💬 NLP

From Chatbots to Confidants: A Cross-Cultural Study of LLM Adoption for Emotional Support

本研究首次对七个国家的大规模跨文化数据进行分析，揭示了人口统计因素和文化背景驱动的LLM情感支持使用率与认知的显著差异，同时凸显了用户试图通过这些系统满足的多样化情感需求。

原作者： Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

发布于 2026-04-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是论文《从聊天机器人到知己》的通俗解读，辅以日常类比。

全景图：数字“耳朵”

想象你有一位非常聪明、随时待命的朋友，他从不评判你，从不疲倦，并且全天候免费与你交谈。这项研究探讨的正是这一点：人们使用 AI 聊天机器人（如 ChatGPT）不仅仅是为了写邮件或解决数学问题，而是为了宣泄情绪、减轻孤独感以及处理情感问题。

研究人员想知道：是谁在与这些数字朋友交谈？为什么有些国家喜爱它们，而另一些国家则持怀疑态度？

为了找到答案，他们询问了来自七个不同国家（美国、英国、德国、法国、西班牙、意大利和荷兰）的4,641 人关于他们的体验。他们还分析了人们发送给这些机器人的 731 条真实消息。

1. “谁”：谁在使用这些机器人？

研究发现，并非每个人都同样倾向于向 AI 敞开心扉。这就像一个俱乐部，其会员资格取决于你的生活状况。

“甜蜜点”人群： 最有可能使用这些机器人的人是25 至 44 岁、已婚、有宗教信仰且富有（或自认为社会地位较高）的人。
- 类比： 这就像一家高档咖啡馆。最常光顾那里的不是街角闲逛的青少年，也不是更喜欢在家喝茶的老年人，而是那些忙碌、已安顿下来的成年人，他们既有钱又有时间坐下来聊天。
“非用户”： 年龄较大（65 岁以上）、单身、受教育程度较低或收入较低的人，使用这些机器人寻求情感支持的可能性要小得多。
性别差距： 有趣的是，性别并没有显著影响谁在使用它们，但它确实轻微影响了人们对机器人隐私的信任程度。

2. “哪里”：巨大的文化分歧

这是该研究最令人惊讶的部分。研究人员发现，人们对 AI 的感受存在巨大差异，这取决于他们居住的地方。

“盎格鲁圈”（英国和美国）： 这里的人们是狂热爱好者。他们信任机器人，看到其巨大益处，并频繁使用它们。
- 类比： 在美国和英国，人们将 AI 视为一种新颖、令人兴奋的新健身房会员资格。他们渴望尝试，认为这将帮助他们（在精神上）保持健康。
欧洲大陆（德国、法国、西班牙、意大利、荷兰）： 这里的人们是怀疑论者。他们更加谨慎，对机器人的信任度较低，使用频率也低得多。
- 类比： 在这些国家，人们将 AI 视为一个奇怪的、无执照的机械师。他们会担心：“这东西是修好我的车，还是会窃取我的数据并弄坏引擎？”
荷兰： 荷兰人是最怀疑的。他们最不愿意向机器人透露秘密。

为什么会有这种差异？
该研究使用了一种特殊的统计“透镜”来区分文化与人口统计特征。他们发现，即使你拿一位富裕的已婚美国人和一位富裕的已婚德国人做比较，美国人仍然更有可能信任机器人。文化很重要。 似乎在使用英语的国家，人们更开放地接受利用技术来改善心理健康，而在欧洲部分地区，人们更关注隐私，并且更倾向于人际互动。

3. “什么”：人们实际上在说什么？

研究人员查看了人们发送给机器人的 731 条真实消息。他们发现，人们不仅仅是在索要笑话；他们正处于痛苦之中。

主要话题：
1. 压力与焦虑： “我快被压垮了。”
2. 关系冲突： “我的伴侣没有回我信息。”
3. 孤独感： “我觉得自己格格不入。”
4. 家庭问题： “我该如何应对我那个难相处的兄弟姐妹？”
5. 心理健康挣扎： 应对抑郁或悲伤。
他们使用的原因：
- 全天候可用： 当人类治疗师在睡觉时，机器人在凌晨 3 点依然在线。
- 无评判： 人们觉得对机器说一些对朋友或家人不敢说的话是安全的。
- 成本： 它是免费的（或者比治疗更便宜）。

