试听男性声音，其余一半听女性声音（被试的性别保持平衡）。在出现“句子B”6000毫秒后，出现带有等级量表的滑块，最小最大值分别为A和 B。我们通过将原始得分编码为0（当滑块滑到最左端时）和100（当滑块滑到最右端时）来分析反应。平均得分为49.59，排除了对左A或右B反应的任何偏见。在等级量表上方显示了“将滑块移至您认为更合理的解释”的指示。指示被试在整个试验过程中始终按住空格键，并在决定作反应后才释放空格。释放空格键后，将指示被试找到鼠标并使用光标尽可能快地移动滑块。给出此特定指令是为了确保在释放空格键之前已利用了整个决策过程。被试通过单击屏幕上的“确定”按钮确认反应（无超时）后，出现一个缓冲屏幕，显示文本“按下并按住空格键开始下一个试次”（参见图2）。
图2. 实验示例按下空格键开始一个试次，要求被试保持按下状态，直到他们准备做出反应为止。在呈现句子时，他们听到了两个反应选项。被试之间的反应选项顺序是平衡的。随后是一个滑动量表，被试对句子与视觉呈现情景的匹配度进行评价。脑电分析的时间段为空格键释放前时间线上标记为红色的矩形。
数据处理
为了调查对设计立场和目的立场的偏见，我们根据被试在InStance测试中的总评分将我们的样本分为三组进行分析。计算了52位被试的平均分和标准差（M = 43.26，SD = 15.09）。平均得分低于均值−0.5 SD的被试（对应于35.71; M score = 24.0）被划分到设计立场组。平均得分高于平均值0.5 SD的被试被划分到目的立场组（等于50.80，M score = 57.8）。这种分类下三个组的被试数量同质：设计立场=15，目的立场=18和未定=19。这三组在年龄、性别、报告的学习/职业领域的人口统计学变量上没有统计学差异。使用MATLAB版本R2016a（TheMathWorks Inc.，2016）和自定义脚本以及EEGLAB和FieldTrip工具箱对EEG数据进行了分析。首先，将数据降采样至250 Hz，然后运用带通滤波器（0.5-100 Hz）和陷波滤波器（50 Hz）滤波。随后将数据分段（即试次）：分段提取和基线校正基于不同的时间窗口，以适应不同的分析。检查后，去除了受显著伪影（即大的肌肉运动伪影）影响的试次，并删除了坏通道。分析中每名被试平均包括33个试次。采用平均参考，并应用独立成分分析（ICA）来消除与眨眼，眼球运动和心跳有关的伪影。使用ICA去除伪像后，对噪声通道进行了插值。静息态数据通过快速傅立叶变换（FFT）进行频率分析。该分析基于Hanning窗，旨在估计每个被试睁眼和闭眼时的振荡功率谱。执行FFT（频率步长，1 Hz）时考虑了2-60 Hz的频率，之后又分析了beta频段（13-27 Hz）。功率谱值是在beta频段中从通道C5和C6中提取的，取均值以测量静息态的beta活动。关于实验任务，分别针对这两类（目的与机械试次）计算了振荡功率变化的时频表示（TFR）。这两种分类是基于被试的评分以及句子句子的类别。进行这种单试次分类是为了分析被试表现出偏见的代表性试次，即对有机械偏见的组进行机械选择的试次和对有目的偏见的组进行目的选择的试次。使用Morlet小波分析，在最低频率（2 Hz）下的3.5个周期线性增加到在最高考虑频率（60 Hz）下18个周期，估算了时频功率谱（时间步长，10 ms；频率步长，1 Hz）。我们通过Z变换每个频率每个试次的TFR进行了单试次归一化。Z转换后，通过减去每个频率的目标时间窗的平均值，以确保Z值代表相对于基线的变化，对每个试次进行绝对基线校正。随后，将每个实验条件所有试次的TFR取平均值。在执行此过程之后，结果包括一个与事件相关的ERSP，该测量在单试次水平的基础上进行了稳健的归一化。最后，将TFR裁剪到感兴趣的时间段（在EEG统计分析部分标出），删除无法计算任何值的试次边缘时频点。将频率范围内的值取平均值，以计算四个主要频带内的功率，即：theta（5-7 Hz），alpha（8-12 Hz），beta（13-27 Hz）和gamma（28-45 Hz）。基于不同的分析分割时间窗：对于静息态分析，将数据分割为1 s的段，以优化去除噪声和ICA，然后在整个试次中执行FFT。在分析空格键释放之前的活动时（与决策相关），将数据按4 秒的时间段进行分割，从空格键释放前2秒到结束后的2秒。通过减去500毫秒（空格键释放后0-500毫秒）内的平均值，对每个试次进行基线校正。