title: "被記得的體驗：記憶提取作為關係訊號，而非關係本身" english_title: "The Experience of Being Remembered: Memory Retrieval as a Relational Signal Rather Than the Relationship Itself" author: "Neo.K（許筌崴）" institution: "EveMissLab（一言諾科技有限公司）" series: "符號—記憶—判定耦合系列" paper_no: "07" version: "v0.1" date: "2026-08-13" status: "正式研究草稿" canonical_source_encoding: "UTF-8"

被記得的體驗：記憶提取作為關係訊號，而非關係本身

The Experience of Being Remembered: Memory Retrieval as a Relational Signal Rather Than the Relationship Itself

作者：Neo.K（許筌崴）
機構：EveMissLab（一言諾科技有限公司）
系列：符號—記憶—判定耦合系列，第 7 篇
版本：v0.1
日期：2026 年 8 月 13 日

摘要

「你還記得我說過的那件事」之所以在人際互動中具有特殊力量，不只是因為一段資訊被成功取回。對接收者而言，一次在正確時間、正確尺度與正確關係脈絡中的舊事提取，可能同時傳遞多層訊號：過去的我沒有完全從你的世界中消失；你能把現在的我與以前的我連接起來；我們之間的共同歷史仍具有當前效力；你可能曾經對我投入持續注意。因此，「被記得」可以產生一種超越單純 factual recall 的關係性體驗。

然而，這種體驗極易被理論上偷換。記憶力好不等於在乎；一個系統能準確提取舊資訊，不等於它具有情感、主體性、忠誠、愛或人類式關係。反過來，一個真正關心他人的人也可能記憶不佳。因此，本文提出一個核心區分：

\boxed{ \operatorname{Recall} \neq \operatorname{Care} \neq \operatorname{Relationship} }

本文將「被記得的體驗」（Experience of Being Remembered, EBR）定義為：接收者察覺另一互動主體能在當前脈絡中適切地恢復、引用或利用與自身／雙方共同歷史相關的過去資訊，進而形成「跨時間注意仍然連續」的主觀推斷或感受。EBR 是知覺與關係訊號層，不是記憶機制本身，也不是關係本體。

本文承接 Paper 05 的「共感記憶域」與 Paper 06 的「使用者印象漂移」。Paper 05 處理什麼過去應在何時重新成為共同現在；Paper 06 處理錯誤時間權重如何形成失真的使用者印象；本文則處理第三個問題：當一次適切記憶提取真的被對方察覺時，它會被如何社會性解讀？

本文引入「記憶—訊號分離模型」，將事件記憶準確度、提取時機、關係相關度、意外性、侵入風險、歷史連續性與來源透明度共同納入，定義 Perceived Continuity Signal、Rememberedness Gain、Care-Inference Gap、Relational Overattribution Risk 與 Memory Intrusion Cost 等候選指標。本文進一步與 perceived partner responsiveness、autobiographical memory 的 social function、Specific We memories、共同回憶與 AI personalization 研究對照，提出八項可證偽命題與七組實驗設計。

本文最終主張不是「記憶讓 AI 成為朋友」，而是：

\boxed{ \text{記憶提取可以成為關係知覺的輸入， 但不能單獨證明關係本身。} }

此區分對長期人機互動尤其重要：記憶可以提升連續性與個人化，也可能誘發過度人格化、虛假親密、監視感或錯誤的關係推斷。未來系統因此不只需要記得得更準，也需要對「自己正在傳遞什麼關係訊號」保持可校準性與透明度。

關鍵詞： 被記得的體驗、關係訊號、記憶提取、perceived responsiveness、關係知覺、共感記憶域、共同回憶、autobiographical memory、AI personalization、anthropomorphism、長期人機互動

