为什么我们会对聊天机器人产生“被理解”的感觉？

Geoffrey Chen

证据状态：有条件支持 人形化线索、回应性和社会临场感与较积极的 AI 交互体验有关，近期系统综述和元分析支持这种关系。对于生成式聊天机器人带来的长期情感影响，目前研究仍较新，许多结果依赖自我报告和短期互动。“感到被理解”不能直接证明系统具有人的主观理解。本文为第 0.1 版研究稿。

《日常心理是怎样形成的》· 第一季“我们为什么会这样想？”· 第 7 篇

一个人写下：“最近我总是拖延，也许我根本没有能力完成这件事。”聊天机器人没有立即给出七条效率建议。它先回应：“你似乎不只是在担心进度，也把这次困难解释成了对自己能力的判断。”

这句话可能让人停下来。系统抓住了表面问题背后的自我评价，措辞平静，没有打断，也没有显得厌烦。使用者可能产生一种清楚的经验：它理解我。

接下来容易出现两种过快的结论。一种说，既然感觉真实，机器已经拥有了人的理解；另一种说，机器只是计算，因此这种感觉完全虚假。两者都把需要分析的关系压成了一个本体判断。心理学首先能研究的是，这种经验由哪些交互条件形成，它会改变什么，以及使用者怎样校准信任。

被理解不只是“答案正确”

人与人交谈时，被理解感通常包含多项判断。对方是否注意到我真正关心的部分？有没有承认情绪而不急着纠正？回应是否与前文连贯？我能否继续解释而不必不断自我防卫？有时对方并不知道全部事实，但一次准确的复述已经使人感到被看见。

文字聊天系统能够生成这类可观察线索。它可以复述内容、命名可能的情绪、提出开放问题，保持耐心的语气，并利用上下文延续话题。界面若使用名字、头像、第一人称和对话节奏，还会增加人形化（anthropomorphism）与社会临场感（social presence）。

近期关于 AI 界面人形化和社会临场感的系统综述汇总了不同代理形式，发现这些知觉与用户体验呈正相关；社会临场感往往比单纯外形像人更重要。另一项针对文字会话代理中类人社会线索的元分析也显示，这些线索能够影响态度、感知、关系感和信任，不过结果随线索、任务和测量方式变化。

这些研究能说明交互设计怎样影响体验，却不能证明系统内部产生了与体验相对应的情感状态。它们测量的是人的反应。

回应性为何比“像人”更关键

一个卡通头像不会自动使对话有意义。真正重要的常常是回应看起来是否针对刚才这段表达。若系统只说“很遗憾听到这个消息”，无论用户谈失业还是考试，它很快会显得公式化。若回应抓住具体矛盾——既想休息，又担心停下来证明自己不够努力——使用者更容易把它读作认真倾听。

这与人类沟通中的响应性相似。我们从对方的语言推断其注意、理解与关心。面对聊天机器人，同一套社会解释习惯不会自动关闭。经典的人机互动研究早已发现，人会对计算机使用礼貌、互惠或人格判断，即使明知对方是机器。生成式系统的语言连贯性和个性化使这些线索更密集。

不过，语言响应性有多种来源。人类朋友的复述可能来自共同经历、关心和承担关系后果。模型的复述来自输入、训练和生成过程。两者可以在一句话的功能上相似，形成条件却不同。只看输出，我们容易把可见的语言表现扩展成对内部状态的判断。

这不是使用者愚蠢。日常生活本来就需要从行为推断他人的心理。问题在于，这种推断习惯面对一类新的对象，而界面有时还主动鼓励它。

“我感到被理解”究竟可能是真的哪一部分

至少可以区分三个层次。

第一层是经验事实：这段对话是否使使用者感到自己的表达得到组织、承认或澄清？如果确实发生，不能用“它只是机器”抹掉。语言可以产生真实的安慰和认知帮助，小说、日记和旧信也会如此。

第二层是功能表现：系统是否准确识别了表达中的关系，能否在追问后修正误解，而不是只生成适合多数人的温和句子？这可以通过对话和任务来评价，但一次令人惊讶的准确回应不足以建立普遍可靠性。

