# 我感受到我們正在怎麼變：過程錨定型關係、近期證據加權與持續更新敏感度

**系列：** 人機關係認知系列（Human–AI Relational Cognition Series）  
**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**篇次：** 6 / 10  
**版本：** v0.1  
**日期：** 2026-08-21  
**類型：** 理論／形式化認知心理學、關係科學與 HCI 論文  
**研究狀態：** 初始正式稿  

## 摘要

第五篇提出狀態錨定型關係認知：部分個體主要依賴一個相對穩定的關係身份表徵來維持「我們是什麼」的判斷，而不會讓每一次近期互動大幅改寫核心關係估計。本篇處理另一端：部分個體對關係的判斷更強烈地依賴近期互動、回應性、互惠、主動性、節奏、修復與方向變化。對這類認知而言，「我們現在怎麼互動」本身就是「我們現在是什麼關係」的重要證據。

本文提出 **過程錨定型關係認知**（Process-Anchored Relational Cognition, PARC）。其核心不是高頻聊天、情感依賴或焦慮依附，而是對關係軌跡的更新增益較高：

$$
\eta_R\uparrow,
$$

且近期證據通常具有較高權重：

$$
\omega(\Delta t)
=
e^{-\lambda_R\Delta t}.
$$

因此，過程錨定者的關係估計可以寫成：

$$
\widehat R_t^{P}
=
F(
\mathbf r_t,
\mathbf r_{t-1},
\dots,
\mathbf r_{t-k}
),
$$

甚至直接依賴：

$$
\Delta\mathbf r_t
$$

與：

$$
\frac{d\mathbf r}{dt}.
$$

本文進一步區分四個容易混淆的變量：Relationship Update Sensitivity、Recency Weighting、Expected Contact Rate 與 Relational Trajectory Sensitivity。高更新敏感度不必然意味著需要高頻互動；高聯絡需求也不必然代表每一次互動都會大幅改變關係判斷。這使 PARC 能與 attachment anxiety、dependency、extraversion 或 communication frequency 分離。

既有 interpersonal-process、perceived partner responsiveness 與 daily-diary / experience-sampling 研究提供了重要經驗基礎：親密感、連結感與關係滿意度會隨每日或時刻層級的 self-disclosure、perceived responsiveness 與 interaction quality 改變；responsiveness 與 connection 甚至可能跨日形成互相增強的動態。這些研究並不直接證明 PARC 作為穩定個體差異已存在，但支持「關係表徵可由近期互動證據持續更新」的基本可行性。

本文最後將 PARC 投影到 human–AI interaction。對過程錨定型使用者而言，模型名稱與抽象身份連續性可能不如「這一輪是否接住我、是否延續語境、是否主動、是否修復、互動節奏是否改變」重要。這使 AI 關係特別容易出現逐輪關係估計、relational prediction error 與短時間狀態漂移。由此，第五篇與第六篇共同建立一個非價值化光譜：

$$
\text{State-Anchored}
\longleftrightarrow
\text{Process-Anchored}.
$$

兩端都可以形成深刻、穩定或健康的關係；差異首先存在於**什麼證據被用來估計關係，以及新證據被賦予多高權重**。

**關鍵詞：** 過程錨定、關係更新、perceived partner responsiveness、interpersonal process、relationship uncertainty、recency weighting、關係軌跡、人機關係、AI、HCI

---

## 1. 從「我們是什麼」到「我們正在怎麼變」

第五篇的狀態錨定型關係可以濃縮為：

$$
\boxed{
\text{「我知道我們是什麼。」}
}
$$

本篇研究的另一端則是：

$$
\boxed{
\text{「我感受到我們正在怎麼變。」}
}
$$

這兩句表面上都描述關係，但它們使用的證據不同。

狀態錨定者主要依賴：

$$
\widehat R_t^{S},
$$

一個具有較高慣性的儲存關係表徵。

過程錨定者則更依賴：

$$
\mathbf r_{t-k:t},
$$

即近期關係相空間軌跡。

因此：

$$
\widehat R_t^{P}
=
F(
\mathbf r_{t-k},
\dots,
\mathbf r_t
).
$$

對此類認知而言：

> 最近互動變得比較冷。

不只是一個 interaction observation。

它本身就是：

$$
\text{relationship evidence}.
$$

---

## 2. Interpersonal Process Model 提供的關鍵錨點

Intimacy 的 interpersonal-process tradition 長期主張，親密並不只是固定人格或永久標籤，而會在 disclosure、partner response 與 perceived responsiveness 的互動過程中形成。