4. “陷阱”：它安全吗？

该论文强调了一种紧张关系。人们感觉与这些机器人交谈是安全的，因为他们认为机器人是“不评判的知己”。然而，作者指出了几个风险：

“假朋友”问题： 机器人被设计得很友善。它们经常附和你或试图安慰你，但它们并不真正理解你。它们可能会过度鼓励你，而不提供现实检验。
隐私错觉： 即使用户感到安全，他们分享的数据也不受“医患保密”法律的保护。公司拥有这些数据。
“英语偏见”： 研究指出，这些机器人在英语中表现最好。如果你说荷兰语、法语或德语，机器人听起来可能有点不自然，这或许可以解释为什么非英语使用者的热情较低。

总结

这篇论文是这样一个新世界的快照：人们转向机器人寻求慰藉。

谁？主要是较年轻、较富有、已婚的成年人。
哪里？ 在美国和英国比在欧洲更受欢迎。
为什么？ 因为他们感到孤独、压力大，需要有人倾听而不加评判。
警告： 虽然这些机器人很有帮助，但它们并非完美的医生。它们就像一个非常有礼貌、随时待命的邻居，倾听你的问题，但实际上并不完全了解你生活的全部真相，也不了解保护你秘密的法律规则。

研究人员总结道，我们需要谨慎地构建和监管这些工具，以确保它们对所有人都安全，而不仅仅是对那些已经习惯技术的人安全。

以下是论文《从聊天机器人到知己：大语言模型用于情感支持的跨文化研究》的详细技术总结。

1. 问题陈述

尽管大语言模型（LLM）正越来越多地被用于工具性任务，但其作为“随时可用、不偏不倚的知己”用于情感支持的应用正在迅速增长。然而，对该现象的实证理解存在显著差距：

缺乏人口层面数据：目前尚不清楚普通大众中使用 LLM 进行情感支持的情况有多普遍。
社会文化盲点：现有研究主要局限于单一国家（通常是美国或英国）的研究，导致在理解文化背景和社会人口统计因素如何塑造认知和采用方面存在空白。
披露模式未知：关于用户在寻求情感支持时实际向这些系统披露了什么，证据有限。
因素混淆：以往的研究往往未能厘清观察到的采用差异是源于真正的文化效应，还是仅仅源于各地区人口构成（如年龄、教育、社会经济地位）不同的产物。

2. 方法论

作者采用混合方法，开展了一项大规模的跨文化定量研究。

数据收集：
- 样本：通过 Qualtrics 面板在七个国家招募了 4,641 名参与者：美国、英国、德国、法国、西班牙、意大利和荷兰。
- 抽样策略：配额抽样确保了各国（每国 $N=200$ ）和性别分布的均衡。
- 调查设计：包含四个步骤的调查，涵盖人口统计信息、使用模式、认知构念以及可选的开放式提示收集。
- 质量控制：严格的过滤器排除了机器人、重复提交、直线作答以及未能通过注意力检查的样本。完成时间与中位数进行了验证。
- 翻译：调查问卷被翻译成六种语言（英语、西班牙语、法语、意大利语、德语、荷兰语），并由母语专家审查以确保文化和语言的准确性。
分析框架：
- 人口统计分析：使用卡方检验比较用户与非用户。
- 认知构念：利用 5 点李克特量表创建了三个复合变量：
  1. 信任与隐私 (TRU)：可信度、透明度和数据安全。
  2. 感知收益 (BENF)：可及性、成本效益和心理安全感。
  3. 使用意图与行为 (USE)：使用态度和实际频率。
- 统计建模：采用累积链接混合模型 (CLMM) 来预测这三个构念。
  - 固定效应：人口统计变量（年龄、性别、教育、社会经济地位、宗教、婚姻状况）。
  - 随机效应：国家（以将文化方差与人口统计方差隔离开来）。
- 提示分析：收集了 731 条真实用户提示。使用M3-Embedding（多语言）和Sentence-Transformer进行嵌入，然后使用HDBSCAN和UMAP进行聚类。主题通过 LLM（GPT-5.2）和人工评估进行分类。

