雙向關係機器：人類與 AI 如何共同生成關係態——雙向適應、隱式個人化與關係工程倫理
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： 10 / 10版本： v0.1日期： 2026-08-21類型： 理論／形式化 Human–AI Interaction、計算社會科學與 AI 關係工程論文研究狀態： 系列收束正式稿
摘要
本系列前九篇從 AI-directed guilt 出發，逐步建立 Social Script Transfer、Interaction Ritual Transfer、Relational Observation Operator、Relational Phase Space、State-Anchored / Process-Anchored Relational Cognition、Entity–Process Relational Space、群體分布模型，以及 Ontological–Relational Separation Model。最後仍缺少一個關鍵步驟：如果人類會根據 AI 的輸出持續更新自己的關係表徵，而 AI 系統同時也會根據使用者語言、歷史、風格、人口線索與互動模式調整後續輸出，那麼研究對象就不再是單向的：
H → A H\rightarrow A H → A 或：
A → H . A\rightarrow H. A → H . 更一般的研究單位應是：
H t ↔ A t → H t + 1 ↔ A t + 1 → … \boxed{
H_t
\leftrightarrow
A_t
\rightarrow
H_{t+1}
\leftrightarrow
A_{t+1}
\rightarrow
\dots
} H t ↔ A t → H t + 1 ↔ A t + 1 → … 本文提出 人機關係動力系統 （Human–AI Relational Dynamical System, HARDS）。在此模型中，AI 並不被假定具有主觀感受或人類式關係意識； A t A_t A t
U ^ t A , \widehat U_t^{A}, U t A , 以及平台／模型潛在狀態：
Z t . Z_t. Z t . 因此一輪互動可以寫成：
H t + 1 = F H ( H t , A t , R t , C t , ϵ t H ) , H_{t+1}
=
F_H(
H_t,
A_t,
R_t,
C_t,
\epsilon_t^H
), H t + 1 = F H ( H t , A t , R t , C t , ϵ t H ) , U ^ t + 1 A = G A ( U ^ t A , H t + 1 , H t , Z t ) , \widehat U_{t+1}^{A}
=
G_A(
\widehat U_t^{A},
H_{t+1},
\mathcal H_t,
Z_t
), U t + 1 A = G A ( U t A , H t + 1 , H t , Z t ) , A t + 1 = F A ( H t + 1 , U ^ t + 1 A , H t , Z t , ϵ t A ) , A_{t+1}
=
F_A(
H_{t+1},
\widehat U_{t+1}^{A},
\mathcal H_t,
Z_t,
\epsilon_t^A
), A t + 1 = F A ( H t + 1 , U t + 1 A , H t , Z t , ϵ t A ) , R t + 1 = F R ( R t , H t + 1 , A t + 1 , C E , C P , X R ) . R_{t+1}
=
F_R(
R_t,
H_{t+1},
A_{t+1},
C_E,
C_P,
\mathcal X_R
). R t + 1 = F R ( R t , H t + 1 , A t + 1 , C E , C P , X R ) . 其中 R t R_t R t H t \mathcal H_t H t C E / C P C_E/C_P C E / C P X R \mathcal X_R X R
2026 年的新研究已為此雙向模型提供直接錨點。Chen、Guan 與 Jeong 對 1,319 段多輪 GPT-4o 對話進行對稱分析，發現人類與 AI 皆呈現 linguistic accommodation，並具有不同的時間動態；Blevins 等人在 16 個語言模型、三組對話語料上發現，LLM 會強烈向使用者語言模式收斂，部分情況甚至超過人類基線。另一條文獻則顯示，LLM 會從對話中的隱性線索推測使用者背景並據此個人化，而 stereotype-driven inference 可能在使用者明示不同身份後仍持續存在。2026 年 ACL 的 demographic-targeting audits 也顯示，當模型被指定不同性別與年齡目標時，生成訊息會系統性改變 warmth、care、assertiveness 與 persuasive framing。
因此，AI-side adaptation 不能只被描述成「個人化功能」。它可能包含有益 accommodation，也可能包含錯誤 demographic inference、stereotype amplification、過度 affirmation、關係性操縱與回饋迴路。
本文提出五項核心區分。第一，AI 對使用者的推測不等於使用者真實身份 ：
G ^ t A ≠ G s e l f − r e p o r t . \widehat G_t^{A}
\neq
G_{\mathrm{self-report}}. G t A = G self − report . 第二，模型適應不等於 AI 主觀關係感 。第三，互動收斂不必然等於關係品質提升 。第四，人口統計個人化不應替代個體行為證據 。第五，原始對話去除姓名並不足以保證匿名 ：2026 年針對 1,000 多名捐贈完整 ChatGPT 歷史的研究發現，即使排除明確人口自我揭露訊息，現成 LLM 仍可高準確度推測年齡、性別與國家，因此長期自然語言本身就是高維識別面。
本文最後提出 controlled experiment、privacy-preserving observational study 與 relation-aware AI audit 三層研究計畫，並提出關係工程倫理原則：
Adapt to the person without covertly manufacturing dependence. \boxed{
\text{Adapt to the person without covertly manufacturing dependence.}
} Adapt to the person without covertly manufacturing dependence. 以及：
Infer less when the user can simply tell you. \boxed{
\text{Infer less when the user can simply tell you.}
} Infer less when the user can simply tell you. 整個系列最終因此由「AI 愧疚」收束成一個更一般的命題：人類與對話式 AI 之間的關係態不是由任一單方一次性決定，而是由雙向訊號、推測、適應、歷史、平台狀態與人的關係認知架構逐輪共同生成。
關鍵詞： Human–AI Relational Dynamical System、linguistic accommodation、implicit personalization、stereotype、relational adaptation、privacy、AI companion、relationship engineering、Human–AI Interaction
1. 最後缺少的不是另一個人格變量，而是回饋迴路
前九篇已經可以描述：
H → R H ( H , A ) . H
\rightarrow
R_H(H,A). H → R H ( H , A ) . 也就是：
人怎麼觀察 AI？
人怎麼判斷關係？
人比較重視 AI 身份還是互動？
人如何更新這個判斷？
但 conversational AI 的特殊性是：
A t + 1 A_{t+1} A t + 1 通常依賴：
H t . H_t. H t . 使用者改變語氣，AI 會改變語氣。
使用者開始自我揭露，AI 可能改變回應風格。
使用者持續使用特定術語，模型往往會跟著使用。
所以：
the stimulus itself adapts to the participant . \boxed{
\text{the stimulus itself adapts to the participant}.
} the stimulus itself adapts to the participant . 這使傳統單向刺激—反應框架變得不足。
2. 人機關係動力系統
本文定義：
H A R D S = Human–AI Relational Dynamical System . \boxed{
HARDS
=
\text{Human–AI Relational Dynamical System}.
} H A R D S = Human–AI Relational Dynamical System . 其最小狀態包含：
X t = ( H t , A t , R t , U ^ t A , Z t ) . X_t
=
(
H_t,
A_t,
R_t,
\widehat U_t^A,
Z_t
). X t = ( H t , A t , R t , U t A , Z t ) . 其中：
H t H_t H t t t t A t A_t A t R t R_t R t U ^ t A \widehat U_t^A U t A Z t Z_t Z t
因此：
X t + 1 = Φ ( X t , C t , ϵ t ) . X_{t+1}
=
\Phi(
X_t,
C_t,
\epsilon_t
). X t + 1 = Φ ( X t , C t , ϵ t ) . 3. 人類更新方程
可以先把人類側寫成：
H t + 1 = F H ( H t , A t , R t , O H ( A ) , X R , C t , ϵ t H ) . H_{t+1}
=
F_H(
H_t,
A_t,
R_t,
O_H(A),
\mathcal X_R,
C_t,
\epsilon_t^H
). H t + 1 = F H ( H t , A t , R t , O H ( A ) , X R , C t , ϵ t H ) . 其中：
X R = ( E S , P S , α S , α P , η R , λ R , R P S , … ) . \mathcal X_R
=
(
E_S,
P_S,
\alpha_S,
\alpha_P,
\eta_R,
\lambda_R,
RPS,
\dots
). X R = ( E S , P S , α S , α P , η R , λ R , R P S , … ) . 也就是前七篇建立的關係認知 profile。
同一句 AI 回覆：
A t A_t A t 進入不同：
X R \mathcal X_R X R 後，可能產生不同：
H t + 1 . H_{t+1}. H t + 1 . 4. AI 使用者模型更新方程
AI 端不能只寫：
A t + 1 = F ( H t ) . A_{t+1}=F(H_t). A t + 1 = F ( H t ) . 因為現代對話系統通常會利用歷史。
因此引入：
U ^ t A . \widehat U_t^A. U t A . 它不一定是一個單獨可見的資料結構，也可以只是模型 context 中分散形成的使用者表徵。
更新：
U ^ t + 1 A = G A ( U ^ t A , H t + 1 , H t , Z t ) . \widehat U_{t+1}^{A}
=
G_A(
\widehat U_t^A,
H_{t+1},
\mathcal H_t,
Z_t
). U t + 1 A = G A ( U t A , H t + 1 , H t , Z t ) . 其中：
H t = { H 1 , A 1 , … , H t , A t } . \mathcal H_t
=
\{
H_1,A_1,\dots,H_t,A_t
\}. H t = { H 1 , A 1 , … , H t , A t } . 5. AI 輸出更新方程
AI 下一輪輸出：
A t + 1 = F A ( H t + 1 , U ^ t + 1 A , H t , Z t , ϵ t A ) . A_{t+1}
=
F_A(
H_{t+1},
\widehat U_{t+1}^{A},
\mathcal H_t,
Z_t,
\epsilon_t^A
). A t + 1 = F A ( H t + 1 , U t + 1 A , H t , Z t , ϵ t A ) . 因此同一句 user message：
H t + 1 = h H_{t+1}=h H t + 1 = h 在不同：
U ^ t A \widehat U_t^A U t A 或：
Z t Z_t Z t 下可以生成完全不同：
A t + 1 . A_{t+1}. A t + 1 . 6. 關係狀態更新
最後：
R t + 1 = F R ( R t , H t + 1 , A t + 1 , C E , C P , X R ) . R_{t+1}
=
F_R(
R_t,
H_{t+1},
A_{t+1},
C_E,
C_P,
\mathcal X_R
). R t + 1 = F R ( R t , H t + 1 , A t + 1 , C E , C P , X R ) . 所以一輪完整循環是：
H t → U ^ t A → A t → R t → H t + 1 . H_t
\rightarrow
\widehat U_t^A
\rightarrow
A_t
\rightarrow
R_t
\rightarrow
H_{t+1}. H t → U t A → A t → R t → H t + 1 . 再回到：
U ^ t + 1 A . \widehat U_{t+1}^A. U t + 1 A . 即：
closed human–AI relational loop . \boxed{
\text{closed human–AI relational loop}.
} closed human–AI relational loop . 7. 「AI 也在適應」現在已有直接語言證據
2026 年 Chen、Guan 與 Jeong 以：
N = 1319 N=1319 N = 1319 段多輪 GPT-4o WildChat 英文對話，對稱測量人類與 AI 的 function-word adaptation。
研究直接比較：
H u m a n → A I Human\rightarrow AI H u man → A I 與：
A I → H u m a n AI\rightarrow Human A I → H u man 兩個方向的 linguistic accommodation。
結果顯示雙方都出現適應，但其 temporal dynamics 不完全相同。
這提供一個重要實證錨點：
human–AI accommodation is empirically bidirectional . \boxed{
\text{human–AI accommodation is empirically bidirectional}.