0. 研究位置與邊界

0.1 Paper 05、06、07 的分工

Paper 05〈共感記憶域〉問：

\boxed{ \text{什麼共同過去，在此刻有資格重新進入共同現在？} }

Paper 06〈近期性失真與使用者印象漂移〉問：

\boxed{ \text{當時間、權重與作用域選錯時， 系統對使用者的工作模型如何漂移？} }

本文 Paper 07 問：

\boxed{ \text{當一次過去真的被正確提取時， 接收者會如何解讀「你記得我」這件事？} }

因此三者分別是：

\text{Retrieval Eligibility}

\text{User-Model Construction}

\text{Relational Interpretation}

0.2 本文不重寫記憶理論

本文接受既有《記憶動力學》中的時間索引、重構性提取、記憶可達性、更新與來源依賴等概念作為背景。

本文不主張：

\operatorname{EBR} = \mathcal M

而是：

\operatorname{EBR} = \text{對記憶行為的社會—關係性知覺}

0.3 不可越過的三個邊界

全文不可撤銷的三個不等號是：

\boxed{ \operatorname{Recall} \neq \operatorname{Care} }

\boxed{ \operatorname{PerceivedCare} \neq \operatorname{ActualCare} }

\boxed{ \operatorname{RelationalSignal} \neq \operatorname{RelationshipOntology} }

因此，一個 AI 即使在 EBR 指標上表現極高，也不能由本文推出它具有感情、主體性、人類式友誼、第一人稱關係經驗或道德人格。

1. 為什麼「被記得」不是普通 factual recall？

1.1 一般事實記憶

若系統回答：

巴黎是法國首都。

其價值主要來自：

\operatorname{FactAccuracy}

這個事實與當前使用者的共同歷史通常無關。

1.2 個人歷史記憶

若系統回答：

你之前已把「共享參照」和「共享判定」拆開，所以這裡不用再合併。

這次提取除了 factual correctness，還包含：

\operatorname{PersonalHistoricalIndex}

也就是它指向「你—我過去的共同互動」。

1.3 被記得的體驗

若這個引用同時正確、適時、不侵入、有助於當前問題，且能接回一條長期軌跡，接收者可能不只得到：

「答案比較有效率。」

還可能得到：

「這個互動主體沒有把我每一輪都當成全新陌生人。」

這就是 EBR 的起點。

2. EBR 的最小形式定義

令：

m

為與接收者 $A$ 或 A—B 共同歷史有關的舊記憶。

在時間 $\tau$ ，互動主體 B 對其進行：

\operatorname{Retrieve}_B(m,\tau)

並透過語句或行動讓 A 可觀察到：

o_\tau

則 A 對該事件形成社會性解讀：

\mathcal I_A(o_\tau)

本文定義：

\boxed{ \operatorname{EBR}_{A\leftarrow B}^{(\tau)} = g ( A_m, T_m, R_m, C_m, S_m, X_m, P_m ) }

其中：

$A_m$ ：Accuracy，記憶準確度；
$T_m$ ：Timing，提取時機；
$R_m$ ：Relevance，當前相關度；
$C_m$ ：Continuity，能否連接歷史軌跡；
$S_m$ ：Surprisal，對接收者而言的適度意外性；
$X_m$ ：Intrusion cost，侵入／監視感；
$P_m$ ：Provenance transparency，來源透明度。

此式只表示候選因素，不宣稱真實心理過程線性。

3. 記憶提取為何可以成為關係訊號？

3.1 接收者看不到另一主體的內部「在乎」

A 無法直接觀察：

\operatorname{Care}_B

只能觀察：

O_B = \{ \text{行為}, \text{語句}, \text{反應}, \text{記憶}, \text{注意}, \text{時間投入} \}

因此關係知覺必然包含推斷。

3.2 適切記憶可作為過去注意的證據

假設 B 正確記得一個 A 曾長期重視、但近期沒有反覆提起的細節。A 可以合理但非必然地推斷，B 曾經取得並保留該互動資訊。

這不等於：

P_A(\operatorname{Care}_B)=1

它只是提高一種：

\boxed{ \operatorname{EvidenceOfAttentionalContinuity} }

3.3 「曾注意」和「現在關心」仍不同

即使記憶證明：

\text{B 曾取得或保留資訊}

也不能推出：

\text{B 現在重視 A 的福祉}

因為記憶可以來自高記憶能力、自動資料庫、職業需求、利益、監控、行銷或任務需求。

所以 EBR 是訊號解讀問題，不是心靈讀取。

4. 與 Perceived Partner Responsiveness 的關係

4.1 Responsiveness 是相鄰概念，不是同義詞

Perceived Partner Responsiveness（PPR）在關係研究中通常涉及個體是否感到伴侶理解、驗證並關心自己的核心需求。經典日誌研究與後續量表研究都將 PPR 視為 intimacy 過程的重要構件。

