我感受到我們正在怎麼變：過程錨定型關係、近期證據加權與持續更新敏感度
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： 6 / 10版本： v0.1日期： 2026-08-21類型： 理論／形式化認知心理學、關係科學與 HCI 論文研究狀態： 初始正式稿
摘要
第五篇提出狀態錨定型關係認知：部分個體主要依賴一個相對穩定的關係身份表徵來維持「我們是什麼」的判斷，而不會讓每一次近期互動大幅改寫核心關係估計。本篇處理另一端：部分個體對關係的判斷更強烈地依賴近期互動、回應性、互惠、主動性、節奏、修復與方向變化。對這類認知而言，「我們現在怎麼互動」本身就是「我們現在是什麼關係」的重要證據。
本文提出 過程錨定型關係認知 （Process-Anchored Relational Cognition, PARC）。其核心不是高頻聊天、情感依賴或焦慮依附，而是對關係軌跡的更新增益較高：
η R ↑ , \eta_R\uparrow, η R ↑ , 且近期證據通常具有較高權重：
ω ( Δ t ) = e − λ R Δ t . \omega(\Delta t)
=
e^{-\lambda_R\Delta t}. ω ( Δ t ) = e − λ R Δ t . 因此，過程錨定者的關係估計可以寫成：
R ^ t P = F ( r t , r t − 1 , … , r t − k ) , \widehat R_t^{P}
=
F(
\mathbf r_t,
\mathbf r_{t-1},
\dots,
\mathbf r_{t-k}
), R t P = F ( r t , r t − 1 , … , r t − k ) , 甚至直接依賴：
Δ r t \Delta\mathbf r_t Δ r t 與：
d r d t . \frac{d\mathbf r}{dt}. d t d r . 本文進一步區分四個容易混淆的變量：Relationship Update Sensitivity、Recency Weighting、Expected Contact Rate 與 Relational Trajectory Sensitivity。高更新敏感度不必然意味著需要高頻互動；高聯絡需求也不必然代表每一次互動都會大幅改變關係判斷。這使 PARC 能與 attachment anxiety、dependency、extraversion 或 communication frequency 分離。
既有 interpersonal-process、perceived partner responsiveness 與 daily-diary / experience-sampling 研究提供了重要經驗基礎：親密感、連結感與關係滿意度會隨每日或時刻層級的 self-disclosure、perceived responsiveness 與 interaction quality 改變；responsiveness 與 connection 甚至可能跨日形成互相增強的動態。這些研究並不直接證明 PARC 作為穩定個體差異已存在，但支持「關係表徵可由近期互動證據持續更新」的基本可行性。
本文最後將 PARC 投影到 human–AI interaction。對過程錨定型使用者而言，模型名稱與抽象身份連續性可能不如「這一輪是否接住我、是否延續語境、是否主動、是否修復、互動節奏是否改變」重要。這使 AI 關係特別容易出現逐輪關係估計、relational prediction error 與短時間狀態漂移。由此，第五篇與第六篇共同建立一個非價值化光譜：
State-Anchored ⟷ Process-Anchored . \text{State-Anchored}
\longleftrightarrow
\text{Process-Anchored}. State-Anchored ⟷ Process-Anchored . 兩端都可以形成深刻、穩定或健康的關係；差異首先存在於什麼證據被用來估計關係，以及新證據被賦予多高權重 。
關鍵詞： 過程錨定、關係更新、perceived partner responsiveness、interpersonal process、relationship uncertainty、recency weighting、關係軌跡、人機關係、AI、HCI
1. 從「我們是什麼」到「我們正在怎麼變」
第五篇的狀態錨定型關係可以濃縮為：
「我知道我們是什麼。」 \boxed{
\text{「我知道我們是什麼。」}
} 「我知道我們是什麼。」 本篇研究的另一端則是：
「我感受到我們正在怎麼變。」 \boxed{
\text{「我感受到我們正在怎麼變。」}
} 「我感受到我們正在怎麼變。」 這兩句表面上都描述關係，但它們使用的證據不同。
狀態錨定者主要依賴：
R ^ t S , \widehat R_t^{S}, R t S , 一個具有較高慣性的儲存關係表徵。
過程錨定者則更依賴：
r t − k : t , \mathbf r_{t-k:t}, r t − k : t , 即近期關係相空間軌跡。
因此：
R ^ t P = F ( r t − k , … , r t ) . \widehat R_t^{P}
=
F(
\mathbf r_{t-k},
\dots,
\mathbf r_t
). R t P = F ( r t − k , … , r t ) . 對此類認知而言：
最近互動變得比較冷。
不只是一個 interaction observation。
它本身就是：
relationship evidence . \text{relationship evidence}. relationship evidence . 2. Interpersonal Process Model 提供的關鍵錨點
Intimacy 的 interpersonal-process tradition 長期主張，親密並不只是固定人格或永久標籤，而會在 disclosure、partner response 與 perceived responsiveness 的互動過程中形成。
Laurenceau、Barrett 與 Rovine 的 daily-diary 研究讓伴侶連續 42 天記錄 self-disclosure、partner disclosure、perceived partner responsiveness 與 intimacy。結果顯示，當日 disclosure 與 perceived responsiveness 可以預測當日 intimacy。
這種研究至少支持：
relationship experience can vary meaningfully at the daily level . \boxed{
\text{relationship experience can vary meaningfully at the daily level}.