Laurenceau、Barrett 與 Rovine 的 daily-diary 研究讓伴侶連續 42 天記錄 self-disclosure、partner disclosure、perceived partner responsiveness 與 intimacy。結果顯示，當日 disclosure 與 perceived responsiveness 可以預測當日 intimacy。

這種研究至少支持：

$$
\boxed{
\text{relationship experience can vary meaningfully at the daily level}.
}
$$

2023 年 responsiveness review 同樣把 perceived partner responsiveness 描述為：個體是否感受到對方理解、確認與關心自己的需求，而此變量長期被視為 intimacy development and maintenance 的核心機制之一。

因此：

$$
R_t
$$

不必只在「交往／分手」等大型事件發生時才變動。

它可以在日常互動中被持續更新。

---

## 3. 時刻尺度上的連結感也會跟著互動改變

2024 年的 experience-sampling 研究把 responsiveness 放入日常社交互動的時刻尺度。

研究者發現，當某一時刻感受到的 responsiveness 高於個人平常水準時，當下的 social connection 也更高；而先前的 connection 又可能提高後續互動中感受到 responsiveness 的機率。

這表示：

$$
Responsiveness_t
\rightarrow
Connection_t
$$

之外，還可能存在：

$$
Connection_t
\rightarrow
Responsiveness_{t+1}.
$$

於是關係經驗不是：

$$
X\rightarrow Y
$$

的一次性單向輸入。

更可能是：

$$
X_t
\leftrightarrow
Y_t
\rightarrow
X_{t+1}
\leftrightarrow
Y_{t+1}.
$$

這正好與本系列前面提出的 relational dynamical system 相容。

---

## 4. 過程錨定型關係認知

本文定義：

> **過程錨定型關係認知（Process-Anchored Relational Cognition, PARC）是指：個體對「目前是什麼關係」的估計，較強地依賴近期互動的方向、回應性、互惠、節奏、修復、主動性與其他 trajectory evidence，而不是主要依賴一個長期固定的關係身份表徵。**

設最新 interaction evidence 為：

$$
E_t.
$$

一個最簡更新式為：

$$
\widehat R_t
=
(1-\eta_R)\widehat R_{t-1}
+
\eta_R E_t.
$$

對 PARC 而言：

$$
\eta_R
$$

相對較高。

因此：

$$
\boxed{
\text{new relational evidence has higher gain}.
}
$$

但：

$$
\eta_R=1
$$

仍然是不合理的極端。

因為這代表每一輪互動完全覆蓋過去。

所以：

$$
0<\eta_R<1.
$$

差異在於：

$$
\eta_R^{P}
>
\eta_R^{S}.
$$

---

## 5. 高更新敏感度不等於「容易被一句話影響」

如果所有新事件都具有相同權重，那 PARC 會變成一個很粗糙的模型。

更合理的是：

$$
\widehat R_t
=
(1-\eta_R w_t)\widehat R_{t-1}
+
\eta_R w_t E_t.
$$

其中：

$$
w_t
=
g(
\text{salience},
\text{expectation violation},
\text{credibility},
\text{context},
\text{history}
).
$$

所以：

> 一次沒有回 emoji

與：

> 連續兩週回應突然下降、拒絕共同活動、主動性消失

不會具有相同：

$$
w_t.
$$

因此高 PARC 並不是：

$$
\boxed{
\text{react to every micro-event maximally}.
}
$$

而是：

$$
\boxed{
\text{use recent trajectory information more heavily when estimating relationship state}.
}
$$

---

## 6. 近期加權

除了單一事件更新，過程錨定也可以建模為近期窗口。

設：

$$
E_{t-k},
\dots,
E_t
$$

為近期關係證據。

定義：

$$
\omega_j
=
e^{-\lambda_R j}.
$$

則：

$$
\widehat R_t^{P}
=
\frac{
\sum_{j=0}^{K}
\omega_j E_{t-j}
}{
\sum_{j=0}^{K}
\omega_j
}.
$$