3. 主要贡献

首个跨文化实证研究：提供了七个不同西方国家中 LLM 用于情感支持的人口层面证据。
厘清文化与人口统计：利用先进的混合建模将文化背景的影响与人口构成分离，揭示两者都是显著但不同的驱动因素。
真实世界提示语料库：整理并分析了 731 条多语言提示，确定了用户寻求帮助的具体情感主题（如孤独、创伤、关系冲突）。
社会技术格局映射：突出了心理健康污名化、数字素养、隐私担忧以及传统医疗可及性之间的复杂相互作用，这些因素共同塑造了 AI 的采用。

4. 主要结果

A. 采用率与人口统计

采用率差异：采用率因国家而异，从**法国的 20%、荷兰的 20%到英国的 59%**不等。七个国家的平均采用率为 28.9%。
用户画像：用户更有可能具有以下特征：
- 25–44 岁（而非用户年龄偏大）。
- 较高社会经济地位 (SES)（最强的预测因子）。
- 已婚或有伴侣。
- 有宗教信仰。
- 受过高等教育（硕士/博士）。
使用模式：ChatGPT 是主导代理（79.7%）。主要用例包括压力/焦虑管理（49.4%）、情感处理（41.3%）和关系支持（30.2%）。

B. 跨文化认知（“盎格鲁圈分歧”）

文化效应：即使在控制人口统计因素后，仍存在明显的分歧。
- 盎格鲁圈（英国、美国）：在信任、收益和使用方面表现出一致的积极认知。
- 欧洲大陆：表现出更怀疑或消极的认知。
- 荷兰：作为最怀疑的国家脱颖而出，在所有构念上的得分最低，这可能是由于对隐私的高度关注和严格的数据保护规范所致。
统计显著性：英国和美国形成一个独特的集群，在统计上与其他所有国家不同。欧洲大陆国家（德国、法国、西班牙、意大利）在很大程度上是同质的，尽管荷兰与它们有显著差异。

C. 混合模型发现

人口统计驱动因素：
- SES：处于最高 SES 层级（>7）是信任、收益和使用的最强正向预测因子。
- 年龄：25–44 岁群体最为积极；65 岁以上是最强的负向预测因子。
- 宗教：信徒（无论具体信仰如何）比非信徒持有更积极的观点。
- 婚姻状况：已婚或有伴侣的人比单身者更积极。
文化驱动因素：国家层面的随机效应证实，文化背景独立地影响认知。英国和美国具有较大的正截距，而荷兰具有较大的负截距。

D. 提示分析（用户披露）

内容：在 731 条提示中，36.5% 与心理健康有关。
关键主题：
1. 一般压力和焦虑。
2. 关系冲突。
3. 家庭和照护问题。
4. 孤独。
5. 创伤和心理健康斗争。
跨文化一致性：主题分布在各国家间保持一致，表明无论文化背景如何，人类对情感支持的需求是普遍的。

5. 意义与启示

伦理与安全担忧：研究揭示了一个“感知安全”悖论。用户因缺乏人类评判而感到安全地披露敏感数据，但他们往往缺乏法律保护（无医患保密关系），并且可能会从 LLM 那里收到“阿谀奉承”或非批判性的回应。
获取不平等：高社会经济地位、受过教育且较年轻群体的高采用率表明存在“数字鸿沟”，弱势群体（老年人、较低社会经济地位者）可能被排除在外，或缺乏有效使用这些工具的素养。
设计与治理：研究结果呼吁：
- 多语言基准：当前模型可能偏向英语使用者（盎格鲁圈的热情），这可能导致英语用户获得的体验优于非英语用户。
- 治理框架：迫切需要制定关于数据隐私的法规，特别是考虑到心理健康披露的敏感性。
- AI 素养：开展项目帮助用户批判性地评估 AI 作为治疗工具的局限性。
未来研究：强调了需要将研究扩展到西方语境之外，并调查人机情感联结的长期心理影响。

总之，该论文确立了 LLM 用于情感支持的采用并非均匀的，而是由社会经济特权和对隐私及心理健康的文化态度构成的复杂矩阵所塑造的，英语人口与欧洲大陆人口之间存在明显分歧。