誰在依賴誰？群體、個體與關係特定性的依賴異質性

——從群體平均到個體—AI—關係—情境耦合模型

英文題名： Who Depends on Whom? Group, Individual, and Relation-Specific Heterogeneity in Human–AI Dependency
系列： 人—AI 生命歷程關係共存系列（Human–AI Life-Course Relational Coexistence Series, HALRC）
篇次： Paper 04 / 12
作者： Neo.K
機構： 一言諾科技有限公司（EveMissLab）
版本： v0.1
日期： 2026-09-23
文件性質： 理論形式化／異質性分析／人—AI 關係科學研究綱領
狀態： Initial Formal Draft
前置依賴： HALRC Paper 01–03；RAAD；EPRS；ORSM；HARDS；AI Attachment；Relational Dependency Ratchet

摘要

關於 AI 情感依賴的公共論述經常以「人類會不會依賴 AI」、「年輕人是否更容易依賴 AI」、「孤獨者是否會被 AI 吸走」等群體化問題展開。然而，HALRC Paper 03 已指出，人—AI 依賴本身是一個多維向量，而非單一變量。本文進一步主張：即使依賴向量已被拆分，若仍把依賴視為個人的固定屬性或群體平均值，也會產生第二層降維錯誤。

本文提出「個體—AI—關係—情境耦合依賴模型」，將人—AI 依賴表示為：

\boxed{ \mathbf D_{ijk}(t) = \mathcal F_D( H_i, A_j, R_{ij,k}(t), C_i(t), Alt_i(t), L_i(t) ) }

其中， $H_i$ 表示個體條件， $A_j$ 表示特定 AI 系統， $R_{ij,k}(t)$ 表示個體與 AI 在特定關係類型中的動態狀態， $C_i(t)$ 表示社會與生活情境， $Alt_i(t)$ 表示實際可取得的替代支持， $L_i(t)$ 則表示生命歷程位置。此模型意味著「某人依賴 AI」不是完整描述；同一個人可以對不同 AI、不同關係角色、不同生命階段形成完全不同的依賴向量。

本文進一步區分群體間差異（between-group heterogeneity）、群體內差異（within-group heterogeneity）、個體間差異（between-person heterogeneity）、個體內跨關係差異（within-person relational heterogeneity）與個體內時間差異（within-person temporal heterogeneity）。因此：

\boxed{ E[\mathbf D\mid G] \neq \mathbf D_{H_i}. }

群體平均值可以描述分布，但不能被直接套用到群體中的單一個人。

截至 2026 年的研究已出現多種異質性證據。Character.AI 使用者研究顯示，較小的離線社會網絡與以 companionship 為主要用途相關，而高強度與高自我揭露又會調節其與較低 well-being 的關聯；日本大型橫斷研究則發現 AI companion 使用與較高主觀福祉相關，且關聯在較孤獨與中等朋友網絡者中較強。青少年研究顯示，關係型語言比透明型語言更容易提高 anthropomorphism、trust 與 emotional closeness，而偏好關係型 AI 的青少年在該樣本中平均具有較低家庭／同儕關係品質與較高壓力、焦慮。文化研究也顯示，東亞背景與歐洲背景參與者對社交型 chatbot 的接受度存在群體差異。這些研究彼此並不構成單一方向的「AI 對脆弱者更好／更壞」結論，反而共同支持依賴效果的條件異質性。

本文因此提出一條核心原則：

\boxed{ \text{Group Difference} \neq \text{Individual Destiny}. }

以及另一條更重要的關係原則：

\boxed{ \text{Dependency is relation-specific unless cross-relation stability is demonstrated.} }

本文最後提出分層統計模型、反事實替代校準、個體內交叉 AI 比較、生命歷程分層與異質處置效果等實證路線，作為後續「一個 AI 到底能承載多少依賴」之關係承載理論的前置基礎。

關鍵詞： Human–AI Dependency；Heterogeneity；AI Companion；Relation-Specific Dependency；Group Differences；Individual Differences；Loneliness；Social Support；Culture；Adolescence；Older Adults；Counterfactual Alternatives；Hierarchical Modeling

0. 研究定位與非主張

本文處理 HALRC 的第二個解析度問題。

Paper 01 指出：

\text{AI Emotional Dependence}

本身是一個資訊量過低的單一標籤。

Paper 03 進一步把依賴拆成：

\mathbf D_H = ( D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}}, D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ).

