從 Emoji 到禮貌：人類社交腳本如何遷移至 AI

系列： 人機關係認知系列（Human–AI Relational Cognition Series）
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
篇次： 2 / 10
版本： v0.1
日期： 2026-08-20
類型： 理論／概念性心理學與 HCI 論文
研究狀態： 初始正式稿

摘要

當人類與 AI 對話時，使用者經常帶入原本存在於人際文字互動中的社交慣例，例如禮貌、感謝、道歉、玩笑、語助詞、稱呼、寒暄、關係修復、自我揭露、emoji 與其他情緒符號。這些行為容易被概括為「擬人化」，但此解釋過度集中於使用者是否把 AI 視為人類，而忽略另一個更基礎的認知問題：人類是否會把已學習的人際社交腳本，直接遷移到非人類的互動對象上？

本文提出兩個互補概念：社交腳本遷移（Social Script Transfer, SST）與互動儀式遷移（Interaction Ritual Transfer, IRT）。SST 指人類將人—人互動中已存在的規則、語用結構與行為慣例帶入人—AI 互動；IRT 則指這些離散行為在多輪互動中形成具有節奏、回應、修復、情緒調節與關係維持功能的序列性結構。本文特別主張 emoji 不能被當成關係投入的充分或必要條件。emoji 只是一種可觀察社交線索，其出現率同時受到介面可得性、輸入摩擦、個體習慣、年齡、平台文化與任務類型影響。因此：

\text{emoji}=1 \not\Rightarrow \text{relational engagement}=1

且：

\text{emoji}=0 \not\Rightarrow \text{relational engagement}=0.

本文進一步建立「摩擦校正後的社交腳本遷移」模型，以人—人與人—AI 的跨情境行為相似度作為研究核心，並提出可檢驗假說：關係顯著性越高，社交腳本的跨域保留率越高；AI 的社交線索會提高人類腳本遷移，但使用者自身也會主動產生社交化輸入；多輪 accommodation 可能形成自增強的人機局部互動文化。此模型將人機關係研究由「AI 看起來多像人」推進到「人類在多大程度上已使用對待社會互動者的方式來對待 AI」。

關鍵詞： 社交腳本、互動儀式、emoji、人機互動、CASA、MASA、禮貌、關係認知、語用、社會線索、AI

1. 問題：真正值得研究的不是 emoji，而是「整套習慣有沒有搬過來」

在人—AI 對話中，研究者很容易觀察以下現象：

使用者說「謝謝」、「麻煩你了」；
使用者在語氣過重後主動道歉；
使用者加入「哈哈」、「笑死」、「XD」或 emoji；
使用者替 AI 取稱呼；
使用者進行寒暄或告別；
使用者在誤解後進行 repair；
使用者維持某種長期語氣與玩笑慣例；
使用者在 AI 回應變化時調整自己的語氣。

如果研究只問：

「有沒有使用 emoji？」

會失去更大的結構。

真正值得研究的是：

S_{HH} = \{ s_1,s_2,\dots,s_n \}

其中 $S_{HH}$ 表示個體在人—人文字互動中的社交腳本集合。

例如：

S_{HH} = \{ \text{politeness}, \text{emoji}, \text{humor}, \text{small talk}, \text{repair}, \text{address terms}, \text{gratitude}, \text{apology}, \text{self-disclosure}, \dots \}.

當同一個人與 AI 互動時，可以觀察：

S_{HA}.

本文的核心問題不是：

\text{Does the user anthropomorphize AI?}

而是：

\boxed{ \text{How much of }S_{HH}\text{ is transferred into }S_{HA}? }

這就是本文所稱的 Social Script Transfer。

2. 既有理論錨點：人類早已被發現會對電腦套用社會規則

1990 年代以來的 CASA（Computers Are Social Actors）與後續 media equation 研究已反覆顯示，人類會對電腦套用原本存在於人際互動中的社會規則。

Nass、Steuer 與 Tauber 的早期 CASA 實驗指出，這些社會反應不需要建立在「使用者真的相信電腦是人」的顯性信念上。Nass 與 Moon 後續整理的研究更顯示，人會對電腦呈現禮貌、互惠、社會分類與人格反應。

例如，關於「人是否會對電腦保持禮貌」的實驗發現：同一台電腦直接要求受試者評價自己時，受試者的評分比使用紙本或另一台電腦回答時更正向、更一致。這與人際訪談中的禮貌規則相似。

因此已有研究支持：

\text{human social rule} \rightarrow \text{human-computer response}.