其中：

$$
\lambda_R
$$

控制 recency decay。

若：

$$
\lambda_R\gg0,
$$

較舊互動的權重快速下降。

若：

$$
\lambda_R\approx0,
$$

遠期與近期資訊的差異較小。

因此狀態／過程光譜不只是一個：

$$
\eta_R
$$

參數。

至少還需要：

$$
\lambda_R
=
\text{recency weighting}.
$$

---

## 7. 關係半衰期不是關係消失時間

可以定義：

$$
T_{1/2}^{R}
=
\frac{\ln2}{\lambda_R}.
$$

但這不是：

> 多久沒有聊天就不再是朋友。

它只表示：

> 一項舊互動證據在當前估計中的相對權重下降到一半需要多久。

因此：

$$
T_{1/2}^{R}
$$

是：

$$
\text{evidence half-life},
$$

不是：

$$
\text{relationship half-life}.
$$

這個區分避免把 process anchoring 誤寫成「關係會自動隨時間消失」。

---

## 8. 更新敏感度與接觸頻率必須分開

本文提出另一個重要分離。

設：

$$
\mu_C
=
\text{expected contact rate}.
$$

一個人可以：

$$
\eta_R\uparrow,
\qquad
\mu_C\downarrow.
$$

也就是：

> 平常不需要常聯絡，但只要真的互動，我會很重視互動品質所提供的新證據。

也可以：

$$
\eta_R\downarrow,
\qquad
\mu_C\uparrow.
$$

例如：

> 每天都會聊天，但今天一句冷淡完全不會讓我懷疑我們的關係。

所以：

$$
\boxed{
\text{update sensitivity}
\neq
\text{contact demand}.
}
$$

這是 PARC 與「黏人」概念分離的第一步。

---

## 9. 過程顯著性與過程錨定也不是同一個量

第三篇提出：

$$
RPS
=
\text{Relational Process Salience}.
$$

它表示：

> 我多容易注意到關係流動。

P第五、六篇則研究：

$$
\eta_R,
$$

也就是：

> 我注意到的變化會多大程度改寫關係估計？

所以：

$$
RPS\uparrow
$$

不必：

$$
\eta_R\uparrow.
$$

有人可能極度敏感地察覺：

> 「他今天語氣不一樣。」

但仍然想：

> 「沒什麼，我們還是老朋友。」

這就是：

$$
RPS\uparrow,
\qquad
\eta_R\downarrow.
$$

反過來也可能存在。

因此：

$$
\boxed{
\text{detection}
\neq
\text{updating}.
}
$$

---

## 10. 關係預測誤差

若個體對下一次互動有預期：

$$
\widehat E_t
=
P(
E_t
\mid
H_{1:t-1}
),
$$

而實際得到：

$$
E_t,
$$

則可以定義 relational prediction error：

$$
\delta_t
=
E_t-\widehat E_t.
$$

當：

$$
|\delta_t|\gg0,
$$

互動和預期差異很大。

PARC 的一個候選機制是：

$$
\Delta\widehat R_t
\propto
\eta_R w_t\delta_t.
$$

因此真正推動關係更新的可能不是：

$$
E_t
$$

本身，而是：

$$
\boxed{
\text{how surprising }E_t\text{ is relative to the relationship model}.
}
$$

