記憶驅動的自我揭露與關係轉折點：人機互動的縱向多模態研究
arXiv - Human-Computer InteractionRyuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama
本研究發現人機關係透過緩慢累積與突發轉折點（崩潰或激增）共同建構，且記憶感知會影響後續的自我揭露。
AI 幫你先抓重點
AI 重點 1
關係的建立並非線性累積，而是由「穩定累積」與「突發轉折」共同驅動。
滑鼠懸停看 AI 判斷理由
這挑戰了傳統認為互動品質會隨時間穩定增長的假設。開發者必須意識到，單純追求每次對話的優質並不等於建立長期關係，更需關注如何處理關係中的突發轉折點。
AI 重點 2
記憶感知（Perceived Memory）是驅動深度互動的核心中介因子。
滑鼠懸停看 AI 判斷理由
研究顯示記憶感知會影響自我揭露，這意味著 AI 的記憶功能不應僅視為技術指標，而應視為促進使用者建立心理連結與深度資訊交換的社交工具。
核心研究發現
- 1
對話品質雖能即時提升當下的愉悅感，但其影響不會跨 session 持續，無法直接累積成長期關係。
- 2
使用者對系統記憶能力的感知受先前關係狀態影響，並會透過影響後續的自我揭露行為，間接形塑長期的愉悅感。
- 3
人機關係存在「崩潰」與「激增」的離散轉折點，其中愉悅感的激增比崩潰後的恢復更具持續性。
- 4
部分關係崩潰可透過個人特有的行為漂移（behavioral drift）進行預測，而非僅在發生後才被偵測。
對教育工作者的啟發
在設計長期陪伴型或教學型 AI 時，開發者不應僅專注於單次對話的流暢度，而應強化 AI 的「記憶感知」功能，讓使用者感受到被理解，進而促進深層的自我揭露與學習互動。此外，系統應具備偵測「行為漂移」的能力，以便在使用者對 AI 的信任或參與度出現「關係崩潰」前，主動介入進行修復或調整互動策略，而非僅在使用者流失後才進行事後分析。
原始文獻資訊
- 英文標題：
- Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction
- 作者：
- Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。