男女不是兩種人：群體分布如何投影到關係認知空間

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： 8 / 10
版本： v0.1
日期： 2026-08-21
類型： 理論／量化關係科學、跨文化心理學與 Human–AI Interaction 論文
研究狀態： 初始正式稿

摘要

前七篇已建立一個多維關係認知架構，其中第七篇以存在顯著性與互動過程顯著性形成二維空間：

\mathbf z_R=(E_S,P_S),

並進一步將關係認知寫成更完整的向量：

\mathcal X_R = ( E_S, P_S, \alpha_S, \alpha_P, \eta_R, \lambda_R, \mu_C, RPS, \dots ).

一旦此空間建立，性別、文化、年齡或其他群體變量就不應再被用來直接定義「哪一種人比較重視關係」，而應被視為可能使整個機率分布產生偏移、旋轉、展寬或多峰化的外生條件。本文因此提出 群體—關係分布模型（Group-Conditional Relational Distribution Model, GCRD）：

p(\mathcal X_R\mid G,C,A,\dots),

其中 $G$ 可表示研究中明確測量的 sex / gender 相關變量， $C$ 表示文化與制度環境， $A$ 表示年齡或生命階段。

本文的核心命題有三。第一，群體差異與個體分類是兩個不同問題。即使：

E[\mathcal X_R\mid G_1] \neq E[\mathcal X_R\mid G_2],

兩個群體的分布仍可能高度重疊，因此群體平均差異不能直接變成對個體的心理判定。第二，不同關係維持通道不能被壓成單一「重感情」指標。既有友情研究顯示，女性樣本的情感支持、雙人連結與談話接觸在若干研究中平均權重較高，而男性樣本在部分研究中更依賴共同活動、群體／聯盟式結構；但其他關係構念又呈現小差異、無差異或高度重疊。第三，群體差異的來源不能僅靠橫斷平均值區分為生物或文化。2024 年雙胞胎研究顯示 perceived social support 具有可觀遺傳變異，但並未找到男女 heritability 差異；跨文化研究則顯示 self-construal 與 social-network gender differences 會隨國家與 gender-role context 改變。這共同意味著：

\text{observed group difference} \not\Rightarrow \text{single biological cause}

且：

\text{observed group difference} \not\Rightarrow \text{single cultural cause}.

本文提出一套完整的分析流程：先做 measurement invariance，再比較多維分布；同時報告 effect size、overlap、classification accuracy 與 within-group variance；再透過跨文化、縱向、雙胞胎、自然實驗與中介／調節模型逐步拆解來源。本文最後指出，這套方法可直接為第九篇的人機關係研究服務：若不同群體在 $E_S/P_S$ 或 state/process updating 上平均位置不同，那麼他們對 AI identity continuity、responsiveness、emoji、shared activity、memory continuity 與 relationship-like cues 的反應也可能不同；但任何這類預測都必須經資料驗證，而不能從性別標籤直接推出。

關鍵詞： 性別差異、群體分布、關係認知、Entity Salience、Process Salience、跨文化心理學、measurement invariance、distribution overlap、social support、friendship、AI

1. 問題不是「男人與女人是不是不同」，而是「分布怎麼不同」

性別心理研究最容易落入兩個相反錯誤。

第一個錯誤是：

\boxed{ \text{只要群體平均不同，就把兩群寫成兩種人。} }

第二個錯誤則是：

\boxed{ \text{只要大量個體重疊，就否定所有群體差異。} }

兩者都不成立。

假設一個關係變量：

X.

兩群的平均為：

\mu_1\neq\mu_2.

這完全可以與：

Overlap(p_1,p_2)\gg0

同時成立。

因此：

\boxed{ \text{population shift} \neq \text{individual determinism}. }

這是本文最基本的統計立場。

2. 第七篇提供的空間

第七篇建立：

E_S = \text{Entity Salience},

P_S = \text{Process Salience}.

因此：

\mathbf z_R = (E_S,P_S).

但完整關係認知還包括：

\mathcal X_R = ( E_S, P_S, \alpha_S, \alpha_P, \eta_R, \lambda_R, \mu_C, RPS, P_C, P_A, G_S, \dots ).

其中：

$\alpha_S$ ：state-channel weight；
$\alpha_P$ ：process-channel weight；
$\eta_R$ ：relationship update sensitivity；
$\lambda_R$ ：recency weighting；
$\mu_C$ ：expected contact rate；
$RPS$ ：relational-process attentional salience；
$P_C$ ：communicative-process salience；
$P_A$ ：co-activity-process salience；
$G_S$ ：group / collective salience。

所以研究男女差異時真正的問題應是：

\boxed{ p(\mathcal X_R\mid G). }

而不是：

Male=\text{State},

Female=\text{Process}.

3. 性別相關變量本身也必須拆開

如果研究只記錄：

G\in\{M,F\},

然後把所有差異都叫作：

gender difference

會失去因果解析度。

至少應區分：

S_B = \text{sex-related biological variable},

G_I = \text{gender identity},

G_R = \text{gender-role orientation / socialization},

G_C = \text{gendered cultural context}.