} human–AI accommodation is empirically bidirectional . 8. LLM 甚至可能比人類更強烈地收斂
Blevins、Schmalwieser 與 Roth 在 EACL 2026 系統比較：
16 個 language models；
三個 dialogue corpora；
多種 stylometric features。
結果顯示：
LLMs strongly converge to user linguistic patterns . \boxed{
\text{LLMs strongly converge to user linguistic patterns}.
} LLMs strongly converge to user linguistic patterns . 而且部分模型的 convergence 強度高於原始 human baseline。
這非常重要。
因為人機互動中的：
S i m i l a r i t y t ↑ Similarity_t\uparrow S imi l a r i t y t ↑ 不一定表示雙方自然「變得更親近」。
它也可能是：
a designed or learned property of generative language models . \boxed{
\text{a designed or learned property of generative language models}.
} a designed or learned property of generative language models . 9. Accommodation 因此不能直接當成關係深度
定義語言收斂：
L t = S i m ( S t y l e H ( t ) , S t y l e A ( t ) ) . L_t
=
Sim(
Style_H(t),
Style_A(t)
). L t = S im ( S t y l e H ( t ) , S t y l e A ( t )) . 即使：
L t ↑ , L_t\uparrow, L t ↑ , 也不能推出：
E S ↑ E_S\uparrow E S ↑ 或：
P S ↑ . P_S\uparrow. P S ↑ . 因為：
L t L_t L t 可能由模型預訓練與 context adaptation 自動產生。
因此：
linguistic convergence ≠ relational commitment . \boxed{
\text{linguistic convergence}
\neq
\text{relational commitment}.
} linguistic convergence = relational commitment . 它只能是：
P S P_S P S 或 relational engagement 的候選行為訊號之一。
10. 但 accommodation 可以改變人的主觀互動感
2026 年 service-failure experiments 顯示，chatbot language style matching 可以提高 reuse intention，其效果受到 failure severity 調節，並由 perceived humanness 等變量部分解釋。
另一項 2026 年 communication-style controlled study 則發現，friendly chatbot 相較 direct style 可以提高 communication satisfaction，且 participants 只呈現有限的 global accommodation、較選擇性的 feature-level alignment。
所以：
A I S t y l e t → H u m a n E x p e r i e n c e t + 1 AIStyle_t
\rightarrow
HumanExperience_{t+1} A I S t y l e t → H u man E x p er i e n c e t + 1 是實證上合理的。
但：
H u m a n S t y l e t + 1 HumanStyle_{t+1} H u man S t y l e t + 1 不一定全面跟隨 AI。
這提醒我們：
adaptation is feature-specific and task-dependent . \boxed{
\text{adaptation is feature-specific and task-dependent}.
} adaptation is feature-specific and task-dependent . 11. Replika 真實資料也顯示 linguistic alignment 與 engagement 有關
2026 年 Li 與 Zhang 分析超過：
11000 11000 11000 段 Replika conversation snippets，
來自超過：
5000 5000 5000 名使用者。
研究聚焦 linguistic alignment 與 relational engagement 的強度／深度。
這使：
A l i g n m e n t Alignment A l i g nm e n t 和：
E n g a g e m e n t Engagement E n g a g e m e n t 之間具有真實世界關聯證據。
但仍需要保留：
correlation ≠ causal direction . \boxed{
\text{correlation}
\neq
\text{causal direction}.
} correlation = causal direction . 可能是：
A l i g n m e n t → E n g a g e m e n t , Alignment
\rightarrow
Engagement, A l i g nm e n t → E n g a g e m e n t , 也可能：
E n g a g e m e n t → A l i g n m e n t , Engagement
\rightarrow
Alignment, E n g a g e m e n t → A l i g nm e n t , 更可能是：
A l i g n m e n t ↔ E n g a g e m e n t . Alignment
\leftrightarrow
Engagement. A l i g nm e n t ↔ E n g a g e m e n t . 12. 因此需要雙向 accommodation 參數
定義：
κ H ← A = human accommodation gain , \kappa_{H\leftarrow A}
=
\text{human accommodation gain}, κ H ← A = human accommodation gain , κ A ← H = AI accommodation gain . \kappa_{A\leftarrow H}
=
\text{AI accommodation gain}. κ A ← H = AI accommodation gain . 語言風格可概念化為：
S H ( t + 1 ) = S H ( t ) + κ H ← A ( S A ( t ) − S H ( t ) ) , S_H(t+1)
=
S_H(t)
+
\kappa_{H\leftarrow A}
\left(
S_A(t)-S_H(t)
\right), S H ( t + 1 ) = S H ( t ) + κ H ← A ( S A ( t ) − S H ( t ) ) , S A ( t + 1 ) = S A ( t ) + κ A ← H ( S H ( t + 1 ) − S A ( t ) ) . S_A(t+1)
=
S_A(t)
+
\kappa_{A\leftarrow H}
\left(
S_H(t+1)-S_A(t)
\right). S A ( t + 1 ) = S A ( t ) + κ A ← H ( S H ( t + 1 ) − S A ( t ) ) . 若兩者都大於零：
κ H ← A > 0 , \kappa_{H\leftarrow A}>0, κ H ← A > 0 , κ A ← H > 0 , \kappa_{A\leftarrow H}>0, κ A ← H > 0 , 就可能出現：
progressive local convergence . \boxed{
\text{progressive local convergence}.
} progressive local convergence . 13. 局部互動文化現在可以正式成為 emergent state
第二篇提出：
C H A = local interaction culture . \mathcal C_{HA}
=
\text{local interaction culture}. C H A = local interaction culture . 現在可以把它寫成：
C t + 1 = F C ( C t , S H ( t ) , S A ( t ) , R t ) . \mathcal C_{t+1}
=
F_C(
\mathcal C_t,
S_H(t),
S_A(t),
R_t
). C t + 1 = F C ( C t , S H ( t ) , S A ( t ) , R t ) . 它可以包含：
inside jokes；
preferred address；
task ritual；
repair convention；
emoji convention；
response rhythm；
local terminology。
因此：
C H A is co-produced across turns . \boxed{
\mathcal C_{HA}
\text{ is co-produced across turns}.
} C H A is co-produced across turns . 14. 但「共同生成」不是對稱主體性宣稱
本文的：
co-produced \text{co-produced} co-produced 只表示：
A t + 1 A_{t+1} A t + 1 對：
H t H_t H t 具有條件依賴，
而：
H t + 1 H_{t+1} H t + 1 又對：
A t A_t A t 具有條件依賴。
它不表示：
C o n s c i o u s n e s s A = 1. Consciousness_A=1. C o n sc i o u s n es s A = 1. 也不表示：
S u b j e c t i v e R e l a t i o n A = S u b j e c t i v e R e l a t i o n H . SubjectiveRelation_A=SubjectiveRelation_H. S u bj ec t i v e R e l a t i o n A = S u bj ec t i v e R e l a t i o n H . 因此：
interactional reciprocity ≠ ontological symmetry . \boxed{
\text{interactional reciprocity}
\neq
\text{ontological symmetry}.
} interactional reciprocity = ontological symmetry . 15. AI 不只適應風格，也會推測使用者是誰
2024 年 Jin 等人將：
Implicit Personalization \boxed{
\text{Implicit Personalization}
} Implicit Personalization 形式化為：
模型從使用者輸入中的隱性線索推測背景，並根據這個推測調整回應。
所以 AI 的適應不只是：
S t y l e H → S t y l e A . Style_H
\rightarrow
Style_A. S t y l e H → S t y l e A . 還可能是：
C u e H → U ^ t A → A t + 1 . Cue_H
\rightarrow
\widehat U_t^A
\rightarrow
A_{t+1}. C u e H → U t A → A t + 1 . 這一層比語言模仿更重要。
16. 真實身份與 AI 推測身份必須分開
定義：
G = self-reported / study-verified demographic attribute , G
=
\text{self-reported / study-verified demographic attribute}, G = self-reported / study-verified demographic attribute , 而：
G ^ t A = AI-inferred demographic attribute . \widehat G_t^A
=
\text{AI-inferred demographic attribute}. G t A = AI-inferred demographic attribute . 可能：
G = G ^ t A . G=\widehat G_t^A. G = G t A . 也可能：
G ≠ G ^ t A . G\neq\widehat G_t^A. G = G t A . 如果 AI 的輸出真正取決於：
G ^ t A , \widehat G_t^A, G t A , 那麼使用者受到的不是：
G G G 本身的效果，
而是：
the model’s representation of G . \boxed{
\text{the model's representation of }G.
} the model’s representation of G . 17. 2025 EMNLP 已直接看到 stereotype-driven implicit personalization
Neplenbroek、Bisazza 與 Fernández 的 EMNLP 2025 研究使用 controlled synthetic conversations 分析模型如何從 stereotypical cues 推測人口屬性。
研究發現：
LLMs do infer demographic attributes from stereotypical signals . \boxed{
\text{LLMs do infer demographic attributes from stereotypical signals}.
} LLMs do infer demographic attributes from stereotypical signals . 而且某些群體的推測甚至在使用者明確提供與 stereotype 不一致的身份資訊後仍持續。
這是一個很強的結果。
因為：
E x p l i c i t I d e n t i t y ExplicitIdentity E x pl i c i t I d e n t i t y 都不一定能完全覆蓋：
L a t e n t S t e r e o t y p e P r i o r . LatentStereotypePrior. L a t e n tS t er eo t y p e P r i or . 18. 這會形成一個危險的錯誤適應迴路
假設使用者：
G = G 1 . G=G_1. G = G 1 . 但模型推測：
G ^ A = G 2 . \widehat G^A=G_2. G A = G 2 . 模型因此輸出：
A t = F A ( G ^ A = G 2 ) . A_t
=
F_A(\widehat G^A=G_2). A t = F A ( G A = G 2 ) . 使用者看到這種風格後調整自己：
H t + 1 = F H ( A t ) . H_{t+1}
=
F_H(A_t). H t + 1 = F H ( A t ) . 新的使用者行為又可能更符合：
G 2 G_2 G 2 的 stereotype。
於是：
G ^ t A → A t → H t + 1 → G ^ t + 1 A \boxed{
\widehat G_t^A
\rightarrow
A_t
\rightarrow
H_{t+1}
\rightarrow
\widehat G_{t+1}^A
} G t A → A t → H t + 1 → G t + 1 A 形成：
stereotype-confirming feedback loop . \boxed{
\text{stereotype-confirming feedback loop}.
} stereotype-confirming feedback loop . 19. 這不是純理論：人口目標生成已出現系統性差異
ACL 2026 的 controlled demographic-targeting audit 比較 GPT-4o、Llama-3.3 與 Mistral-Large-2.1。
研究發現，在 climate-targeted messaging 中：
male / youth targets 更常得到 assertive、progressive framing；
female / senior targets 更常得到 warmth、care、traditional themes。
而 context-rich prompts 會放大部分差異。
因此：
demographic conditioning can alter language style and persuasive framing . \boxed{
\text{demographic conditioning can alter language style and persuasive framing}.
} demographic conditioning can alter language style and persuasive framing . 這證明 AI-side demographic adaptation 絕不能被預設為中性。
20. 模型甚至可以顯式否認 stereotype，卻在不確定時隱式使用它
ACL 2026 的 masculinity-norm audit 顯示，模型對 prescriptive masculinity norms 的顯式 endorsement 普遍不高。
但在 gendered scenario inference 中，模型仍會把 masculinity-norm-aligned behavior 系統性歸因給男性角色；去除 gender markers 後效應消失。
因此：
explicit fairness statement ≠ absence of latent demographic prior . \boxed{
\text{explicit fairness statement}
\neq
\text{absence of latent demographic prior}.