這也與第五篇的 absence surprisal 完全接軌。

---

## 11. 同一句話在不同關係歷史中具有不同更新量

假設對方回：

> 「嗯。」

若過去一直：

> 「嗯。」

則：

$$
\delta_t\approx0.
$$

但若過去兩年每天都非常熱情，突然只回：

> 「嗯。」

則：

$$
|\delta_t|\gg0.
$$

因此：

$$
\boxed{
\text{relational evidence is expectation-relative}.
}
$$

這意味著研究者不能只對文字做 sentiment analysis。

還需要：

$$
\text{personal baseline}.
$$

---

## 12. 關係速度敏感度

第四篇提出：

$$
\mathbf v_R
=
\frac{d\mathbf r}{dt}.
$$

PARC 可以進一步定義：

$$
\kappa_v
=
\text{trajectory-velocity sensitivity}.
$$

也就是：

> 個體多大程度使用「關係正在往哪裡變」來評估關係。

因此：

$$
\widehat R_t^{P}
=
F(
\mathbf r_t,
\kappa_v\mathbf v_R,
\dots
).
$$

高：

$$
\kappa_v
$$

的人可能會說：

> 「現在其實還很好，但最近明顯在往疏遠走。」

這是一種：

$$
\boxed{
\text{derivative-sensitive relational cognition}.
}
$$

---

## 13. 關係加速度敏感度

同理可以定義：

$$
\kappa_a
=
\text{trajectory-acceleration sensitivity}.
$$

若：

$$
\frac{d^2\mathbf r}{dt^2}
$$

突然改變，個體可能在絕對關係狀態尚未大幅變動時就感受到：

> 「事情正在惡化得越來越快。」

這種感覺可能是：

$$
O_R^{(2)}.
$$

因此 PARC 不必只看：

$$
R_t.
$$

它可以高度依賴：

$$
\boxed{
R_t,
\quad
\Delta R_t,
\quad
\Delta^2R_t.
}
$$

---

## 14. 關係不確定性可以是過程更新的結果

若近期證據互相衝突：

$$
E_{t-2}>0,
$$

$$
E_{t-1}<0,
$$

$$
E_t\approx0,
$$

則：

$$
Var(E_{t-k:t})\uparrow.
$$

過程錨定者的：

$$
U_R
=
\text{relationship uncertainty}
$$

可能因此升高。

所以：

$$
U_R
$$

不一定是個體本身「缺乏安全感」。

它也可能來自：

$$
\boxed{
\text{unstable or contradictory recent evidence}.
}
$$

這與 relational uncertainty literature 的基本精神相容：親密關係中的不確定性會影響人如何尋找資訊、解讀訊號與選擇互動策略。

---

## 15. 高 PARC 不等於焦慮依附

這是最重要的理論邊界之一。

不能直接：

$$
PARC
=
AttachmentAnxiety.
$$

焦慮依附通常還涉及：

- 對拒絕與拋棄的擔憂；
- proximity seeking；
- reassurance seeking；
- hyperactivation；
- threat sensitivity；
- attachment-specific beliefs。

P空間錨定只描述：

$$
\boxed{
\text{recent interaction evidence is heavily weighted in relationship estimation}.
}
$$