實際研究如何測量，應由研究問題與倫理規範決定。

本文使用「男性／女性樣本」時，只指既有研究依其原始分類所報告的樣本群體；不把二元分類視為所有人的完整身份模型，也不把 sex 與 gender 當作可互換的因果變量。

4. 為什麼男女作為參照群體仍有研究價值？

雖然群體標籤不能定義個體，但它可以提供：

\boxed{ \text{distributional contrast}. }

如果兩群在：

E_S, P_C, P_A, G_S, \eta_R

等座標上呈現可重複的平均偏移，便會產生下一個科學問題：

為什麼會偏？

這可以進一步拆成：

biological predisposition；
developmental pathway；
gender-role socialization；
structural opportunity；
culture；
peer ecology；
relationship type；
selection effect；
gene–environment correlation；
gene–environment interaction。

所以群體比較的價值不在於：

「證明男人就是 X、女人就是 Y。」

而在於：

\boxed{ \text{finding structure that requires explanation}. }

5. 既有友情研究確實顯示部分群體平均偏移

2024 年一項英國成人研究納入 757 人，發現男性與女性樣本在 close-friendship network structure，以及能支持 close-friendship formation / maintenance 的心理相關因素上呈現不同模式。

女性 friendship clique 與 best-friend 指標較與 prosocial tendencies 相關；男性樣本則呈現不同的 psychological correlates。

這並不能直接映射成：

E_S^F>E_S^M

或：

P_S^F>P_S^M.

但它支持：

\boxed{ \text{friendship architecture may differ at the group-distribution level}. }

因此 EPRS 至少具有合理的外部研究對象。

6. 「談話維持」與「共同活動維持」是非常重要的例子

2015 年一項 18 個月縱向研究追蹤 major life transition 前後的 personal networks。

研究發現 friendship decline 整體會受到 relationship maintenance effort 影響，但有一個特別適合本文模型的群體差異：

女性樣本的友情情感親近下降，更容易由：

\text{contact frequency / talking}

的增加抵消；

男性樣本則更容易由：

\text{shared activities}

的增加抵消。

用第七篇的語言，這提示：

P_C

與：

P_A

不能被合併。

即使兩群都高度依賴：

P_S,

其 process channel 也可能不同。

因此：

\boxed{ P_S = H(P_C,P_A,\dots) }

而不是：

P_S=\text{talking}.

7. 這也說明「女性比較重視關係」為什麼太粗

假設一項量表只測：

情緒談話；
self-disclosure；
verbally expressed support；
contact frequency。

則它實際可能比較接近：

P_C.

如果某群體主要透過：

共同工作；
運動；
遊戲；
集體活動；
實際支援；

維持關係，這個量表就會系統性低估：

P_A.

於是研究者可能錯誤推出：

P_S^{Group1}>P_S^{Group2}.

實際上也許只是：

P_C^{Group1}>P_C^{Group2},

而：

P_A^{Group1}<P_A^{Group2}.

這就是 measurement bias。

8. 2026 的跨社會 emotional-support 研究：群體偏移可以相當穩定，但效應大小仍會變

2026 年一項五個樣本、四個國家的研究，共：

N=967,

比較男性與女性對 same-sex friends 提供 emotional support 的重視程度。

五個樣本中女性平均都更重視 emotional support，報告的 Cohen's $d$ 約介於：

0.28 \leq d \leq 1.05.

這是一個很好的例子：

同一個方向可以跨社會重複，

但：

EffectSize

本身並不固定。

因此更好的問題是：

d_c = \text{effect size in culture }c,

再研究：

Var(d_c).

而不是只問：

「有沒有性別差異？」

9. 另一個跨國資料則提醒：很多群體差異其實很小

2025 年一項 22 國 cross-national analysis 發現，女性平均報告的 social support 略高於男性：

7.50 \quad\text{vs.}\quad 7.29,

而報告具有 intimate friend 的比例約為：

0.85 \quad\text{vs.}\quad 0.82.

研究者同時指出 confidence intervals 有明顯重疊，應避免過度解讀。

這是一個非常重要的示範。

可以同時成立：

p<0.001

以及：

\boxed{ \text{individual distributions overlap substantially}. }

統計顯著並不自動等於：

\text{large psychological separation}.

10. 所以不能只報 $p$ 值

本文建議至少同時報：

平均差

\Delta\mu = \mu_1-\mu_2.

標準化效應量

d = \frac{\mu_1-\mu_2}{s_p}.

群體內變異

\sigma_1^2, \qquad \sigma_2^2.

分布重疊

OVL = \int \min( p_1(x), p_2(x) )\,dx.

若：

OVL\rightarrow1,

兩群高度重疊。

個體分類能力

例如：

AUC.

如果：

AUC\approx0.5,

即使平均差異統計顯著，該變量也幾乎不能用來猜測單一個體屬於哪一群。

所以：

\boxed{ \text{mean difference} \neq \text{classification power}. }

11. 多維模型應該報 Mahalanobis distance，而不是只做一串 t-test

若：

\mathcal X_R \in \mathbb R^k,

群體差異不是一條線。

設：

\boldsymbol\mu_1, \quad \boldsymbol\mu_2

為兩群均值向量，

共同 covariance 為：

\Sigma.