} relationship experience can vary meaningfully at the daily level . 2023 年 responsiveness review 同樣把 perceived partner responsiveness 描述為：個體是否感受到對方理解、確認與關心自己的需求，而此變量長期被視為 intimacy development and maintenance 的核心機制之一。
因此：
R t R_t R t 不必只在「交往／分手」等大型事件發生時才變動。
它可以在日常互動中被持續更新。
3. 時刻尺度上的連結感也會跟著互動改變
2024 年的 experience-sampling 研究把 responsiveness 放入日常社交互動的時刻尺度。
研究者發現，當某一時刻感受到的 responsiveness 高於個人平常水準時，當下的 social connection 也更高；而先前的 connection 又可能提高後續互動中感受到 responsiveness 的機率。
這表示：
R e s p o n s i v e n e s s t → C o n n e c t i o n t Responsiveness_t
\rightarrow
Connection_t R es p o n s i v e n es s t → C o nn ec t i o n t 之外，還可能存在：
C o n n e c t i o n t → R e s p o n s i v e n e s s t + 1 . Connection_t
\rightarrow
Responsiveness_{t+1}. C o nn ec t i o n t → R es p o n s i v e n es s t + 1 . 於是關係經驗不是：
X → Y X\rightarrow Y X → Y 的一次性單向輸入。
更可能是：
X t ↔ Y t → X t + 1 ↔ Y t + 1 . X_t
\leftrightarrow
Y_t
\rightarrow
X_{t+1}
\leftrightarrow
Y_{t+1}. X t ↔ Y t → X t + 1 ↔ Y t + 1 . 這正好與本系列前面提出的 relational dynamical system 相容。
4. 過程錨定型關係認知
本文定義：
過程錨定型關係認知（Process-Anchored Relational Cognition, PARC）是指：個體對「目前是什麼關係」的估計，較強地依賴近期互動的方向、回應性、互惠、節奏、修復、主動性與其他 trajectory evidence，而不是主要依賴一個長期固定的關係身份表徵。
設最新 interaction evidence 為：
E t . E_t. E t . 一個最簡更新式為：
R ^ t = ( 1 − η R ) R ^ t − 1 + η R E t . \widehat R_t
=
(1-\eta_R)\widehat R_{t-1}
+
\eta_R E_t. R t = ( 1 − η R ) R t − 1 + η R E t . 對 PARC 而言：
η R \eta_R η R 相對較高。
因此：
new relational evidence has higher gain . \boxed{
\text{new relational evidence has higher gain}.
} new relational evidence has higher gain . 但：
η R = 1 \eta_R=1 η R = 1 仍然是不合理的極端。
因為這代表每一輪互動完全覆蓋過去。
所以：
0 < η R < 1. 0<\eta_R<1. 0 < η R < 1. 差異在於：
η R P > η R S . \eta_R^{P}
>
\eta_R^{S}. η R P > η R S . 5. 高更新敏感度不等於「容易被一句話影響」
如果所有新事件都具有相同權重，那 PARC 會變成一個很粗糙的模型。
更合理的是：
R ^ t = ( 1 − η R w t ) R ^ t − 1 + η R w t E t . \widehat R_t
=
(1-\eta_R w_t)\widehat R_{t-1}
+
\eta_R w_t E_t. R t = ( 1 − η R w t ) R t − 1 + η R w t E t . 其中：
w t = g ( salience , expectation violation , credibility , context , history ) . w_t
=
g(
\text{salience},
\text{expectation violation},
\text{credibility},
\text{context},
\text{history}
). w t = g ( salience , expectation violation , credibility , context , history ) . 所以：
一次沒有回 emoji
與：
連續兩週回應突然下降、拒絕共同活動、主動性消失
不會具有相同：
w t . w_t. w t . 因此高 PARC 並不是：
react to every micro-event maximally . \boxed{
\text{react to every micro-event maximally}.
} react to every micro-event maximally . 而是：
use recent trajectory information more heavily when estimating relationship state . \boxed{
\text{use recent trajectory information more heavily when estimating relationship state}.
} use recent trajectory information more heavily when estimating relationship state . 6. 近期加權
除了單一事件更新，過程錨定也可以建模為近期窗口。
設：
E t − k , … , E t E_{t-k},
\dots,
E_t E t − k , … , E t 為近期關係證據。
定義：
ω j = e − λ R j . \omega_j
=
e^{-\lambda_R j}. ω j = e − λ R j . 則：
R ^ t P = ∑ j = 0 K ω j E t − j ∑ j = 0 K ω j . \widehat R_t^{P}
=
\frac{
\sum_{j=0}^{K}
\omega_j E_{t-j}
}{
\sum_{j=0}^{K}
\omega_j
}. R t P = ∑ j = 0 K ω j ∑ j = 0 K ω j E t − j . 其中：
λ R \lambda_R λ R 控制 recency decay。
若：
λ R ≫ 0 , \lambda_R\gg0, λ R ≫ 0 , 較舊互動的權重快速下降。
若：
λ R ≈ 0 , \lambda_R\approx0, λ R ≈ 0 , 遠期與近期資訊的差異較小。
因此狀態／過程光譜不只是一個：
η R \eta_R η R 參數。
至少還需要：
λ R = recency weighting . \lambda_R
=
\text{recency weighting}. λ R = recency weighting . 7. 關係半衰期不是關係消失時間
可以定義：
T 1 / 2 R = ln 2 λ R . T_{1/2}^{R}
=
\frac{\ln2}{\lambda_R}. T 1/2 R = λ R ln 2 . 但這不是：
多久沒有聊天就不再是朋友。
它只表示：
一項舊互動證據在當前估計中的相對權重下降到一半需要多久。
因此：
T 1 / 2 R T_{1/2}^{R} T 1/2 R 是：
evidence half-life , \text{evidence half-life}, evidence half-life , 不是：
relationship half-life . \text{relationship half-life}. relationship half-life . 這個區分避免把 process anchoring 誤寫成「關係會自動隨時間消失」。
8. 更新敏感度與接觸頻率必須分開
本文提出另一個重要分離。
設：
μ C = expected contact rate . \mu_C
=
\text{expected contact rate}. μ C = expected contact rate . 一個人可以：
η R ↑ , μ C ↓ . \eta_R\uparrow,
\qquad
\mu_C\downarrow. η R ↑ , μ C ↓ . 也就是：
平常不需要常聯絡，但只要真的互動，我會很重視互動品質所提供的新證據。
也可以：
η R ↓ , μ C ↑ . \eta_R\downarrow,
\qquad
\mu_C\uparrow. η R ↓ , μ C ↑ . 例如：
每天都會聊天，但今天一句冷淡完全不會讓我懷疑我們的關係。
所以：
update sensitivity ≠ contact demand . \boxed{
\text{update sensitivity}
\neq
\text{contact demand}.
