Aktive Robotersteuerung verschiebt öffentliches Vertrauen stärker als passive Exposition
Ein Pop-up in einem Einkaufszentrum, in dem 1.000 Menschen einen Spot-Roboter einige Minuten lang steuerten, führte zu statistisch signifikanten Vertrauensgewinnen in allen getesteten sozialen Kontexten — einschließlich derjenigen, in die Roboter als nächstes einziehen werden: Häuser, Krankenhäuser und Büros.
Erklaerung
Das RAI Institute (der Forschungsarm, der aus dem Gründungsteam von Boston Dynamics ausgegliedert wurde) richtete im Sommer 2025 eine kostenlose Robotik-Ausstellung in einem Einkaufszentrum in Cambridge, MA ein. Das Herzstück war „Drive-a-Spot" — ein kleiner Hindernisparcours, in dem jeder Boston Dynamics' Spot-Quadruped mit einem übergroßen adaptiven Controller steuern konnte, der für Alter 2 bis 90+ zugänglich ist. Etwa 10.000 Menschen besuchten die Ausstellung; 10 % steuerten den Roboter und füllten Befragungen vor und nach der Erfahrung aus.
Das Hauptergebnis: Vertrauenswerte stiegen in allen fünf getesteten Kontexten (Fabrik, Zuhause, Krankenhaus, Büro, Außenbereich/Katastrophe) nach nur einer kurzen praktischen Sitzung. Die Gewinne waren klein bis moderat, aber statistisch robust. Der größte Anstieg kam in Außenbereich/Katastrophen-Szenarien — Menschen dachten bereits, dass Spot dort nützlich sein würde, fühlten sich aber nicht gut dabei, wahrscheinlich aufgrund von Militärroboter-Bildern in den Medien. Ein paar Minuten an den Kontrollen lösten dieses Unbehagen teilweise auf.
Interessanter als die Vertrauenszahlen: Gewinne bei der wahrgenommenen Eignung waren am größten in Zuhause, Büro und Krankenhaus — genau den Umgebungen, in denen die Skepsis zu Beginn am höchsten war. Und der Effekt verallgemeinerte sich: Menschen, die einen Parcours mit Zuhause-Thema steuerten, bewerteten auch Krankenhäuser und Büros als roboter-geeigneter. Das deutet darauf hin, dass praktische Kontrolle etwas Tiefergehendes verändert als nur kontextspezifische Vertrautheit — es aktualisiert das mentale Modell einer Person davon, was Roboter tatsächlich können.
Nach der Sitzung waren die Emotionen deutlich positiv: 74 % berichteten von Aufregung, nur 12 % von Nervosität. Bemerkenswert ist, dass nach dem Steuern der Anteil der Menschen, die Roboter für „Unterhaltung und Spiel" wollten, von 7,5 % auf 19,4 % anstieg, während Verweise auf gefährliche Arbeit zurückgingen. Menschen hörten auf, sich Spot als Fabrikwerkzeug vorzustellen, und begannen, es sich als Begleiter vorzustellen.
Die praktische Implikation ist deutlich: Wenn die Robotik-Industrie öffentliche Akzeptanz in Wohn- und Gesundheitsräumen möchte, könnte passive Inhalte — Videos, Artikel, Ausstellungen — der falsche Hebel sein. Menschen tatsächlich die Maschine bedienen zu lassen, funktioniert schneller und breiter.
Die Studie, präsentiert auf der HRI 2026 in Edinburgh, ist einer der größeren In-the-Wild-Datensätze der Mensch-Roboter-Interaktion, die außerhalb einer Laborumgebung gesammelt wurden. ~1.000 Teilnehmer, die gepaarte Befragungen vor und nach dem Steuern in einer demografisch breiten, selbstausgewählten Einkaufszentrum-Stichprobe ausfüllten, ist keine kontrollierte RCT, aber es ist bedeutsam ökologisch valider als die typische 20-Personen-Universitätsstudie.
Das Within-Subjects-Design (derselbe Teilnehmer bewertet Vertrauen vor und nach dem Steuern) kontrolliert für individuelle Ausgangsdifferenzen, und das Team korrigierte für mehrfache Vergleiche über fünf Kontexte — ein methodologischer Schritt, den viele HRI-Papiere überspringen. Effektgrößen werden als „klein bis moderat" beschrieben, was ehrlich ist; dies ist kein Konversionsereignis, es ist eine inkrementelle Verschiebung.