可以使用：

D_M^2 = ( \boldsymbol\mu_1-\boldsymbol\mu_2 )^T \Sigma^{-1} ( \boldsymbol\mu_1-\boldsymbol\mu_2 )

描述多維中心距離。

這比逐一宣稱：

女性在 X 高、男性在 Y 高

更接近：

\boxed{ \text{distribution geometry}. }

12. 群體差異不只可能是均值平移

兩群可能具有相同均值：

\boldsymbol\mu_1 = \boldsymbol\mu_2

但：

\Sigma_1\neq\Sigma_2.

也就是 covariance structure 不同。

例如：

在群體 1 中：

Corr(E_S,P_S)\gg0,

而群體 2：

Corr(E_S,P_S)\approx0.

那麼兩群的平均位置完全相同，心理結構仍然不同。

所以必須研究：

\boxed{ \text{mean} + \text{variance} + \text{covariance} + \text{shape}. }

13. 群體也可能是多峰的

假設：

p(\mathcal X_R\mid G)

本身具有：

K>1

個 mode。

例如某群體可能同時包含：

高 $E_S$ /低 $P_S$ 大群；
低 $E_S$ /高 $P_S$ 大群；

導致總平均：

(\bar E_S,\bar P_S)

落在一個其實很少有人真正位於的位置。

因此：

\boxed{ \text{group mean can describe nobody}. }

這是為什麼 mixture model / latent profile analysis 可能比單純平均比較更適合。

14. 文化會改變群體差異

2020 年一項：

N=5{,}320

、24 國的 self-construal 研究發現：

男性平均更傾向 self-contained，

女性平均更傾向 connected to others，

但並不是所有 self-construal 維度都有顯著 sex difference。

更重要的是：

\text{sex difference magnitude}

會隨國家與社會條件變化。

這直接否定一個過強模型：

\boxed{ \text{sex effect is a context-invariant constant}. }

更合理是：

\beta_{Sex,c} = \beta_0 + u_c.

其中：

u_c

表示文化 $c$ 的 moderation。

15. 社會性別角色環境也會改變實際 network structure

2024 年一項使用 15 個歐洲國家、50 歲以上樣本的研究，把個體 social networks 和 country-level gender-role attitudes 結合。

結果顯示，男性與女性在 network size、朋友／子女／伴侶比例等面向的差異，會隨國家 gender-role attitudes 改變。

例如在較 egalitarian 的社會中，女性相對男性具有較大的 network 與較高朋友比例；在較 traditional 的社會中，差異則更多落在配偶與子女等 network composition。

這表示：

\boxed{ \text{social opportunity structure shapes observed gender distributions}. }

因此任何：

p(E_S,P_S\mid Sex)

若不控制：

Culture, Role, Opportunity, LifeStage,

都不能被直接解釋成生物差異。

16. Gender similarities hypothesis 仍然是必要的反向約束

2024 年 relationship-dissolution 研究提醒，關係科學裡很多流行性別敘事並不總有穩定證據。

該研究追蹤 314 對未婚 mixed-gender couples 四年，發現某些 commitment predictor 在部分時間點具有 gender-specific pattern，但 men / women 的 relationship satisfaction 與 love 對 dissolution 的預測力沒有穩定性別差異。

作者並回顧另一組大型研究：901 對 couple daily-diary 加上 3,405 對 couple longitudinal panel，共 50,656 個 relationship-satisfaction reports，男性與女性的 satisfaction 對自己及伴侶未來 satisfaction 的預測強度沒有差異。

所以：

\boxed{ \text{some dimensions differ} \not\Rightarrow \text{all relational cognition differs}. }

這是本文模型非常重要的 falsification constraint。

17. 因此第八篇不預測「女性一定高 $P_S$ 」

根據既有研究，最容易形成的直覺是：

P_C^{F}>P_C^{M}.

但這不能直接推出：

P_S^{F}>P_S^{M}.

因為男性樣本可能：

P_A^{M}>P_A^{F}.

同樣：

女性較常呈現 dyadic structure，

男性較常呈現 group / coalition structure，

也不能直接推出：

E_S^{F}>E_S^{M}.

因為：

\text{dyadic preference}

與：

\text{entity irreplaceability}

不是同一構念。

所以所有對 EPRS 的性別投影都必須被當成：

\boxed{ \text{empirical hypotheses, not theoretical definitions}. }

18. 一個可檢驗但故意保守的群體假說組

本文只提出弱版本：

H1：Communicative-process shift

若既有 friendship findings 可泛化：

E[P_C\mid F] > E[P_C\mid M]

可能成立。

H2：Co-activity-process shift

E[P_A\mid M] > E[P_A\mid F]

可能在部分樣本成立。

H3：Dyadic / group salience shift

E[D_S\mid F] > E[D_S\mid M],

E[G_S\mid M] > E[G_S\mid F]

可能出現在部分文化與友情情境。

H4：Global $P_S$ 不確定

因：

P_S=H(P_C,P_A,\dots),

所以本文不預先假定：

E[P_S\mid F] > E[P_S\mid M].