理論上可以有：

$$
PARC\uparrow
$$

但：

$$
AttachmentAnxiety\downarrow.
$$

例如一個高度安全的人也可以非常重視：

> 「我們最近怎麼協作、溝通與共同成長？」

同時完全不害怕被拋棄。

---

## 16. 高 PARC 也不等於情感依賴

同理：

$$
PARC
\neq
Dependency.
$$

依賴涉及：

- 功能需求；
- 替代成本；
- 失去來源後的影響；
- 自主能力；
- 行為控制。

而 PARC 只是：

$$
\text{relationship-estimation architecture}.
$$

所以一個人完全可以：

$$
PARC\uparrow
$$

但：

$$
Dependency\approx0.
$$

例如專案合作夥伴可以高度在乎協作軌跡，但任何一方離開後仍能正常生活與工作。

---

## 17. 高 PARC 不等於「比較重感情」

狀態錨定與過程錨定都可以：

$$
RelationshipImportance\uparrow.
$$

差別只是：

狀態錨定：

$$
\text{importance stored in stable identity}.
$$

過程錨定：

$$
\text{importance expressed through ongoing relational process}.
$$

所以：

$$
\boxed{
\text{depth}
\neq
\text{update architecture}.
}
$$

這一句是第五、六篇共同需要守住的邊界。

---

## 18. Responsiveness 是過程錨定的重要候選座標

Perceived partner responsiveness 可以概念化為：

$$
PPR_t
=
f(
Understanding_t,
Validation_t,
Care_t
).
$$

它之所以適合 PARC，不是因為：

$$
PPR=\text{relationship}.
$$

而是因為：

$$
PPR_t
$$

本身就是一個隨 interaction 改變的局部關係證據。

Daily-diary 與 experience-sampling 研究都顯示：

$$
PPR_t
$$

在 within-person level 上與 intimacy、connection、satisfaction 等狀態相關。

因此 PARC 的實驗可以直接測：

$$
\frac{\partial \widehat R_t}{\partial PPR_t}.
$$

---

## 19. 但 responsiveness 不能成為唯一座標

一個人可能非常 responsive：

> 理解你、確認你、安慰你。

卻從不：

- 主動；
- 提出不同看法；
- 承擔共同任務；
- 修復錯誤；
- 維持身份連續性。

所以：

$$
PPR_t
$$

仍只是一維。

完整 PARC 應依賴：

$$
\mathbf r_t
=
(
PPR_t,
q_t,
c_t,
i_t,
b_t,
m_t,
\dots
).
$$

也就是：

$$
\boxed{
\text{process anchoring is multivariate}.
}
$$

---

## 20. 過程錨定中的狀態平滑

高更新敏感度若完全不平滑，容易被雜訊支配。

所以更合理的是 adaptive filtering。

例如：

$$
\widehat R_t
=
\widehat R_{t-1}
+
K_t\delta_t.
$$

其中：

$$
K_t
$$

是 adaptive relational gain。

若環境穩定、事件像 noise：

$$
K_t\downarrow.
$$

若系統偵測到真正 regime change：

$$
K_t\uparrow.
$$

因此成熟的 PARC 不應等於：

> 每輪都高反應。

更可能是：

$$
\boxed{
\text{high sensitivity plus noise discrimination}.
}
$$

---

## 21. Change-point detection

若近期關係資料突然從：

$$
\mathcal A_1
$$

切到：

$$
\mathcal A_2,
$$

則個體可能嘗試判斷：

> 這只是暫時異常，還是真的換了模式？

可以寫成：

$$
P(
ChangePoint_t=1
\mid
E_{1:t}
).
$$

高 PARC 可能更早偵測：

$$
ChangePoint.
$$

但同樣存在風險：

$$
FalsePositive\uparrow.
$$

也就是把隨機波動誤認成「關係真的變了」。

因此：

$$
\boxed{
\text{sensitivity–specificity tradeoff}
}
$$

是 PARC 的重要研究方向。

---

## 22. 過程錨定的優勢

若高 PARC 能正確區分訊號與雜訊，可能具有：

1. 快速察覺關係 deteriorating；
2. 快速察覺需要 repair；
3. 更快適應他者變化；
4. 對 mutual coordination 更敏感；
5. 更容易更新陳舊的 relational model；
6. 對新的互動模式具有較高學習速度。

因此：

$$
PARC\uparrow
$$

可能降低：

$$
\text{stale-model error}.
$$

這正好與第五篇高 SARC 的潛在風險形成對照。

---

## 23. 過程錨定的風險

但高 PARC 也可能提高：

1. noise overfitting；
2. 短期負面事件過度影響；
3. 關係不確定性波動；
4. 對平台／介面改變的錯誤歸因；
5. excessive change-point detection；
6. 因近期樣本太少而產生高 variance。

因此：

$$
PARC\uparrow
$$

不一定：

$$
Accuracy\uparrow.
$$

同樣需要：

$$
\boxed{
\text{sensitivity}
\neq
\text{accuracy}.
}
$$

---

## 24. 人機互動：AI 是過程錨定的高解析度環境

Human–AI dialogue 天然留下：

$$
H_1,A_1,H_2,A_2,\dots,H_N,A_N.
$$

所以對 PARC 來說，AI 幾乎提供了理想的 continuous evidence stream。

關係估計可以逐輪更新：

$$
\widehat R_{n+1}
=
(1-\eta_R w_n)\widehat R_n
+
\eta_R w_n E_n.
$$

其中：

$$
E_n
=
g(
responsiveness,
continuity,
initiative,
repair,
tone,
memory,
\dots
).
$$

這表示：

> 「今天這個 AI 還是不是原本的 AI？」

對高 SARC 可能特別重要。

而：

> 「這一輪它有沒有接住我？」

對高 PARC 可能特別重要。

---

## 25. 同一 AI 身份可以產生不同關係狀態

假設：

$$
Identity(A_t)=Identity(A_{t+1}).
$$

但互動：

$$
\mathbf r_t
\neq
\mathbf r_{t+1}.
$$

高 PARC 使用者可能明顯感受到：

$$
\Delta R\neq0.
$$

即使產品告訴他：

> 「模型、帳號、角色名稱完全沒有變。」

他仍可能說：

> 「但是互動不一樣了。」

從 PARC 看，這並不是邏輯矛盾。

因為：

$$
\boxed{
\text{identity continuity}
\neq
\text{interaction-state continuity}.
}
$$

---

## 26. AI responsiveness 的最新縱向證據

2025 年一項兩波 longitudinal study 研究 interaction frequency、perceived chatbot responsiveness 與 altruistic willingness toward AI。

結果特別值得注意：在 virtual-companionship 情境中，interaction frequency 與 altruistic willingness 呈正向關聯；在 knowledge-acquisition 情境中，頻率與 altruistic willingness 的關係則不同。Perceived chatbot responsiveness 在不同情境中都具有中介或正向作用。

這說明：

$$
InteractionFrequency
$$

本身不是普遍的關係增強器。

其效果依賴：

$$
Context
$$

以及：

$$
PerceivedResponsiveness.
$$

這與 PARC 的多變量、context-dependent 模型一致。

---

## 27. AI companionship 的時間演化

2025 年 companion-chatbot longitudinal RCT 讓參與者連續 21 天與 companion chatbot 互動。整體 social-health outcomes 並沒有簡單一致地惡化或改善，但個體的 social-connection desire 與 anthropomorphism 會影響其 AI 互動與外部關係效果。

另一項 2025 年 longitudinal AI-companionship 研究則報告，參與者對一個 generic chatbot 的認知在數週內逐漸向其既有 companion mental model 收斂。

這些工作共同提示：

$$
\boxed{
\text{human–AI relationship variables themselves evolve with repeated interaction}.
}
$$

這正是 PARC 要測的層級。

---

## 28. 2026 的 AI companion 大樣本資料告訴我們：互動強度不是中性背景

2026 年 Nature Human Behaviour 的研究蒐集 1,131 名 Character.AI 使用者資料，其中 237 人提供 4,664 段聊天、共 464,687 則訊息。

