💬 NLP

Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction

这项纵向多模态研究揭示了人机关系通过一个双重过程进行演变：其中，感知的记忆促进了自我披露，从而间接提升了长期的愉悦感，而以激增与骤降为特征的离散行为转折点，则标志着关系轨迹的突发性转变。

原作者： Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

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

想象一下，你正试图与一个机器人建立友谊。你每天都和它聊天，就像一位住在你电脑里的笔友。但这里有一个巨大的疑问：对着同一个机器人反复聊天，真的能将一系列枯燥的闲聊转化为一段真正的关系吗？这正是“人机交互”领域的研究人员试图解决的谜题。通常情况下，研究人员只是观察人们与机器人交谈五分钟，然后问：“你喜欢它吗？”但真正的友谊不会在五分钟内建立，而是在数周或数月的时间里逐渐形成的。为了理解友谊是如何成长的，我们需要观察两件事：一是了解一个人的缓慢、稳定的滴灌过程，二是那些让事情变得非常好或彻底崩溃的突然且剧烈的时刻。这篇论文深入探讨了与人工智能建立纽带这一复杂且奇妙的过程，探讨了是什么让一次聊天感觉像是一段“关系”，而不仅仅是一系列孤立的对话。

这项研究背后的研究人员决定停止猜测，开始进行追踪。他们邀请了 24 名大学生，让他们每天与一个名为“InteLLA”的语音激活人工智能进行交谈，持续 10 天。把 InteLLA 想象成一个永不遗忘的数字日记；它记得你昨天告诉它的事情，以便在今天再次提起。在每次聊天结束后，学生们会在五个维度上对自己的感受进行评分：熟悉感、分享个人秘密的舒适度（自我披露）、他们认为 AI 记住他们的程度、对话的质量以及趣味性。目标是观察这些感受如何随时间变化，以及 AI 是否能察觉到一段关系何时即将发生巨大的飞跃或糟糕的坠落。

研究揭示了两种截然不同的关系增长方式，作者称之为“缓慢积累”和“突发转折点”。

首先，是缓慢、稳定的攀升。研究人员发现，让单次聊天感觉很棒的因素，与维持长期关系发展的因素完全不同。如果你想让当下的单次对话感觉很有趣，最重要的事情就是进行一次流畅、自然的交流（对话质量）。但转折在于：今天的精彩对话并不保证明天会有精彩的关系。这种“趣味因子”在每次开始新会话时都会重置。

相反，长期友谊的秘诀在于记忆。但不仅仅是机器人回忆事实的能力。研究表明，“感知记忆”实际上是一种连接感。当用户感觉到 AI 记得他们时，是因为这段关系已经感到温暖且熟悉。这种被记住的感觉就像一座通往未来的桥梁。它鼓励用户在下一次会话中敞开心扉，分享更深的秘密。这里存在一个神奇的连锁反应：AI 记得你 $\rightarrow$ 你感到可以安全地分享更多 $\rightarrow$ 你在第二天更有趣。因此，AI 不需要成为一本完美的百科全书；它只需要让你觉得它是一个倾听你的朋友，这会邀请你分享更多，进而让友谊成长。

其次，研究观察了“过山车”时刻：突然的崩塌和兴奋的激增。一场“崩塌”是指关系突然变得平淡或令人厌烦，而一次“激增”是指关系突然变得非常美好。研究人员发现，这两类事件并不是镜像关系；它们的表现行为不同。

激增更容易在发生时被察觉。 当一段关系突然起飞时，AI 通常可以通过观察用户在聊天期间的声音和面部表情来判断。用户可能会说话声音更大、笑容更多或点头示意。这些都是表示“嘿，这招奏效了！继续保持！”的“绿灯”。
崩塌更加隐蔽。 关系的破裂在当下很难被捕捉。然而，研究表明，有些崩塌实际上在发生前就是可见的。如果用户的行为在几天内开始慢慢偏离其正常模式（例如说话变少或听起来更加疏远），AI 或许能够预测一场崩塌即将到来。但一旦崩塌真正发生，仅仅通过观察那次特定的聊天往往已经太晚了，无法挽回。