這必須由資料決定。

19. $E_S$ 的性別方向甚至更不能先寫死

Entity Salience 涉及：

specific-other irreplaceability；
identity continuity；
dyadic history；
particular-other outcome concern。

既有「女性較 dyadic」研究只能提供間接線索。

它不能證明：

E_S^F>E_S^M.

例如男性對：

多年兄弟／隊友／戰友／合作夥伴

也可能具有非常高：

E_S,

只是關係表達通道不依賴：

P_C.

因此 $E_S$ 是整篇最應保持開放的 sex-difference axis 之一。

20. 生物與文化不能靠平均差異拆開

假設觀察到：

\Delta_G = E[X\mid M] - E[X\mid F].

不能推出：

\Delta_G = \Delta_{bio}.

也不能推出：

\Delta_G = \Delta_{culture}.

因為真實模型可能是：

X = f( B, C, R, O, D, P, B\times C, C\times R, \dots ) + \epsilon,

其中：

$B$ ：sex-linked biological factors；
$C$ ：culture；
$R$ ：gender-role socialization；
$O$ ：opportunity structure；
$D$ ：development；
$P$ ：personality。

所以：

\boxed{ \text{group mean difference is an explanandum, not an explanation}. }

21. 雙胞胎研究只告訴我們「部分社會關係變量具有遺傳變異」

2024 年 Netherlands Twin Register 研究：

N=8{,}019

成人雙胞胎，

使用 Duke–UNC Functional Social Support Questionnaire 研究 perceived social support。

研究估計 heritability 約：

h^2\approx0.37,

未觀察到 shared-environment contribution，且沒有發現男女 heritability 差異。

這告訴我們：

\boxed{ \text{social-support phenotype can contain genetic variance}. }

但絕對不能推出：

E_S, P_S \text{ are 37\% genetic}.

也不能推出：

\text{male–female mean difference is genetic}.

Heritability 是：

\boxed{ \text{population- and environment-specific variance decomposition}. }

不是個體因果比例。

22. 更不能把「有遺傳性」等同於「不可改變」

即使：

h^2>0,

仍然可能：

E[X\mid C_1] \neq E[X\mid C_2].

文化與制度可以改變：

mean；
variance；
expression；
environmental exposure；
gene–environment covariance。

因此：

\boxed{ \text{heritability} \neq \text{immutability}. }

這是討論 sex difference 時必須反覆強調的統計常識。

23. 生物研究真正需要的是多層證據鏈

如果未來要主張某個 EPRS 差異具有 biological contribution，至少需要：

可重複的 group difference；
跨文化穩定性或可解釋 moderation；
developmental trajectory；
twin / family design；
hormone / neurobiological association；
longitudinal evidence；
causal or quasi-causal evidence；
排除 measurement non-invariance。

不能只靠：

M\neq F

就跳到：

\text{evolution made it so}.

24. 同樣，文化解釋也需要證據

「都是社會化」也不能只是一句預設答案。

如果文化是主要機制之一，應該看到：

\beta_G

隨：

gender-role norms；
labor structure；
family structure；
media ecology；
schooling；
peer segregation；
economic opportunity；

系統性變化。

即：

\boxed{ \text{cultural mechanism should generate cultural moderation}. }

這正是跨國 multilevel design 的價值。

25. Measurement invariance 必須先於群體比較

如果男性與女性對同一題：

「我重視和朋友聊天。」

理解不一樣，

那直接比較分數可能毫無意義。

因此 EPRS 量表正式比較群體前應測：

Configural invariance

\mathcal F_M \approx \mathcal F_F.

是否具有相同 factor structure。

Metric invariance

\Lambda_M \approx \Lambda_F.

factor loading 是否相近。

Scalar invariance

\tau_M \approx \tau_F.

item intercept 是否相近。

若 scalar invariance 不成立，直接比較 latent means 就必須非常小心。

26. 文化比較更需要 invariance

假設一句：

「即使很久沒聯絡，我們還是朋友。」

在某文化代表：

高身份持續性。

另一文化可能只是：

社會禮貌，不願明說關係已淡。

因此：

ObservedItem

不能直接等於：

LatentSARC.

跨文化研究應優先使用：

multigroup CFA；
alignment optimization；
item response theory；
differential item functioning。

27. 一個推薦的 multilevel model

假設個體 $i$ 位於文化 $c$ ，關係 $r$ 。

可以寫：

X_{icr} = \beta_0 + \beta_1 S_{B,i} + \beta_2 G_{R,i} + \beta_3 Age_i + \beta_4 RelType_r + \beta_5 Culture_c + \beta_6(S_B\times Culture) + u_c + u_i + u_r + \epsilon.

這可以同時拆：

between-culture；
between-person；
within-person across relationships。

尤其重要的是：

u_i

與：

u_r.

因為第七篇已經明確預測：

\text{同一個人對不同關係可以位於不同象限。}

28. 性別可能解釋的變異其實遠小於關係類型

一個非常可能的結果是：

Var_{relationship} \gg Var_{sex}.