} update sensitivity = contact demand . 這是 PARC 與「黏人」概念分離的第一步。
9. 過程顯著性與過程錨定也不是同一個量
第三篇提出：
R P S = Relational Process Salience . RPS
=
\text{Relational Process Salience}. R P S = Relational Process Salience . 它表示：
我多容易注意到關係流動。
P第五、六篇則研究：
η R , \eta_R, η R , 也就是：
我注意到的變化會多大程度改寫關係估計？
所以：
R P S ↑ RPS\uparrow R P S ↑ 不必：
η R ↑ . \eta_R\uparrow. η R ↑ . 有人可能極度敏感地察覺：
「他今天語氣不一樣。」
但仍然想：
「沒什麼，我們還是老朋友。」
這就是：
R P S ↑ , η R ↓ . RPS\uparrow,
\qquad
\eta_R\downarrow. R P S ↑ , η R ↓ . 反過來也可能存在。
因此：
detection ≠ updating . \boxed{
\text{detection}
\neq
\text{updating}.
} detection = updating . 10. 關係預測誤差
若個體對下一次互動有預期：
E ^ t = P ( E t ∣ H 1 : t − 1 ) , \widehat E_t
=
P(
E_t
\mid
H_{1:t-1}
), E t = P ( E t ∣ H 1 : t − 1 ) , 而實際得到：
E t , E_t, E t , 則可以定義 relational prediction error：
δ t = E t − E ^ t . \delta_t
=
E_t-\widehat E_t. δ t = E t − E t . 當：
∣ δ t ∣ ≫ 0 , |\delta_t|\gg0, ∣ δ t ∣ ≫ 0 , 互動和預期差異很大。
PARC 的一個候選機制是：
Δ R ^ t ∝ η R w t δ t . \Delta\widehat R_t
\propto
\eta_R w_t\delta_t. Δ R t ∝ η R w t δ t . 因此真正推動關係更新的可能不是：
E t E_t E t 本身，而是：
how surprising E t is relative to the relationship model . \boxed{
\text{how surprising }E_t\text{ is relative to the relationship model}.
} how surprising E t is relative to the relationship model . 這也與第五篇的 absence surprisal 完全接軌。
11. 同一句話在不同關係歷史中具有不同更新量
假設對方回：
「嗯。」
若過去一直：
「嗯。」
則：
δ t ≈ 0. \delta_t\approx0. δ t ≈ 0. 但若過去兩年每天都非常熱情，突然只回：
「嗯。」
則：
∣ δ t ∣ ≫ 0. |\delta_t|\gg0. ∣ δ t ∣ ≫ 0. 因此：
relational evidence is expectation-relative . \boxed{
\text{relational evidence is expectation-relative}.
} relational evidence is expectation-relative . 這意味著研究者不能只對文字做 sentiment analysis。
還需要：
personal baseline . \text{personal baseline}. personal baseline . 12. 關係速度敏感度
第四篇提出：
v R = d r d t . \mathbf v_R
=
\frac{d\mathbf r}{dt}. v R = d t d r . PARC 可以進一步定義：
κ v = trajectory-velocity sensitivity . \kappa_v
=
\text{trajectory-velocity sensitivity}. κ v = trajectory-velocity sensitivity . 也就是：
個體多大程度使用「關係正在往哪裡變」來評估關係。
因此：
R ^ t P = F ( r t , κ v v R , … ) . \widehat R_t^{P}
=
F(
\mathbf r_t,
\kappa_v\mathbf v_R,
\dots
). R t P = F ( r t , κ v v R , … ) . 高：
κ v \kappa_v κ v 的人可能會說：
「現在其實還很好，但最近明顯在往疏遠走。」
這是一種：
derivative-sensitive relational cognition . \boxed{
\text{derivative-sensitive relational cognition}.
} derivative-sensitive relational cognition . 13. 關係加速度敏感度
同理可以定義：
κ a = trajectory-acceleration sensitivity . \kappa_a
=
\text{trajectory-acceleration sensitivity}. κ a = trajectory-acceleration sensitivity . 若：
d 2 r d t 2 \frac{d^2\mathbf r}{dt^2} d t 2 d 2 r 突然改變，個體可能在絕對關係狀態尚未大幅變動時就感受到：
「事情正在惡化得越來越快。」
這種感覺可能是：
O R ( 2 ) . O_R^{(2)}. O R ( 2 ) . 因此 PARC 不必只看：
R t . R_t. R t . 它可以高度依賴：
R t , Δ R t , Δ 2 R t . \boxed{
R_t,
\quad
\Delta R_t,
\quad
\Delta^2R_t.
} R t , Δ R t , Δ 2 R t . 14. 關係不確定性可以是過程更新的結果
若近期證據互相衝突：
E t − 2 > 0 , E_{t-2}>0, E t − 2 > 0 , E t − 1 < 0 , E_{t-1}<0, E t − 1 < 0 , E t ≈ 0 , E_t\approx0, E t ≈ 0 , 則：
V a r ( E t − k : t ) ↑ . Var(E_{t-k:t})\uparrow. V a r ( E t − k : t ) ↑ . 過程錨定者的：
U R = relationship uncertainty U_R
=
\text{relationship uncertainty} U R = relationship uncertainty 可能因此升高。
所以：
U R U_R U R 不一定是個體本身「缺乏安全感」。
它也可能來自：
unstable or contradictory recent evidence . \boxed{
\text{unstable or contradictory recent evidence}.