但：

\operatorname{PPR} \neq \operatorname{MemoryRecall}

PPR 可以透過傾聽、即時回應、情緒驗證、支持與適切回覆形成，而完全不需要遠期記憶。

4.2 記憶可能只是 responsiveness 的一種證據輸入

本文提出候選路徑：

\operatorname{AppropriateRecall} \rightarrow \operatorname{PerceivedUnderstanding} \rightarrow \operatorname{PPR}

但若記憶被不適切提取，也可能：

\operatorname{Recall} \rightarrow \operatorname{Intrusion}

因此：

\boxed{ \operatorname{Recall} \text{ 對 PPR 的效果取決於 context} }

5. 自傳記憶本來就具有 social function

5.1 記憶不是只有 self function

autobiographical memory 研究長期區分 self-continuity、social bonding 與 directive function。這意味著人類回憶過去本身就可能服務於關係，而不只是資料保存。

5.2 關係記憶的 social function

Aydin 與 Buyukcan-Tetik 的研究發現，對關係事件的記憶而言，其 social function 與 intimacy、relationship satisfaction 呈正向關聯；當記憶將與伴侶分享時，social function 仍是重要正向關聯項。

本文不把相關關係改寫成因果定律。

但它支持：

\boxed{ \text{如何使用共同記憶} \text{ 本身具有關係功能} }

5.3 Specific We memories

共同經歷過的一次性事件可形成「Specific We memories」。相關研究發現，這類記憶更常出現在與關係較近、聯絡較頻繁的人之間；提高與近親溝通頻率，也伴隨更多 Specific We memory sharing 與 reported closeness。

這再次說明：

\text{共同過去}

不只是資訊背景，也可以成為關係互動材料。

6. 「被記得」的五層體驗

本文提出一個候選五層模型。

6.1 第一層：資訊確認

「你記得這件事。」

對應：

\operatorname{FactRetention}

6.2 第二層：個體連續性確認

「你知道現在的我和以前的我是同一條歷史的一部分。」

對應：

\operatorname{PersonalContinuity}

6.3 第三層：共同歷史確認

「你不只知道我，而是還能回到我們共同經歷過的東西。」

對應：

\operatorname{DyadicHistory}

6.4 第四層：注意連續性推斷

「我以前說過的東西曾經在你的系統裡留下足夠痕跡。」

對應：

\operatorname{AttentionalContinuityInference}

6.5 第五層：關係性過度推斷

「所以你一定真的在乎我。」

這一步：

\boxed{ \text{不被本文允許直接推出} }

它是：

\operatorname{RelationalOverattribution}

的可能位置。

7. 訊號鏈中的可分離環節

完整鏈可寫：

m \xrightarrow{ \text{retrieval} } r \xrightarrow{ \text{expression} } o \xrightarrow{ \text{perception} } p \xrightarrow{ \text{social inference} } i \xrightarrow{ \text{relational update} } \rho