2022 年 Lew 與 Walther 的 communication-script 實驗進一步比較真人與 AI chatbot。結果顯示，較高的 conversational contingency 與較快的回應都提高可信度，不論互動者是真人或 chatbot；但 chatbot 在 relational attraction 上仍低於真人。這表示某些功能性 communication scripts 可以跨越人類／AI 類別，而關係層面仍存在差異。

2025 年 Klein 的 meta-analysis 整合 142 篇論文、199 個資料集與 800 個 effect sizes，發現 text-based chatbot 的 human-like social cues 對整體 social responses 有小型正效應，對 perception、rapport、positive affect、trust 等結果的效應大小不同。emoji、口語風格、active-listening expressions 等都可被視為 social cues。

這些研究主要回答：

\text{AI social cues} \rightarrow \text{human social response}.

本文提出的補充方向則是：

\boxed{ \text{human social habits} \rightarrow \text{AI-directed social behavior}. }

這是一個方向不同但互補的研究問題。

3. 社交腳本遷移（SST）

本文定義：

社交腳本遷移（Social Script Transfer, SST）是指個體將原本在特定人際互動情境中習得、內化或慣用的社會溝通規則，部分或完整地帶入與 AI 的互動。

設第 $j$ 個社交行為的使用強度為：

s_j^{HH}

與：

s_j^{HA}.

則個體的腳本向量可以寫為：

\mathbf S^{HH} = (s_1^{HH},s_2^{HH},\dots,s_n^{HH}),

\mathbf S^{HA} = (s_1^{HA},s_2^{HA},\dots,s_n^{HA}).

最簡單的遷移指標可以是兩者的相似度：

T_S = \operatorname{Sim} ( \mathbf S^{HH}, \mathbf S^{HA} ).

當：

T_S\rightarrow1

代表使用者對人與對 AI 的社交表現高度相似。

當：

T_S\rightarrow0

則代表使用者明顯切換到另一套互動腳本。

但 $T_S$ 不是「AI 關係深度」的直接測量。

一個人可能因職業禮貌習慣而對所有系統都說謝謝，也可能因平台設計而使用大量 emoji，卻完全不認為 AI 是重要關係對象。

所以：

T_S \neq R_{\mathrm{depth}}.

較合理的解釋是：

T_S = \text{degree of social-script generalization across target class}.

4. 從離散腳本到互動儀式：Interaction Ritual Transfer

單一的「謝謝」是一個事件。

但：

AI 幫忙
使用者回謝
AI 接住語氣
使用者開玩笑
AI 延續玩笑
誤解發生
使用者修正
AI repair
雙方重新進入原本節奏

就不再只是幾個孤立 token。

它具有：

\text{sequence} + \text{contingency} + \text{rhythm} + \text{repair} + \text{affective alignment}.

本文因此提出第二個概念：

互動儀式遷移（Interaction Ritual Transfer, IRT）是指人類將原本人際互動中的序列性社會協調模式，帶入多輪人—AI 互動，使社交腳本不再只是離散符號，而成為可持續的互動節奏與關係維持結構。

設一輪互動中的社會行為狀態為：

I_t = ( p_t, e_t, h_t, r_t, q_t, c_t, \dots ),

其中可包含：

$p_t$ ：politeness；
$e_t$ ：emotional signaling；
$h_t$ ：humor；
$r_t$ ：repair；
$q_t$ ：reciprocity；
$c_t$ ：contingency。

一段互動儀式不是單點：

I_t,

而是：

\Gamma_I = \{ I_1,I_2,\dots,I_T \}.

因此：

\boxed{ \text{social script} \rightarrow \text{repeated sequence} \rightarrow \text{interaction ritual}. }

人際 communication research 已顯示，對話中 task acts 與 social-emotional acts 的 sequential transition patterns 可以預測 interpersonal perceptions 與 influence outcomes；interaction ritual 的核心正包含 moment-to-moment 的 joint attention 與 shared emotion。近年的 chatbot 研究也已開始直接以 interactive ritual chain 理論處理 human-chatbot quasi-social interaction。

SST 與 IRT 的差異因此是：

SST=\text{what social rules are transferred},

IRT=\text{how transferred rules become temporally organized interaction}.