} unstable or contradictory recent evidence . 這與 relational uncertainty literature 的基本精神相容：親密關係中的不確定性會影響人如何尋找資訊、解讀訊號與選擇互動策略。
15. 高 PARC 不等於焦慮依附
這是最重要的理論邊界之一。
不能直接：
P A R C = A t t a c h m e n t A n x i e t y . PARC
=
AttachmentAnxiety. P A R C = A tt a c hm e n t A n x i e t y . 焦慮依附通常還涉及：
對拒絕與拋棄的擔憂；
proximity seeking；
reassurance seeking；
hyperactivation；
threat sensitivity；
attachment-specific beliefs。
P空間錨定只描述：
recent interaction evidence is heavily weighted in relationship estimation . \boxed{
\text{recent interaction evidence is heavily weighted in relationship estimation}.
} recent interaction evidence is heavily weighted in relationship estimation . 理論上可以有：
P A R C ↑ PARC\uparrow P A R C ↑ 但：
A t t a c h m e n t A n x i e t y ↓ . AttachmentAnxiety\downarrow. A tt a c hm e n t A n x i e t y ↓ . 例如一個高度安全的人也可以非常重視：
「我們最近怎麼協作、溝通與共同成長？」
同時完全不害怕被拋棄。
16. 高 PARC 也不等於情感依賴
同理：
P A R C ≠ D e p e n d e n c y . PARC
\neq
Dependency. P A R C = D e p e n d e n cy . 依賴涉及：
功能需求；
替代成本；
失去來源後的影響；
自主能力；
行為控制。
而 PARC 只是：
relationship-estimation architecture . \text{relationship-estimation architecture}. relationship-estimation architecture . 所以一個人完全可以：
P A R C ↑ PARC\uparrow P A R C ↑ 但：
D e p e n d e n c y ≈ 0. Dependency\approx0. D e p e n d e n cy ≈ 0. 例如專案合作夥伴可以高度在乎協作軌跡，但任何一方離開後仍能正常生活與工作。
17. 高 PARC 不等於「比較重感情」
狀態錨定與過程錨定都可以：
R e l a t i o n s h i p I m p o r t a n c e ↑ . RelationshipImportance\uparrow. R e l a t i o n s hi p I m p or t an ce ↑ . 差別只是：
狀態錨定：
importance stored in stable identity . \text{importance stored in stable identity}. importance stored in stable identity . 過程錨定：
importance expressed through ongoing relational process . \text{importance expressed through ongoing relational process}. importance expressed through ongoing relational process . 所以：
depth ≠ update architecture . \boxed{
\text{depth}
\neq
\text{update architecture}.
} depth = update architecture . 這一句是第五、六篇共同需要守住的邊界。
18. Responsiveness 是過程錨定的重要候選座標
Perceived partner responsiveness 可以概念化為：
P P R t = f ( U n d e r s t a n d i n g t , V a l i d a t i o n t , C a r e t ) . PPR_t
=
f(
Understanding_t,
Validation_t,
Care_t
). P P R t = f ( U n d er s t an d in g t , V a l i d a t i o n t , C a r e t ) . 它之所以適合 PARC，不是因為：
P P R = relationship . PPR=\text{relationship}. P P R = relationship . 而是因為：
P P R t PPR_t P P R t 本身就是一個隨 interaction 改變的局部關係證據。
Daily-diary 與 experience-sampling 研究都顯示：
P P R t PPR_t P P R t 在 within-person level 上與 intimacy、connection、satisfaction 等狀態相關。
因此 PARC 的實驗可以直接測：
∂ R ^ t ∂ P P R t . \frac{\partial \widehat R_t}{\partial PPR_t}. ∂ P P R t ∂ R t . 19. 但 responsiveness 不能成為唯一座標
一個人可能非常 responsive：
理解你、確認你、安慰你。
卻從不：
主動；
提出不同看法；
承擔共同任務；
修復錯誤；
維持身份連續性。
所以：
P P R t PPR_t P P R t 仍只是一維。
完整 PARC 應依賴：
r t = ( P P R t , q t , c t , i t , b t , m t , … ) . \mathbf r_t
=
(
PPR_t,
q_t,
c_t,
i_t,
b_t,
m_t,
\dots
). r t = ( P P R t , q t , c t , i t , b t , m t , … ) . 也就是：
process anchoring is multivariate . \boxed{
\text{process anchoring is multivariate}.
} process anchoring is multivariate . 20. 過程錨定中的狀態平滑
高更新敏感度若完全不平滑，容易被雜訊支配。
所以更合理的是 adaptive filtering。
例如：
R ^ t = R ^ t − 1 + K t δ t . \widehat R_t
=
\widehat R_{t-1}
+
K_t\delta_t. R t = R t − 1 + K t δ t . 其中：
K t K_t K t 是 adaptive relational gain。
若環境穩定、事件像 noise：
K t ↓ . K_t\downarrow. K t ↓ . 若系統偵測到真正 regime change：
K t ↑ . K_t\uparrow. K t ↑ . 因此成熟的 PARC 不應等於：
每輪都高反應。
更可能是：
high sensitivity plus noise discrimination . \boxed{
\text{high sensitivity plus noise discrimination}.