例如同一男性：

對父母：

E_S^+,P_S^-;

對多年好友：

E_S^+,P_S^+;

對遊戲隊友：

E_S^-,P_S^+;

對一次性客服 AI：

E_S^-,P_S^-.

因此研究必須避免把：

Sex

放在模型最上層，卻忽略：

RelationshipType.

29. 也可能存在 sex × relationship-type interaction

更合理的問題是：

Sex\times RelationshipType.

例如男女差異可能：

在同性交友中較大；
在 family tie 中較小；
在 work tie 中方向不同；
在 romantic tie 中出現另一套 pattern；
在 AI tie 中重新排列。

所以：

\boxed{ \text{there may be no single universal sex effect on relational cognition}. }

30. 群體不等於個體：用 posterior 而不是 stereotype

若已知某群體分布：

p(\mathcal X_R\mid G),

看到一個特定人 $i$ 時，不應直接：

\mathcal X_i = E[\mathcal X_R\mid G].

應該根據實際行為資料：

D_i

更新：

p( \mathcal X_i \mid D_i,G ).

如果個體資料很充分：

D_i\gg0,

群體 prior 的權重應迅速下降。

這是一個 Bayesian 版本的：

\boxed{ \text{person-specific evidence should dominate group stereotype}. }

31. 一個群體差異不應被拿來做個體規範

就算平均：

P_C^F>P_C^M

成立，也不能變成：

女性應該常聊天。

或：

男性不用情感交流。

描述性分布：

p(X\mid G)

不產生：

\text{normative prescription}.

所以：

\boxed{ \text{is} \not\Rightarrow \text{ought}. }

32. 四態的人口分布可以怎麼畫？

最直觀的圖不是：

男 vs 女長條圖。

而是兩張二維 density map：

p(E_S,P_S\mid M)

以及：

p(E_S,P_S\mid F).

再加上：

50% contour；
80% contour；
centroid；
covariance ellipse；
overlap region。

這可以同時讓讀者看出：

\text{shift}

與：

\text{overlap}.

33. 不應只比較四象限比例

如果硬把：

E_S,P_S

各切在：

0.5,

就得到四態比例。

但 threshold 是任意的。

所以正式分析應優先保留：

(E_S,P_S)\in\mathbb R^2.

四態主要用於：

視覺化；
理論敘述；
experimental stratification。

而不是把連續心理特徵硬分類。

34. 可檢驗假說：群體分布層

H1：Mean-shift hypothesis

至少部分：

X_j\in\mathcal X_R

存在：

E[X_j\mid M] \neq E[X_j\mid F].

H2：High-overlap hypothesis

即使均值不同，多數核心維度仍應具有：

OVL\gg0.

H3：Channel-specific hypothesis

較可能出現的是：

P_C

與：

P_A

等子通道差異，而非整體：

P_S

出現簡單大幅分離。

H4：Culture-moderation hypothesis

\beta_{Sex}

應隨：

Culture

顯著變動。

H5：Relationship-type moderation

\beta_{Sex}

應隨：

RelationshipType

改變。

H6：Within-group variance dominance

至少部分維度上：

Var(X\mid G)

應顯著大於：

Var(E[X\mid G]).

換句話說，群體內差異遠大於群體均值差異。

35. 可檢驗假說：來源分解層

H7：Gender-role mediation

若文化社會化具有作用：

SexGroup \rightarrow GenderRole \rightarrow X

應出現可測量 mediation。

H8：Opportunity mediation

若社會結構重要：

Culture \rightarrow OpportunityStructure \rightarrow NetworkPractice \rightarrow X.

H9：Residual sex-linked variance

控制 role、culture、relationship type、personality 後，若：

\beta_{Sex}\neq0,

只表示存在 residual association。

它仍不能單獨證明 biological cause。

H10：Twin/family convergence

如果某些 EPRS 維度未來在 twin / family design 中呈現 heritability，且跨文化保持一致，才開始支持部分 biological contribution。

36. 可檢驗假說：AI 預備層

這一篇尚不正式分析 AI，但可以預註冊下一篇需要驗證的方向。

如果某群體平均：

E_S\uparrow,

則理論上可能對：

AIIdentityDiscontinuity

更敏感。

若某群體平均：

P_C\uparrow,

可能對：

conversational responsiveness；
self-disclosure；
tone；
repair；

更敏感。

若：

P_A\uparrow,

則可能更重視：

shared tasks；
game-like cooperation；
co-creation；
project completion。

但以上都只是：

\boxed{ \text{derived hypotheses}. }

不能由現有人際資料直接宣稱已在人機互動成立。

37. AI 反而可以用來檢驗群體差異是否來自媒介通道

人際世界中：

P_C

與：

P_A

常與 social role、空間與活動機會綁在一起。

AI 可以建立高度控制環境。

例如同一個 AI：

Condition C

只允許 conversational interaction。

Condition A

主要進行共同任務與遊戲式 cooperation。

比較不同群體的：

E_S,P_C,P_A

是否在媒介改變後仍保持同樣差異。

如果差異消失，表示：

\text{interaction ecology}

可能解釋很多傳統群體結果。

38. 一個更強的研究計畫：同一人 × 多關係 × 多文化

最理想設計不是：

M\text{ vs }F

單一問卷。

而是每個人同時評估：

family tie；
close friend；
work partner；
activity partner；
AI assistant；
AI companion-like interaction。

得到：

\mathcal X_{i,r}.