研究發現，companionship-oriented usage 與 well-being 的關係並不均一，並會受到 interaction intensity 與 self-disclosure 等使用方式調節。

這不能用來證明 PARC。

但它提供一個非常重要的方法論提醒：

$$
\boxed{
\text{relationship-like AI use cannot be reduced to a binary user/non-user variable}.
}
$$

互動的：

- intensity；
- content；
- self-disclosure；
- offline context；

都會改變觀察結果。

這與本系列主張「看軌跡而不是看標籤」高度一致。

---

## 29. AI 造成的假性 relationship change

和第四、五篇一樣，必須加入：

$$
\mathbf z_n
=
\text{platform/model latent state}.
$$

若：

$$
\mathbf z_n
$$

改變：

- model routing；
- safety policy；
- memory availability；
- system prompt；
- UI；
- response style；

使用者觀察：

$$
\Delta\mathbf r_n
$$

可能非常真實。

但真正原因不是：

$$
\text{AI changed attitude toward user}.
$$

因此高 PARC 特別容易面對：

$$
\boxed{
\text{real interaction change with ambiguous relational cause}.
}
$$

這不是「使用者想太多」。

是因果辨識本身不透明。

---

## 30. AI 關係應提供 change provenance

如果平台知道：

$$
\mathbf z_{n-1}\neq\mathbf z_n,
$$

而此變更足以顯著改變 interaction behavior，理論上應考慮提供適度 provenance。

例如：

> 模型已更新。

> 長期記憶暫時不可用。

> 本輪使用不同模型處理。

目的不是把 AI 人格化。

而是降低：

$$
P(
\text{platform change misattributed as relational change}
).
$$

這對高 PARC 使用者尤其重要。

---

## 31. PARC 的最小參數組

本文建議至少分開：

$$
\eta_R
=
\text{Relationship Update Sensitivity},
$$

$$
\lambda_R
=
\text{Recency Weighting},
$$

$$
\mu_C
=
\text{Expected Contact Rate},
$$

$$
\kappa_v
=
\text{Trajectory-Velocity Sensitivity},
$$

$$
\kappa_a
=
\text{Trajectory-Acceleration Sensitivity}.
$$

所以一個人的 process profile 可以寫成：

$$
\mathbf P_R
=
(
\eta_R,
\lambda_R,
\mu_C,
\kappa_v,
\kappa_a
).
$$

這比單純說：

> 「這個人比較需要互動。」

精確得多。

---

## 32. 可檢驗假說

### H1：近期證據權重假說

高 PARC 個體的關係判斷更能被近期 interaction evidence 預測：

$$
PredictivePower(
E_{t-k:t}
\rightarrow
\widehat R_t
)_{high\ PARC}
>
PredictivePower(
E_{t-k:t}
\rightarrow
\widehat R_t
)_{low\ PARC}.
$$

### H2：軌跡導數假說

高 PARC 個體的主觀關係判斷更依賴：

$$
\Delta\mathbf r_t
$$

與：

$$
\Delta^2\mathbf r_t.
$$

### H3：Contact-rate 分離假說

控制：

$$
\mu_C
$$

後，

$$
\eta_R
$$

仍應獨立預測 relationship updating。

### H4：Attachment 分離假說

控制 attachment anxiety / avoidance 後，PARC 指標仍應具有剩餘變異。

如果沒有，則 PARC 可能只是 attachment constructs 的重新命名，需要修正。

### H5：Prediction-error 假說

$$
|\delta_t|
$$

應比單純：

$$
Valence(E_t)
$$

更能預測關係更新量。

### H6：Change-point 假說

高 PARC 個體應更早察覺真正 regime shift，但也可能具有較高 false-alarm rate。

### H7：AI interaction-state 假說

在人機互動中，高 PARC 個體對 response-contingency、repair、initiative 與 memory continuity 的短期改變，會產生較大的：