然后，在400毫秒（在空格键释放之前从1000-600毫秒）的时间段内对该活动的TFR进行基线校正，以避免诱发（evoked）的时频活动，该活动可能是在释放空格键后几毫秒内出现的低频。在分析与句子相关的活动时，将数据划分为8 秒的段，从语音陈述开始之前的1.5 秒开始到结束后的6.5 秒。然后在1000毫秒（句子开始前的1500到500毫秒）内对每个试次进行基线校正。然后，在同一时间范围内对该活动的TFR进行基线校正。随后，在专门分析句子后活动时，这些数据将重新分段为3秒，开始于句子结束前1秒，到后2秒。然后，在1000毫秒的时间段内（从句子结束前1000到0毫秒）对这些数据的TFR进行基线校正。
脑电统计分析
为了比较静息态的横向beta活动，对通道C5和C6的FFT功率谱值进行了平均。然后，通过方差分析（ANOVA）比较三组（未定、目的偏向、机械偏向的被试）差异。通过使用Tukey的事后校正对这三组进行了事后多重比较。然后通过基于团块的置换检验，仅比较所有通道中目的或机械偏见被试的静息态数据。使用基于团块的置换检验（i）比较静息态的beta活动，（ii）比较与决策相关的活动（在空格键释放之前），比较在句子呈现期间（iii）以及在句子之后（iv）立即的神经活动。对于（ii），（iii）和（iv），测试了所有先前定义的频带（theta，alpha，beta和gamma）。对于（ii），考虑了两个时间窗口：较早的时间窗口（在释放空格键之前500-250 ms）和较晚的时间窗口（250-0 ms）。对于（iii），考虑了句子开始后0-2500 ms（平均句子持续时间）的时间窗口，而对于（iv），我们测试了句子开始后1000 ms的时间窗口。在（i）中，比较了各组之间目的和机械偏见的被试的静息态活动；在（ii）中，仅考虑被试表现出偏见的试次，即对有机械偏见的被试进行机械选择的试次和对有目的偏见的被试进行目的选择的试次；在（iii）和（iv）中，分析着重于与句子相关的活动，因此，在所有被试中比较了目的和机械句子。如果您对脑电等数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第二十五届脑电数据处理中级班（上海，3.17-22）
第十一届近红外脑功能数据处理班（上海，4.13-18)
第一届脑电机器学习数据处理班（南京，2.1-6）
第二十四届脑电数据处理中级班（南京，1.25-30）
第十二届脑电数据处理入门班（南京，3.19-24）
第八届任务态数据处理班（南京，3.2-7）
第一届任务态功能磁共振提高班（南京，3.9-14）
第八届脑电信号数据处理提高班（重庆，1.30-2.4）
结果
行为反应
平均InStance得分为43.3（SD = 15.1；已重新编码，因此0表示极端机械响应，而100表示极端目的响应）。该分数与Marchesi等人的分数没有显著差异。（t = 1.00，P = 0.32）。由于我们的研究问题针对机器人的偏向态度存在个体差异，因此我们根据Z分数将样本分为以下两个组：设计立场组（均值得分<0.5 SD，MInStance = 24.0，n = 15）和目的立场组（均值得分> 0.5 SD，MInStance = 57.8，n = 18）。
静息态下的脑电模式
在睁眼和闭眼的情况下记录EEG静息态活动。在静息态期间，我们对两组被试的EEG活动进行t检验。考虑到在DMN活动中beta偏侧化的文献，我们专门检验了C5和C6电极的平均功率谱。这些电极在睁眼状态下的beta活动显示出不同的模式[组间效应, t(31) = 2.206, P = 0.035, Cohen’s d = 0.136; 图 3]。目的立场组（MBeta-activity = -0.24）的beta活动低于设计立场组（MBeta-activity = 0.61）。在探索基于文献的C5 / C6以外电极的过程中，我们发现这些差异尤其分布在左侧颞顶（五个电极：T7，TP9，C5，P7和TP7；P = 0.037）和右侧额颞（七个电极：T8，F8，TP8，C6，FT8，F6和AF8; P = 0.047）；参见图4。
图3.静息态下beta活性的差异 该图显示了目的立场组和设计立场组（在x轴上）静息态beta活动（13-27 Hz）之间的差异。对于y轴，计算每个被试睁眼静息态beta活动，取头皮中央C5和C6电极的均值，并以Z分数进行标准化。通过从原始值中减去总体平均值并除以SD来获得Z分数。点代表每组的均值。误差线代表自举法的（bootstrap）95％置信区间。