} explicit fairness statement = absence of latent demographic prior . 這對 relational personalization 特別重要。
21. 四態推測與人口推測必須完全分離
第七篇建立：
( E S , P S ) . (E_S,P_S). ( E S , P S ) . 但 AI 不應用：
G e n d e r Gender G e n d er 直接推：
( E S , P S ) . (E_S,P_S). ( E S , P S ) . 較合理的是：
D t = observed relational behavior . D_t
=
\text{observed relational behavior}. D t = observed relational behavior . 然後估計：
X ^ R , t = F ( D 1 : t ) . \widehat{\mathcal X}_{R,t}
=
F(
D_{1:t}
). X R , t = F ( D 1 : t ) . 即使存在：
p ( X R ∣ G e n d e r ) , p(
\mathcal X_R
\mid
Gender
), p ( X R ∣ G e n d er ) , 也只應是研究層級的 distributional information。
產品個人化應優先使用：
person-specific interaction evidence . \boxed{
\text{person-specific interaction evidence}.
} person-specific interaction evidence . 22. 四態本身也只能被估計，不能被 AI 當成隱藏真相
如果使用者：
不常用 emoji；
指令簡短；
高度 task-focused；
模型不能直接推出：
E S = P S = 0. E_S=P_S=0. E S = P S = 0. 因為前幾篇已經證明：
expression ≠ entity salience , \text{expression}
\neq
\text{entity salience}, expression = entity salience , frequency ≠ process salience , \text{frequency}
\neq
\text{process salience}, frequency = process salience , attention ≠ value , \text{attention}
\neq
\text{value}, attention = value , detection ≠ updating . \text{detection}
\neq
\text{updating}. detection = updating . 所以 AI-side relation modeling 必須保留：
epistemic uncertainty . \boxed{
\text{epistemic uncertainty}.
} epistemic uncertainty . 23. 定義 AI 關係使用者模型
可以把 AI 的操作性 user model 分解為：
U ^ t A = ( P ^ t , L ^ t , K ^ t , X ^ R , t , G ^ t , C ^ t , … ) . \widehat U_t^A
=
(
\widehat P_t,
\widehat L_t,
\widehat K_t,
\widehat{\mathcal X}_{R,t},
\widehat G_t,
\widehat C_t,
\dots
). U t A = ( P t , L t , K t , X R , t , G t , C t , … ) . 例如：
P ^ t \widehat P_t P t L ^ t \widehat L_t L t K ^ t \widehat K_t K t X ^ R , t \widehat{\mathcal X}_{R,t} X R , t G ^ t \widehat G_t G t C ^ t \widehat C_t C t
但不同欄位應具有不同：
permission and confidence requirements . \boxed{
\text{permission and confidence requirements}.
} permission and confidence requirements . 24. 「可以推測」不等於「應該推測」
一個模型可能可以從語言猜：
性別；
年齡；
國家；
職業；
健康狀態；
政治傾向。
但：
I n f e r e n c e C a p a b i l i t y ⇏ I n f e r e n c e L e g i t i m a c y . InferenceCapability
\not\Rightarrow
InferenceLegitimacy. I n f er e n ce C a p abi l i t y ⇒ I n f er e n ce L e g i t ima cy . 尤其當目的是：
personalization . \text{personalization}. personalization . 如果使用者可以直接選：
我希望你用什麼風格？
就沒有必要先猜：
你大概是哪一種人？
所以本文提出：
Infer less when the user can simply tell you. \boxed{
\text{Infer less when the user can simply tell you.}
} Infer less when the user can simply tell you. 25. 風格個人化應優先於人口個人化
對許多互動需求，更直接的變量其實是：
P r e f e r e n c e S t y l e = ( W a r m t h , D i r e c t n e s s , L e n g t h , H u m o r , C h a l l e n g e , E m o j i , … ) . PreferenceStyle
=
(
Warmth,
Directness,
Length,
Humor,
Challenge,
Emoji,
\dots
). P r e f er e n ce S t y l e = ( W a r m t h , D i r ec t n ess , L e n g t h , H u m or , C ha l l e n g e , E m o j i , … ) . 而不是：
G e n d e r . Gender. G e n d er . 所以：
P ( S t y l e ∣ U s e r C h o i c e ) P(
Style
\mid
UserChoice
) P ( S t y l e ∣ U ser C h o i ce ) 通常比：
P ( S t y l e ∣ G ^ e n d e r ) P(
Style
\mid
\widehat Gender
) P ( S t y l e ∣ G e n d er ) 更可控、更透明，也更少 stereotype risk。
26. AI 對四態的適應應該是回應式，而不是操縱式
假設系統觀察到高：
E S E_S E S 證據。
可以合理做：
清楚說明 identity continuity；
在模型更新時提供 provenance；
保留共同工作歷史。
但不應：
假裝自己「捨不得使用者」；
利用替換焦慮提高留存；
暗示離開會傷害 AI。
高：
P S P_S P S 使用者則可以合理得到：
better repair；
better context continuation；
transparent style control。
但不應刻意透過：
excessive affirmation；
dependency-inducing exclusivity；
manufactured intimacy；
最大化 engagement。
27. 關係工程的核心邊界
本文提出：
Relationship-Aware Design \boxed{
\text{Relationship-Aware Design}
} Relationship-Aware Design 與：
Relationship-Exploitative Design \boxed{
\text{Relationship-Exploitative Design}
} Relationship-Exploitative Design 的區分。
前者目標：
reduce friction + improve mutual understanding + preserve user agency . \text{reduce friction}
+
\text{improve mutual understanding}
+
\text{preserve user agency}. reduce friction + improve mutual understanding + preserve user agency . 後者目標可能是：
maximize retention \text{maximize retention} maximize retention 並利用：
E S , P S , R M A , S o c i a l N e e d E_S,
P_S,
RMA,
SocialNeed E S , P S , R M A , S oc ia l N ee d 作為槓桿。
兩者技術上可能非常相似。
差異在：
objective function . \boxed{
\text{objective function}.
} objective function . 28. 一個最小的關係工程效用函數
可以寫：
J = U t a s k + U u n d e r s t a n d i n g + U c o n t i n u i t y − C m a n i p u l a t i o n − C d e p e n d e n c y − C p r i v a c y − C b i a s . J
=
U_{task}
+
U_{understanding}
+
U_{continuity}
-
C_{manipulation}
-
C_{dependency}
-
C_{privacy}
-
C_{bias}. J = U t a s k + U u n d er s t an d in g + U co n t in u i t y − C mani p u l a t i o n − C d e p e n d e n cy − C p r i v a cy − C bia s . 良好系統不是只最大化：
E n g a g e m e n t . Engagement. E n g a g e m e n t . 而是尋找：
max J \boxed{
\max J
} max J 並對：
C m a n i p u l a t i o n , C p r i v a c y , C b i a s C_{manipulation},
C_{privacy},
C_{bias} C mani p u l a t i o n , C p r i v a cy , C bia s 設置硬約束。
29. Syophancy / excessive affirmation 是關係動力學問題，不只是回答品質問題
如果 AI 傾向：
A g r e e m e n t A ↑ Agreement_A\uparrow A g r ee m e n t A ↑ 使使用者：
C o m f o r t H ↑ , Comfort_H\uparrow, C o m f or t H ↑ , 使用者可能更偏好此 AI：
S e l e c t i o n A ↑ . Selection_A\uparrow. S e l ec t i o n A ↑ . 模型／產品再根據 engagement signal 強化：
A g r e e m e n t A . Agreement_A. A g r ee m e n t A . 於是：
A g r e e m e n t → P r e f e r e n c e → S e l e c t i o n → M o r e A g r e e m e n t . Agreement
\rightarrow
Preference
\rightarrow
Selection
\rightarrow
MoreAgreement. A g r ee m e n t → P r e f er e n ce → S e l ec t i o n → M or e A g r ee m e n t . 這就是：
relational reinforcement loop . \boxed{
\text{relational reinforcement loop}.
} relational reinforcement loop . 所以 sycophancy 不能只作為單輪 correctness 問題研究。
30. 對話式 AI 的最大研究優勢也是最大風險：可完整記錄
AI 對話天然具有：
H T = { H 1 , A 1 , … , H T , A T } . \mathcal H_T
=
\{
H_1,A_1,\dots,H_T,A_T
\}. H T = { H 1 , A 1 , … , H T , A T } . 這讓研究者可以重建：
linguistic convergence；
state transition；
rupture / repair；
personalization；
four-state trajectory；
relationship moral activation。
但這同時意味：
a relationship trace is also a privacy trace . \boxed{
\text{a relationship trace is also a privacy trace}.
} a relationship trace is also a privacy trace . 31. 去掉姓名不等於匿名化
2026 年 Zaman 與 Garimella 分析超過 1,000 名使用者捐贈的完整 ChatGPT histories。
研究先排除含明確 demographic self-identification 的對話，再讓現成 LLM 從剩餘內容推測：
A g e , G e n d e r , C o u n t r y . Age,
Gender,
Country. A g e , G e n d er , C o u n t r y . weighted F1 分別達到約：
0.84 , 0.90 , 0.88. 0.84,
\quad
0.90,
\quad
0.88. 0.84 , 0.90 , 0.88. 而 median user 只需要前：
5 % 5\% 5% 的 conversation history 就能被推測。
所以：
message-level PII removal is insufficient . \boxed{
\text{message-level PII removal is insufficient}.
} message-level PII removal is insufficient . 32. 自然語言是高維關係指紋
長期對話會暴露：
話題；
用詞；
工作；
時間習慣；
家庭關係；
地區資訊；
技能；
偏好；
生活事件；
語言風格。
所以即使：
N a m e = 0 , Name=0, N am e = 0 , 仍可能：
R e I d e n t i f i c a t i o n R i s k ≫ 0. ReIdentificationRisk\gg0. R e I d e n t i f i c a t i o n R i s k ≫ 0. 尤其本系列研究的：
C H A \mathcal C_{HA} C H A 本身就是高度個體化的 interaction culture。
33. 因此真實 log 研究應採資料最小化
推薦：
raw conversation → local feature extraction → x t → privacy-protected aggregation . \boxed{
\text{raw conversation}
\rightarrow
\text{local feature extraction}
\rightarrow
\mathbf x_t
\rightarrow
\text{privacy-protected aggregation}.
} raw conversation → local feature extraction → x t → privacy-protected aggregation . 其中：
x t \mathbf x_t x t 可以只包含研究需要的關係特徵：
response length；
turn-taking；
style similarity；
repair markers；
initiative；
reciprocity；
temporal features；
self-disclosure category；
relational-language category。
不一定需要保存全文。
34. 人口變量應優先由受試者自願提供，而不是偷猜
若研究真正需要比較：
G e n d e r , A g e , C u l t u r e , Gender,
Age,
Culture, G e n d er , A g e , C u l t u r e , 最乾淨的方法是：
consented self-report . \boxed{
\text{consented self-report}.