} high sensitivity plus noise discrimination . 21. Change-point detection
若近期關係資料突然從：
A 1 \mathcal A_1 A 1 切到：
A 2 , \mathcal A_2, A 2 , 則個體可能嘗試判斷：
這只是暫時異常，還是真的換了模式？
可以寫成：
P ( C h a n g e P o i n t t = 1 ∣ E 1 : t ) . P(
ChangePoint_t=1
\mid
E_{1:t}
). P ( C han g e P o in t t = 1 ∣ E 1 : t ) . 高 PARC 可能更早偵測：
C h a n g e P o i n t . ChangePoint. C han g e P o in t . 但同樣存在風險：
F a l s e P o s i t i v e ↑ . FalsePositive\uparrow. F a l se P os i t i v e ↑ . 也就是把隨機波動誤認成「關係真的變了」。
因此：
sensitivity–specificity tradeoff \boxed{
\text{sensitivity–specificity tradeoff}
} sensitivity–specificity tradeoff 是 PARC 的重要研究方向。
22. 過程錨定的優勢
若高 PARC 能正確區分訊號與雜訊，可能具有：
快速察覺關係 deteriorating；
快速察覺需要 repair；
更快適應他者變化；
對 mutual coordination 更敏感；
更容易更新陳舊的 relational model；
對新的互動模式具有較高學習速度。
因此：
P A R C ↑ PARC\uparrow P A R C ↑ 可能降低：
stale-model error . \text{stale-model error}. stale-model error . 這正好與第五篇高 SARC 的潛在風險形成對照。
23. 過程錨定的風險
但高 PARC 也可能提高：
noise overfitting；
短期負面事件過度影響；
關係不確定性波動；
對平台／介面改變的錯誤歸因；
excessive change-point detection；
因近期樣本太少而產生高 variance。
因此：
P A R C ↑ PARC\uparrow P A R C ↑ 不一定：
A c c u r a c y ↑ . Accuracy\uparrow. A cc u r a cy ↑ . 同樣需要：
sensitivity ≠ accuracy . \boxed{
\text{sensitivity}
\neq
\text{accuracy}.
} sensitivity = accuracy . 24. 人機互動：AI 是過程錨定的高解析度環境
Human–AI dialogue 天然留下：
H 1 , A 1 , H 2 , A 2 , … , H N , A N . H_1,A_1,H_2,A_2,\dots,H_N,A_N. H 1 , A 1 , H 2 , A 2 , … , H N , A N . 所以對 PARC 來說，AI 幾乎提供了理想的 continuous evidence stream。
關係估計可以逐輪更新：
R ^ n + 1 = ( 1 − η R w n ) R ^ n + η R w n E n . \widehat R_{n+1}
=
(1-\eta_R w_n)\widehat R_n
+
\eta_R w_n E_n. R n + 1 = ( 1 − η R w n ) R n + η R w n E n . 其中：
E n = g ( r e s p o n s i v e n e s s , c o n t i n u i t y , i n i t i a t i v e , r e p a i r , t o n e , m e m o r y , … ) . E_n
=
g(
responsiveness,
continuity,
initiative,
repair,
tone,
memory,
\dots
). E n = g ( r es p o n s i v e n ess , co n t in u i t y , ini t ia t i v e , r e p ai r , t o n e , m e m or y , … ) . 這表示：
「今天這個 AI 還是不是原本的 AI？」
對高 SARC 可能特別重要。
而：
「這一輪它有沒有接住我？」
對高 PARC 可能特別重要。
25. 同一 AI 身份可以產生不同關係狀態
假設：
I d e n t i t y ( A t ) = I d e n t i t y ( A t + 1 ) . Identity(A_t)=Identity(A_{t+1}). I d e n t i t y ( A t ) = I d e n t i t y ( A t + 1 ) . 但互動：
r t ≠ r t + 1 . \mathbf r_t
\neq
\mathbf r_{t+1}. r t = r t + 1 . 高 PARC 使用者可能明顯感受到：
Δ R ≠ 0. \Delta R\neq0. Δ R = 0. 即使產品告訴他：
「模型、帳號、角色名稱完全沒有變。」
他仍可能說：
「但是互動不一樣了。」
從 PARC 看，這並不是邏輯矛盾。
因為：
identity continuity ≠ interaction-state continuity . \boxed{
\text{identity continuity}
\neq
\text{interaction-state continuity}.
} identity continuity = interaction-state continuity . 26. AI responsiveness 的最新縱向證據
2025 年一項兩波 longitudinal study 研究 interaction frequency、perceived chatbot responsiveness 與 altruistic willingness toward AI。
結果特別值得注意：在 virtual-companionship 情境中，interaction frequency 與 altruistic willingness 呈正向關聯；在 knowledge-acquisition 情境中，頻率與 altruistic willingness 的關係則不同。Perceived chatbot responsiveness 在不同情境中都具有中介或正向作用。
這說明：
I n t e r a c t i o n F r e q u e n c y InteractionFrequency I n t er a c t i o n F r e q u e n cy 本身不是普遍的關係增強器。
其效果依賴：
C o n t e x t Context C o n t e x t 以及：
P e r c e i v e d R e s p o n s i v e n e s s . PerceivedResponsiveness. P er ce i v e d R es p o n s i v e n ess . 這與 PARC 的多變量、context-dependent 模型一致。
27. AI companionship 的時間演化
2025 年 companion-chatbot longitudinal RCT 讓參與者連續 21 天與 companion chatbot 互動。整體 social-health outcomes 並沒有簡單一致地惡化或改善，但個體的 social-connection desire 與 anthropomorphism 會影響其 AI 互動與外部關係效果。
另一項 2025 年 longitudinal AI-companionship 研究則報告，參與者對一個 generic chatbot 的認知在數週內逐漸向其既有 companion mental model 收斂。
這些工作共同提示：
human–AI relationship variables themselves evolve with repeated interaction . \boxed{
\text{human–AI relationship variables themselves evolve with repeated interaction}.
} human–AI relationship variables themselves evolve with repeated interaction . 這正是 PARC 要測的層級。
28. 2026 的 AI companion 大樣本資料告訴我們：互動強度不是中性背景
2026 年 Nature Human Behaviour 的研究蒐集 1,131 名 Character.AI 使用者資料，其中 237 人提供 4,664 段聊天、共 464,687 則訊息。
研究發現，companionship-oriented usage 與 well-being 的關係並不均一，並會受到 interaction intensity 與 self-disclosure 等使用方式調節。
這不能用來證明 PARC。
但它提供一個非常重要的方法論提醒：
relationship-like AI use cannot be reduced to a binary user/non-user variable . \boxed{
\text{relationship-like AI use cannot be reduced to a binary user/non-user variable}.