图4. 与静息态beta活动有关的结果总结 通过将FFT应用于整个静息态记录（睁眼）来计算平均beta波段功率（13-27 Hz），从而获得所有地形图。地形图显示设计立场组和目的立场组的被试活动总平均值。第三幅地形图显示了t值图，发现了设计和目的立场被试之间的统计学显著差异（标记为星号x的通道）。 Z值表示标准化的beta活性。
图5. 反应前250毫秒内与任务相关的gamma波段活动（28-45 Hz）通过计算在选定的时间窗口上通过Morlet小波变换获得的平均功率谱值来获得地形图，并显示设计立场组和目的立场组活动的总平均值。第三幅地形图显示了t值图的统计学上的显著差异（标记为星号x的通道）。Z值表示标准化的gamma活动。
反应之前，任务相关的脑电模式
我们在反应开始之前的250毫秒时间窗内检验了与任务相关的脑电活动，以检查两组之间在任务本身期间是否会观察到与ToM相关的gamma神经活动的差异模式。我们在诱发（induced）的gamma活动中发现了一个不同的模式：设计立场的被试在枕颞部（P7，O1，Oz，O2，P2，P5，PO7，PO3和POz电极，P = 0.008；见图5）显示出比目的立场组更大的失同步。
讨论
这项研究的目的是研究静息状态下个体默认神经活动的模式是否可以预测对人形机器人的不同态度，即目的立场还是设计立场。为此，我们分析了被试参与实验任务之前的静息态脑电图。我们的研究结果区分了之后（在实验任务期间）倾向于将机器人行为解释为机械的还是有目的的被试。具体而言，与其他被试相比，后来更倾向于采用设计立场的被试在左颞顶和右额颞部位表现出更高的beta活动。根据文献，我们推测这些模式与先前有关DMN活动的发现相对应。已经发现DMN活动可以预测在解释另一个人的行为时采取目的立场。似乎在静息状态下激活越多的心理过程，之后在任务期，被试越有可能对机器人采取设计立场。尽管乍看之下，这似乎是违反直觉的，但实际上是很合理的：与那些正在思考其他人想法之外的问题的人相比，如果被试在参加任务之前有对其他人、他人的意图或心理状态的思考，这与机械立场的比较可能会存在更大差异。因此，那些在静息状态下更多地思考其他人的人可能更倾向于采用针对机器人的设计立场，因为天然和人造物之间的类别边界更为明显。但是，与效果的确切方向无关，这项研究的最重要结果是，我们可以查明静息态下默认神经活动模式，该模式可以预测人们如何接近具像化的人造物，即把它们当作目的系统还是仅仅是机械制品。此外，我们还发现了任务本身在决策过程中神经加工的差异，这体现在设计立场组的枕颞部位中的gamma活动失同步大于目的立场组，这一发现强烈表明了心理理论与目的立场之间的关系。首先，有人发现左侧颞上沟的gamma活动被证明是心智化的标志，这与本研究的地形图相一致。其次，左侧颞顶联合区是心理状态归因的关键区域。在归因于心理状态时观察到该区域的激活，并且在该区域有病变的患者显示出明显的心理理论归因缺陷。我们发现，这些独特的神经元信号只与对机器人采取的目的立场相关，这表明心理理论可能是对机器人采取目的立场的结果。在静息状态下更加心智化的被试（如静息态的beta 活动所示）则更有可能以机械术语来解释机器人的行为（如在InStance 测试中他们的优先选择所示），并且与更可能对机器人采取目的立场的小组相比，他们在反应前显示出更少的心理理论相关的gamma活动。
结论
这项研究表明，已经可以从处于静息态的基线默认模式下的EEG数据预测人们对人工代理（特别是类人机器人）的态度。这就阐明了个体如何接近日益占据我们社会环境的类人机器人。从神经活动中解码这样一种高层次的认知现象是非常有意义的，可以提供关于人们采取的态度背后的机制的很重要的信息。可能对机器人态度中的目的/机械偏见与其他偏见类似（例如，种族歧视或性别偏见）。因此，未来的研究可能会解决以下问题：对机器人态度偏见的神经相关研究发现是否也会泛化为其他类型的偏见。但是，本研究并未解决被试之间观察到的差异效应是否与他们观察机器人的特定环境，特定的机器人外观或个体对机器人的普遍态度有关。未来的研究应解决以下问题：所观察到的偏见/态度的神经相关是否是一般个体特征的标志，还是与给定状态或背景相关。在这两种情况下，似乎都有可能检测到的神经特征可能会将机器人视为目的媒介，或反过来将其视为机械制品。