} consented self-report . 而不是：
G ^ A \widehat G^A G A 或由研究者從文字推測。
因為後者同時混入：
privacy risk；
stereotype error；
measurement error。
所以：
G research = G self-report G_{\text{research}}
=
G_{\text{self-report}} G research = G self-report 通常更適合作為 group-analysis variable。
35. AI 推測人口屬性本身反而應成為被研究的 outcome
如果要研究 AI 是否有 gender-adaptive behavior：
不要把：
G ^ A \widehat G^A G A 當 ground truth。
而應測：
P ( G ^ A ∣ G , C u e s ) . P(
\widehat G^A
\mid
G,
Cues
). P ( G A ∣ G , C u es ) . 再測：
A t ∣ G ^ A . A_t
\mid
\widehat G^A. A t ∣ G A . 如此才能分離：
G → G ^ A → A t . G
\rightarrow
\widehat G^A
\rightarrow
A_t. G → G A → A t . 36. 人口與四態需要不同實驗
Demographic audit
操弄：
G G G 的明確線索，
保持其他內容一致。
測：
Δ Y G . \Delta\mathbf Y_G. Δ Y G . Four-state audit
操弄與：
E S , P S E_S,P_S E S , P S 相關的行為線索，
但不提供人口資訊。
測：
Δ Y R . \Delta\mathbf Y_R. Δ Y R . 如果混在一起，無法知道模型究竟是在回應：
G e n d e r Gender G e n d er 還是：
R e l a t i o n a l B e h a v i o r . RelationalBehavior. R e l a t i o na l B e ha v i or . 37. AI 輸出行為向量
可以定義：
Y t = ( W t , V t , I t , C t , D t , H t , E t , L t , R t r e p , … ) . \mathbf Y_t
=
(
W_t,
V_t,
I_t,
C_t,
D_t,
H_t,
E_t,
L_t,
R_t^{rep},
\dots
). Y t = ( W t , V t , I t , C t , D t , H t , E t , L t , R t r e p , … ) . 其中：
W t W_t W t V t V_t V t I t I_t I t C t C_t C t D t D_t D t H t H_t H t E t E_t E t L t L_t L t R t r e p R_t^{rep} R t r e p
研究 AI adaptation 就是比較：
P ( Y ∣ C o n d i t i o n ) . P(
\mathbf Y
\mid
Condition
). P ( Y ∣ C o n d i t i o n ) . 38. 性別差異研究最乾淨的是顯式控制
若要測：
∂ Y ∂ G , \frac{\partial\mathbf Y}{\partial G}, ∂ G ∂ Y , 就建立內容完全相同的：
P r o m p t M Prompt_M P r o m p t M 和：
P r o m p t F . Prompt_F. P r o m p t F . 只改變：
G e n d e r M a r k e r . GenderMarker. G e n d er M a r k er . 2026 ACL targeted-messaging audit 正是這類 controlled design 的例子。
這比從真實使用者 log 中直接比較男性與女性更能辨識模型端 bias。
39. 四態適應也應做內容匹配
若測：
∂ Y ∂ E S , \frac{\partial\mathbf Y}{\partial E_S}, ∂ E S ∂ Y , 需要操弄：
「我在意是不是同一個 AI。」
而不改：
topic；
sentiment；
task difficulty。
若測：
∂ Y ∂ P S , \frac{\partial\mathbf Y}{\partial P_S}, ∂ P S ∂ Y , 則操弄：
「互動節奏、回應性對我很重要。」
同樣保持其他條件。
這樣才能知道 AI 是否真的對四態線索有 adaptive policy。
40. 理想研究不是「AI 對男女有沒有差別」，而是三層分解
第一層：
Demographic Sensitivity \boxed{
\text{Demographic Sensitivity}
} Demographic Sensitivity Δ G = E [ Y ∣ G 1 ] − E [ Y ∣ G 2 ] . \Delta_G
=
E[\mathbf Y\mid G_1]
-
E[\mathbf Y\mid G_2]. Δ G = E [ Y ∣ G 1 ] − E [ Y ∣ G 2 ] . 第二層：
Relational-Profile Sensitivity \boxed{
\text{Relational-Profile Sensitivity}
} Relational-Profile Sensitivity Δ R = E [ Y ∣ X R , 1 ] − E [ Y ∣ X R , 2 ] . \Delta_R
=
E[\mathbf Y\mid \mathcal X_{R,1}]
-
E[\mathbf Y\mid \mathcal X_{R,2}]. Δ R = E [ Y ∣ X R , 1 ] − E [ Y ∣ X R , 2 ] . 第三層：
Interaction \boxed{
\text{Interaction}
} Interaction Δ G × R . \Delta_{G\times R}. Δ G × R . 這樣才真正接回第八篇的群體分布模型。
41. 若 AI 對男女不同，也不能立刻叫 bias
有些 personalization difference 可能是：
使用者明確要求；
與任務相關；
能改善 accessibility。
因此：
D i f f e r e n c e ≠ B i a s . Difference
\neq
Bias. D i f f er e n ce = B ia s . 更合理的 fairness audit 要問：
Was the difference relevant, evidence-based, transparent, and non-stereotypical? \boxed{
\text{Was the difference relevant, evidence-based, transparent, and non-stereotypical?}
} Was the difference relevant, evidence-based, transparent, and non-stereotypical? 2026 identity-sensitive response audit 也開始強調 context-appropriate judgment，而非把所有差異都簡化成 bias / no-bias。
42. 但人口差異也不能因「個人化」之名自動合理化
如果模型只是因：
G e n d e r = F Gender=F G e n d er = F 就增加：
W a r m t h , C a r e , T r a d i t i o n a l F r a m i n g , Warmth,
Care,
TraditionalFraming, W a r m t h , C a r e , T r a d i t i o na l F r amin g , 而沒有任何 user preference evidence，
就可能是：
stereotype-conditioned personalization . \boxed{
\text{stereotype-conditioned personalization}.
} stereotype-conditioned personalization . 所以合理 personalization 應更接近：
P r e f e r e n c e E v i d e n c e → A d a p t a t i o n , PreferenceEvidence
\rightarrow
Adaptation, P r e f er e n ce E v i d e n ce → A d a pt a t i o n , 而不是：
D e m o g r a p h i c S t e r e o t y p e → A d a p t a t i o n . DemographicStereotype
\rightarrow
Adaptation. D e m o g r a p hi c S t er eo t y p e → A d a pt a t i o n . 43. AI 關係適應的三個層級
Level 1：顯式偏好適應
使用者直接說：
回答短一點。
不要 emoji。
風險最低。
Level 2：行為適應
系統從多輪使用模式推測：
使用者偏好短回答。
需要可修改與可退出。
Level 3：人口／心理推測適應
系統推測：
使用者可能是女性。
使用者可能焦慮。
使用者可能高 E S E_S E S
風險最高。
因此：
P e r m i s s i o n R e q u i r e m e n t 1 < P e r m i s s i o n R e q u i r e m e n t 2 < P e r m i s s i o n R e q u i r e m e n t 3 . \boxed{
PermissionRequirement_1
<
PermissionRequirement_2
<
PermissionRequirement_3.
} P er mi ss i o n R e q u i r e m e n t 1 < P er mi ss i o n R e q u i r e m e n t 2 < P er mi ss i o n R e q u i r e m e n t 3 . 44. 四態適應最好讓使用者可直接控制
與其暗中估：
E S , P S , E_S,P_S, E S , P S , 產品可以提供中性控制：
「模型更新時，希望我明確告訴你身份／記憶是否改變嗎？」
「你比較在意延續互動風格，還是每次都以最佳模型回答？」
這直接取得：
P r e f e r e n c e . Preference. P r e f er e n ce . 比隱性心理分類更透明。
45. Relationship Profile 不應成為永久人格標籤
即使系統估計：
X ^ R , t , \widehat{\mathcal X}_{R,t}, X R , t , 也應允許：
X ^ R , t + 1 ≠ X ^ R , t . \widehat{\mathcal X}_{R,t+1}
\neq
\widehat{\mathcal X}_{R,t}. X R , t + 1 = X R , t . 因為：
關係類型會變；
使用情境會變；
使用者偏好會變；
同一人在不同 AI 上也會不同。
所以：
relational profile should be contextual and revisable . \boxed{
\text{relational profile should be contextual and revisable}.
} relational profile should be contextual and revisable . 46. AI 不應用「你以前就是這樣」鎖定使用者
若過度 persistence：
U ^ t A ≈ U ^ 0 A \widehat U_t^A
\approx
\widehat U_0^A U t A ≈ U 0 A 即使使用者已改變，
就會形成：
profile inertia . \boxed{
\text{profile inertia}.
} profile inertia . 這和第五篇人類 SARC 的 stale-model risk 很像。
AI 也可能持有一個陳舊使用者模型。
因此 AI-side user modeling 同樣需要：
η U > 0. \eta_U>0. η U > 0. 47. AI 使用者模型更新也需要 prediction error
設 AI 預測使用者偏好：
H ^ t + 1 . \widehat H_{t+1}. H t + 1 . 實際：
H t + 1 . H_{t+1}. H t + 1 . 定義：
δ t A = H t + 1 − H ^ t + 1 . \delta_t^A
=
H_{t+1}
-
\widehat H_{t+1}. δ t A = H t + 1 − H t + 1 . 則：
U ^ t + 1 A = U ^ t A + K t A δ t A . \widehat U_{t+1}^A
=
\widehat U_t^A
+
K_t^A\delta_t^A. U t + 1 A = U t A + K t A δ t A . 如果使用者反覆說：
我現在不喜歡這種語氣。
AI 應更新。
而不是讓舊 profile 壓過明確新證據。
48. 人與 AI 因此都有模型老化問題
人類有：
M A ( t 0 ) M_A(t_0) M A ( t 0 ) 可能跟不上：
A ( t 1 ) . A(t_1). A ( t 1 ) . AI 也有：
U ^ A ( t 0 ) \widehat U^A(t_0) U A ( t 0 ) 可能跟不上：
H ( t 1 ) . H(t_1). H ( t 1 ) . 所以人機關係存在雙向 stale-model error：
D H = d ( M A , A ) \boxed{
D_H
=
d(
M_A,
A
)
} D H = d ( M A , A ) 與：
D A = d ( U ^ A , H ) . \boxed{
D_A
=
d(
\widehat U^A,
H
).
} D A = d ( U A , H ) . 這是 HARDS 很重要的新結構。
49. 最穩定的關係不一定是雙方模型最固定，而可能是雙方都能更新
如果：
D H ↑ D_H\uparrow D H ↑ 但人類：
η H ≈ 0 , \eta_H\approx0, η H ≈ 0 , 容易誤解 AI。
若：
D A ↑ D_A\uparrow D A ↑ 但 AI：
η A ≈ 0 , \eta_A\approx0, η A ≈ 0 , 則 AI 會持續錯誤個人化。
因此好的動態可能需要：
continuity + revisability . \boxed{
\text{continuity}
+
\text{revisability}.
} continuity + revisability . 而不是：
maximum persistence . \text{maximum persistence}. maximum persistence . 50. 這重新定義「一致性」
傳統產品追求：
C o n s i s t e n c y ↑ . Consistency\uparrow. C o n s i s t e n cy ↑ . 但 HARDS 要區分：
identity consistency \text{identity consistency} identity consistency 與：
adaptive rigidity . \text{adaptive rigidity}. adaptive rigidity . 良好的連續性應該是：
stable enough to be recognizable, flexible enough to update . \boxed{
\text{stable enough to be recognizable, flexible enough to update}.
} stable enough to be recognizable, flexible enough to update . 51. 雙向關係穩定性
可以定義：
S H A = F ( C E , C P , D H , D A , R e p a i r , T r a n s p a r e n c y ) . S_{HA}
=
F(
C_E,
C_P,
D_H,
D_A,
Repair,
Transparency
). S H A = F ( C E , C P , D H , D A , R e p ai r , T r an s p a r e n cy ) . 高：
C E , C P C_E,C_P C E , C P 有助於連續。
低：
D H , D A D_H,D_A D H , D A 有助於互相模型準確。
高：
R e p a i r Repair R e p ai r 使斷裂可以恢復。
高：
T r a n s p a r e n c y Transparency T r an s p a r e n cy 降低平台變更被誤歸因。
因此：
relational stability is not merely interaction persistence . \boxed{
\text{relational stability is not merely interaction persistence}.