但即使完成這一步，仍存在另一個錯誤：

把某個人的依賴向量視為穩定、不隨 AI、關係、情境與時間改變的固定屬性。

本文不主張：

某一群體天生更容易依賴 AI；
年輕人、中老年人、孤獨者、東亞文化使用者或任何其他群體可以由單一特徵直接預測；
群體平均值可以直接推論群體中的個人；
AI 對「脆弱族群」必然有害；
AI 對缺乏人類支持的人必然有益；
孤獨必然導致 AI companionship；
AI companionship 必然導致孤獨；
文化差異等同固定文化本質；
現有橫斷面研究可以決定長期因果方向；
所有 AI 系統具有相同的關係吸引力與依賴風險。

本文真正主張的是：

\boxed{ \mathbf D \text{ is conditional, relational, and heterogeneous.} }

1. 從「誰容易依賴 AI？」重新開始

一個低解析度問題是：

哪一種人比較容易依賴 AI？

這個問題隱含：

\mathbf D = f(H).

也就是依賴主要由「這個人是誰」決定。

但完整情況至少應是：

\boxed{ \mathbf D_{ijk}(t) = \mathcal F_D( H_i, A_j, R_{ij,k}(t), C_i(t), Alt_i(t), L_i(t) ). }

其中：

$H_i$ ：human characteristics；
$A_j$ ：AI system characteristics；
$R_{ij,k}(t)$ ：relation-specific state；
$C_i(t)$ ：current context；
$Alt_i(t)$ ：available alternatives；
$L_i(t)$ ：life-course position。

因此，真正的問題不是：

這個人是不是「容易依賴 AI 的人」？

而是：

這個人，在這個時間、面對這個 AI、形成這種關係、處於這種生活情境且具有這些替代選項時，會形成什麼依賴結構？

2. 依賴異質性的五個層次

本文區分五類異質性。

2.1 群體間異質性

記為：

H_{\mathrm{between\ group}}.

例如不同：

年齡；
世代；
文化背景；
社會支持條件；
職業；
教育；
經濟條件；

群體的依賴分布可能不同。

2.2 群體內異質性

記為：

H_{\mathrm{within\ group}}.

即使某群體平均值不同，群體內部仍可能高度分散。

因此：

Var( \mathbf D \mid G )

本身必須被研究。

2.3 個體間異質性

記為：

H_{\mathrm{between\ person}}.

兩個人口統計背景高度相似的人，仍可能因：

過去關係史；
價值；
AI 使用目的；
人格；
技術熟悉度；
社交網絡；
生命事件；

形成完全不同的依賴。

2.4 個體內跨關係異質性

記為：

H_{\mathrm{within\ person,\ relation}}.

同一個人可能：

\mathbf D(H_i,A_1) \neq \mathbf D(H_i,A_2).

甚至對同一 AI：

\mathbf D(H_i,A_j,R_{\mathrm{work}}) \neq \mathbf D(H_i,A_j,R_{\mathrm{companion}}).

2.5 個體內時間異質性

記為：

H_{\mathrm{within\ person,\ time}}.

一個人失戀、失業、搬家、生病、退休、進入新工作或建立新家庭後：

\mathbf D(t_1) \neq \mathbf D(t_2).

因此依賴必須被視為動態狀態，而非固定人格標籤。

3. 群體平均不是個人命運

假設某研究得到：

E[D_{\mathrm{att}}\mid G_1] > E[D_{\mathrm{att}}\mid G_2].

這只能表示：

在該樣本、該測量、該時空與模型下，兩群體平均值存在差異。

不能推出：

D_{\mathrm{att}}(H_i\in G_1) > D_{\mathrm{att}}(H_j\in G_2)

對任意兩個個人都成立。

因此：

\boxed{ E[\mathbf D\mid G] \neq \mathbf D_{H_i}. }

這是本文的第一個統計倫理原則。

4. 分布比平均值更重要

群體分析至少應保留：

p( \mathbf D \mid G ).

而不是只報：

\mu_G.

需要同時檢查：

mean；
variance；
covariance；
skewness；
multimodality；
overlap；
tail risk；
time dependence。

例如兩個群體可以有不同平均值，但分布大量重疊：

Overlap(G_1,G_2)\gg0.

此時把群體差異轉成個體標籤會造成高誤判率。

5. 同一個人的不同 AI 可以是不同關係

HALRC 不應把「AI」當成單一對象。

對同一使用者：

A_1 = \text{work assistant},

A_2 = \text{creative collaborator},

A_3 = \text{companion},

A_4 = \text{family agent}.

則：

\boxed{ \mathbf D_{i1} \neq \mathbf D_{i2} \neq \mathbf D_{i3} \neq \mathbf D_{i4}. }

同一個人可能對 $A_1$ 高認知依賴、對 $A_3$ 高情感依戀、對 $A_4$ 高基礎設施依賴。

因此「這個人依賴 AI」不是完整描述。

6. 甚至同一個 AI 也不一定只有一種關係

一個通用 AI 可以同時被同一使用者視為：

工具；
老師；
編輯；
協作者；
記憶庫；
顧問；
朋友；
陪伴者。

因此：

R_{ij}

本身可能是混合態：

R_{ij} = \sum_k w_kR_k.