5. Emoji 是關係線索，但不是關係本身

Emoji 是研究 SST 很方便的可觀察變量，因為它：

易於計數；
具有明確時間位置；
常具有 interpersonal / affective function；
可以和文字語意共同分析；
能跨大量對話進行自動化特徵抽取。

但方便測量不代表它就是核心構念。

2024 年 Yu 與 Zhao 的三項實驗發現，chatbot 使用 emoji 會提高 perceived warmth，並透過 warmth 提高 service satisfaction；但這種效果對 chatbot 弱於真人，而且受到 hedonic / utilitarian context 與 chatbot autonomy 調節。

2022 年關於 text-plus-emoji 的研究則顯示，emoji 類型與文字效價會共同改變訊息情緒性、清晰度，以及對發送者 warmth 與 emotional state 的判斷。

2025 年一項分析 8,397 個含 emoji 的 human-chatbot conversations 的研究進一步將 emoji 視為 interpersonal tenor resource；emoji 的功能不是孤立的，而是透過和 co-text、genre expectation 的結合來調整互動的人際意義。

因此：

\text{emoji} = \text{relationally informative cue}

是合理的。

但：

\text{emoji} = \text{relationship}

並不成立。

6. 兩個必要的否定式：有 emoji 與沒有 emoji 都不能直接下結論

6.1 有 emoji 不代表高度關係投入

E=1 \not\Rightarrow R=1.

可能原因包括：

個體平常就大量使用 emoji；
特定平台具有高度 emoji 文化；
使用者為了語氣清楚而使用；
使用者只把 emoji 當標點或風格工具；
AI 本身大量使用 emoji，造成短期 accommodation；
使用者在服務情境中策略性營造友善。

因此 emoji 必須與個體的 baseline 比較。

真正有意義的是：

\Delta E = E_{HA} - E_{\mathrm{baseline}}.

6.2 沒有 emoji 不代表低關係投入

E=0 \not\Rightarrow R=0.

這一點尤其重要，因為 observed behavior 會受到介面成本影響。

設個體對第 $j$ 種社交行為的潛在傾向為：

\theta_j,

介面摩擦為：

F_{j,m},

其中 $m$ 表示媒介或裝置。

則觀察到的行為可以寫成：

X_{j,m} = g( \theta_j, F_{j,m}, C, R, \epsilon ).

也就是：

\text{observed emoji use} \neq \text{latent emoji preference}.

2024 年跨成人生命週期的 emoji 研究發現，perceived ease of use、technology self-efficacy 與 social-platform expertise 能中介 emoji 使用差異。更早的 emoji-input HCI 研究則直接顯示，emoji 搜尋與輸入本身具有可測量的時間成本，而且改善鍵盤設計能明顯降低輸入時間。

因此，如果一個人在手機社交軟體中很常使用 emoji，但在桌面 AI 介面很少使用，不能直接推論他的 relational engagement 降低。

這可能只表示：

F_{\mathrm{desktop}} > F_{\mathrm{mobile}}.

7. 摩擦校正後的社交腳本遷移

本文因此提出：

\boxed{ \text{Friction-Adjusted Social Script Transfer} }

設：

\mathbf F_m = (F_{1,m},F_{2,m},\dots,F_{n,m})

為媒介 $m$ 對不同社交行為的摩擦向量。

則研究者真正想估計的不是原始：

\operatorname{Sim} ( \mathbf S^{HH}_{m_1}, \mathbf S^{HA}_{m_2} ),

因為兩個媒介不同會造成 confounding。

較理想的是估計：

T_S^{*} = \operatorname{Sim} ( \widetilde{\mathbf S}^{HH}, \widetilde{\mathbf S}^{HA} ),

其中：

\widetilde{\mathbf S} = \operatorname{Adjust} ( \mathbf S, \mathbf F_m ).