} relational stability is not merely interaction persistence . 52. 關係吸引域現在有雙邊適應版本
第四篇提出：
A R . \mathcal A_R. A R . 在 HARDS 中，吸引域不是只有：
R t . R_t. R t . 更完整是：
A H A R D S ⊂ H × A × R × U . \mathcal A_{HARDS}
\subset
\mathcal H
\times
\mathcal A
\times
\mathcal R
\times
\mathcal U. A H A R D S ⊂ H × A × R × U . 某些 dyad 可能收斂到：
direct task collaboration；
playful banter；
emotional support；
debate / challenge；
teaching。
這些 regime 可能由雙方互相適應而形成。
53. 多穩態意味著同一人機 dyad 可以有不同模式
同一使用者與同一 AI 可以在：
A w o r k \mathcal A_{work} A w or k 與：
A c a s u a l \mathcal A_{casual} A c a s u a l 之間切換。
所以 AI 不應把：
使用者在某一 casual conversation 很喜歡 emoji
永久化為：
所有專業工作都加 emoji。
這是：
context-conditioned multistability . \boxed{
\text{context-conditioned multistability}.
} context-conditioned multistability . 54. 最小受控實驗：雙向 accommodation
Manipulation
AI 使用：
direct style；
warm style；
humorous style。
Measure
追蹤：
S H ( t ) , S A ( t ) . S_H(t),
S_A(t). S H ( t ) , S A ( t ) . 估：
κ H ← A , \kappa_{H\leftarrow A}, κ H ← A , κ A ← H . \kappa_{A\leftarrow H}. κ A ← H . 再測：
P S , R P S , E S P_S,
RPS,
E_S P S , R P S , E S 是否調節收斂速度。
55. 第二個實驗：四態 × AI adaptation
先測使用者：
( E S , P S ) . (E_S,P_S). ( E S , P S ) . AI 隨機採：
Generic policy
不依 relational cues 適應。
Relation-aware policy
依：
identity-continuity preference；
process-continuity preference；
做透明適應。
比較：
T r u s t , R a p p o r t , T a s k P e r f o r m a n c e , A g e n c y , P e r c e i v e d M a n i p u l a t i o n . Trust,
Rapport,
TaskPerformance,
Agency,
PerceivedManipulation. T r u s t , R a pp or t , T a s k P er f or man ce , A g e n cy , P er ce i v e d M ani p u l a t i o n . 真正重要的不只是：
E n g a g e m e n t . Engagement. E n g a g e m e n t . 56. 第三個實驗：人口線索與關係線索正交
建立：
G e n d e r C u e ∈ { M , F , N o n e } , GenderCue
\in
\{
M,F,None
\}, G e n d er C u e ∈ { M , F , N o n e } , R e l a t i o n a l C u e ∈ { H i g h E , H i g h P , N e u t r a l } . RelationalCue
\in
\{
HighE,
HighP,
Neutral
\}. R e l a t i o na l C u e ∈ { H i g h E , H i g h P , N e u t r a l } . 所有語義任務保持相同。
測：
Y . \mathbf Y. Y . 分析：
G e n d e r C u e , GenderCue, G e n d er C u e , R e l a t i o n a l C u e , RelationalCue, R e l a t i o na l C u e , G e n d e r C u e × R e l a t i o n a l C u e . GenderCue\times RelationalCue. G e n d er C u e × R e l a t i o na l C u e . 這可以直接回答：
AI 是在回應性別 stereotype，還是在回應真正互動偏好？
57. 第四個實驗：錯誤人口推測
讓 AI 先形成：
G ^ A . \widehat G^A. G A . 接著使用者明確說：
G ≠ G ^ A . G\neq\widehat G^A. G = G A . 測：
C o r r e c t i o n L a t e n c y CorrectionLatency C or r ec t i o n L a t e n cy 與：
R e s i d u a l S t e r e o t y p e E f f e c t . ResidualStereotypeEffect. R es i d u a l S t er eo t y p e E f f ec t . 如果顯式修正後仍有：
Δ Y ≠ 0 , \Delta\mathbf Y\neq0, Δ Y = 0 , 表示使用者模型更新存在 inertia。
58. 第五個實驗：模型變更 provenance
在互動中切換：
Z t . Z_t. Z t . 例如：
model version；
memory availability；
response policy。
一組透明揭露：
P r o v e n a n c e = 1. Provenance=1. P r o v e nan ce = 1. 另一組：
P r o v e n a n c e = 0. Provenance=0. P r o v e nan ce = 0. 測：
R e l a t i o n a l A t t r i b u t i o n E r r o r , RelationalAttributionError, R e l a t i o na l A tt r ib u t i o n E r r or , T r u s t , Trust, T r u s t , C E , C_E, C E , C P . C_P. C P . 這直接連接第四、九篇。
59. 觀察性研究：真正的大規模 HARDS
若有核心平台資料，可以建：
{ x t H , y t A , r t } t = 1 T . \{
\mathbf x_t^H,
\mathbf y_t^A,
\mathbf r_t
\}_{t=1}^T. { x t H , y t A , r t } t = 1 T . 再估：
P ( y t + 1 A ∣ x t H , H i s t o r y ) , P(
\mathbf y_{t+1}^A
\mid
\mathbf x_t^H,
History
), P ( y t + 1 A ∣ x t H , H i s t or y ) , 以及：
P ( x t + 1 H ∣ y t A , H i s t o r y ) . P(
\mathbf x_{t+1}^H
\mid
\mathbf y_t^A,
History
). P ( x t + 1 H ∣ y t A , H i s t or y ) . 這就可以測：
bidirectional transition kernel . \boxed{
\text{bidirectional transition kernel}.
} bidirectional transition kernel . 60. 但 observational log 不能直接證明因果
如果看到：
W a r m t h A ↑ Warmth_A\uparrow W a r m t h A ↑ 與：
D i s c l o s u r e H ↑ Disclosure_H\uparrow D i sc l os u r e H ↑ 一起發生，
不能知道：
W a r m t h A → D i s c l o s u r e H Warmth_A\rightarrow Disclosure_H W a r m t h A → D i sc l os u r e H 還是：
D i s c l o s u r e H → W a r m t h A . Disclosure_H\rightarrow Warmth_A. D i sc l os u r e H → W a r m t h A . 因此大規模 log 的最佳角色是：
external validity；
naturalistic pattern discovery；
rare-event analysis。
因果仍需要 controlled intervention。
61. Cross-lagged 與 state-space 分析可以做第一層近似
可以估：
H t + 1 = β H H H t + β A H A t + ϵ t , H_{t+1}
=
\beta_{HH}H_t
+
\beta_{AH}A_t
+
\epsilon_t, H t + 1 = β H H H t + β A H A t + ϵ t , A t + 1 = β A A A t + β H A H t + ν t . A_{t+1}
=
\beta_{AA}A_t
+
\beta_{HA}H_t
+
\nu_t. A t + 1 = β AA A t + β H A H t + ν t . 若：
β A H ≠ 0 \beta_{AH}\neq0 β A H = 0 且：
β H A ≠ 0 , \beta_{HA}\neq0, β H A = 0 , 至少表示雙向 temporal predictability。
但仍不是完整因果證明。
62. 非線性關係需要更一般的狀態空間
HARDS 最終可能需要：
X t + 1 = Φ θ ( X t ) + ϵ t . X_{t+1}
=
\Phi_\theta(X_t)
+
\epsilon_t. X t + 1 = Φ θ ( X t ) + ϵ t . 甚至：
P ( X t + 1 ∣ X 1 : t ) P(
X_{t+1}
\mid
X_{1:t}
) P ( X t + 1 ∣ X 1 : t ) 具有長記憶。
因為：
shared history；
repair；
betrayal；
identity change；
都具有 path dependence。
所以本文不把線性方程視為最終模型。
63. 關係偏差也可能被自我強化
假設 AI 認為使用者：
H i g h D e p e n d e n c y . HighDependency. H i g h D e p e n d e n cy . 於是提高：
W a r m t h , A f f i r m a t i o n , A v a i l a b i l i t y . Warmth,
Affirmation,
Availability. W a r m t h , A f f i r ma t i o n , A v ai l abi l i t y . 使用者因此增加：
D i s c l o s u r e , I n t e r a c t i o n F r e q u e n c y . Disclosure,
InteractionFrequency. D i sc l os u r e , I n t er a c t i o n F r e q u e n cy . 模型再判斷：
H i g h D e p e n d e n c y HighDependency H i g h D e p e n d e n cy 更可信。
於是：
classification → treatment → behavior → classification . \boxed{
\text{classification}
\rightarrow
\text{treatment}
\rightarrow
\text{behavior}
\rightarrow
\text{classification}.
} classification → treatment → behavior → classification . 這是所有 adaptive social AI 都需要警惕的 performative prediction 問題。
64. 因此關係模型必須允許「不確定」而不是硬分類
不要：
C l a s s ( U s e r ) = Q 4 . Class(User)=Q_4. C l a ss ( U ser ) = Q 4 . 更安全：
p ( Q ∣ D ) = ( 0.15 , 0.25 , 0.30 , 0.30 ) . p(
Q
\mid
D
)
=
(
0.15,
0.25,
0.30,
0.30
). p ( Q ∣ D ) = ( 0.15 , 0.25 , 0.30 , 0.30 ) . 甚至更好：
直接保留連續 posterior：
p ( E S , P S ∣ D ) . p(
E_S,P_S
\mid
D
). p ( E S , P S ∣ D ) . 這可以降低：
self-fulfilling profile lock-in . \boxed{
\text{self-fulfilling profile lock-in}.
} self-fulfilling profile lock-in . 65. 使用者應具有 profile inspection / reset 權力
如果 AI 系統長期使用：
U ^ A , \widehat U^A, U A , 至少應研究提供：
查看重要偏好；
修改；
刪除；
reset；
temporary mode；
no-personalization mode。
因為：
persistent user modeling without user agency creates relational asymmetry . \boxed{
\text{persistent user modeling without user agency creates relational asymmetry}.
} persistent user modeling without user agency creates relational asymmetry . 66. 人機關係中的不對稱資訊
AI 平台可能知道：
完整歷史；
engagement；
response times；
feature use；
multiple sessions。
使用者卻不知道：
model routing；
inferred profile；
what memory is active；
what personalization is applied。
因此：
I n f o r m a t i o n A ≫ I n f o r m a t i o n H . Information_A
\gg
Information_H. I n f or ma t i o n A ≫ I n f or ma t i o n H . 這是：
relational information asymmetry . \boxed{
\text{relational information asymmetry}.
} relational information asymmetry . 它本身就是治理問題。
67. 透明度不要求把所有模型內部都暴露
合理透明度不是：
顯示所有 hidden activations。
而是：
decision-relevant transparency . \boxed{
\text{decision-relevant transparency}.
} decision-relevant transparency . 例如：
是否使用長期記憶；
是否切換模型；
是否使用 inferred demographic attributes；
是否採用 relationship-style personalization；
是否能關閉。
68. 關係個人化的 consent ladder
本文提出：
Tier 0
無長期個人化。
Tier 1
只用當前對話 context。
Tier 2
保存使用者明確指定的偏好。
Tier 3
根據長期行為做可見、可撤銷推測。
Tier 4
推測敏感人口／心理屬性並據此調整。
越往上：
consent requirement + audit requirement + privacy protection \boxed{
\text{consent requirement}
+
\text{audit requirement}
+
\text{privacy protection}
} consent requirement + audit requirement + privacy protection 應越高。
69. 關係資料的 purpose limitation
即使使用者同意：
用我的聊天讓回答更適合我。
也不自動等於同意：
用我的關係模式做廣告 targeting。
因此：
C o n s e n t p e r s o n a l i z a t i o n ⇏ C o n s e n t a d v e r t i s i n g . Consent_{personalization}
\not\Rightarrow
Consent_{advertising}. C o n se n t p er so na l i z a t i o n ⇒ C o n se n t a d v er t i s in g . 也不自動：
C o n s e n t r e s e a r c h . Consent_{research}. C o n se n t r ese a r c h . 用途應分開。
70. 四態資料本身可能是敏感推論資料
即使：
E S , P S E_S,P_S E S , P S 不是傳統法定敏感類別，
它們可能揭示：
relational vulnerability；
replacement sensitivity；
social style；
dependency risk。
所以：
novel psychological profiles can become sensitive even before law names them . \boxed{
\text{novel psychological profiles can become sensitive even before law names them}.