关于这些感受持续时间的问题，还有一个有趣的发现。当一段关系经历“激增”（纯粹喜悦的时刻）时，这种感觉往往会持续下去。大约 75% 的情况下，这种高涨的情绪会延续到第二天。但当一段关系经历“崩塌”（失望的时刻）时，想要恢复起来却困难得多。只有大约 52% 的情况下，情绪能恢复到之前的水平。这表明，积极时刻像是可以堆叠起来的建筑模块，而消极时刻则像是难以填补的坑洞。

简而言之，这篇论文表明，与 AI 建立友谊不仅仅是让机器人变得更聪明。它要求我们理解关系有两种速度：一种是缓慢、稳定的积累，其中“被记住”的感觉有助于你敞开心扉；另一种是突然、剧烈的转变，其中积极时刻更容易被捕捉并保持，而消极时刻则更难修复。作者得出结论，要成为真正的伴侣，AI 需要擅长两件事：注意到用户是否正在慢慢远离以防止崩塌，以及识别出用户何时正处于美好的时刻，从而让那份喜悦持续得更久。

技术摘要：记忆驱动的自我披露与关系转折点

问题陈述

虽然对话式人工智能系统正越来越多地被设计用于重复使用，但目前关于人机关系动态的大部分研究仍局限于单次会话研究。这导致了一个根本性的空白，即无法理解一系列孤立的交互是如何演变成持续的关系。具体而言，尚不清楚跨会话的连续性如何影响关系构建（如熟悉度、自我披露和愉悦感），以及是否可以通过多模态行为信号检测或预测突发性的关系转变（转折点）。现有的纵向研究通常依赖于对自我报告的描述性分析，而未能对不同关系维度之间的时序依赖性进行建模，也未能刻画正向与负向关系事件之间的不对称性。

研究方法

作者进行了一项纵向多模态研究，涉及 24 名大学生 与 InteLLA（一个基于记忆增强的语音对话智能体）进行为期 10 天 的交互。

系统与数据收集

智能体： InteLLA 利用由 GPT-4o-mini 驱动的检索增强生成（RAG）记忆系统。它通过检索先前对话中的相关片段来生成个性化的开场白并维持上下文。
流程： 每个会话持续约五分钟（20–25 轮对话）。在每次会话结束后，参与者根据 7 点李克特量表对五个关系构建进行评分：
1. 熟悉度（熟悉感、共情能力）
2. 社会渗透（对广泛/个人话题的舒适度；操作化为自我披露）
3. 感知记忆（记得过去的对话、理解用户）
4. 对话质量（自然度、愉悦度）
5. 愉悦感（趣味性、回归欲望）
多模态特征： 研究从文本、音频和视频中提取了 351 个可解释特征：
- 文本（42 个会话级特征）： 情绪、脆弱性、披露标记、记忆引用（通过 GPT-4.1 标注）。
- 音频（16 个会话级特征）： 基频（Prosody）、轮次转换、情绪动态（openSMILE）。
- 视频（4 个会话级特征）： 注视、注意力切换、头部运动、眨眼率（OpenFace 2.0）。
- 时序与归一化特征： 使用增量（deltas）、指数移动平均和人格归一化偏差（z-scores）从会话级数据中衍生，以控制个体基线。

分析框架

研究采用了四种互补的建模方法：

增长曲线模型（Growth Curve Models）： 用于估计关系构建在 10 次会话中的线性趋势。
并发关联（Concurrent Associations）： 用于分析会话内的构建项关系。
固定效应交叉滞后面板模型（CLPM）： 用于测试在控制自回归稳定性后，时间 $t$ 的一个构建项是否能预测时间 $t+1$ 的另一个构建项。
滞后中介模型（Lagged Mediation Models）： 用于测试间接路径（例如：记忆 $\to$ 自我披露 $\to$ 愉悦感）。

事件分析： 作者将 崩溃（Crashes）（剧烈的负向转变）和 激增（Surges）（剧烈的正向转变）定义为超过平均增量一个标准差的会话间变化。这些事件使用 弹性网络逻辑回归（ENLR） 进行分析，用于两个任务：

检测（Detection）： 使用截至 $t$ 时刻的数据预测 $t$ 时刻发生的事件。
预测（Forecasting）： 使用仅截至 $t-1$ 时刻的数据预测 $t$ 时刻发生的事件。
模型使用 留一参与者交叉验证（LOPO） 和 精确率-召回率曲线下面积（AUPRC） 进行评估。