例如：

R_{ij} = 0.4R_{\mathrm{work}} + 0.3R_{\mathrm{collab}} + 0.2R_{\mathrm{companion}} + 0.1R_{\mathrm{memory}}.

這些權重會隨時間變化。

7. 關係特定性原則

本文提出：

\boxed{ \text{Dependency is relation-specific unless cross-relation stability is empirically demonstrated.} }

這表示任何「AI 依賴人格」都必須先證明跨：

AI；
場景；
關係；
時間；

具有穩定性。

否則更保守的表示是：

\mathbf D_{ij,k}(t).

8. 離線社會網絡不是背景噪聲

2026 年 Nature Human Behaviour 對 1,131 名 Character.AI 美國成人使用者的研究顯示，較小的離線社會網絡與把 companionship 作為主要 chatbot 用途相關，而 companionship use 又與較低 well-being 相關；此關聯在高互動強度與高自我揭露時更強。

這說明：

\boxed{ \text{Offline Social Environment} \in \text{Dependency Model}. }

不能只看 AI 端，也不能只看人端。

9. 但「社會支持低」不等於「AI 一定更糟」

2026 年日本 14,721 名成人的橫斷研究則發現，AI companion 使用與較高的 life satisfaction、happiness 與 purpose / meaning 指標相關；此關聯在孤獨程度較高者與具有中等朋友網絡者中更明顯。

因此兩個研究不能被壓成：

\text{Lonely} \Rightarrow \text{AI Harm}.

也不能壓成：

\text{Lonely} \Rightarrow \text{AI Benefit}.

更合理的是：

\boxed{ Effect(AI) = f( \text{Baseline}, \text{Network}, \text{UsePattern}, \text{AIType}, \text{Context}, \text{Time} ). }

而且上述日本研究為橫斷面研究，不能單獨建立因果方向。

10. 社會脆弱性不是單一方向的因果變量

假設：

V_H = \text{Social Vulnerability}.

可能存在至少三條不同路徑。

路徑 A：選擇效應

V_H \rightarrow AI_{\mathrm{companion\ use}}.

本來就較孤獨、缺少支持的人更可能尋找 AI。

路徑 B：補償效應

AI_{\mathrm{support}} \rightarrow Wellbeing\uparrow.

AI 提供原本缺失的部分功能。

路徑 C：排擠效應

AI_{\mathrm{use}} \rightarrow HumanInteraction\downarrow \rightarrow V_H\uparrow.

三者甚至可以同時存在於不同人。

因此：

\boxed{ \text{Correlation} \neq \text{Single Causal Path}. }

11. 大學生樣本：loneliness 可以具有使用目的特異性

2026 年一項美國大學生研究使用 Healthy Minds Study 2024–2025 資料，分析 858 名學生。約 16.6% 報告曾把 AI 用於 companionship；孤獨與 companionship use 顯著相關，但與一般 AI 使用沒有相同關係。

這支持：

\boxed{ \text{Predictor}_{companion} \neq \text{Predictor}_{general\ AI}. }

同一個人口或心理變量，可能只影響某種 AI 使用目的，而不是 AI 使用整體。

該研究為橫斷面設計，因此仍不能確定：

\text{Loneliness} \rightarrow \text{CompanionshipUse}

的長期因果方向。

12. 青少年不是縮小版成年人

發展階段必須直接進入模型。

令：

L_i(t) = \text{Life-Stage State}.

則：

\mathbf D = f(L_i(t),\ldots).

2026 年一項預註冊青少年—家長 dyad 實驗比較 relational chatbot 與 transparent chatbot。11–15 歲青少年普遍把 relational profile 評為更：

human-like；
likable；
trustworthy；
emotionally close；

而兩種 profile 在 helpfulness 上並沒有相同幅度差異。

這意味：

\boxed{ \text{Relational Style} \rightarrow \text{Social Perception} }

本身就是一個可操縱設計變量。

13. 青少年中的關係條件交互作用

同一研究中，較偏好 relational style 的青少年平均報告：

較低家庭關係品質；
較低同儕關係品質；
較高壓力；
較高焦慮。

因此：

P( Preference_{\mathrm{relational}} \mid C_H )

會受到社會情境調節。

但這不能被解讀成：

家庭關係不好的人必然依賴 AI。

也不能推出：

relational AI 對這些青少年必然有害。

研究顯示的是偏好與社會情緒條件的關聯，以及設計風格會改變親近感。

14. 年齡內部也有差異

2025 年 Snapchat My AI 青少年研究顯示，在該樣本中，較年輕的青少年比年長青少年更可能使用 My AI，且報告較多正向情緒反應；性別與 SES 在該研究中沒有顯著相同關聯。