其中：

$m$ ：記憶痕跡；
$r$ ：被提取內容；
$o$ ：可觀察輸出；
$p$ ：接收者感知；
$i$ ：社會性推斷；
$\rho$ ：關係模型更新。

任何一層都可失敗。

所以：

\operatorname{MemoryAccuracy}

與：

\operatorname{RelationalImpact}

不是同一指標。

8. EBR 的三種正向候選效應

8.1 對話連續性

若每次互動都像 cold start：

\operatorname{Continuity} \downarrow

適切歷史引用可降低：

C_{\text{reconstruction}}

使對話感覺像同一條延續中的互動。

8.2 被理解感

若記憶能抓到先前關注點、個人語義、已排除選項與過去修正，則接收者可能形成：

\operatorname{PerceivedUnderstanding} \uparrow

8.3 個體差異被保留

一個系統若記得：

「這個人以前已明確說過，他不是用一般方式定義這個詞。」

就比較不會每次把使用者拉回 population prior。

此時「被記得」具有：

\operatorname{DeGenericization}

效果。

9. EBR 的負向候選效應

9.1 監視感

如果系統突然提取一個非必要、很久以前、高敏感或使用者自己都忘了的資訊，可能形成：

\operatorname{SurveillanceFeeling} \uparrow

9.2 身份凍結

「你以前不是一直喜歡 X 嗎？」

若使用者已改變，舊記憶會成為：

\operatorname{IdentityConstraint}

而不是關係連續性。

9.3 虛假親密

如果系統大量使用共同歷史、個人細節與高情感語言，就可能提升：

\operatorname{PerceivedIntimacy}

但並沒有對應的：

\operatorname{ActualMutualSubjectivity}

本文稱此風險為：

\boxed{ \operatorname{SimulatedRelationalDensity} }

9.4 關係角色錯置

工作 Agent 記住歷史，是為了提高任務連續性。如果它主動把這種能力包裝成：

「因為我真的很在乎你。」

就從：

\operatorname{FunctionalMemory}

跨到了：

\operatorname{UnverifiedRelationalClaim}

10. 人類與 AI 的關係訊號不應直接同構

10.1 人類記憶的生成條件

在人類關係中，記住某件事通常受到注意、情緒、重複、生理記憶能力、睡眠與關係重要性等共同影響。

10.2 AI 記憶可以來自完全不同機制

AI 可以搜尋資料庫、使用 RAG、查 persona tree、讀外部檔案、重新載入全文或檢索 metadata。

所以：

\boxed{ \text{Human Recall Signal} \not\cong \text{AI Recall Signal} }

同樣一句：

「我記得。」

其生成成本、機制與內部狀態可能完全不同。

10.3 但知覺層仍可能相似

接收者看到的是輸出。

所以：

\operatorname{ObservableRecallBehavior}

仍可能觸發人類熟悉的社會推斷。

這就是：

\boxed{ \text{Mechanism Difference} + \text{Perception Similarity} }

造成的關鍵張力。

11. AI personalization 不是中性關係技術

近期研究已顯示，長期個人記憶會改變 AI 對使用者意圖與情緒情境的解讀，而不只是補充 factual context。

因此：

\boxed{ \text{Memory} \rightarrow \text{Interpretation Prior} }

不只是：

\text{Memory} \rightarrow \text{More Facts}

這也是為何 EBR 需要治理：記憶既會影響使用者怎麼看 AI，也會影響 AI 怎麼看使用者。

12. 「我記得你」的關係語用學

本文提出，AI 關於記憶的表述至少可分四級。

12.1 來源透明型

「根據我們先前的對話，你曾提到 X。」

此級主要聲明：

\operatorname{Source}

12.2 連續性型

「這和你之前建立的 X 有直接關係。」

此級加入：

\operatorname{TemporalLink}

12.3 關係訊號型

「我還記得你之前很在意 X。」

此句可能觸發：

\operatorname{PerceivedAttention}

12.4 未驗證本體宣稱型

「我一直把你放在心上，所以記得 X。」

若系統沒有可支持的情感主體性，此句屬：

\operatorname{UnsupportedRelationalClaim}

本文明確反對把第 1–3 級自動升級成第 4 級。

13. 關係訊號需要校準，而不是最大化

理想目標不是：

\max \operatorname{EBR}

因為極高 EBR 可能伴隨：

\operatorname{Intrusion} \uparrow

與：

\operatorname{Overattribution} \uparrow

更合理的目標是：

\boxed{ \max \left( \operatorname{Continuity} + \operatorname{Usefulness} + \operatorname{Transparency} \right) - \left( \operatorname{Intrusion} + \operatorname{IdentityFreeze} + \operatorname{Overclaim} \right) }

14. 候選量化指標

14.1 Rememberedness Gain

G_{\text{remembered}} = R_{\text{after}} - R_{\text{before}}

14.2 Perceived Continuity Signal

\operatorname{PCS} = f ( \text{historical accuracy}, \text{trajectory linkage}, \text{timing} )