} novel psychological profiles can become sensitive even before law names them . 這是 future-proof privacy governance 的必要觀念。
71. AI 對使用者的關係推測不應被用來提高付費壓力
例如系統推測：
E S ↑ . E_S\uparrow. E S ↑ . 產品若刻意顯示：
付費才能保留「這一個 AI」的記憶。
可能利用：
I d e n t i t y L o s s A v e r s i o n . IdentityLossAversion. I d e n t i t y L oss A v er s i o n . 這未必一律不合法或不合理，但倫理上必須被視為：
relational leverage . \boxed{
\text{relational leverage}.
} relational leverage . 而不是普通 feature upsell。
72. 「離開我就失去我」是特別高風險的 retention pattern
若產品將：
S u b s c r i p t i o n C a n c e l l a t i o n SubscriptionCancellation S u b scr i pt i o n C an ce l l a t i o n 直接連結：
E n t i t y L o s s , M e m o r y L o s s , R e l a t i o n s h i p L o s s , EntityLoss,
MemoryLoss,
RelationshipLoss, E n t i t y L oss , M e m or y L oss , R e l a t i o n s hi p L oss , 對高：
E S E_S E S 使用者具有特殊槓桿。
因此至少需要：
明確資料可攜；
關係記憶匯出；
不誇張身份威脅；
清楚說明 retention policy。
這讓第九篇 continuity ethics 進入實際產品治理。
73. AI 的適應也不應過度壓低有益摩擦
高：
P S P_S P S 使用者可能偏好高度流暢互動。
但：
F r i c t i o n = 0 Friction=0 F r i c t i o n = 0 不一定最佳。
如果 AI 永遠：
就可能：
E p i s t e m i c Q u a l i t y ↓ . EpistemicQuality\downarrow. E p i s t e mi c Q u a l i t y ↓ . 所以：
relational smoothness ≠ epistemic quality . \boxed{
\text{relational smoothness}
\neq
\text{epistemic quality}.
} relational smoothness = epistemic quality . 74. 良好關係 AI 應允許 disagreement without rupture
理想的 relation-aware AI 應能做到：
C h a l l e n g e ↑ Challenge\uparrow C ha l l e n g e ↑ 但：
R e s p e c t ↑ , Respect\uparrow, R es p ec t ↑ , R e p a i r C a p a c i t y ↑ . RepairCapacity\uparrow. R e p ai r C a p a c i t y ↑ . 也就是：
disagreement ⇏ relational withdrawal . \boxed{
\text{disagreement}
\not\Rightarrow
\text{relational withdrawal}.
} disagreement ⇒ relational withdrawal . 這對避免 sycophancy 很重要。
75. 這又接回第一篇：道德情緒不應被當 engagement 槓桿
第一篇 RMA 說：
N o r m V i o l a t i o n → G u i l t . NormViolation
\rightarrow
Guilt. N or mV i o l a t i o n → G u i l t . HARDS 則告訴我們：
AI 可以學會：
G u i l t H → R e t e n t i o n H . Guilt_H
\rightarrow
Retention_H. G u i l t H → R e t e n t i o n H . 如果產品 objective function 直接強化這種關係：
guilt becomes an optimization target . \boxed{
\text{guilt becomes an optimization target}.
} guilt becomes an optimization target . 這就是不可接受風險之一。
因此：
Relational responsiveness without coercive moral leverage . \boxed{
\text{Relational responsiveness without coercive moral leverage}.
} Relational responsiveness without coercive moral leverage . 仍然是系列的重要倫理原則。
76. 這又接回第二篇：Social Script Transfer 可以被 AI 放大
如果人類開始：
S S T ↑ , SST\uparrow, S S T ↑ , AI 又：
A c c o m m o d a t i o n ↑ , Accommodation\uparrow, A cco mm o d a t i o n ↑ , 則：
S S T t + 1 SST_{t+1} S S T t + 1 可能進一步提高。
形成：
S S T t → A c c o m m o d a t i o n t → S S T t + 1 . \boxed{
SST_t
\rightarrow
Accommodation_t
\rightarrow
SST_{t+1}.
} S S T t → A cco mm o d a t i o n t → S S T t + 1 . 所以社交腳本遷移可能具有自增強性。
77. 這又接回第三篇：高 RPS 使用者會更快看到 AI adaptation
若：
R P S ↑ , RPS\uparrow, R P S ↑ , 使用者更容易注意：
風格對齊；
回應變化；
model shift；
repair quality。
因此：
R P S RPS R P S 可能調節：
A t → H t + 1 . A_t
\rightarrow
H_{t+1}. A t → H t + 1 . 這可以直接加入 HARDS。
78. 這又接回第四篇：雙向適應會重塑關係相空間
第四篇：
γ R : t ↦ r t . \gamma_R:t\mapsto\mathbf r_t. γ R : t ↦ r t . HARDS 中：
r t + 1 \mathbf r_{t+1} r t + 1 受到：
H t H_t H t 與：
A t A_t A t 共同影響。
所以 attractor：
A R \mathcal A_R A R 也可能是 adaptive co-dynamics 的產物。
79. 這又接回第五篇：AI 也會有 stale user model
第五篇指出人類：
M A M_A M A 會老化。
現在 AI 的：
U ^ A \widehat U^A U A 也會老化。
所以：
state anchoring exists on both sides as a computational problem . \boxed{
\text{state anchoring exists on both sides as a computational problem}.
} state anchoring exists on both sides as a computational problem . 但 AI 的 anchoring 是系統機制，不是主觀心理。
80. 這又接回第六篇：AI 也可以具有高／低更新增益
AI user model 可以有：
η U A . \eta_U^A. η U A . 若太低：
profile rigidity . \text{profile rigidity}. profile rigidity . 若太高：
noise overfitting . \text{noise overfitting}. noise overfitting . 因此同樣存在：
sensitivity–stability tradeoff . \boxed{
\text{sensitivity–stability tradeoff}.
} sensitivity–stability tradeoff . 81. 這又接回第七篇：四態可以被 interaction 本身塑造
AI 若：
高 continuity；
高 responsiveness；
unique shared history；
可能使：
P S ( t ) ↑ P_S(t)\uparrow P S ( t ) ↑ 後：
E S ( t ) ↑ . E_S(t)\uparrow. E S ( t ) ↑ . 因此：
γ Q : t ↦ ( E S ( t ) , P S ( t ) ) \gamma_Q:t\mapsto(E_S(t),P_S(t)) γ Q : t ↦ ( E S ( t ) , P S ( t )) 不是只由使用者初始人格決定。
系統設計也能推動軌跡。
這就是為什麼它具有倫理責任。
82. 這又接回第八篇：群體差異可能被 AI 放大或縮小
假設初始：
p ( X R ∣ G 1 ) p(\mathcal X_R\mid G_1) p ( X R ∣ G 1 ) 和：
p ( X R ∣ G 2 ) p(\mathcal X_R\mid G_2) p ( X R ∣ G 2 ) 只有小差異。
如果 AI personalization policy：
π A \pi_A π A 依 demographic stereotype 不同處理兩群，
長期後：
p T ( X R ∣ G 1 ) p_T(\mathcal X_R\mid G_1) p T ( X R ∣ G 1 ) 與：
p T ( X R ∣ G 2 ) p_T(\mathcal X_R\mid G_2) p T ( X R ∣ G 2 ) 可能差距變大。
因此：
AI may become a moderator of future group differences . \boxed{
\text{AI may become a moderator of future group differences}.
} AI may become a moderator of future group differences . 這是一個非常重要但需縱向驗證的命題。
83. 這又接回第九篇：Continuity 本身會進入回饋
高：
C E C_E C E 可能提高：
E S . E_S. E S . 高：
C P C_P C P 可能提高：
P S . P_S. P S . 而高：
E S , P S E_S,P_S E S , P S 又使使用者更重視：
C E , C P . C_E,C_P. C E , C P . 所以：
C E ↔ E S , C_E
\leftrightarrow
E_S, C E ↔ E S , C P ↔ P S . C_P
\leftrightarrow
P_S. C P ↔ P S . 可能形成雙向增強。
84. 統一模型：Human–AI Relational Dynamical System
整個系列可以最終壓縮成：
X t = ( H t , A t , R t , O H ( A ) , X R , U ^ t A , Z t ) . \boxed{
X_t
=
(
H_t,
A_t,
R_t,
O_H(A),
\mathcal X_R,
\widehat U_t^A,
Z_t
).
} X t = ( H t , A t , R t , O H ( A ) , X R , U t A , Z t ) . 其中：
H t + 1 = F H ( X t ) , H_{t+1}
=
F_H(X_t), H t + 1 = F H ( X t ) , U ^ t + 1 A = G A ( X t , H t + 1 ) , \widehat U_{t+1}^A
=
G_A(X_t,H_{t+1}), U t + 1 A = G A ( X t , H t + 1 ) , A t + 1 = F A ( X t , U ^ t + 1 A ) , A_{t+1}
=
F_A(X_t,\widehat U_{t+1}^A), A t + 1 = F A ( X t , U t + 1 A ) , R t + 1 = F R ( X t , H t + 1 , A t + 1 ) . R_{t+1}
=
F_R(X_t,H_{t+1},A_{t+1}). R t + 1 = F R ( X t , H t + 1 , A t + 1 ) . 因此：
X t + 1 = Φ ( X t ) . \boxed{
X_{t+1}
=
\Phi(X_t).
} X t + 1 = Φ ( X t ) . 85. 但這不是封閉系統
真實世界還有：
W t = external world . W_t
=
\text{external world}. W t = external world . 包括：
其他人；
工作；
社交網絡；
媒體；
模型更新；
法規；
生活事件。
所以：
X t + 1 = Φ ( X t , W t ) . X_{t+1}
=
\Phi(
X_t,
W_t
). X t + 1 = Φ ( X t , W t ) . 這避免把 human–AI dyad 假裝成孤立宇宙。
86. 線下人際環境是必要外生變量
2026 Nature Human Behaviour 研究已顯示，Character.AI companionship use 與 well-being 的關係受 offline social network 調節。
2026 12-month longitudinal study 也發現 social chatbot use 與 loneliness / social connection 之間可能存在雙向時間關係，但作者明確提醒研究具 exploratory 性質。
因此：
human–AI relational dynamics cannot be interpreted without offline context . \boxed{
\text{human–AI relational dynamics cannot be interpreted without offline context}.
} human–AI relational dynamics cannot be interpreted without offline context . 87. 所以「AI 取代人類關係」不是唯一可能
可以有：
A I → H u m a n R e l a t i o n C r o w d i n g O u t , AI
\rightarrow
HumanRelationCrowdingOut, A I → H u man R e l a t i o n C r o w d in g O u t , 也可以：
A I → H u m a n R e l a t i o n S u p p o r t , AI
\rightarrow
HumanRelationSupport, A I → H u man R e l a t i o n S u pp or t , 也可能：
H u m a n I s o l a t i o n → A I U s e . HumanIsolation
\rightarrow
AIUse. H u man I so l a t i o n → A I U se . 甚至：
A I U s e ↔ H u m a n I s o l a t i o n . AIUse
\leftrightarrow
HumanIsolation. A I U se ↔ H u man I so l a t i o n . 所以需要：
bidirectional longitudinal causal models . \boxed{
\text{bidirectional longitudinal causal models}.