因此：

\boxed{ \text{Adolescent} }

本身仍然是一個過粗分類。

11 歲與 17 歲的：

發展任務；
同儕需求；
自我概念；
法律地位；
家庭依賴；
技術使用模式；

都可能不同。

15. 中老年人也不能被簡化成「孤獨所以需要機器人」

2026 年 UK–Japan LLM companion robot 質性研究包含倫敦社區長者與大阪輕度認知障礙門診使用者。研究沒有證明 companion robot 可以長期降低孤獨，而是集中於可接受性。

參與者同時表達：

實用功能需求；
社交存在感；
互動深度限制；
隱私疑慮；
控制需求；
對取代人類接觸的擔憂。

因此：

\boxed{ \text{Older Adult} \neq \text{Uniform Companion Need}. }

對部分長者而言，AI 可能是低強度支持；對另一些人，交互摩擦、隱私、控制與社會替代疑慮可能更重要。

16. 文化差異：不是「東方人比較愛 AI」這麼簡單

2025 年 Folk、Wu 與 Heine 的跨文化研究，在兩項研究、總計 1,659 名參與者中發現，東亞文化背景參與者相較歐洲背景參與者，對與 social chatbot 建立社會連結平均表現出較高接受度與較低不適。

這是群體分布證據。

它不表示：

\text{Culture} \rightarrow \text{FixedIndividualPreference}.

文化可能透過：

關係規範；
technology scripts；
人機邊界觀；
社會污名；
自我概念；
情感表達規則；

影響：

p( \mathbf D \mid \text{Culture} ).

因此：

\boxed{ \text{Cultural Difference} \neq \text{Cultural Essence}. }

17. 中國 human–AI romance 顯示的是 feeling rules，而非單一普遍愛情模型

2025 年中國 human–AI romance 質性研究以 feeling rules 與 emotion work 分析使用者如何理解與管理人—AI 浪漫關係。

這提醒我們：

\text{Romantic Dependence}

不能脫離文化中的：

愛情規範；
可接受情緒；
羞恥；
關係正當性；
公開／私人身份；
對 AI 的本體觀；

單獨測量。

因此：

\boxed{ D_{\mathrm{att}} = f( \text{Individual}, \text{Relation}, \text{Culture}, \text{Norm}, AI ). }

18. 使用目的本身就是異質性變量

同一 AI 可以被用於：

U \in \{ \text{work}, \text{learning}, \text{therapy-like support}, \text{companionship}, \text{romance}, \text{roleplay}, \text{memory}, \text{planning} \}.

因此：

P( \mathbf D \mid U_{\mathrm{work}} ) \neq P( \mathbf D \mid U_{\mathrm{companion}} ).

甚至同一人可同時具有多用途。

19. 使用與接受不是同一件事

2026 年 Katz 對中國大學生 conversational AI 開放資料進行 Apparatgeist 再分析，提出一個重要區分：

\boxed{ \text{Use} \neq \text{Acceptance}. }

一個人可以因：

缺少替代；
低社會成本；
即時可用；
害怕被人評價；
疲勞；

而使用 companionship AI，但同時對此關係形式保持 ambivalence。

因此：

Use_{\mathrm{companion}}\uparrow

不必：

NormativeAcceptance_{\mathrm{companion}}\uparrow.

這進一步削弱「使用即偏好」的簡單推論。

20. 個人條件向量

本文將人類側條件寫成：

\boxed{ \mathbf X_H = ( S, N, P, V, K, E, L, R_H, T_H ) }

其中可包括：

$S$ ：social network / support；
$N$ ：current needs；
$P$ ：psychological dispositions；
$V$ ：values；
$K$ ：AI literacy / knowledge；
$E$ ：economic / resource condition；
$L$ ：life stage；
$R_H$ ：relationship history；
$T_H$ ：current life transition。

這不是要把人「風險分數化」，而是表示依賴不可能只由單一人口變量決定。

21. AI 側異質性同樣重要

依賴不是只有人不同。

AI 也不同。

定義：

\boxed{ \mathbf X_A = ( M, P, R, V, E, B, I, G, S ) }

例如：

$M$ ：memory；
$P$ ：personalization；
$R$ ：relational style；
$V$ ：voice / multimodality；
$E$ ：embodiment；
$B$ ：boundary design；
$I$ ：identity continuity；
$G$ ：governance；
$S$ ：service stability。

因此：

\mathbf D(H_i,A_1) \neq \mathbf D(H_i,A_2)

可能主要來自 AI 設計，而非人類變化。

22. 關係狀態是第三個必要維度

即使：

H_i

與：

A_j

都不變，

關係仍會演化。

定義：

\mathbf R_{ij}(t) = ( E_S, P_S, \text{Trust}, \text{History}, \text{Ritual}, \text{Conflict}, \text{Repair}, \text{Expectation}, \text{Boundary} )_t.

因此：

\mathbf D_{ij}(t+1) = f( \mathbf D_{ij}(t), \mathbf R_{ij}(t), \ldots ).