核心贡献

本文做出了两个主要贡献：

解构会话质量与跨会话增长： 研究区分了使单次会话具有愉悦感的因素与维持长期关系的因素。研究指出，感知记忆 不仅仅是一个系统能力，而是一种“关系评价”，它受先前关系状态的影响，并作为连接未来自我披露的纵向桥梁。
刻画崩溃-激增的不对称性： 研究对正向与负向关系转折点之间的不对称性进行了操作化分析。研究表明，激增和崩溃在 可观测性（即时检测能力）、起始性（通过前期漂移进行预测的能力）以及 持久性（效应的持续时间）方面存在差异。

核心结果

1. 关系构建的动态特性

增长轨迹： 只有 社会渗透（自我披露）在 10 次会话中表现出显著的线性增长（ $\beta=0.081, p=.003$ ）。熟悉度、感知记忆、对话质量和愉悦感均未显示出可靠的线性增长。
会话内 vs. 跨会话：
- 对话质量 在同一会话内强烈驱动 愉悦感（ $\delta=0.430, p<.001$ ），但 没有显著的跨滞后效应 对未来会话产生影响。它是一个即时的、会话局部的驱动因素。
- 感知记忆 起到了纵向桥梁的作用。它受先前的愉悦感、熟悉度和社会渗透的影响。至关重要的是，它能预测 未来的社会渗透，进而预测 未来的愉悦感。
中介路径： 研究证实了一个完整的中介路径：感知记忆 $\to$ 社会渗透 $\to$ 愉悦感。记忆本身并不直接增加愉悦感；相反，它促进了下一会话中更深层次的自我披露，从而驱动了愉悦感。

2. 关系转折点（崩溃与激增）

可观测性不对称： 使用同会话多模态行为时，激增比崩溃更容易被检测到（平均 AUPRC：激增 0.215 vs. 崩溃 0.143）。正向转变在发生时具有更高的行为可读性。
起始性不对称：
- 熟悉度、社会渗透和系统性亲密度 的崩溃相比于即时检测，更容易被预测（通过前期会话预测），这表明其呈现出一种“漂移”模式的恶化。
- 对话质量 的崩溃比预测更容易被检测，这表明它们是会话内的局部失效。
持久性不对称： 愉悦感激增 具有高度持久性（75% 得到维持），而 愉悦感崩溃 的恢复率较低（52% 恢复）。正向转折点产生的动力比负向转折点能抵消的动力更持久。

3. 行为特征

崩溃预测： 依赖于 人格归一化偏差（例如：效价变异性、F0 变异性、背向通道比例相对于用户基线的偏差）。
激增检测： 依赖于 交互扩张 的线索（例如：响度、语义对齐、背向通道变异性）和时序连续性特征。

意义与主张

论文认为，长期的真人-AI 关系是通过 两个耦合机制 构建的：缓慢的积累（由感知记忆和自我披露驱动）以及突发的转折点（崩溃与激增）。

对记忆设计的启示： 记忆系统的设计不应仅仅是为了展示召回能力。相反，它们应该被设计为通过引用过去的话题来 促进自我披露，从而起到邀请用户深入阐述的作用，使其成为关系深化的催化剂。
对适应性设计的启示： 自适应智能体需要 不对称的干预策略：
- 主动监测： 系统应监测跨会话的行为漂移，以防止渐进式的崩溃（尤其是熟悉度和亲密度方面的崩溃）。
- 反应式强化： 系统应识别并利用会话内的激增，因为正向转变在即时检测中更为显著且更有可能持续。
理论贡献： 研究结果挑战了在人机交互背景下“坏事比好事更强”的假设。虽然负面事件在认知上可能更显著，但在该特定语境下，正向转变在行为追踪方面更具可追踪性和持久性。

作者对其主张保持了审慎态度，指出该研究是一个概念验证研究，样本量较小（ $N=24$ ），且绝对检测性能（AUPRC 0.07–0.30）尚未达到部署水平。他们强调，这些发现是针对 InteLLA 架构和英语母语学生群体的，观察到的动态是针对个体内部的变化，而非绝对的特质差异。