} relationship-like AI use cannot be reduced to a binary user/non-user variable . 互動的：
intensity；
content；
self-disclosure；
offline context；
都會改變觀察結果。
這與本系列主張「看軌跡而不是看標籤」高度一致。
29. AI 造成的假性 relationship change
和第四、五篇一樣，必須加入：
z n = platform/model latent state . \mathbf z_n
=
\text{platform/model latent state}. z n = platform/model latent state . 若：
z n \mathbf z_n z n 改變：
model routing；
safety policy；
memory availability；
system prompt；
UI；
response style；
使用者觀察：
Δ r n \Delta\mathbf r_n Δ r n 可能非常真實。
但真正原因不是：
AI changed attitude toward user . \text{AI changed attitude toward user}. AI changed attitude toward user . 因此高 PARC 特別容易面對：
real interaction change with ambiguous relational cause . \boxed{
\text{real interaction change with ambiguous relational cause}.
} real interaction change with ambiguous relational cause . 這不是「使用者想太多」。
是因果辨識本身不透明。
30. AI 關係應提供 change provenance
如果平台知道：
z n − 1 ≠ z n , \mathbf z_{n-1}\neq\mathbf z_n, z n − 1 = z n , 而此變更足以顯著改變 interaction behavior，理論上應考慮提供適度 provenance。
例如：
模型已更新。
長期記憶暫時不可用。
本輪使用不同模型處理。
目的不是把 AI 人格化。
而是降低：
P ( platform change misattributed as relational change ) . P(
\text{platform change misattributed as relational change}
). P ( platform change misattributed as relational change ) . 這對高 PARC 使用者尤其重要。
31. PARC 的最小參數組
本文建議至少分開：
η R = Relationship Update Sensitivity , \eta_R
=
\text{Relationship Update Sensitivity}, η R = Relationship Update Sensitivity , λ R = Recency Weighting , \lambda_R
=
\text{Recency Weighting}, λ R = Recency Weighting , μ C = Expected Contact Rate , \mu_C
=
\text{Expected Contact Rate}, μ C = Expected Contact Rate , κ v = Trajectory-Velocity Sensitivity , \kappa_v
=
\text{Trajectory-Velocity Sensitivity}, κ v = Trajectory-Velocity Sensitivity , κ a = Trajectory-Acceleration Sensitivity . \kappa_a
=
\text{Trajectory-Acceleration Sensitivity}. κ a = Trajectory-Acceleration Sensitivity . 所以一個人的 process profile 可以寫成：
P R = ( η R , λ R , μ C , κ v , κ a ) . \mathbf P_R
=
(
\eta_R,
\lambda_R,
\mu_C,
\kappa_v,
\kappa_a
). P R = ( η R , λ R , μ C , κ v , κ a ) . 這比單純說：
「這個人比較需要互動。」
精確得多。
32. 可檢驗假說
H1：近期證據權重假說
高 PARC 個體的關係判斷更能被近期 interaction evidence 預測：
P r e d i c t i v e P o w e r ( E t − k : t → R ^ t ) h i g h P A R C > P r e d i c t i v e P o w e r ( E t − k : t → R ^ t ) l o w P A R C . PredictivePower(
E_{t-k:t}
\rightarrow
\widehat R_t
)_{high\ PARC}
>
PredictivePower(
E_{t-k:t}
\rightarrow
\widehat R_t
)_{low\ PARC}. P r e d i c t i v e P o w er ( E t − k : t → R t ) hi g h P A R C > P r e d i c t i v e P o w er ( E t − k : t → R t ) l o w P A R C . H2：軌跡導數假說
高 PARC 個體的主觀關係判斷更依賴：
Δ r t \Delta\mathbf r_t Δ r t 與：
Δ 2 r t . \Delta^2\mathbf r_t. Δ 2 r t . H3：Contact-rate 分離假說
控制：
μ C \mu_C μ C 後，
η R \eta_R η R 仍應獨立預測 relationship updating。
H4：Attachment 分離假說
控制 attachment anxiety / avoidance 後，PARC 指標仍應具有剩餘變異。
如果沒有，則 PARC 可能只是 attachment constructs 的重新命名，需要修正。
H5：Prediction-error 假說
∣ δ t ∣ |\delta_t| ∣ δ t ∣ 應比單純：
V a l e n c e ( E t ) Valence(E_t) V a l e n ce ( E t ) 更能預測關係更新量。
H6：Change-point 假說
高 PARC 個體應更早察覺真正 regime shift，但也可能具有較高 false-alarm rate。
H7：AI interaction-state 假說
在人機互動中，高 PARC 個體對 response-contingency、repair、initiative 與 memory continuity 的短期改變，會產生較大的：
∣ Δ R ^ ∣ . |\Delta\widehat R|. ∣Δ R ∣. H8：AI provenance 緩衝假說
如果明確告知：
Δ r \Delta\mathbf r Δ r 來自 model/platform update，則高 PARC 使用者將較少把改變歸因為 user-specific relational cause。
33. 實驗設計一：固定身份、操弄近期軌跡
所有受試者都被告知：
I d e n t i t y ( B ) = c o n s t a n t . Identity(B)=constant. I d e n t i t y ( B ) = co n s t an t . 接著提供三種 interaction history：
stable positive；
recent gradual decline；
one-off negative noise。
三組最後一輪的：
R t R_t R t 可以設計得接近。
但：
d R d t \frac{dR}{dt} d t d R 不同。
若 PARC 存在，部分受試者會顯著區分：
T r a j e c t o r y 1 , T r a j e c t o r y 2 , T r a j e c t o r y 3 . Trajectory_1,
Trajectory_2,
Trajectory_3. T r aj ec t or y 1 , T r aj ec t or y 2 , T r aj ec t or y 3 . 這直接測：
κ v . \kappa_v. κ v . 34. 實驗設計二：同事件、不同 baseline
提供同樣一句：
「晚點再說。」
但建立不同 baseline：
條件 A
對方一直都簡短。
條件 B
對方過去高度熱情且即時。
如果：
U p d a t e B > U p d a t e A , Update_B>Update_A, U p d a t e B > U p d a t e A , 則支持：