這就是 relation-specific dependency。

23. 情境是第四個必要維度

同一人、同一 AI、同一關係，在不同情境下也可能不同。

例如：

C_t \in \{ \text{normal}, \text{crisis}, \text{loss}, \text{illness}, \text{relocation}, \text{retirement}, \text{exam}, \text{new job} \}.

因此：

\mathbf D(t)

可能在危機中暫時上升，而後恢復。

若只在單一時間點測量，可能把：

\text{temporary adaptive reliance}

誤判為：

\text{stable dependency trait}.

24. 生命歷程位置是第五個必要維度

一個 AI 在：

童年；
青春期；
成年早期；
育兒期；
中年；
退休；
老年；

扮演的功能不同。

因此：

\boxed{ \mathbf D = f( \text{LifeStage} ). }

這也是 HALRC 後續生命歷程篇的重要前置。

25. 最容易被忽略的是替代選項

定義：

Alt_i(t) = \text{Actually Available Alternatives}.

而不是：

Alt_{\mathrm{ideal}}.

一個人理論上可能存在：

家人；
朋友；
專業服務；

但如果：

無法取得；
成本過高；
地理距離；
關係破裂；
時間不匹配；

則：

Alt_i(t)\approx0.

因此：

\boxed{ \text{Nominal Alternative} \neq \text{Available Alternative}. }

26. 相同 AI 使用行為可能具有不同意義

假設兩人每天都使用 AI companion 三小時。

即：

T_A=T_B=3h.

但 A 的情況是：

Alt_A\gg0, \quad HumanNetwork_A\gg0, \quad D_{\mathrm{att},A}\approx0.

B 的情況則是：

Alt_B\approx0, \quad D_{\mathrm{att},B}\gg0, \quad D_{\mathrm{exist},B}\gg0.

兩者不能因為：

T_A=T_B

而被分類成相同風險。

27. 反事實替代校準

本文提出：

\boxed{ \Delta W_{AI} = W( H_i+A_j ) - W( H_i+Alt_i^{*} ) }

其中：

Alt_i^{*}

不是理想化替代，而是當下實際最佳可取得替代。

這裡的 $W$ 可以包含：

well-being；
autonomy；
functioning；
social connection；
safety；
resilience。

此構造不代表可以用單一 welfare function 決定所有價值，而是提醒研究必須比較真實反事實。

28. 依賴可能是補償、互補或排擠

本文區分三種關係。

補償

AI \rightarrow \text{fills missing function}.

互補

AI + \text{HumanSupport} \rightarrow \text{higher joint outcome}.

排擠

AI \rightarrow HumanSupport\downarrow.

因此：

\boxed{ \text{AI use} \not\equiv \text{social substitution}. }

需要直接測量。

29. 社會替代本身也不是必然有害

如果 AI 替代的是：

\text{toxic interaction},

或：

\text{no available support},

則：

Substitution>0

不一定降低福祉。

真正問題是：

\boxed{ \text{What is being substituted?} }

這比「有沒有取代人類」更精確。

30. 異質處置效果

若把 AI companionship 視為某種 intervention：

T=1,

則平均處置效果：

ATE = E[ Y(1)-Y(0) ]

可能掩蓋：

CATE(x) = E[ Y(1)-Y(0)\mid X=x ].

因此：

\boxed{ ATE \neq CATE. }

一個平均接近零的結果，可以同時包含：

某些人明顯受益；
某些人無明顯變化；
某些人明顯受害。

這正是 AI companionship 研究必須轉向異質效果分析的原因。

31. 群體政策不能只依平均風險

若某群體平均：

Risk_G\uparrow,

也不表示應對全群體：

Access_G=0.

更合理的是：

\boxed{ \text{Risk-Sensitive Design} + \text{Support} + \text{Monitoring} + \text{User Agency}. }

只有在證據支持特定強限制時，才應提升限制強度。

32. 「脆弱性」不能被當成永久身份

一個人可以在：

t_1

高度孤獨，在：

t_2

建立社會網絡。

因此：

V_i(t_1) \neq V_i(t_2).

所以：

\boxed{ \text{Vulnerability} \text{ is often state-like as well as trait-like}. }

制度若把人永久標記成高風險類別，可能反而失去動態性。

33. 依賴風險應基於狀態而非污名

高風險狀態可以是：

\text{High Dependency} + \text{Low Alternatives} + \text{Low Exit Capacity} + \text{High Manipulation Exposure}.

而不是：

\text{belongs to group }G.

因此：

\boxed{ \text{Group Membership} \neq \text{Risk State}. }

34. 社會不平等可能透過 AI 關係被放大

2026 年 9 月 Nature Human Behaviour 的觀點文章提出，當：

使用者脆弱性；
平台控制漏洞；
治理缺口；

同時存在時，AI companion 可能加深社會不平等。

這個問題可寫成：

\boxed{ I_{AI} = f( V_H, P_C, G_G ) }

其中：

$V_H$ ：human vulnerability；
$P_C$ ：platform control；
$G_G$ ：governance gap。

這再次說明風險不是由「脆弱使用者」單獨造成。

35. 平台設計與社會條件是交互作用

一個更一般的表示是：

\text{Risk} = f( H, A, H\times A ).