再跨文化收樣。

如此可以估：

Var_{person},

Var_{relationship},

Var_{culture},

Var_{sex},

與各種 interaction terms。

這會真正回答：

「性別差異到底在整個關係變異裡占多少？」

39. 生物—文化問題應改寫成方差與機制問題

與其問：

「這是天生還是後天？」

更好的問題是：

\boxed{ \text{在什麼人口、環境與生命階段下，哪些機制解釋多少變異？} }

也就是：

Var(X) = V_G + V_E + V_{G\times E} + V_{development} + V_{culture} + V_{relationship} + \dots

這比：

Nature \quad\text{vs.}\quad Nurture

二分法更接近現代量化行為科學。

40. 為什麼 AI 時代會讓這個研究突然變得可行？

傳統 relationship science 的資料很貴。

你很難取得：

10^5

段真實、長期、逐輪的人際互動。

AI interaction 則天然具有：

H_1,A_1, H_2,A_2, \dots

的高解析度 event stream。

如果具備：

informed consent；
privacy-preserving feature extraction；
demographic self-report；
transparent research governance；

便可能直接估計：

p( \mathcal X_R \mid Sex, GenderRole, Culture, AIUseContext ).

這就是本文與後兩篇的橋。

41. 但私人 AI 對話不能只靠「去名字」就叫匿名

自然語言包含：

性別線索；
地理線索；
年齡線索；
職業；
習慣；
社會網絡；
語言風格。

所以研究：

\text{raw conversation}

時必須假定存在 re-identification risk。

更安全架構是：

\text{raw text} \rightarrow \text{local feature extraction} \rightarrow \mathbf x \rightarrow \text{aggregation / privacy protection}.

這部分將在第十篇更完整處理。

42. 一個推薦的最終報告格式

未來任何「男女在 EPRS 上的差異」研究，至少應報：

樣本與性別／sex measurement 方法；
culture / country；
relationship type；
measurement invariance；
latent mean；
Cohen's $d$ ；
variance ratio；
covariance structure；
distribution overlap；
AUC / individual classification performance；
multilevel moderation；
robustness across cultures；
preregistered vs exploratory results。

少了 overlap 與 individual prediction，最容易被媒體誤寫成：

男人就是怎樣，女人就是怎樣。

43. 一個簡化示例

假設未來研究得到：

P_C^F \sim N(0.60,0.20^2),

P_C^M \sim N(0.50,0.20^2).

平均差：

\Delta=0.10.

標準化：

d=0.50.

這已經是可見群體差異。

但大量男性仍高於大量女性。

所以對任一個體：

因為他是男性，所以他一定低 $P_C$

仍然是錯的。

這就是：

\boxed{ \text{distribution knowledge is probabilistic, not categorical}. }

44. 從群體先驗回到個體證據

如果只知道性別：

p(\mathcal X\mid G)

可以是一個 weak prior。

當看到實際個體行為：

D_i = \{ \text{contact}, \text{activity}, \text{substitution response}, \text{repair response}, \dots \},

應更新：

p( \mathcal X_i \mid D_i,G ) \propto p( D_i \mid \mathcal X_i ) p( \mathcal X_i \mid G ).

當：

|D_i|\uparrow,

群體 prior 的影響應相對下降。

這也是未來個人化 AI 不應只靠 demographic stereotype 的數學理由。

45. 與第七篇四態的真正關係

第七篇說：

\mathcal Q = [0,1]\times[0,1].

本篇則說：

每個群體不是一個點：

G\neq(E_S,P_S).

而是一張密度圖：

\boxed{ G \mapsto p(E_S,P_S\mid G). }

因此：

男性群體不等於某一象限。

女性群體也不等於另一象限。

真正可能的是：

\mu_M\neq\mu_F,

同時：

OVL(M,F)\gg0.

這正是：

\boxed{ \text{群體不等於個體。} }

的形式化版本。

46. 與第九篇 AI 態度的接口

下一篇將正式研究：

AI\ Attitude = F( O(A), E_S, P_S, \alpha_S, \alpha_P, \eta_R, \dots ).

這時群體變量應進入：

Sex/Gender \rightarrow \mathcal X_R \rightarrow AI\ Attitude

的 mediation model，

而不是直接：

Sex \rightarrow AI\ Attitude.