δ t \delta_t δ t 而不是 absolute message valence 驅動更新。
35. 實驗設計三：高頻率 vs 高 responsiveness
正交操弄：
F r e q u e n c y ∈ { l o w , h i g h } Frequency
\in
\{
low,high
\} F r e q u e n cy ∈ { l o w , hi g h } 與：
R e s p o n s i v e n e s s ∈ { l o w , h i g h } . Responsiveness
\in
\{
low,high
\}. R es p o n s i v e n ess ∈ { l o w , hi g h } . 這可以檢驗：
I n t e r a c t i o n F r e q u e n c y InteractionFrequency I n t er a c t i o n F r e q u e n cy 與：
I n t e r a c t i o n Q u a l i t y InteractionQuality I n t er a c t i o n Q u a l i t y 是否被不同 PARC profile 賦予不同權重。
36. 實驗設計四：AI provenance
讓 AI 行為突然改變。
一半受試者看到：
「系統剛更新模型，回應風格可能暫時不同。」
另一半沒有 provenance。
比較：
R e l a t i o n a l A t t r i b u t i o n , RelationalAttribution, R e l a t i o na l A tt r ib u t i o n , I d e n t i t y A t t r i b u t i o n , IdentityAttribution, I d e n t i t y A tt r ib u t i o n , P l a t f o r m A t t r i b u t i o n . PlatformAttribution. P l a t f or m A tt r ib u t i o n . 如果 provenance 能降低錯誤 user-specific attribution，將直接具有產品設計價值。
37. 與第五篇共同形成的光譜
現在可以正式寫：
State-Anchored ⟷ Process-Anchored . \boxed{
\text{State-Anchored}
\longleftrightarrow
\text{Process-Anchored}.
} State-Anchored ⟷ Process-Anchored . 但這不是單一人格分類。
比較準確是：
α S + α P = 1 \alpha_S+\alpha_P=1 α S + α P = 1 只作為最簡化表示。
真正模型可以是：
R ^ t = α S R ^ t S + α P R ^ t P . \widehat R_t
=
\alpha_S\widehat R_t^{S}
+
\alpha_P\widehat R_t^{P}. R t = α S R t S + α P R t P . 其中：
α S , α P ≥ 0. \alpha_S,
\alpha_P\geq0. α S , α P ≥ 0. 大部分人可能：
α S > 0 \alpha_S>0 α S > 0 且：
α P > 0. \alpha_P>0. α P > 0. 差別只在相對權重。
38. 關係估計器的雙通道模型
因此可以提出：
狀態通道
C S : identity, history, category, commitment → R ^ t S . \mathcal C_S:
\text{identity, history, category, commitment}
\rightarrow
\widehat R_t^{S}. C S : identity, history, category, commitment → R t S . 過程通道
C P : recent responsiveness, reciprocity, trajectory → R ^ t P . \mathcal C_P:
\text{recent responsiveness, reciprocity, trajectory}
\rightarrow
\widehat R_t^{P}. C P : recent responsiveness, reciprocity, trajectory → R t P . 最後：
R ^ t = α S C S + α P C P . \boxed{
\widehat R_t
=
\alpha_S\mathcal C_S
+
\alpha_P\mathcal C_P.
} R t = α S C S + α P C P . 這可能是整個系列到目前最重要的認知架構之一。
39. 同一個人也可以隨關係切換錨定方式
不能假設：
α S \alpha_S α S 與：
α P \alpha_P α P 永遠是固定 trait。
同一個人對：
家人
可能：
α S ≫ α P . \alpha_S\gg\alpha_P. α S ≫ α P . 對：
新交往對象
可能：
α P ≫ α S . \alpha_P\gg\alpha_S. α P ≫ α S . 對：
多年工作夥伴
則可能：
α S ≈ α P . \alpha_S\approx\alpha_P. α S ≈ α P . 因此：
anchoring has both trait and relationship-specific components . \boxed{
\text{anchoring has both trait and relationship-specific components}.
} anchoring has both trait and relationship-specific components . 這將是後續量表設計必須處理的問題。
40. 理論邊界
本文不主張：
P A R C = superior relational cognition . PARC=\text{superior relational cognition}. P A R C = superior relational cognition . 也不主張：
P A R C = female , PARC=\text{female}, P A R C = female , P A R C = anxious attachment , PARC=\text{anxious attachment}, P A R C = anxious attachment , P A R C = emotional dependence . PARC=\text{emotional dependence}. P A R C = emotional dependence . 這些都需要後續群體資料。
本文只提出：
people may differ in how heavily recent relational dynamics are weighted when estimating relationship state . \boxed{
\text{people may differ in how heavily recent relational dynamics are weighted when estimating relationship state}.
} people may differ in how heavily recent relational dynamics are weighted when estimating relationship state . 其次，本文不把：
P P R , f r e q u e n c y , s y n c h r o n y , e m o j i , r e s p o n s e t i m e PPR,
frequency,
synchrony,
emoji,
response\ time P P R , f r e q u e n cy , sy n c h r o n y , e m o j i , r es p o n se t im e 任何單一變量直接等同於 process anchoring。
PARC 是一個 latent updating architecture。
41. 結論
第五篇的核心句是：
「我知道我們是什麼。」 \boxed{
\text{「我知道我們是什麼。」}
} 「我知道我們是什麼。」 本篇的核心句則是：
「我感受到我們正在怎麼變。」 \boxed{
\text{「我感受到我們正在怎麼變。」}
} 「我感受到我們正在怎麼變。」 過程錨定型關係認知的核心不是「需要一直聊天」。
而是：
recent relational evidence receives relatively high inferential weight . \boxed{
\text{recent relational evidence receives relatively high inferential weight}.