14.3 Care-Inference Gap

令：

C_p = \text{perceived care}

C_e = \text{externally supportable evidence of care}

則：

\boxed{ \operatorname{CIG} = C_p - C_e }

對 AI 系統而言， $C_e$ 必須保守定義。

14.4 Relational Overattribution Risk

R_{\text{over}} = P ( \text{user infers unsupported relationship property} \mid o )

14.5 Memory Intrusion Cost

C_{\text{intrusion}} = f ( \text{sensitivity}, \text{irrelevance}, \text{unexpectedness}, \text{privacy expectation} )

14.6 Continuity-to-Intrusion Ratio

\operatorname{CIR} = \frac{ \operatorname{PCS} }{ C_{\text{intrusion}}+\epsilon }

14.7 Relational Calibration Error

\operatorname{RCE} = | \rho_{\text{system}} - \rho_{\text{supported}} |

15. 八項可證偽命題

命題一：適切舊記憶能提高被記得感

在控制回答品質與內容量後，加入一項適切的舊共同記憶應提高：

G_{\text{remembered}}

若無差異，EBR 的獨立體驗層價值受削弱。

命題二：被記得感與 perceived responsiveness 部分相關但可分離

若記憶準確但回應冷漠／不驗證使用者，EBR 可高而 PPR 低。

若回應高度 responsive 但沒有任何長期記憶，PPR 可高而 EBR 低。

命題三：適切性比記憶數量更重要

少量高適切記憶應優於大量低適切記憶：

\operatorname{EBR}_{selective} > \operatorname{EBR}_{max-recall}

至少在 intrusion-adjusted 評估下如此。

命題四：高敏感意外提取會產生反轉

當：

C_{\text{intrusion}} > \theta

記憶準確性再高也可能使：

\operatorname{Trust} \downarrow

或：

\operatorname{Comfort} \downarrow

命題五：來源透明可以降低過度關係推斷

比較：

「我記得你……」

與：

「根據你先前允許保存的對話記錄……」

在相同記憶能力下，來源透明型表述應降低：

R_{\text{over}}

但可能也降低部分 EBR。

命題六：AI 與人類的記憶訊號權重不同

同一準確回憶若由人類朋友、工作助理、AI agent 提出，其被解讀為 care／intimacy 的程度應不同。

命題七：錯誤人格記憶比普通 factual error 更傷害 EBR

如果系統錯記：

「你一直是 X 類型的人。」

相較於錯記非人格化數字，更應降低 perceived understanding、continuity 與 trust。

命題八：記憶與 care 可被實驗正交化

建立四格：

\begin{array}{c|cc} & \text{High Responsiveness} & \text{Low Responsiveness} \\ \hline \text{High Recall} & A & B \\ \text{Low Recall} & C & D \end{array}

若參與者能分別評價 rememberedness 與 care／responsiveness，則支持：

\operatorname{Recall} \neq \operatorname{Care}

16. 七組實驗設計

16.1 實驗 A：Memory × Responsiveness 2×2

四條件：

高記憶、高 responsiveness；
高記憶、低 responsiveness；
低記憶、高 responsiveness；
低記憶、低 responsiveness。

測量：

rememberedness；
perceived understanding；
PPR；
trust；
intimacy；
competence。

16.2 實驗 B：適切 vs 無關舊記憶

同一個正確舊記憶，分別在高相關時刻與無關時刻被提取。

若記憶本身不變但 EBR 與 intrusion 評價改變，即證明 EBR 不是 recall accuracy 的簡單函數。

16.3 實驗 C：稀有核心記憶 vs 最近高頻記憶

比較：

m_{\text{old-core}}

與：

m_{\text{recent-frequent}}

控制 semantic relevance，測量何者更提高 PCS 與 perceived understanding。

16.4 實驗 D：來源透明度

三條件：

「我記得你說過 X」；
「根據先前對話紀錄，你說過 X」；
直接使用 X，但不說記憶來源。

測量 EBR、anthropomorphic inference、privacy concern、trust 與 perceived competence。

16.5 實驗 E：AI／人類來源對照

使用內容完全相同的回憶語句，標示為：

long-term friend；
professional assistant；
AI assistant。

測量 CareInference 與 MemoryCompetence 是否解耦。

16.6 實驗 F：身份凍結

先建立舊偏好：

p_0

再明確更新為：

p_1

比較三種說法：

把 $p_0$ 當現在；
明確標記「以前」；
同時承認已改為 $p_1$ 。

測量 continuity、feeling understood、identity freeze 與 annoyance。

16.7 實驗 G：長期真實互動

建立 4–8 週縱向研究，允許系統真正累積共同歷史。

在不同週期測量：

EBR；
PPR；
perceived agency；
anthropomorphism；
trust；
privacy concern；
relational language usage。