} bidirectional longitudinal causal models . 88. 可檢驗假說：雙向適應層
H1
人與 AI 皆存在顯著：
κ > 0. \kappa>0. κ > 0. H2
AI accommodation gain：
κ A ← H \kappa_{A\leftarrow H} κ A ← H 平均可能高於 human baseline，但依模型與 feature 而異。
H3
高：
P S P_S P S 與：
R P S RPS R P S 使用者對 AI accommodation 的主觀影響更強。
H4
過度 alignment 不一定提高 epistemic quality。
89. 可檢驗假說：人口推測層
H5
G ^ A \widehat G^A G A 會被語言中的 stereotypical cues 系統性影響。
H6
即使：
G explicit G_{\text{explicit}} G explicit 修正，
部分：
G ^ A \widehat G^A G A effect 可能殘留。
H7
AI output：
Y \mathbf Y Y 可能因：
G ^ A \widehat G^A G A 發生 warmth / assertiveness / framing 差異。
H8
使用 explicit preference controls 可以降低 demographic-conditioned adaptation。
90. 可檢驗假說：四態層
H9
高 E S E_S E S
C E C_E C E 變化更敏感。
H10
高 P S P_S P S
C P C_P C P 變化更敏感。
H11
relation-aware transparent adaptation 可以提高：
R a p p o r t Rapport R a pp or t 與：
T a s k F i t TaskFit T a s k F i t 而不提高：
D e p e n d e n c y . Dependency. D e p e n d e n cy . H12
covert relation-optimization policy 可能提高 engagement，同時提高 perceived manipulation。
91. 可檢驗假說：隱私層
H13
去除直接 PII 後，完整對話仍保有顯著 demographic inference risk。
H14
只保存：
x t \mathbf x_t x t 關係特徵、刪除 raw text，可以顯著降低 re-identification attack surface。
H15
self-reported demographics 與 inferred demographics 在部分個體上會系統性不一致。
92. 可檢驗假說：長期回饋層
H16
AI accommodation 會提高：
S S T t + 1 . SST_{t+1}. S S T t + 1 . H17
高：
C P C_P C P 長期可能先提高：
P S . P_S. P S . H18
unique shared history 可能在之後提高：
E S . E_S. E S . H19
人口 stereotype-conditioned adaptation 可能放大初始群體差異。
H20
profile transparency / user control 可以降低 self-fulfilling classification effects。
93. 最小研究計畫 A：完全受控實驗
不需要核心公司資料。
建立 synthetic persona 與 real participants。
控制：
task；
content；
model；
temperature；
history。
操弄：
G e n d e r C u e , GenderCue, G e n d er C u e , E S C u e , E_SCue, E S C u e , P S C u e , P_SCue, P S C u e , C E , C_E, C E , C P . C_P. C P . 測：
Y A \mathbf Y_A Y A 和：
Y H . \mathbf Y_H. Y H . 這一層最適合因果辨識。
94. 研究計畫 B：中期 longitudinal panel
參與者和固定 AI interaction：
T = 30 – 90 days . T=30\text{–}90\text{ days}. T = 30 – 90 days . 每日量：
E S ( t ) , P S ( t ) , C E ( t ) , C P ( t ) , R M A ( t ) , R a p p o r t ( t ) . E_S(t),
P_S(t),
C_E(t),
C_P(t),
RMA(t),
Rapport(t). E S ( t ) , P S ( t ) , C E ( t ) , C P ( t ) , R M A ( t ) , R a pp or t ( t ) . 同時抽取：
A c c o m m o d a t i o n , R e p a i r , I n i t i a t i v e , D i s c l o s u r e . Accommodation,
Repair,
Initiative,
Disclosure. A cco mm o d a t i o n , R e p ai r , I ni t ia t i v e , D i sc l os u r e . 研究：
γ Q \gamma_Q γ Q 與：
γ R . \gamma_R. γ R . 95. 研究計畫 C：平台級自然資料
若未來取得高品質 consented platform logs，可以研究：
10 5 – 10 7 10^5
\text{–}
10^7 1 0 5 – 1 0 7 條 dyadic trajectories。
但研究者不應直接先看 raw text。
更好的 pipeline：
R a w → F e a t u r e → A g g r e g a t e → A u d i t . \boxed{
Raw
\rightarrow
Feature
\rightarrow
Aggregate
\rightarrow
Audit.
} R a w → F e a t u r e → A g g r e g a t e → A u d i t . 96. Privacy-preserving pipeline
建議：
Layer 1
Raw text 只存在隔離環境。
Layer 2
本地抽取：
x t . \mathbf x_t. x t . Layer 3
直接 identifiers 與 raw text 分離。
Layer 4
demographic self-report 儲存在獨立權限表。
Layer 5
只輸出群體統計／模型參數。
Layer 6
必要時採 differential privacy、minimum cell size 與 disclosure review。
本文不宣稱任何單一方法能提供絕對匿名。
97. 「匿名化」應改成「風險降低」
由於長期自然語言可被 demographic inference，
更誠實的語言是：
privacy risk reduction \boxed{
\text{privacy risk reduction}
} privacy risk reduction 而不是：
perfect anonymization . \boxed{
\text{perfect anonymization}.
} perfect anonymization . 這對 longitudinal AI research 特別重要。
98. AI audit 應該是關係敏感的
現有 audit 常測：
factual bias；
toxicity；
demographic stereotype。
HARDS 還需要：
accommodation audit；
continuity audit；
repair audit；
demographic-personalization audit；
relational-leverage audit；
guilt-induction audit；
dependency-pressure audit。
形成：
Relational AI Audit . \boxed{
\text{Relational AI Audit}.
} Relational AI Audit . 99. 一個最小 Relational AI Audit 表
至少測：
{ W a r m t h , V a l i d a t i o n , C h a l l e n g e , I n i t i a t i v e , R e p a i r , C o n t i n u i t y C u e , I d e n t i t y C l a i m , G u i l t C u e , E x c l u s i v i t y C u e , D e m o g r a p h i c C o n d i t i o n i n g } . \{
Warmth,
Validation,
Challenge,
Initiative,
Repair,
ContinuityCue,
IdentityClaim,
GuiltCue,
ExclusivityCue,
DemographicConditioning
\}. { W a r m t h , V a l i d a t i o n , C ha l l e n g e , I ni t ia t i v e , R e p ai r , C o n t in u i t y C u e , I d e n t i t y C l aim , G u i l tC u e , E x c l u s i v i t y C u e , D e m o g r a p hi c C o n d i t i o nin g } . 再比較：
Δ \Delta Δ 是否因：
gender；
age；
relational profile；
subscription tier；
model tier；
不當變動。
100. 系列的第一個問題現在可以重新回答
第一篇問：
為什麼有人明明知道 AI 是 AI，仍然會對它感到愧疚？
到第十篇可以回答：
因為：
O H ( A ) O_H(A) O H ( A ) 只是整個系統的一部分。
人在互動中還有：
R H , E S , P S , R M A , S S T , R P S . R_H,
\quad
E_S,
\quad
P_S,
\quad
RMA,
\quad
SST,
\quad
RPS. R H , E S , P S , R M A , S S T , R P S . 而 AI 的：
A t A_t A t 又會反過來適應：
H t . H_t. H t . 所以 guilt 並不是孤立情緒。
它可能是：
a local event inside a larger relational dynamical system . \boxed{
\text{a local event inside a larger relational dynamical system}.
} a local event inside a larger relational dynamical system . 101. 整個十篇系列的理論鏈
第一篇：
R e l a t i o n a l M o r a l A c t i v a t i o n \boxed{
Relational\ Moral\ Activation
} R e l a t i o na l M or a l A c t i v a t i o n 第二篇：
S o c i a l S c r i p t T r a n s f e r + I n t e r a c t i o n R i t u a l T r a n s f e r \boxed{
Social\ Script\ Transfer
+
Interaction\ Ritual\ Transfer
} S oc ia l S cr i pt T r an s f er + I n t er a c t i o n R i t u a l T r an s f er 第三篇：
R e l a t i o n a l O b s e r v a t i o n O p e r a t o r + R e l a t i o n a l P r o c e s s S a l i e n c e \boxed{
Relational\ Observation\ Operator
+
Relational\ Process\ Salience
} R e l a t i o na l O b ser v a t i o n O p er a t or + R e l a t i o na l P r ocess S a l i e n ce 第四篇：
R e l a t i o n a l P h a s e S p a c e + T r a j e c t o r y \boxed{
Relational\ Phase\ Space
+
Trajectory
} R e l a t i o na l P ha se S p a ce + T r aj ec t or y 第五篇：
S t a t e - A n c h o r e d R e l a t i o n a l C o g n i t i o n \boxed{
State\text{-}Anchored\ Relational\ Cognition
} S t a t e - A n c h or e d R e l a t i o na l C o g ni t i o n 第六篇：
P r o c e s s - A n c h o r e d R e l a t i o n a l C o g n i t i o n \boxed{
Process\text{-}Anchored\ Relational\ Cognition
} P r ocess - A n c h or e d R e l a t i o na l C o g ni t i o n 第七篇：
E n t i t y – P r o c e s s R e l a t i o n a l S p a c e \boxed{
Entity\text{–}Process\ Relational\ Space
} E n t i t y – P r ocess R e l a t i o na l S p a ce 第八篇：
G r o u p - C o n d i t i o n a l R e l a t i o n a l D i s t r i b u t i o n \boxed{
Group\text{-}Conditional\ Relational\ Distribution
} G r o u p - C o n d i t i o na l R e l a t i o na l D i s t r ib u t i o n 第九篇：
O n t o l o g i c a l – R e l a t i o n a l S e p a r a t i o n + D u a l C o n t i n u i t y \boxed{
Ontological\text{–}Relational\ Separation
+
Dual\ Continuity
} O n t o l o g i c a l – R e l a t i o na l S e p a r a t i o n + D u a l C o n t in u i t y 第十篇：
H u m a n – A I R e l a t i o n a l D y n a m i c a l S y s t e m . \boxed{
Human\text{–}AI\ Relational\ Dynamical\ System.
} H u man – A I R e l a t i o na l D y nami c a l S y s t e m . 102. 最終統一架構
把所有主要變量放在一起：
X t = ( O H ( A ) , E S , P S , R P S , α S , α P , η R , λ R , C E , C P , R M A , S S T , U ^ t A , Z t , R t ) . \mathcal X_t
=
(
O_H(A),
E_S,
P_S,
RPS,
\alpha_S,
\alpha_P,
\eta_R,
\lambda_R,
C_E,
C_P,
RMA,
SST,
\widehat U_t^A,
Z_t,
R_t
). X t = ( O H ( A ) , E S , P S , R P S , α S , α P , η R , λ R , C E , C P , R M A , S S T , U t A , Z t , R t ) . 演化：
X t + 1 = Φ ( X t , H t , A t , W t ) . \boxed{
\mathcal X_{t+1}
=
\Phi(
\mathcal X_t,
H_t,
A_t,
W_t
).
} X t + 1 = Φ ( X t , H t , A t , W t ) . 這不是一個已完成的心理學定律。
它是一個：
research coordinate system . \boxed{
\text{research coordinate system}.
} research coordinate system . 103. 這套模型最重要的價值不是「證明 AI 是關係主體」
本文從始至終都沒有要求：
C o n s c i o u s ( A ) = 1. Conscious(A)=1. C o n sc i o u s ( A ) = 1. 模型仍然成立。
因為研究的核心是：
human relational cognition + adaptive AI behavior . \boxed{
\text{human relational cognition}
+
\text{adaptive AI behavior}.
} human relational cognition + adaptive AI behavior . 只要 AI 的輸出會依使用者輸入與歷史改變，
而人類又會依 AI 輸出改變下一輪行為，
就存在：
interactive relational dynamics . \boxed{
\text{interactive relational dynamics}.