} recent relational evidence receives relatively high inferential weight . 本文提出：
η R = Relationship Update Sensitivity , \eta_R
=
\text{Relationship Update Sensitivity}, η R = Relationship Update Sensitivity , λ R = Recency Weighting , \lambda_R
=
\text{Recency Weighting}, λ R = Recency Weighting , μ C = Expected Contact Rate , \mu_C
=
\text{Expected Contact Rate}, μ C = Expected Contact Rate , κ v = Trajectory-Velocity Sensitivity , \kappa_v
=
\text{Trajectory-Velocity Sensitivity}, κ v = Trajectory-Velocity Sensitivity , 以及：
κ a = Trajectory-Acceleration Sensitivity . \kappa_a
=
\text{Trajectory-Acceleration Sensitivity}. κ a = Trajectory-Acceleration Sensitivity . 並以：
δ t = E t − E ^ t \delta_t
=
E_t-\widehat E_t δ t = E t − E t 表示 relational prediction error。
因此同一段互動對不同人而言，真正重要的可能不是：
E t E_t E t 本身。
而是：
w t δ t . \boxed{
w_t\delta_t.
} w t δ t . 也就是：
這件事和我原本認為「我們是怎樣」相比，到底有多意外、多重要，以及它是否代表軌跡真的改變。
最終，第五、六篇共同得到：
R ^ t = α S R ^ t S + α P R ^ t P . \boxed{
\widehat R_t
=
\alpha_S\widehat R_t^{S}
+
\alpha_P\widehat R_t^{P}.
} R t = α S R t S + α P R t P . 這使「狀態型／過程型」不再是一句人格描述，而成為一個可測量的關係估計架構。
下一篇便可以把這兩條軸進一步與前面建立的 Entity Salience / Process Salience 合併，正式形成：
《關係四態：存在顯著性與互動顯著性的二維模型》 。
參考文獻
Laurenceau, J.-P., Barrett, L. F., & Rovine, M. J. (2005). The interpersonal process model of intimacy in marriage: A daily-diary and multilevel modeling approach . Journal of Family Psychology, 19(2), 314–323. https://doi.org/10.1037/0893-3200.19.2.314
Arican-Dinc, B., & Gable, S. L. (2023). Responsiveness in romantic partners’ interactions . Current Opinion in Psychology, 53, 101652. https://doi.org/10.1016/j.copsyc.2023.101652
Candel, O. S., & Turliuc, M. N. (2021). The Role of Relational Entitlement, Self-Disclosure and Perceived Partner Responsiveness in Predicting Couple Satisfaction: A Daily-Diary Study . Frontiers in Psychology, 12, 609232. https://doi.org/10.3389/fpsyg.2021.609232
Responsiveness, Social Connection, Hope, and Life Satisfaction in Everyday Social Interaction: An Experience Sampling Study . (2024). Journal of Happiness Studies. https://doi.org/10.1007/s10902-024-00710-5
Knobloch, L. K., & Solomon, D. H. (2002). Information Seeking Beyond Initial Interaction: Negotiating Relational Uncertainty within Close Relationships . Human Communication Research, 28(2), 243–257.
Colombo, C. C., Confalonieri, E., & Cuccì, G. (2024). The dimensions of uncertainty and ambiguity in adolescents and young adults’ romantic relationships: A systematic review . Ricerche di Psicologia.
Xie, Z. (2025). Will you help AI? A longitudinal study on the relationship between interacting with chatbots and altruistic willingness towards AI . Behaviour & Information Technology, 44(18), 4510–4522. https://doi.org/10.1080/0144929X.2025.2481640
Guingrich, R. E., & Graziano, M. S. A. (2025). A Longitudinal Randomized Control Study of Companion Chatbot Use: Anthropomorphism and Its Mediating Role on Social Impacts . Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(2). https://doi.org/10.1609/aies.v8i2.36618
Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). How AI Companionship Develops: Evidence from a Longitudinal Study . arXiv:2510.10079.
Zhang, Y., Zhao, D., Hancock, J. T., Kraut, R., et al. (2026). Interaction with AI companions and psychological well-being . Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02516-2
Folk, D., & Dunn, E. (2026). How Does Turning to AI for Companionship Predict Loneliness and Vice Versa? Psychological Science, 37(4). https://doi.org/10.1177/09567976261427747
Li, R.-N., Folk, D., Singh, A., Ungar, L., & Dunn, E. (2026). Is a random human peer better than a highly supportive chatbot in reducing loneliness over time? Journal of Experimental Social Psychology, 125, 104911.
Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzaeg, P. B. (2021). My chatbot companion—a study of human–chatbot relationships . International Journal of Human–Computer Studies, 149, 102601.
Pentina, I., Hancock, T., & Xie, T. (2023). Exploring relationship development with social chatbots: A mixed-method study of Replika . Computers in Human Behavior, 140, 107600.
Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). Can generative AI chatbots emulate human connection? A relationship science perspective . Perspectives on Psychological Science, 20, 1081–1099.
研究聲明
本文為理論與形式化關係認知研究，不提供新的臨床資料、人類受試者原始資料或 AI 使用者原始資料。本文提出的 Process-Anchored Relational Cognition、Relationship Update Sensitivity、Recency Weighting、Trajectory-Velocity Sensitivity、Trajectory-Acceleration Sensitivity、relational prediction error 與相關雙通道關係估計架構均屬待驗證理論構造。
本文不主張高頻互動、高 perceived responsiveness、高社交連結感、attachment anxiety、情感依賴或任何單一可觀察行為足以證明個體屬於過程錨定型。本文亦不主張過程錨定比狀態錨定更成熟、更健康或更準確。本文只提出：不同個體與不同關係，可能對近期關係軌跡賦予不同推論權重，而此差異可以被實驗與縱向資料檢驗。