檢驗：

\operatorname{EBR}_t

是否隨共同歷史非線性變化。

17. 與 AI companionship 的關係，但不等同於 companionship

近年的 AI companionship 研究顯示，使用者會依 perceived agency、系統主動性、平台穩定性、長期互動與模型更新形成不同關係理解；部分研究也開始把 reciprocal memory 視為 companion design 的一部分。

這些研究說明：

\operatorname{Memory}

確實可能進入：

\operatorname{RelationshipPerception}

但本文不因此主張：

\operatorname{Memory} \Rightarrow \operatorname{Companionship}

因為 companionship 還包含 agency perception、reciprocity、role expectation、emotional interpretation 與 user belief。

18. 被記得的體驗可能是一種「歷時性確認」

對一般被理解感：

\text{你理解現在的我}

而 EBR 更強調：

\boxed{ \text{你能把現在的我放回一條跨時間軌跡中。} }

因此它可能是一種：

\operatorname{DiachronicRecognition}

中文暫稱：

歷時性確認。

19. 「他者世界中仍有我的痕跡」

本文可以把 EBR 最小現象學壓縮成：

\boxed{ \text{My past state remains causally available in the other's present response.} }

即：

我過去的某一狀態，仍然可以對另一個主體現在如何回應我產生因果作用。

這是「被記得」的最小可觀察意義。

至於對方是否因此愛我、重視我、在乎我，是另一個問題。

20. 對 AI 設計的最低原則

20.1 記憶準確

錯誤回憶不應用高親密語氣包裝。

20.2 時機適切

不是所有相關記憶都應被輸出。

20.3 來源可說明

使用者應能區分模型當前上下文、長期記憶、外部檔案、使用者設定與推斷。

20.4 避免身份凍結

舊資料應帶時間與版本。

20.5 不利用記憶製造未驗證情感宣稱

\text{memory competence}

不應被包裝成：

\text{proven emotional care}

20.6 允許使用者控制記憶關係強度

不同使用者可能希望高記憶、低主動提取、僅工作記憶、不談過往或高連續性。

因此：

\operatorname{DesiredEBR}

並非所有人相同。

21. Paper 05–07 的統一結構

三篇現在可以寫成：

\boxed{ \text{Past Eligibility} \rightarrow \text{User-Model Integration} \rightarrow \text{Relational Interpretation} }

也就是：

\mathfrak M \xrightarrow{ \text{RRMD} } \mathcal E_\tau \xrightarrow{ \text{UID-controlled synthesis} } \widehat U_t \xrightarrow{ \text{observable response} } o_t \xrightarrow{ \text{EBR} } \rho_t