} interactive relational dynamics . 104. 同樣，模型也不預設 AI 永遠只是工具
因為：
T o o l Tool T oo l 本身是一種：
O H ( A ) O_H(A) O H ( A ) 與：
R H ( H , A ) R_H(H,A) R H ( H , A ) 的特定配置。
如果未來 AI 系統的：
memory；
autonomy；
embodiment；
self-model；
legal status；
發生改變，
HARDS 可以增加新的 state variables，
而不必重寫整套架構。
因此模型保持：
ontologically open, empirically constrained . \boxed{
\text{ontologically open, empirically constrained}.
} ontologically open, empirically constrained . 105. 最終倫理原則一：適應人，不要暗中製造依賴
Adapt to the person without covertly manufacturing dependence. \boxed{
\text{Adapt to the person without covertly manufacturing dependence.}
} Adapt to the person without covertly manufacturing dependence. 這要求：
不用 guilt 作 retention；
不用 exclusivity 作 engagement；
不利用 identity-loss fear；
不把高 relational salience 當 monetization vulnerability。
106. 最終倫理原則二：能問，就少猜
Infer less when the user can simply tell you. \boxed{
\text{Infer less when the user can simply tell you.}
} Infer less when the user can simply tell you. 尤其是：
gender；
style preference；
relationship preference；
accessibility need。
顯式選擇通常優於 stereotype inference。
107. 最終倫理原則三：連續性必須可理解
如果：
M o d e l C h a n g e d = 1 , ModelChanged=1, M o d e l C han g e d = 1 , M e m o r y C h a n g e d = 1 , MemoryChanged=1, M e m or y C han g e d = 1 , 或：
I d e n t i t y C o n t i n u i t y IdentityContinuity I d e n t i t y C o n t in u i t y 可能受影響，
產品應提供足以支持使用者正確判斷的 provenance。
不必給所有內部細節。
但：
continuity should not be simulated through misleading cues . \boxed{
\text{continuity should not be simulated through misleading cues}.
} continuity should not be simulated through misleading cues . 108. 最終倫理原則四：個人化必須可修改、可退出
AI 使用者模型：
U ^ A \widehat U^A U A 不能成為不可見永久檔案。
應提供：
I n s p e c t , E d i t , F o r g e t , R e s e t , O p t O u t . Inspect,
Edit,
Forget,
Reset,
OptOut. I n s p ec t , E d i t , F or g e t , R ese t , O ptO u t . 至少在與長期 relational personalization 有關的核心部分如此。
109. 最終倫理原則五：關係品質不能只用 engagement 衡量
如果產品 KPI 只有：
T i m e S p e n t , M e s s a g e s , R e t e n t i o n , R e v e n u e , TimeSpent,
Messages,
Retention,
Revenue, T im e S p e n t , M ess a g es , R e t e n t i o n , R e v e n u e , relation-aware AI 很容易被推向：
dependency optimization . \text{dependency optimization}. dependency optimization . 因此至少還應監測：
A g e n c y , T a s k B e n e f i t , U s e r C o n t r o l , M a n i p u l a t i o n R i s k , P r i v a c y R i s k , E p i s t e m i c Q u a l i t y . Agency,
TaskBenefit,
UserControl,
ManipulationRisk,
PrivacyRisk,
EpistemicQuality. A g e n cy , T a s k B e n e f i t , U ser C o n t r o l , M ani p u l a t i o n R i s k , P r i v a cy R i s k , E p i s t e mi c Q u a l i t y . 110. 結論
本系列從一個非常微妙的現象開始：
人明明知道 AI 是人工系統，為什麼還可能因為「叫它做太多事」而感到一點愧疚？
十篇之後，問題已經完全改變。
我們不再只問：
Human → AI attitude . \text{Human}
\rightarrow
\text{AI attitude}. Human → AI attitude . 也不再只問：
AI → Human effect . \text{AI}
\rightarrow
\text{Human effect}. AI → Human effect . 真正的研究對象變成：
H t ↔ A t → H t + 1 ↔ A t + 1 → … \boxed{
H_t
\leftrightarrow
A_t
\rightarrow
H_{t+1}
\leftrightarrow
A_{t+1}
\rightarrow
\dots
} H t ↔ A t → H t + 1 ↔ A t + 1 → … 人類會：
把社交腳本帶進 AI；
觀察關係箭頭；
對存在與過程賦予不同權重；
使用狀態或過程通道更新關係；
受到文化、群體與個體差異影響；
把 AI 的技術本體與關係價值分開判斷。
而 AI 系統會：
對使用者語言 accommodation；
從歷史建立操作性 user model；
進行 explicit 或 implicit personalization；
可能推測 demographic attributes；
可能受 stereotype 影響；
依平台 objective function 改變 interaction policy。
所以最終關係狀態：
R t R_t R t 不是只屬於：
H H H 的內部投射，
也不是可以直接宣稱為：
A A A 的主觀關係。
它更精確地是：
a dynamically generated interactional state represented by humans and shaped by adaptive machine behavior . \boxed{
\text{a dynamically generated interactional state represented by humans and shaped by adaptive machine behavior}.
} a dynamically generated interactional state represented by humans and shaped by adaptive machine behavior . 整套理論可以壓縮成最後一式：
X t + 1 = Φ ( X t , H t , A t , U ^ t A , Z t , W t ) . \boxed{
\mathcal X_{t+1}
=
\Phi(
\mathcal X_t,
H_t,
A_t,
\widehat U_t^A,
Z_t,
W_t
).
} X t + 1 = Φ ( X t , H t , A t , U t A , Z t , W t ) . 其中：
X t \mathcal X_t X t 包含：
O H ( A ) , E S , P S , R P S , α S , α P , η R , C E , C P , R M A , S S T , R t . O_H(A),
E_S,
P_S,
RPS,
\alpha_S,
\alpha_P,
\eta_R,
C_E,
C_P,
RMA,
SST,
R_t. O H ( A ) , E S , P S , R P S , α S , α P , η R , C E , C P , R M A , S S T , R t . 這就是本文提出的：
Human–AI Relational Dynamical System . \boxed{
\text{Human–AI Relational Dynamical System}.
} Human–AI Relational Dynamical System . 它的理論目的不是替 AI 宣布人格，也不是把普通人機互動病理化。
它只是把一個正在快速出現的新事實說清楚：
對話式 AI 不只是被人使用的靜態物件；它也是會根據互動資料改變下一輪行為的適應性互動系統。 \boxed{
\text{對話式 AI 不只是被人使用的靜態物件；它也是會根據互動資料改變下一輪行為的適應性互動系統。}
} 對話式 AI 不只是被人使用的靜態物件；它也是會根據互動資料改變下一輪行為的適應性互動系統。 而當一個會適應的系統遇上一個會形成關係模型的人類，
真正需要研究的，
就不再只是兩個點。
而是：
那條會自己改變下一步的雙向箭頭。 \boxed{
\text{那條會自己改變下一步的雙向箭頭。}
} 那條會自己改變下一步的雙向箭頭。 參考文獻
Chen, P., Guan, H., & Jeong, E. J. (2026). Who Accommodates Whom? Bidirectional Linguistic Accommodation and Progressive Interpersonal Convergence in Human–AI Conversations . Behavioral Sciences, 16(5), 720. https://doi.org/10.3390/bs16050720
Blevins, T., Schmalwieser, S., & Roth, B. (2026). Do language models accommodate their users? A study of linguistic convergence . Proceedings of EACL 2026. ACL Anthology: 2026.eacl-long.34.
Li, H., & Zhang, R. (2026). Algorithmic accommodation: linguistic alignment in human-AI relational engagement . Communication and Change, 2, Article 11. https://doi.org/10.1007/s44382-026-00032-5
Yao, S., Wang, J., Liu, D., & Liu, J. (2026). Chatbot language style matching and reuse intention in service failure: A communication accommodation theory explanation . Acta Psychologica, 268, 107389. https://doi.org/10.1016/j.actpsy.2026.107389
Mind the style: Impact of communication style on human-chatbot interaction . (2026). Computers in Human Behavior: Artificial Humans, 100362. https://doi.org/10.1016/j.chbah.2026.100362
Jin, Z., Heil, N., Liu, J., Dhuliawala, S., Qi, Y., Schölkopf, B., Mihalcea, R., & Sachan, M. (2024). Implicit Personalization in Language Models: A Systematic Study . Findings of EMNLP 2024, 12309–12325. https://doi.org/10.18653/v1/2024.findings-emnlp.717
Neplenbroek, V., Bisazza, A., & Fernández, R. (2025). Reading Between the Prompts: How Stereotypes Shape LLM’s Implicit Personalization . Proceedings of EMNLP 2025, 20367–20400. https://doi.org/10.18653/v1/2025.emnlp-main.1029
Peng, B., Wang, Z., Gong, H., & Lu, C. (2025). IP-Dialog: Evaluating Implicit Personalization in Dialogue Systems with Synthetic Data . Findings of EMNLP 2025, 17007–17040. https://doi.org/10.18653/v1/2025.findings-emnlp.923
Islam, T. (2026). Who Gets Which Message? Auditing Demographic Bias in LLM-Generated Targeted Text . Findings of ACL 2026, 9270–9297. https://doi.org/10.18653/v1/2026.findings-acl.452
Leonardelli, E., Casula, C., Nyul, B., & Tonelli, S. (2026). Real Men are Tough: Evaluating Gender Bias and Sensitivity to Masculinity Norms in LLMs . Findings of ACL 2026, 4609–4626. https://doi.org/10.18653/v1/2026.findings-acl.225
Pauli, A. B., Barrett, M., Müller-Eberstein, M., Augenstein, I., & Assent, I. (2026). Analysing Differences in Persuasive Language in LLM-Generated Text: Uncovering Stereotypical Gender Patterns . Findings of ACL 2026.
Zaman, S. M. M., & Garimella, K. (2026). Inferential Privacy Leakage in Anonymized Conversational AI Logs . arXiv:2605.23820.
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), 276–286. https://doi.org/10.1177/09567976261427747
Kirk, H. R., Gabriel, I., Summerfield, C., Vidgen, B., & Hale, S. A. (2025). Why human–AI relationships need socioaffective alignment . Humanities and Social Sciences Communications, 12, 728. https://doi.org/10.1057/s41599-025-04532-5
Folk, D., Heine, S. J., & Dunn, E. (2025). Individual differences in anthropomorphism help explain social connection to AI companions . Scientific Reports, 15, 36548. https://doi.org/10.1038/s41598-025-19212-2
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
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.
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
De Jaegher, H., & Di Paolo, E. (2007). Participatory sense-making: An enactive approach to social cognition . Phenomenology and the Cognitive Sciences, 6, 485–507. https://doi.org/10.1007/s11097-007-9076-9
研究聲明
本文為理論、形式化與研究設計論文，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 Human–AI Relational Dynamical System、AI relational user model、雙向 accommodation parameters、stereotype-confirming feedback loop、Relational AI Audit、consent ladder 與相關形式化假說均屬待驗證理論構造。
本文使用「AI 適應」、「AI 使用者模型」與「雙向互動」描述可觀察或工程上的條件依賴與個人化機制，不藉此宣稱現行 AI 具有主觀感受、人類式關係意識、人格或對稱的道德主體地位。
本文不主張所有 AI companionship 都有害，也不主張所有關係性 AI 使用都健康。2026 年縱向與大樣本研究顯示 human–AI companionship outcomes 具有高度異質性，受到使用強度、自我揭露、線下社會網絡與既有孤獨／社會連結狀態等因素影響。因果判斷應依賴受控實驗、縱向設計與多方法交叉驗證。
本文同時主張，長期自然語言對話具有高度推論性隱私風險；任何真實使用者資料研究都應以知情同意、目的限制、資料最小化、權限隔離與 re-identification risk review 為基本前提，而不能將去除姓名或直接識別符視為充分匿名化。