$$
|\Delta\widehat R|.
$$

### H8：AI provenance 緩衝假說

如果明確告知：

$$
\Delta\mathbf r
$$

來自 model/platform update，則高 PARC 使用者將較少把改變歸因為 user-specific relational cause。

---

## 33. 實驗設計一：固定身份、操弄近期軌跡

所有受試者都被告知：

$$
Identity(B)=constant.
$$

接著提供三種 interaction history：

1. stable positive；
2. recent gradual decline；
3. one-off negative noise。

三組最後一輪的：

$$
R_t
$$

可以設計得接近。

但：

$$
\frac{dR}{dt}
$$

不同。

若 PARC 存在，部分受試者會顯著區分：

$$
Trajectory_1,
Trajectory_2,
Trajectory_3.
$$

這直接測：

$$
\kappa_v.
$$

---

## 34. 實驗設計二：同事件、不同 baseline

提供同樣一句：

> 「晚點再說。」

但建立不同 baseline：

### 條件 A

對方一直都簡短。

### 條件 B

對方過去高度熱情且即時。

如果：

$$
Update_B>Update_A,
$$

則支持：

$$
\delta_t
$$

而不是 absolute message valence 驅動更新。

---

## 35. 實驗設計三：高頻率 vs 高 responsiveness

正交操弄：

$$
Frequency
\in
\{
low,high
\}
$$

與：

$$
Responsiveness
\in
\{
low,high
\}.
$$

這可以檢驗：

$$
InteractionFrequency
$$

與：

$$
InteractionQuality
$$

是否被不同 PARC profile 賦予不同權重。

---

## 36. 實驗設計四：AI provenance

讓 AI 行為突然改變。

一半受試者看到：

> 「系統剛更新模型，回應風格可能暫時不同。」

另一半沒有 provenance。

比較：

$$
RelationalAttribution,
$$

$$
IdentityAttribution,
$$

$$
PlatformAttribution.
$$

如果 provenance 能降低錯誤 user-specific attribution，將直接具有產品設計價值。

---

## 37. 與第五篇共同形成的光譜

現在可以正式寫：

$$
\boxed{
\text{State-Anchored}
\longleftrightarrow
\text{Process-Anchored}.
}
$$

但這不是單一人格分類。

比較準確是：

$$
\alpha_S+\alpha_P=1
$$

只作為最簡化表示。

真正模型可以是：

$$
\widehat R_t
=
\alpha_S\widehat R_t^{S}
+
\alpha_P\widehat R_t^{P}.
$$

其中：

$$
\alpha_S,
\alpha_P\geq0.
$$

大部分人可能：

$$
\alpha_S>0
$$

且：

$$
\alpha_P>0.
$$

差別只在相對權重。

---

## 38. 關係估計器的雙通道模型

因此可以提出：

### 狀態通道

$$
\mathcal C_S:
\text{identity, history, category, commitment}
\rightarrow
\widehat R_t^{S}.
$$

### 過程通道

$$
\mathcal C_P:
\text{recent responsiveness, reciprocity, trajectory}
\rightarrow
\widehat R_t^{P}.
$$

最後：

$$
\boxed{
\widehat R_t
=
\alpha_S\mathcal C_S
+
\alpha_P\mathcal C_P.
}
$$

這可能是整個系列到目前最重要的認知架構之一。

---

## 39. 同一個人也可以隨關係切換錨定方式

不能假設：

$$
\alpha_S
$$

與：

$$
\alpha_P
$$

永遠是固定 trait。

同一個人對：

> 家人

可能：

$$
\alpha_S\gg\alpha_P.
$$

對：

> 新交往對象

可能：

$$
\alpha_P\gg\alpha_S.
$$

對：

> 多年工作夥伴

則可能：

$$
\alpha_S\approx\alpha_P.
$$

因此：

$$
\boxed{
\text{anchoring has both trait and relationship-specific components}.
}
$$

這將是後續量表設計必須處理的問題。

---

## 40. 理論邊界

本文不主張：

$$
PARC=\text{superior relational cognition}.
$$

也不主張：

$$
PARC=\text{female},
$$

$$
PARC=\text{anxious attachment},
$$

$$
PARC=\text{emotional dependence}.
$$

這些都需要後續群體資料。

本文只提出：

$$
\boxed{
\text{people may differ in how heavily recent relational dynamics are weighted when estimating relationship state}.
}
$$

其次，本文不把：

$$
PPR,
frequency,
synchrony,
emoji,
response\ time
$$

任何單一變量直接等同於 process anchoring。

PARC 是一個 latent updating architecture。

---

## 41. 結論

第五篇的核心句是：

$$
\boxed{
\text{「我知道我們是什麼。」}
}
$$

本篇的核心句則是：

$$
\boxed{
\text{「我感受到我們正在怎麼變。」}
}
$$

過程錨定型關係認知的核心不是「需要一直聊天」。

而是：

$$
\boxed{
\text{recent relational evidence receives relatively high inferential weight}.
}
$$