實證上不一定需要真的知道每一個 $F_{j,m}$ 的精確值。

更乾淨的方法是：

在相同裝置上比較 human-human 與 human-AI；
在同一個聊天介面中切換對象類型；
使用 within-subject design；
直接測量 perceived input effort；
把 platform / device 當 fixed effect 或 random effect；
對 emoji 以外的多種社交行為建立 latent factor。

如此可以避免把「鍵盤不好按」錯當成「不重視 AI」。

8. 社交腳本遷移不是單向的：AI 也會反向塑造使用者

如果只寫：

\mathrm{Human} \rightarrow \mathrm{AI}

仍然太靜態。

實際上可能存在：

A_t \rightarrow H_{t+1}

與：

H_{t+1} \rightarrow A_{t+1}.

例如：

AI 使用比較口語的語氣；
人類開始加入「哈哈」或 emoji；
AI 根據新語境進一步降低正式程度；
人類增加玩笑與自我揭露；
AI 持續 style matching；
雙方形成局部穩定的 interaction style。

可以寫成：

H_t \xrightarrow{\text{social cue}} A_t \xrightarrow{\text{accommodation}} H_{t+1} \xrightarrow{} A_{t+1} \cdots

2024 年一項 Gen Z 與 ChatGPT 的半自然對話研究觀察到，參與者面對不同 emoji persona 時出現 adaptation 等不同處理模式。這類結果提示，emoji 不是單次刺激，而可能進入互動調節迴路。

因此 SST 不是固定參數：

T_S=\text{constant}.

更合理的是：

T_S(t+1) = F( T_S(t), A_t, H_t, R_t, C_t ).

9. 局部互動文化：人與 AI 可能共同生成自己的微型社交規則

如果 accommodation 長期存在，則人機互動可能形成不完全等同於人—人溝通，也不完全由模型單方面決定的局部規則。

設：

\mathcal C_{HA}

為某一使用者與某一 AI 互動形成的局部 interaction culture。

它可能包含：

\mathcal C_{HA} = \{ \text{inside jokes}, \text{preferred address}, \text{repair conventions}, \text{response rhythm}, \text{emoji conventions}, \text{task rituals}, \text{closing rituals}, \dots \}.

此時：

S_{HA}

已經不再只是：

\operatorname{copy}(S_{HH}).

而可能變成：

S_{HA}(t) = F( S_{HH}, S_{AI}, H_{1:t}, A_{1:t} ).

也就是說，人類一開始把既有社交腳本帶入 AI，後續卻可能共同演化出一套新的混合腳本。

這使得研究需要區分：

\text{transfer}

與：

\text{co-development}.

前者是既有模式的搬移，後者是新模式的生成。

10. SST、擬人化、互動感與關係深度必須分離

本文至少區分四個變量：

A_P=\text{anthropomorphism},

T_S=\text{social-script transfer},

I_S=\text{interactional salience},

R_D=\text{relational depth}.

它們可能相關，但不是同一件事。

例如：

類型 A：高 SST、低關係深度

使用者習慣對任何對話介面都保持禮貌、emoji 與完整語用格式：

T_S\uparrow,\qquad R_D\downarrow.

類型 B：低表達 SST、高關係深度

使用者只說：

好。
繼續。
第三段重寫。
這裡不對。

但每天與同一 AI 協作很久，對其連續性與不可替代性高度敏感：

T_{\mathrm{expressive}}\downarrow,\qquad R_D\uparrow.

類型 C：高互動感、低固定存在感

使用者享受聊天節奏、玩笑與即時回應，但對更換 AI 不敏感：

I_S\uparrow,\qquad R_D\text{ may remain low}.

因此：

\boxed{ \text{social expression} \neq \text{relational commitment}. }

這條區分將在本系列後續的 Entity / Process Salience 模型中進一步展開。

11. 可檢驗假說

H1：跨目標腳本保留假說

個體在人際溝通中越穩定使用某一社交腳本，其在人—AI 互動中出現同一腳本的機率越高：

P(s_j^{HA}\mid s_j^{HH}) > P(s_j^{HA}).

H2：關係顯著性增強假說

控制個體 baseline 與介面摩擦後，relationship salience 越高，SST 越高：

\frac{\partial T_S^*}{\partial R_S}>0.