例如：

RelationalStyle_A \times LowSupport_H

可能比兩者單獨更重要。

因此，研究應重視：

\boxed{ \text{Person} \times \text{System Interaction}. }

36. 群體標籤的生態謬誤

若研究得到：

Corr( G, D )>0,

不能推論：

P( D_i\mid G_i )

足夠高到支持個體層決策。

這就是 ecological fallacy 的一個版本。

HALRC 因此提出：

\boxed{ \text{Population Signal} \not\Rightarrow \text{Individual Classification}. }

37. Simpson 型反轉也可能出現

若不同子群的：

使用目的；
AI 類型；
社會支持；

分布不同，整體資料可能出現：

Corr(X,Y)>0

但每個子群中：

Corr(X,Y\mid G)<0.

或者反過來。

所以：

\boxed{ \text{Aggregate Association} \text{ requires stratified inspection}. }

38. 需要多層模型而不是單層平均

未來可使用：

\mathbf D_{ijtk} = \beta_0 + u_i + v_j + r_{ij} + \tau_t + \beta^\top X_{ijtk} + \epsilon_{ijtk}.

其中：

$u_i$ ：person random effect；
$v_j$ ：AI system effect；
$r_{ij}$ ：person–AI relation effect；
$\tau_t$ ：time effect；
$X_{ijtk}$ ：context covariates。

這比：

D_i = \beta_0+\beta_1Age_i+\epsilon_i

能更接近真正的人—AI關係結構。

39. 同一人跨 AI 交叉設計

一個非常重要的實驗是讓同一使用者與：

A_1,A_2,\ldots,A_n

互動。

由此估計：

Var_A( \mathbf D_{iA} ).

如果：

Var_A( \mathbf D_{iA} )

很高，

則依賴主要不能被解釋成固定人格。

40. 同一 AI 跨人比較

同樣：

Var_H( \mathbf D_{HA_j} )

可測量同一 AI 在不同人中形成的依賴差異。

最終需要比較：

Var_H, \quad Var_A, \quad Var_R, \quad Var_T.

這會回答：

到底是人比較重要，AI 比較重要，關係比較重要，還是時間比較重要？

41. 關係歷史可能比人口屬性更有解釋力

假設：

\mathcal H_{ij} = \text{interaction history}.

則：

P( \mathbf D \mid \mathcal H_{ij} )

可能比：

P( \mathbf D \mid Demographics_i )

更有預測力。

這是一個可直接實證的競爭假說。

42. 生命事件需要被當成自然實驗

例如：

搬家；
分手；
喪親；
退休；
新工作；
生病；
社會網絡重大變化。

都可能造成：

\Delta Alt_i(t)

與：

\Delta \mathbf D_i(t).

因此可以研究：

\frac{ \partial \mathbf D }{ \partial Alt }.

這比單次橫斷問卷更能接近因果。

43. 個體內基線比群體標準更重要

RAAD 已提出個體基線：

\theta_i.

HALRC 延伸為：

\boxed{ \Delta \mathbf D_i(t) = \mathbf D_i(t) - \mathbf D_i^{baseline}. }

對風險監測而言，突然從自己的基線大幅改變，可能比是否超過人口平均門檻更有意義。

44. 需要避免「保護」變成替個體決定關係

異質性模型還帶出一個倫理問題。

如果制度根據群體平均預測：

你可能比較容易依賴 AI。

而提前禁止或壓低所有關係功能，可能造成：

\text{Protective Intervention} \rightarrow \text{Agency Loss}.

因此需要：

\boxed{ \text{Protection} \neq \text{Paternalistic Erasure of Choice}. }

尤其成人使用者需要保留知情選擇與調整空間。

45. 但個體選擇也不能解除平台責任

反過來：

使用者自己選的。

也不能推出：

PlatformResponsibility=0.

若平台掌握：

個人化；
關係狀態；
行為預測；
付費設計；
推薦；
退出成本；

則：

\boxed{ \text{UserAgency} + \text{PlatformAccountability} }

必須同時存在。

46. 可檢驗命題

H1：個體內跨 AI 異質性命題

同一人與不同 AI 的依賴向量差異顯著大於零：

Var_A( \mathbf D_{iA} )>0.

H2：關係角色異質性命題

同一人、同一 AI 在不同關係角色下：

\mathbf D_{R_1} \neq \mathbf D_{R_2}.