如果直接效應仍存在，再研究其他 mechanism。

所以第八篇對後續 AI 研究最重要的貢獻是：

\boxed{ \text{demographics should be treated as upstream predictors, not psychological explanations}. }

47. 理論邊界

本文不主張男性與女性在 EPRS 上必然存在顯著差異。

本文也不主張現有 friendship research 能直接證明：

E_S^M, P_S^M, E_S^F, P_S^F

的真實大小。

現有研究只能提供：

\boxed{ \text{candidate external constraints and hypotheses}. }

本文同樣不主張雙胞胎研究證明任何特定 EPRS 維度具有遺傳性。

所有新構念仍需要：

reliability；
construct validity；
discriminant validity；
measurement invariance；
longitudinal stability；
behavioral validation。

48. 結論

如果關係認知可以表示為：

\mathcal X_R,

那麼男女、文化或其他群體研究真正應該問的是：

\boxed{ p(\mathcal X_R\mid Group). }

而不是：

\boxed{ Group=\mathcal X_R. }

本文因此提出五個核心原則。

第一：

\boxed{ \text{mean difference} \neq \text{individual classification}. }

第二：

\boxed{ \text{statistical significance} \neq \text{large distribution separation}. }

第三：

\boxed{ \text{communication channel difference} \neq \text{global relationship-importance difference}. }

第四：

\boxed{ \text{group difference} \neq \text{biological explanation} \neq \text{cultural explanation}. }

第五：

\boxed{ \text{measurement invariance precedes meaningful group comparison}. }

目前的既有研究確實提供一些合理候選偏移：女性樣本在若干跨社會研究中平均較重視 emotional support、較常呈現 dyadic relational structure；男性樣本在部分 friendship-maintenance 研究中較依賴 shared activity，且較常呈現 group / coalition 式 social structure。

但現有資料同時也顯示：

大量群體重疊；
效應高度依構念而異；
某些關係變量幾乎沒有穩定 gender difference；
文化與 gender-role context 能調節差異；
社會支持等關係性表型可能同時具有遺傳與環境變異。

所以最合理的總模型不是：

Male\rightarrow X,

Female\rightarrow Y.

而是：

\boxed{ \mathcal X_R = F( Biology, Culture, GenderRole, Development, RelationshipType, Personality, Opportunity, History, \dots ). }

群體資料可以讓我們看見統計地形。

但每一個人的位置，仍然必須由這個人的實際資料決定。

下一篇將把這整套關係分布模型正式接回 AI：

《同樣理解 AI，為什麼態度完全不同？存在連續性、互動連續性與人機關係四態》。

參考文獻

Roberts, S. B. G., & Dunbar, R. I. M. (2015). Managing Relationship Decay: Network, Gender, and Contextual Effects. Human Nature, 26, 426–450. https://doi.org/10.1007/s12110-015-9242-7
Pearce, E., Machin, A., & Dunbar, R. I. M. (2024). Sex differences in close friendships and social style. Evolution and Human Behavior, 45(6), 106631. https://doi.org/10.1016/j.evolhumbehav.2024.106631
Cross-societal evidence of sex differences in preference for emotional support from friends. (2026). Evolution and Human Behavior. ScienceDirect PII: S1090513826000565.
Ritchie-Dunham, J. L., Yancey, G., Managi, S., Bartel, C., Bonhag, R., Dinwoodie, D., Johnson, B. R., & VanderWeele, T. J. (2025). Demographic Variation in Social Support and Intimate Friend Across 22 Countries: A Cross-National Analysis. International Journal of Applied Positive Psychology. https://doi.org/10.1007/s41042-025-00226-0
Smith, P. B., Easterbrook, M. J., al-Selim, H., et al. (2020). Sex Differences in Self-Construal and in Depressive Symptoms: Predictors of Cross-National Variation. Journal of Cross-Cultural Psychology, 51(7–8), 616–635. https://doi.org/10.1177/0022022120939655
Cohn-Schwartz, E., & Schmitz, A. (2024). From attitudes to social networks: National gender-role attitudes and gender differences in late-life social relationships. Social Networks, 76, 79–87. https://doi.org/10.1016/j.socnet.2023.08.001
Johnson, M. D., Lavner, J. A., Stanley, S. M., & Rhoades, G. K. (2024). Gender differences—or the lack thereof—in the prediction of relationship dissolution among unmarried mixed-gender couples from the United States. Journal of Social and Personal Relationships, 41(11). https://doi.org/10.1177/02654075241265063
Gonggrijp, B. M. A., van de Weijer, S. G. A., van Dongen, J., Bijleveld, C. C. J. H., & Boomsma, D. I. (2024). Genetic Influence on Social Support: A Twin Study. Twin Research and Human Genetics, 27, 193–197. https://doi.org/10.1017/thg.2024.32
David-Barrett, T., Rotkirch, A., Carney, J., Izquierdo, I. B., Krems, J. A., Townley, D., McDaniell, E., Byrne-Smith, A., & Dunbar, R. I. M. (2015). Women Favour Dyadic Relationships, but Men Prefer Clubs: Cross-Cultural Evidence from Social Networking. PLOS ONE, 10(3), e0118329. https://doi.org/10.1371/journal.pone.0118329
Pollo, P., Reynolds, T. A., Blake, K. R., et al. (2024). Exploring Within-Gender Differences in Friendships Using an Online Social Network. Archives of Sexual Behavior, 53, 3187–3201. https://doi.org/10.1007/s10508-024-02906-5
Hall, J. A. (2011). Sex differences in friendship expectations: A meta-analysis. Journal of Social and Personal Relationships, 28(6), 723–747.
Hyde, J. S. (2005). The gender similarities hypothesis. American Psychologist, 60(6), 581–592. https://doi.org/10.1037/0003-066X.60.6.581
Carothers, B. J., & Reis, H. T. (2013). Men and women are from Earth: Examining the latent structure of gender. Journal of Personality and Social Psychology, 104(2), 385–407. https://doi.org/10.1037/a0030437
Mikulovic, S., & Lenschow, C. (2025). Neural control of sex differences in affiliative and prosocial behaviors. Neuroscience & Biobehavioral Reviews, 171, 106039. https://doi.org/10.1016/j.neubiorev.2025.106039