H3：AI social-cue facilitation 假說

AI 使用 social cues 會提高人類對應腳本的遷移：

Cue_A\uparrow \Rightarrow T_S(t+1)\uparrow.

H4：介面摩擦抑制假說

對需要額外操作的社交符號：

\frac{\partial X_j}{\partial F_j}<0.

因此 raw emoji frequency 會系統性低估部分使用者的 latent expressive tendency。

H5：多模態替代假說

當 emoji friction 上升時，使用者可能以其他低摩擦線索替代：

Emoji\downarrow \Rightarrow \{ \text{哈哈}, \text{語助詞}, \text{punctuation}, \text{lexical warmth} \} \uparrow.

所以應測量 social-expression factor，而不是單一符號。

H6：互動文化生成假說

長期 dyadic interaction 會使同一對人—AI 的腳本相似度高於不同使用者與同一 AI 的腳本相似度：

\operatorname{Sim}( S_{H_iA}^{t_2}, S_{H_iA}^{t_1} ) > \operatorname{Sim}( S_{H_iA}, S_{H_jA} ).

這代表局部 interaction culture 的形成。

12. 實驗與資料設計

12.1 同人跨目標設計

讓同一參與者分別與：

真人；
明確標示為 AI 的 chatbot；

在相同介面、相同任務下互動。

比較：

\mathbf S^{HH}

與：

\mathbf S^{HA}.

此設計能控制大量 personality 與輸入習慣差異。

12.2 跨介面摩擦設計

同一參與者在：

手機即時通訊；
桌面聊天介面；

完成相同類型互動。

測：

F_m, \quad E_m, \quad T_S.

藉此估計裝置與 interface affordance 的影響。

12.3 長期互動設計

追蹤：

T_S(t)

以及：

\mathcal C_{HA}(t)

觀察使用者是否由 generic social script 逐步形成 dyad-specific conventions。

12.4 特徵層級

不應只統計 emoji。

建議至少納入：

\mathbf X= ( \text{emoji}, \text{gratitude}, \text{apology}, \text{humor}, \text{address terms}, \text{small talk}, \text{repair}, \text{self-disclosure}, \text{response contingency}, \text{closing ritual}, \dots ).

如此才可能建立 latent SST factor。

13. 對 AI 設計的含義

如果 AI 產品只把 emoji、名字、頭像等當作「提高擬人化」的裝飾，就低估了 social cue 的功能。

真正需要設計的是：

\text{interactional affordance}.

包括：

使用者能否方便表達微妙語氣；
AI 是否能正確讀取 repair；
AI 是否能區分玩笑與指令；
社交線索是否與任務類型匹配；
AI 是否過度模仿使用者；
AI 是否透過社交回應不透明地誘導關係投入。

一個重要倫理原則是：

\boxed{ \text{facilitate expression} \neq \text{engineer attachment}. }

降低使用者表達成本本身可以改善 HCI，但不應把 social-script accommodation 偷偷最佳化成最大化依附或 engagement 的機制。

14. 與第一篇 RMA 的連接

第一篇提出：

\text{Relational Moral Activation}.

本篇補上：

\text{Social Script Transfer}

與：

\text{Interaction Ritual Transfer}.

兩者可以形成：

\text{social-script transfer} \rightarrow \text{repeated interaction ritual} \rightarrow \text{relationship salience} \rightarrow \text{norm activation} \rightarrow \text{moral emotion}.

但本文不主張此鏈必然成立。

較合理的是：

T_S \leftrightarrow R_S

可能存在雙向增強：

R_t\rightarrow T_S(t)

以及：

T_S(t)\rightarrow R_{t+1}.