Das Verallgemeinerungsergebnis ist das theoretisch interessanteste Resultat. Gewinne bei der wahrgenommenen Eignung in Zuhause-, Krankenhaus- und Büro-Kontexten waren nicht auf Teilnehmer beschränkt, die durch diese thematisierten Parcours steuerten — sie erschienen über alle Parcours-Bedingungen hinweg. Dies ist konsistent mit Schema-Update-Modellen der Einstellungsänderung: direkte Handlungsfähigkeit über ein System überarbeitet das zugrunde liegende Fähigkeitsmodell, nicht nur die kontextspezifische Assoziation. Frühere HRI-Arbeiten (z.B. Heerink et al. zu UTAUT bei sozialen Robotern) haben Vertrautheitseffekte dokumentiert, aber typischerweise über wiederholte Exposition über Tage, nicht eine einzelne kurze Sitzung.
Die demografischen Daten fügen Nuancen hinzu, ohne die Gerechtigkeitsfrage zu lösen. Männer begannen mit höherem Ausgangvertrauen als Frauen über alle Kontexte hinweg; Interaktion verringerte die Lücke nur in Fabrik- und Büroumgebungen. Kinder zeigten stärkere Büro-Vertrauensgewinne, aber anhaltende Fabrik-Skepsis — plausibel ein Domänen-Vertrautheits-Artefakt statt eines roboter-spezifischen Effekts. Frühere Spot-Fahrer (meist Robotik-Profis) begannen höher, wurden aber von Anfängern nach der Sitzung eingeholt, was gegen einen Deckeneffekt spricht und für die breite Anwendbarkeit der Intervention argumentiert.
Wichtige offene Fragen, die das Papier nicht beantwortet: (1) Dauerhaftigkeit — bleiben Einstellungsverschiebungen bei 1 Woche, 1 Monat bestehen? (2) Selektionsbias — Einkaufszentrum-Besucher, die sich dafür entscheiden, einen Roboter zu steuern, sind nicht die Allgemeinheit; die roboter-aversesten Menschen sind wahrscheinlich vorbeigegangen. (3) Interessenskonflikt — dies ist das RAI Institute, das seine eigene Ausstellung mit seinem eigenen Roboter untersucht. Das Papier ist peer-reviewed (HRI 2026), was dies mindert, aber nicht eliminiert. (4) Verhaltensvalidität — Vertrauensbewertungen sind keine Verhaltensabsichten, und keines sagt tatsächliche Adoption voraus. Achten Sie auf Folge-Längsschnittstudien; dort wird diese Forschungslinie entweder ihre Ansprüche verdient oder nicht.
Reality Meter
Warum dieser Score?
Trust Layer Eine einzelne kurze praktische Sitzung zur Steuerung eines Spot-Roboters erhöht öffentliches Vertrauen und wahrgenommene Eignung über alle getesteten Einsatzkontexte hinweg, einschließlich der sozial sensiblen, in denen Roboter als nächstes eingesetzt werden dürften.
Eine einzelne kurze praktische Sitzung zur Steuerung eines Spot-Roboters erhöht öffentliches Vertrauen und wahrgenommene Eignung über alle getesteten Einsatzkontexte hinweg, einschließlich der sozial sensiblen, in denen Roboter als nächstes eingesetzt werden dürften.
- ~10.000 Besucher besuchten das Pop-up im Einkaufszentrum; ~1.000 steuerten Spot und füllten gepaarte Befragungen vor und nach aus.
- Vertrauenswerte stiegen signifikant über alle fünf Kontexte (Fabrik, Zuhause, Krankenhaus, Büro, Außenbereich/Katastrophe) nach der Steuer-Sitzung, mit Effekten, die als klein bis moderat, aber statistisch robust nach Mehrfach-Vergleich-Korrektur beschrieben werden.
- Der größte Vertrauensgewinn war in Außenbereich/Katastrophen-Szenarien, zugeschrieben der teilweisen Auflösung von mediengesteuerten Militärroboter-Assoziationen durch direkte Kontrolle.
- Gewinne bei der wahrgenommenen Eignung waren am größten in Zuhause, Büro und Krankenhaus — den Kontexten mit höchster Skepsis — und verallgemeinerten sich über Parcours-Themen hinweg, was auf ein Fähigkeitsmodell-Update statt kontextspezifischer Vertrautheit hindeutet.