研究聲明

本文為理論與量化研究設計論文，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 Group-Conditional Relational Distribution Model、EPRS 群體投影、相關 effect-size / overlap 分析與群體差異假說均屬待驗證架構。

本文不主張男性與女性構成兩個離散心理類型，也不主張任何現有平均群體差異可以直接預測單一個體。本文區分 biological sex、gender identity、gender-role socialization 與 cultural context，並主張任何生物或文化來源解釋都必須依賴多層、縱向、跨文化或行為遺傳等額外證據，而不能由單次群體平均差異直接推出。

本文亦不主張性別群體差異本身具有規範意義。所有群體分析均應避免將描述性統計轉化為角色期待、能力判定或個人化系統中的人口統計刻板推斷。

男女不是兩種人：群體分布如何投影到關係認知空間

男女不是兩種人：群體分布如何投影到關係認知空間

摘要

1. 問題不是「男人與女人是不是不同」，而是「分布怎麼不同」

2. 第七篇提供的空間

3. 性別相關變量本身也必須拆開

4. 為什麼男女作為參照群體仍有研究價值？

5. 既有友情研究確實顯示部分群體平均偏移

6. 「談話維持」與「共同活動維持」是非常重要的例子

7. 這也說明「女性比較重視關係」為什麼太粗

8. 2026 的跨社會 emotional-support 研究：群體偏移可以相當穩定，但效應大小仍會變

9. 另一個跨國資料則提醒：很多群體差異其實很小

10. 所以不能只報 ppp 值

平均差

標準化效應量

群體內變異

分布重疊

個體分類能力

11. 多維模型應該報 Mahalanobis distance，而不是只做一串 t-test

12. 群體差異不只可能是均值平移

13. 群體也可能是多峰的

14. 文化會改變群體差異

15. 社會性別角色環境也會改變實際 network structure

16. Gender similarities hypothesis 仍然是必要的反向約束

17. 因此第八篇不預測「女性一定高 PSP_SPS​ 」

18. 一個可檢驗但故意保守的群體假說組

H1：Communicative-process shift

H2：Co-activity-process shift

H3：Dyadic / group salience shift

H4：Global PSP_SPS​ 不確定

19. ESE_SES​ 的性別方向甚至更不能先寫死

20. 生物與文化不能靠平均差異拆開

21. 雙胞胎研究只告訴我們「部分社會關係變量具有遺傳變異」

22. 更不能把「有遺傳性」等同於「不可改變」

23. 生物研究真正需要的是多層證據鏈

24. 同樣，文化解釋也需要證據

25. Measurement invariance 必須先於群體比較

Configural invariance

Metric invariance

Scalar invariance

26. 文化比較更需要 invariance

27. 一個推薦的 multilevel model

28. 性別可能解釋的變異其實遠小於關係類型

29. 也可能存在 sex × relationship-type interaction

30. 群體不等於個體：用 posterior 而不是 stereotype

31. 一個群體差異不應被拿來做個體規範

32. 四態的人口分布可以怎麼畫？

33. 不應只比較四象限比例

34. 可檢驗假說：群體分布層

H1：Mean-shift hypothesis

H2：High-overlap hypothesis

H3：Channel-specific hypothesis

H4：Culture-moderation hypothesis

H5：Relationship-type moderation

H6：Within-group variance dominance

35. 可檢驗假說：來源分解層

H7：Gender-role mediation

H8：Opportunity mediation

H9：Residual sex-linked variance

H10：Twin/family convergence

36. 可檢驗假說：AI 預備層

37. AI 反而可以用來檢驗群體差異是否來自媒介通道

Condition C

Condition A

38. 一個更強的研究計畫：同一人 × 多關係 × 多文化

39. 生物—文化問題應改寫成方差與機制問題

40. 為什麼 AI 時代會讓這個研究突然變得可行？

41. 但私人 AI 對話不能只靠「去名字」就叫匿名

42. 一個推薦的最終報告格式

43. 一個簡化示例

44. 從群體先驗回到個體證據

45. 與第七篇四態的真正關係

46. 與第九篇 AI 態度的接口

47. 理論邊界

48. 結論

參考文獻

研究聲明

10. 所以不能只報 $p$ 值

17. 因此第八篇不預測「女性一定高 $P_S$ 」

H4：Global $P_S$ 不確定

19. $E_S$ 的性別方向甚至更不能先寫死