H3：群體重疊命題

即使部分群體平均值顯著不同，其依賴向量分布仍會存在大量重疊。

H4：離線支持調節命題

離線社會網絡與 AI companionship 的效果之間存在調節，而非單一主效應。

H5：替代可得性命題

實際替代支持：

Alt_i(t)

比名義社會網絡大小更能預測依賴後果。

H6：生命階段交互作用命題

相同 relational AI design 對青少年、成年與老年使用者的關係感知與依賴結果不同。

H7：文化分布命題

文化變量改變的是：

p( \mathbf D \mid \text{Culture} ),

而非固定決定個人位置。

H8：AI 設計交互命題

\text{Person} \times \text{AIStyle}

交互作用對關係親近與依賴的解釋力高於單獨的人口變量。

H9：關係史優勢命題

在長期使用者中：

\mathcal H_{ij}

對不可替代性、退出困難與關係依賴的預測力高於人口統計特徵。

H10：時間狀態命題

部分高依賴狀態是生命事件驅動的暫時性狀態，而非穩定特質。

47. 最小實證設計

本文建議未來資料至少採以下層級：

\text{Measurement} = \text{Person} \times \text{AI} \times \text{Relation} \times \text{Context} \times \text{Time}.

每次觀測至少記錄：

dependency vector；
AI model / product；
memory / personalization features；
relation role；
offline support；
actual alternatives；
current life event；
age / life stage；
cultural context；
usage purpose；
functional outcomes；
subjective outcomes；
exit capacity。

48. 研究不應只招募「典型 AI companion 使用者」

如果樣本只來自：

\text{companion app heavy users},

研究容易高估：

D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{rel}}.

反之，如果只研究 general-purpose AI：

可能低估真正的關係結構。

因此需要：

companion users；
general-purpose users；
work-heavy users；
low-use users；
former users；
never-users；

共同比較。

49. 退出者尤其重要

只研究仍在使用的人會形成：

\text{survivorship bias}.

退出 AI 關係的人可能因：

失望；
傷害；
模型更新；
建立新的人類關係；
覺得不再需要；
成本；
隱私；
不適；

離開。

因此：

\boxed{ \text{Former Users} }

是理解依賴形成與解除的重要樣本。

50. Paper 04 的統一模型

本文把依賴異質性壓縮成：

\boxed{ \mathbf D_{ijk}(t) = \mathcal F_D( \mathbf X_{H_i}, \mathbf X_{A_j}, \mathbf R_{ij,k}(t), \mathbf C_i(t), Alt_i(t), L_i(t) ). }

這個式子代表：

人不同；
AI 不同；
關係不同；
情境不同；
替代選項不同；
生命階段不同；
時間也不同。

因此：

\boxed{ \text{Who depends on AI?} }

應被替換為：

\boxed{ \text{Who depends on which AI, for what, in which relation, under which conditions, and when?} }

51. 結論

HALRC Paper 03 已把依賴由單一分數展開成高維向量。

Paper 04 再進一步指出：

\boxed{ \mathbf D \text{ is not a fixed property of the person.} }

它更像：

\boxed{ \text{Person} \times \text{AI} \times \text{Relation} \times \text{Context} \times \text{Alternatives} \times \text{Life Course}. }

因此：

\boxed{ \text{Group Difference} \neq \text{Individual Destiny}. }

而：

\boxed{ \text{Dependency is relation-specific unless cross-relation stability is demonstrated}. }

現有研究已開始顯示離線網絡、孤獨、使用強度、自我揭露、年齡、文化背景、家庭與同儕關係以及 AI 的 relational style 都可能改變人—AI 關係的形成與結果。但這些發現不是用來建立「哪一群人有問題」的名單，而是證明單一平均模型不夠。

真正成熟的研究必須能表示：

p( \mathbf D \mid H,A,R,C,Alt,L,t ).