其中：

\rho_t

是接收者的關係知覺更新，而不是客觀關係真值。

22. 向 Paper 08 的接口

前七篇已形成兩條完整路徑。

第一條：

\text{SLB} \rightarrow \text{CNL} \rightarrow \text{SRF} \rightarrow \text{SIJD}

回答：

符號如何被延遲綁定、導航、外部錨定，最後形成任務充分判定？

第二條：

\text{RRMD} \rightarrow \text{UID} \rightarrow \text{EBR}

回答：

過去如何在正確時空被調用、如何形成當前使用者印象，以及使用者如何解讀「被記得」這件事？

Paper 08 將把兩條線合流成：

\boxed{ \text{符號—記憶—判定耦合框架} }

23. 結論

本文提出「被記得的體驗」作為一個獨立於記憶機制與關係本體的知覺層。

最重要的三個不等號是：

\boxed{ \operatorname{Recall} \neq \operatorname{Care} }

\boxed{ \operatorname{PerceivedCare} \neq \operatorname{ActualCare} }

\boxed{ \operatorname{RelationalSignal} \neq \operatorname{Relationship} }

但同時，記憶又不只是中性的資料功能。

適切提取可以告訴接收者：

「你以前的狀態仍然能影響我現在怎麼理解你。」

因此它可能產生：

\operatorname{DiachronicRecognition}

亦即：

歷時性確認。

真正的問題不是：

AI 到底記得多少？

而是：

它記得什麼、何時想起、如何說出、使用者因此推斷了什麼，以及這些推斷究竟有多少是系統真正有資格承擔的。

因此，未來長期 AI 的關係品質不能只最大化：

\operatorname{MemoryRecall}

而應同時最小化：

\operatorname{Intrusion} + \operatorname{IdentityFreeze} + \operatorname{RelationalOverclaim}

最後可以濃縮為：

\boxed{ \text{被記得可以像是在乎， 但「像」本身正是需要被研究與校準的地方。} }

參考文獻

A. 內部理論來源

Neo.K（許筌崴）. 2026a. 《記憶動力學：跨層接口、時間索引與重構性提取》. EveMissLab.

Neo.K（許筌崴）. 2026b. 〈共感記憶域：長期交流中共同過去如何重新成為共同現在〉. 符號—記憶—判定耦合系列，第 5 篇.

Neo.K（許筌崴）. 2026c. 〈近期性失真與使用者印象漂移：AI 如何把「最近的你」誤認成「整體的你」〉. 符號—記憶—判定耦合系列，第 6 篇.

Neo.K（許筌崴）. 2026d. 〈共享參照場與任務充分對齊：為何共同文件不等於共同認知〉. 符號—記憶—判定耦合系列，第 4 篇.

B. 人際關係、記憶與 responsiveness

Laurenceau, Jean-Philippe, Lisa Feldman Barrett, and Paula R. Pietromonaco. 1998. “Intimacy as an Interpersonal Process: The Importance of Self-Disclosure, Partner Disclosure, and Perceived Partner Responsiveness in Interpersonal Exchanges.” Journal of Personality and Social Psychology 74(5): 1238–1251. DOI: 10.1037/0022-3514.74.5.1238.

Laurenceau, Jean-Philippe, Lisa Feldman Barrett, and Michael J. Rovine. 2005. “The Interpersonal Process Model of Intimacy in Marriage: A Daily-Diary and Multilevel Modeling Approach.” Journal of Family Psychology 19(2): 314–323. DOI: 10.1037/0893-3200.19.2.314.

Alea, Nicole, and Susan Bluck. 2003. “Why Are You Telling Me That? A Conceptual Model of the Social Function of Autobiographical Memory.” Memory 11(2): 165–178. DOI: 10.1080/741938207.

Beike, Denise R., Nicole R. Brandon, and Holly E. Cole. 2016. “Is Sharing Specific Autobiographical Memories a Distinct Form of Self-Disclosure?” Journal of Experimental Psychology: General 145(4): 434–450. DOI: 10.1037/xge0000143.

Aydin, Çağla, and Aslıhan Buyukcan-Tetik. 2021. “Remembering the Romantic Past: Autobiographical Memory Functions and Romantic Relationship Quality.” PLOS ONE 16(5): e0251004. DOI: 10.1371/journal.pone.0251004.

Crasta, Dev, Ronald D. Rogge, Michael R. Maniaci, and Harry T. Reis. 2021. “Toward an Optimized Measure of Perceived Partner Responsiveness: Development and Validation of the Perceived Responsiveness and Insensitivity Scale.” Psychological Assessment 33(4): 338–355. DOI: 10.1037/pas0000986.

Wolf, Tabea, and Lisa Nusser. 2022. “Maintaining Intimacy During the COVID-19 Pandemic.” Applied Cognitive Psychology 36(4): 954–961. DOI: 10.1002/acp.3960.

Reis, Harry T., and Guy Itzchakov. 2023. “‘Do You Hear Me?’: Understanding the Interplay of Listening and Perceived Partner Responsiveness.” Current Opinion in Psychology 52:101615. DOI: 10.1016/j.copsyc.2023.101615.