- Nach der Sitzung stieg der Anteil der Teilnehmer, die Roboter für Unterhaltung/Spiel wollten, von 7,5 % auf 19,4 %; 74 % berichteten von Aufregung und nur 12 % von Nervosität.
- Teilnehmer ohne vorherige Spot-Erfahrung holten erfahrene Fahrer (Robotik-Profis) nach der Sitzung auf.
- Selbstauswahlbias: Einkaufszentrum-Besucher, die sich dafür entscheiden, einen Roboter zu steuern, sind wahrscheinlich bereits neugieriger oder positiver eingestellt als die Allgemeinheit; die aversesten Personen werden nicht erfasst.
- Interessenskonflikt: Die Studie wurde vom RAI Institute entworfen, durchgeführt und berichtet, mit seiner eigenen Ausstellung und seinem eigenen Roboter; Peer-Review bei HRI 2026 mindert, eliminiert aber nicht diesen Konflikt.
- Keine Dauerhaftigkeitsdaten: Das Papier misst Einstellungsverschiebungen unmittelbar nach der Sitzung; ob Gewinne über Tage oder Wochen anhalten, ist völlig unbekannt.
Die Studie ist peer-reviewed (HRI 2026), nutzt ein Within-Subjects-Design mit Mehrfach-Vergleich-Korrektur und berichtet Effektgrößen ehrlich als klein bis moderat — methodologische Transparenz, die eine moderate bis hohe Reality-Score unterstützt.
Die Quelle ist von den Forschern selbst geschrieben und rahmt das Pop-up als klaren Erfolg; der Selbstauswahlbias und das Fehlen von Längsdaten werden anerkannt, aber nicht in den Vordergrund gestellt, was eine moderate Hype-Flagge rechtfertigt.
Wenn die Verallgemeinerung und Dauerhaftigkeit dieser Einstellungsverschiebungen in Folgearbeiten bestätigt werden, sind die Implikationen für die Robotik-Einsatzstrategie — Priorisierung von praktischem öffentlichem Zugang über Medienkampagnen — konkret und kurzfristig, was einen aussagekräftigen Impact-Score rechtfertigt.
- 1 Quelle hinterlegt
- Trust 40/100 im Schnitt
- Trust 40/100
Zeithorizont
Community-Einschaetzung
Glossar
- In-the-Wild-Datensätze
- Daten, die in realen, alltäglichen Umgebungen außerhalb von kontrollierten Laboreinstellungen gesammelt werden, um natürlichere und praxisnähere Ergebnisse zu erhalten.
- ökologische Validität
- Das Ausmaß, in dem Forschungsergebnisse aus einer Studie auf reale Lebenssituationen und natürliche Umgebungen übertragbar sind.
- Within-Subjects-Design
- Ein Forschungsdesign, bei dem dieselben Versuchspersonen unter verschiedenen Bedingungen gemessen werden, um individuelle Unterschiede auszugleichen.
- Effektgrößen
- Ein statistisches Maß, das die praktische Bedeutsamkeit eines Unterschieds oder Zusammenhangs angibt, unabhängig von der Stichprobengröße.
- Schema-Update-Modelle
- Theorien, die erklären, wie Menschen ihre grundlegenden Überzeugungen und Erwartungen durch neue Erfahrungen verändern, nicht nur oberflächliche Assoziationen.
- Selektionsbias
- Eine Verzerrung, die entsteht, wenn die Auswahl der Studienteilnehmer nicht zufällig erfolgt, sondern bestimmte Gruppen systematisch über- oder unterrepräsentiert sind.
- Verhaltensvalidität
- Das Ausmaß, in dem gemessene Einstellungen oder Absichten tatsächlich mit echtem Verhalten und realen Entscheidungen übereinstimmen.
Wie siehst du das?
Deine Einschaetzung gewichtet kuenftige Themen.
Deine Stimme fliesst in Topic-Weights, Community-Kompass und kuenftige Priorisierung ein. Community-Kompass ansehen
Quellen
Optional Vorhersage abgeben Optional: Wenn du willst, gib deine Vorhersage zur Kernfrage ab.
Prediction
Wird eine Folgestudie bestätigen, dass Vertrauensgewinne aus praktischer Robotersteuerung mindestens einen Monat nach der Erfahrung anhalten?