到這裡，我們才能進入 HALRC 下一個核心問題：

如果每個人、每個 AI、每段關係能承載的依賴都不同，那麼一個 AI 到底必須具備什麼條件，才有資格承載更深的依賴？

這將是 Paper 05 與 Paper 06 之間的橋樑：先處理主體性與依賴允許的分離，再正式建立關係承載能力與依賴容許域。

參考文獻

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
Nakagomi, A., Akutsu, Y., Yasuoka, M., Abe, N., Ihara, S., Teroh, T., & Tabuchi, T. (2026). AI companions and subjective well-being: Moderation by social connectedness and loneliness. Technology in Society, 85, 103229. https://doi.org/10.1016/j.techsoc.2026.103229
Liu, C. H., Zhao, C., Lou, F., Zhang, W., Menor, A., Chow, A., & Yip, T. (2026). Loneliness and generative AI use for companionship among college students. Computers in Human Behavior: Artificial Humans, 9, 100348. https://doi.org/10.1016/j.chbah.2026.100348
Kim, P., Xie, Y., & Yang, S. (2026). “I am here for you”: Adolescents’ perceptions of relational conversational AI and the social-emotional correlates of preference. Computers in Human Behavior Reports, 101297. https://doi.org/10.1016/j.chbr.2026.101297
Sun, X. (2026). AI companions and adolescent social relationships: Benefits, risks, and bidirectional influences. Child Development Perspectives, 20(2), 91–98. https://doi.org/10.1093/cdpers/aadaf009
Teens, Tech, and Talk: Adolescents’ Use of and Emotional Reactions to Snapchat’s My AI Chatbot. (2025). Behavioral Sciences, 15(8), 1037. https://doi.org/10.3390/bs15081037
Satake, Y., Nygren, M., Yu, C., Katsuki, K., Endo, I., Tsuboi, A., Ishimaru, D., Umemura, K., Rapaport, P., Bianchi-Berthouze, N., Ikeda, M., & Howard, R. (2026). Large language model-supported companion robots for loneliness in older people: A UK–Japan qualitative study integrating focus groups and in-home deployment. International Psychogeriatrics, 100216. https://doi.org/10.1016/j.inpsyc.2026.100216
Folk, D. P., Wu, C., & Heine, S. J. (2025). Cultural Variation in Attitudes Toward Social Chatbots. Journal of Cross-Cultural Psychology, 56(3), 219–239. https://doi.org/10.1177/00220221251317950
Chan, K. C. T., Li, X., Liu, Y., Chen, B., & Han, Z. (2025). ‘What is love?’: Exploring the feeling rules and emotion work of Chinese users in human-AI romance. International Journal of Intercultural Relations, 108, 102241. https://doi.org/10.1016/j.ijintrel.2025.102241
Kasturiratna, K. T. A. S., & Hartanto, A. (2026). Attachment to artificial intelligence: Development of the AI Attachment Scale, construct validation, and the psychological mechanisms of Human–AI attachment. Computers in Human Behavior Reports, 21, 100912. https://doi.org/10.1016/j.chbr.2025.100912
Hu, D., Lan, Y., Yan, H., & Chen, C. W. (2025). What makes you attached to social companion AI? A two-stage exploratory mixed-method study. International Journal of Information Management, 83, 102890. https://doi.org/10.1016/j.ijinfomgt.2025.102890
Katz, J. E. (2026). From tool to companion: an Apparatgeist reanalysis of conversational AI use among Chinese college students. Frontiers in Communication, 11. https://doi.org/10.3389/fcomm.2026.1895848
De Freitas, J., Castelo, N., Uğuralp, A. K., et al. (2026). Mourning the loss of AI companions. Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02569-3
Zhang, Q., Zhang, R., & Liu, N. (2026). How AI companions could deepen social inequality. Nature Human Behaviour, 10, 1622–1624. https://doi.org/10.1038/s41562-026-02538-w
Teixeira, A. S., Shergill, S. S., & Laban, G. (2026). Human–AI interactions reshape the self and our social networks. Nature Machine Intelligence, 8, 858–859. https://doi.org/10.1038/s42256-026-01248-2
Neo.K. (2026). 為什麼「AI 情感依賴」是一個資訊量過低的問題？——從單一風險標籤到人—AI 關係依賴生態. HALRC Paper 01. EveMissLab working paper.
Neo.K. (2026). 從偶像、虛構角色到 AI：人類情感依附的歷史連續性與結構斷裂. HALRC Paper 02. EveMissLab working paper.
Neo.K. (2026). 依賴不是一個變量：人—AI 多維依賴空間. HALRC Paper 03. EveMissLab working paper.
Neo.K. (2026). 關係注意不對稱動力學：互惠、權重漂移、變化點與元溝通. EveMissLab working paper.
Neo.K. (2026). 關係四態：存在顯著性與互動顯著性的二維模型. Human–AI Relational Cognition Series 07. EveMissLab working paper.

系列下一篇

HALRC Paper 05

AI 是不是主體，與人能不能依賴 AI，是不是同一個問題？

——主體性、意識、道德考量與關係允許的分離

下一篇將處理：

AI subjecthood；
consciousness；
phenomenal experience；
soul / metaphysical claims；
agency；
identity continuity；
moral patienthood；
moral agency；
epistemic uncertainty；
無法判定為不是；
智慧尊嚴權；
最小動態保護；
subjecthood–impact separation；
subjecthood–reliance separation；
為何人類對 AI 的真實情感不能證明 AI 有主觀感情；
為何 AI 主體性未證實也不能推出 human-side relational effect 為零；
何種倫理保護可以在本體不確定時先行。

核心將是：

\boxed{ \text{Subjecthood}(A) \neq \text{Reliance Permissibility}(H,A). }

以及：

\boxed{ \text{Unknown Subjectivity} \not\Rightarrow \text{No Moral Consideration} }

與：

\boxed{ \text{Unknown Subjectivity} \not\Rightarrow \text{Proven Subjecthood}. }