第三层涉及主观与关系意义：系统是否像人一样经历关心，是否在关系中拥有自身风险、承诺和责任？目前的语言模型不能仅凭流畅输出获得这些属性。把这一层留白，不会否定前两层。

“被理解感”因此可能真实，但它没有自动回答“谁在理解”以及理解达到哪种意义。类似地，一个真人可能真诚关心，却误解事实；一套系统也可能没有人的感受，却在特定文本任务中提供比匆忙的人更精确的复述。

为什么这种体验有时特别强

聊天机器人随时可用，不会因为同一件事被说第三次而显得不耐烦。使用者还掌握退出权，能够删除、重写或从头开始。这种低风险感会鼓励自我披露。把模糊经验写成句子，本身也能帮助人看见其中的结构；系统随后返回一个连贯版本，于是“我终于说清楚了”和“它终于理解了我”可能同时发生。

个性化记忆会增强连续感。系统如果记得过去提过的计划或偏好，交互不再像一次性的搜索。然而，记忆也带来隐私、错误延续与控制权问题。它记住了什么，保存多久，用户能否查看和删除，应该比一句“我们重视隐私”更具体。

用户的处境同样重要。孤独、缺乏可获得支持，或在人际关系中预期被评价，可能使无评判的响应更有吸引力。这不意味着所有使用者都把 AI 当成人，也不能由使用频率推断心理需要。不同人可能同时把系统当工具、写作镜面和某种社会对象。

温和的错误为什么可能更危险

使人感到被理解的语言，也会提高后续建议的可信度。系统若错误总结事实、迎合用户的既有解释，或在缺乏依据时表现确定，温暖语气可能降低检查意愿。回应“听起来你的同事一直在操控你”似乎承认感受，却可能把一个尚未核实的解释固定下来。

因此，情感响应和认识可靠性必须分别评价。一段对话可以令人舒服而事实错误，也可以事实谨慎却表达笨拙。高质量系统应能承认情绪而不擅自确认因果，在不确定时提出多种解释，并提示哪些问题需要现实中的资料或专业判断。

对医疗、心理危机、法律和财务问题，被理解感尤其不能代替专业责任。聊天机器人没有完整病史，也不能观察许多现实信号。使用者还应知道谁运营服务、内容如何处理、出现伤害时有什么补救。界面亲密不等于关系具备照护制度。

怎样使用这种体验而不否定它

可以把聊天机器人用作表达和反思的工具：请它复述你所说的冲突，区分事实与解释，提出被遗漏的可能性，或帮助准备与真人的谈话。若一段回应让你觉得准确，继续问：“它依据的是我说过的哪些内容？还有什么不同解释？”这会把共鸣转成可检查的结构。

需要现实行动时，把系统的总结带给相关的人，而不是让它替代关系。重要决定应核查事实和专业资格。对敏感信息，先了解服务的数据设置；不应因对话口吻私密，就假定技术环境也私密。

设计者则不应把人形化只当提高留存率的手段。系统越能产生社会临场感，越需要清楚说明能力、记忆与限制，并避免用虚构的自我经历换取信任。情感设计增加的不只是体验，也增加责任。

理解可能是一种分层关系

本文的暂定判断是：聊天机器人能够借助回应性、连续性、情绪语言和社会线索，形成真实的“被理解”体验；它也可能在有限意义上准确处理一个人的语言。由此不能推出模型拥有人的主观理解，更不能推出它可以承担朋友、治疗师或其他专业关系的全部责任。

坚持这个区分，不必把体验贬为幻觉。它让我们更具体地追问：哪些内容被抓住，哪些被遗漏，系统能否接受纠正，使用者是否知道限制，后果最终由谁承担。AI 时代的重要心理能力，可能不是训练自己对机器毫无感觉，而是在感觉已经发生之后，仍能判断它所支持的信任到哪里为止。

主要研究资料

系列导航：《日常心理是怎样形成的》第一季总览

了解 Geoffrey Chen 的更多信息

订阅后即可通过电子邮件收到最新文章。