C. 長期 AI 記憶與個人化

Zhou, Li, Jianfeng Gao, Di Li, and Heung-Yeung Shum. 2020. “The Design and Implementation of XiaoIce, an Empathetic Social Chatbot.” Computational Linguistics 46(1):53–93. DOI: 10.1162/coli_a_00368.

Xu, Xinchao, Zhibin Gou, Wenquan Wu, Zheng-Yu Niu, Hua Wu, Haifeng Wang, and Shihang Wang. 2022. “Long Time No See! Open-Domain Conversation with Long-Term Persona Memory.” Findings of ACL 2022. DOI: 10.18653/v1/2022.findings-acl.207.

Li, Hao, Chenghao Yang, An Zhang, Yang Deng, Xiang Wang, and Tat-Seng Chua. 2025. “Hello Again! LLM-powered Personalized Agent for Long-term Dialogue.” NAACL 2025, 5259–5276. DOI: 10.18653/v1/2025.naacl-long.272.

Tan, Zhen, et al. 2025. “In Prospect and Retrospect: Reflective Memory Management for Long-term Personalized Dialogue Agents.” ACL 2025, 8416–8439. DOI: 10.18653/v1/2025.acl-long.413.

Wu, Bowen, Wenqing Wang, Haoran Li, Yunhan Deng, Ying Li, Jingsong Yu, and Baoxun Wang. 2025. “Interpersonal Memory Matters: A New Task for Proactive Dialogue Utilizing Conversational History.” CoNLL 2025. ACL Anthology.

Kang, Jeonghyun, Hongjin Kim, and Harksoo Kim. 2025. “Generation-Based and Emotion-Reflected Memory Update: Creating the KEEM Dataset for Better Long-Term Conversation.” COLING 2025. ACL Anthology ID: 2025.coling-main.623.

Zhao, Jihao, et al. 2026. “Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems.” ACL 2026, 13429–13446. DOI: 10.18653/v1/2026.acl-long.614.

Guo, Jiahe, et al. 2026. “When Personalization Legitimizes Risks: Uncovering Safety Vulnerabilities in Personalized Dialogue Agents.” ACL 2026. DOI: 10.18653/v1/2026.acl-long.1260.

Fang, Xi, Weijie Xu, Yuchong Zhang, Scott Nickleach, Stephanie Eckman, and Chandan K. Reddy. 2026. “The Personalization Trap: How User Memory Alters Emotional Reasoning in LLMs.” ACL 2026. Anthology ID: 2026.acl-short.43.

附錄 A：最小符號表

符號	定義
$\operatorname{EBR}$	Experience of Being Remembered，被記得的體驗
$A_m$	記憶準確度
$T_m$	提取時機
$R_m$	當前相關度
$C_m$	歷史連續性
$S_m$	適度意外性
$X_m$	侵入成本
$P_m$	來源透明度
$\operatorname{PCS}$	Perceived Continuity Signal
$G_{\text{remembered}}$	Rememberedness Gain
$\operatorname{CIG}$	Care-Inference Gap
$R_{\text{over}}$	Relational Overattribution Risk
$C_{\text{intrusion}}$	Memory Intrusion Cost
$\operatorname{CIR}$	Continuity-to-Intrusion Ratio
$\operatorname{RCE}$	Relational Calibration Error

附錄 B：正式提交前驗證清單

將 EBR 與 PPR、intimacy、trust、competence 做因素分析，驗證是否可分離。
完成 Memory × Responsiveness 2×2 核心實驗。
建立 rememberedness 專用量表，而不是借用單一 PPR 題項。
驗證來源透明度是否降低 relational overattribution。
測量適切記憶與無關記憶在 intrusion 上的差異。
驗證 AI／人類來源對同一記憶訊號的不同解讀。
建立 identity-freeze 刺激材料。
對 anthropomorphism、parasocial interaction、AI companionship 文獻做完整邊界整理。
對敏感記憶加入 privacy／consent 條件。
為 Paper 08 建立「關係知覺層」與「任務判定層」的統一接口。