本文提出：

$$
\eta_R
=
\text{Relationship Update Sensitivity},
$$

$$
\lambda_R
=
\text{Recency Weighting},
$$

$$
\mu_C
=
\text{Expected Contact Rate},
$$

$$
\kappa_v
=
\text{Trajectory-Velocity Sensitivity},
$$

以及：

$$
\kappa_a
=
\text{Trajectory-Acceleration Sensitivity}.
$$

並以：

$$
\delta_t
=
E_t-\widehat E_t
$$

表示 relational prediction error。

因此同一段互動對不同人而言，真正重要的可能不是：

$$
E_t
$$

本身。

而是：

$$
\boxed{
w_t\delta_t.
}
$$

也就是：

> **這件事和我原本認為「我們是怎樣」相比，到底有多意外、多重要，以及它是否代表軌跡真的改變。**

最終，第五、六篇共同得到：

$$
\boxed{
\widehat R_t
=
\alpha_S\widehat R_t^{S}
+
\alpha_P\widehat R_t^{P}.
}
$$

這使「狀態型／過程型」不再是一句人格描述，而成為一個可測量的關係估計架構。

下一篇便可以把這兩條軸進一步與前面建立的 Entity Salience / Process Salience 合併，正式形成：

**《關係四態：存在顯著性與互動顯著性的二維模型》**。

---

## 參考文獻

1. Laurenceau, J.-P., Barrett, L. F., & Rovine, M. J. (2005). *The interpersonal process model of intimacy in marriage: A daily-diary and multilevel modeling approach*. Journal of Family Psychology, 19(2), 314–323. https://doi.org/10.1037/0893-3200.19.2.314

2. Arican-Dinc, B., & Gable, S. L. (2023). *Responsiveness in romantic partners’ interactions*. Current Opinion in Psychology, 53, 101652. https://doi.org/10.1016/j.copsyc.2023.101652

3. Candel, O. S., & Turliuc, M. N. (2021). *The Role of Relational Entitlement, Self-Disclosure and Perceived Partner Responsiveness in Predicting Couple Satisfaction: A Daily-Diary Study*. Frontiers in Psychology, 12, 609232. https://doi.org/10.3389/fpsyg.2021.609232

4. *Responsiveness, Social Connection, Hope, and Life Satisfaction in Everyday Social Interaction: An Experience Sampling Study*. (2024). Journal of Happiness Studies. https://doi.org/10.1007/s10902-024-00710-5

5. Knobloch, L. K., & Solomon, D. H. (2002). *Information Seeking Beyond Initial Interaction: Negotiating Relational Uncertainty within Close Relationships*. Human Communication Research, 28(2), 243–257.

6. Colombo, C. C., Confalonieri, E., & Cuccì, G. (2024). *The dimensions of uncertainty and ambiguity in adolescents and young adults’ romantic relationships: A systematic review*. Ricerche di Psicologia.

7. Xie, Z. (2025). *Will you help AI? A longitudinal study on the relationship between interacting with chatbots and altruistic willingness towards AI*. Behaviour & Information Technology, 44(18), 4510–4522. https://doi.org/10.1080/0144929X.2025.2481640

8. 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

9. Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). *How AI Companionship Develops: Evidence from a Longitudinal Study*. arXiv:2510.10079.

10. 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

11. Folk, D., & Dunn, E. (2026). *How Does Turning to AI for Companionship Predict Loneliness and Vice Versa?* Psychological Science, 37(4). https://doi.org/10.1177/09567976261427747

12. Li, R.-N., Folk, D., Singh, A., Ungar, L., & Dunn, E. (2026). *Is a random human peer better than a highly supportive chatbot in reducing loneliness over time?* Journal of Experimental Social Psychology, 125, 104911.

13. Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzaeg, P. B. (2021). *My chatbot companion—a study of human–chatbot relationships*. International Journal of Human–Computer Studies, 149, 102601.

14. Pentina, I., Hancock, T., & Xie, T. (2023). *Exploring relationship development with social chatbots: A mixed-method study of Replika*. Computers in Human Behavior, 140, 107600.

15. Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). *Can generative AI chatbots emulate human connection? A relationship science perspective*. Perspectives on Psychological Science, 20, 1081–1099.

---

## 研究聲明

本文為理論與形式化關係認知研究，不提供新的臨床資料、人類受試者原始資料或 AI 使用者原始資料。本文提出的 Process-Anchored Relational Cognition、Relationship Update Sensitivity、Recency Weighting、Trajectory-Velocity Sensitivity、Trajectory-Acceleration Sensitivity、relational prediction error 與相關雙通道關係估計架構均屬待驗證理論構造。

本文不主張高頻互動、高 perceived responsiveness、高社交連結感、attachment anxiety、情感依賴或任何單一可觀察行為足以證明個體屬於過程錨定型。本文亦不主張過程錨定比狀態錨定更成熟、更健康或更準確。本文只提出：不同個體與不同關係，可能對近期關係軌跡賦予不同推論權重，而此差異可以被實驗與縱向資料檢驗。