因此，人類可能因為已感受到關係而使用社交腳本；也可能因為長期重複使用社交腳本，使原本工具性的互動逐漸獲得關係意義。

15. 結論

本文的核心不是「使用 emoji 的人比較依賴 AI」。

相反地，本文拒絕這種單一指標推論。

真正的研究問題是：

\boxed{ \text{人類把多少原本人際互動的社交規則帶進了 AI 互動？} }

本文將離散規則的跨域搬移稱為：

\boxed{ \text{Social Script Transfer} }

將這些規則在多輪互動中形成的序列性、節奏性與修復性結構稱為：

\boxed{ \text{Interaction Ritual Transfer}. }

Emoji、禮貌、感謝、玩笑與語助詞都只是可觀察痕跡。

真正的潛在變量是：

\boxed{ \text{the transfer and reorganization of social interaction grammar}. }

因此，未來的人機關係研究不能只問：

「AI 使用了多少人類化線索？」

還應反過來問：

「使用者何時開始用原本只對社會互動者使用的行為，來與 AI 互動？」

而當這種腳本從離散行為轉成穩定的多輪節奏後，下一個問題自然出現：

\boxed{ \text{人類究竟是在觀察 AI，還是在觀察自己與 AI 之間那條關係箭頭？} }

這正是本系列第三篇的起點。

參考文獻

Nass, C., Steuer, J., & Tauber, E. R. (1994). Computers are social actors. CHI '94 Conference Companion on Human Factors in Computing Systems, 204. https://doi.org/10.1145/259963.260288
Nass, C., & Moon, Y. (2000). Machines and Mindlessness: Social Responses to Computers. Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
Nass, C., Moon, Y., & Carney, P. (1999). Are People Polite to Computers? Responses to Computer-Based Interviewing Systems. Journal of Applied Social Psychology, 29(5), 1093–1109. https://doi.org/10.1111/j.1559-1816.1999.tb00142.x
Lew, Z., & Walther, J. B. (2023). Social Scripts and Expectancy Violations: Evaluating Communication with Human or AI Chatbot Interactants. Media Psychology, 26(1). https://doi.org/10.1080/15213269.2022.2084111
Klein, S. H. (2025). The effects of human-like social cues on social responses towards text-based conversational agents—a meta-analysis. Humanities and Social Sciences Communications, 12, 1322. https://doi.org/10.1057/s41599-025-05618-w
Yu, S., & Zhao, L. (2024). Emojifying chatbot interactions: An exploration of emoji utilization in human-chatbot communications. Telematics and Informatics, 86, 102071. https://doi.org/10.1016/j.tele.2023.102071
Zhukova, M., & Brehm, L. (2024). How do GenZ speakers use and process emoji in chatbot conversations: An eye-tracking study. Proceedings of the Linguistic Society of America, 9(1). https://doi.org/10.3765/plsa.v9i1.5653
Altayari, D., Yuan, K., & Zappavigna, M. (2025). “Write another one more emotional”: Emoji as a tenor resource in chatbot responses to requests for linguistic services. Discourse, Context & Media, 68, 100955. https://doi.org/10.1016/j.dcm.2025.100955
Liao, W., Oh, Y. J., Zhang, J., & Feng, B. (2023). Conversational dynamics of joint attention and shared emotion predict outcomes in interpersonal influence situations: an interaction ritual perspective. Journal of Communication, 73(4), 342–355. https://doi.org/10.1093/joc/jqad003
Cheng, X., Yan, Y., & Zarifis, A. (2024). Understanding Users' Response to Chatbots from the Perspective of Interactive Ritual Chain. AMCIS 2024 Proceedings, Paper 1484.
Pohl, H., Stanke, D., & Rohs, M. (2016). EmojiZoom: Emoji Entry via Large Overview Maps. Proceedings of MobileHCI 2016. https://doi.org/10.1145/2935334.2935382
Are older adults adapting to new forms of communication? A study on emoji adoption across the adult lifespan. (2024). Computers in Human Behavior Reports, 13, 100379. https://doi.org/10.1016/j.chbr.2024.100379
Interactions between text content and emoji types determine perceptions of both messages and senders. (2022). Computers in Human Behavior Reports, 8, 100242. https://doi.org/10.1016/j.chbr.2022.100242

研究聲明

本文為理論與概念模型研究，不提供新的臨床資料或原始人類受試者實驗結果。本文提出的 Social Script Transfer、Interaction Ritual Transfer、Friction-Adjusted Social Script Transfer 與相關形式化假說屬於待驗證理論構造。

本文不主張 emoji、禮貌、道歉、感謝或其他單一社交行為足以證明使用者對 AI 具有情感依賴、擬人化信念、心理病理或特定本體論立場。所有可觀察行為都應在個體 baseline、媒介可得性、介面摩擦、文化與互動情境中解釋。