# 男女不是兩種人：群體分布如何投影到關係認知空間 **系列：** 人機關係認知系列（Human–AI Relational Cognition Series） **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **篇次：** 8 / 10 **版本：** v0.1 **日期：** 2026-08-21 **類型：** 理論／量化關係科學、跨文化心理學與 Human–AI Interaction 論文 **研究狀態：** 初始正式稿 ## 摘要 前七篇已建立一個多維關係認知架構，其中第七篇以存在顯著性與互動過程顯著性形成二維空間： $$ \mathbf z_R=(E_S,P_S), $$ 並進一步將關係認知寫成更完整的向量： $$ \mathcal X_R = ( E_S, P_S, \alpha_S, \alpha_P, \eta_R, \lambda_R, \mu_C, RPS, \dots ). $$ 一旦此空間建立，性別、文化、年齡或其他群體變量就不應再被用來直接定義「哪一種人比較重視關係」，而應被視為可能使整個機率分布產生偏移、旋轉、展寬或多峰化的外生條件。本文因此提出 **群體—關係分布模型**（Group-Conditional Relational Distribution Model, GCRD）： $$ p(\mathcal X_R\mid G,C,A,\dots), $$ 其中 $G$ 可表示研究中明確測量的 sex / gender 相關變量， $C$ 表示文化與制度環境， $A$ 表示年齡或生命階段。 本文的核心命題有三。第一，**群體差異與個體分類是兩個不同問題**。即使： $$ E[\mathcal X_R\mid G_1] \neq E[\mathcal X_R\mid G_2], $$ 兩個群體的分布仍可能高度重疊，因此群體平均差異不能直接變成對個體的心理判定。第二，**不同關係維持通道不能被壓成單一「重感情」指標**。既有友情研究顯示，女性樣本的情感支持、雙人連結與談話接觸在若干研究中平均權重較高，而男性樣本在部分研究中更依賴共同活動、群體／聯盟式結構；但其他關係構念又呈現小差異、無差異或高度重疊。第三，**群體差異的來源不能僅靠橫斷平均值區分為生物或文化**。2024 年雙胞胎研究顯示 perceived social support 具有可觀遺傳變異，但並未找到男女 heritability 差異；跨文化研究則顯示 self-construal 與 social-network gender differences 會隨國家與 gender-role context 改變。這共同意味著： $$ \text{observed group difference} \not\Rightarrow \text{single biological cause} $$ 且： $$ \text{observed group difference} \not\Rightarrow \text{single cultural cause}. $$ 本文提出一套完整的分析流程：先做 measurement invariance，再比較多維分布；同時報告 effect size、overlap、classification accuracy 與 within-group variance；再透過跨文化、縱向、雙胞胎、自然實驗與中介／調節模型逐步拆解來源。本文最後指出，這套方法可直接為第九篇的人機關係研究服務：若不同群體在 $E_S/P_S$ 或 state/process updating 上平均位置不同，那麼他們對 AI identity continuity、responsiveness、emoji、shared activity、memory continuity 與 relationship-like cues 的反應也可能不同；但任何這類預測都必須經資料驗證，而不能從性別標籤直接推出。 **關鍵詞：** 性別差異、群體分布、關係認知、Entity Salience、Process Salience、跨文化心理學、measurement invariance、distribution overlap、social support、friendship、AI --- ## 1. 問題不是「男人與女人是不是不同」，而是「分布怎麼不同」 性別心理研究最容易落入兩個相反錯誤。 第一個錯誤是： $$ \boxed{ \text{只要群體平均不同，就把兩群寫成兩種人。} } $$ 第二個錯誤則是： $$ \boxed{ \text{只要大量個體重疊，就否定所有群體差異。} } $$ 兩者都不成立。 假設一個關係變量： $$ X. $$ 兩群的平均為： $$ \mu_1\neq\mu_2. $$ 這完全可以與： $$ Overlap(p_1,p_2)\gg0 $$ 同時成立。 因此： $$ \boxed{ \text{population shift} \neq \text{individual determinism}. } $$ 這是本文最基本的統計立場。 --- ## 2. 第七篇提供的空間 第七篇建立： $$ E_S = \text{Entity Salience}, $$ $$ P_S = \text{Process Salience}. $$ 因此： $$ \mathbf z_R = (E_S,P_S). $$ 但完整關係認知還包括： $$ \mathcal X_R = ( E_S, P_S, \alpha_S, \alpha_P, \eta_R, \lambda_R, \mu_C, RPS, P_C, P_A, G_S, \dots ). $$ 其中： - $\alpha_S$：state-channel weight； - $\alpha_P$：process-channel weight； - $\eta_R$：relationship update sensitivity； - $\lambda_R$：recency weighting； - $\mu_C$：expected contact rate； - $RPS$：relational-process attentional salience； - $P_C$：communicative-process salience； - $P_A$：co-activity-process salience； - $G_S$：group / collective salience。 所以研究男女差異時真正的問題應是： $$ \boxed{ p(\mathcal X_R\mid G). } $$ 而不是： $$ Male=\text{State}, $$ $$ Female=\text{Process}. $$ --- ## 3. 性別相關變量本身也必須拆開 如果研究只記錄： $$ G\in\{M,F\}, $$ 然後把所有差異都叫作： > gender difference 會失去因果解析度。 至少應區分： $$ S_B = \text{sex-related biological variable}, $$ $$ G_I = \text{gender identity}, $$ $$ G_R = \text{gender-role orientation / socialization}, $$ $$ G_C = \text{gendered cultural context}. $$ 實際研究如何測量，應由研究問題與倫理規範決定。 本文使用「男性／女性樣本」時，只指既有研究依其原始分類所報告的樣本群體；不把二元分類視為所有人的完整身份模型，也不把 sex 與 gender 當作可互換的因果變量。 --- ## 4. 為什麼男女作為參照群體仍有研究價值？ 雖然群體標籤不能定義個體，但它可以提供： $$ \boxed{ \text{distributional contrast}. } $$ 如果兩群在： $$ E_S, P_C, P_A, G_S, \eta_R $$ 等座標上呈現可重複的平均偏移，便會產生下一個科學問題： > 為什麼會偏？ 這可以進一步拆成： - biological predisposition； - developmental pathway； - gender-role socialization； - structural opportunity； - culture； - peer ecology； - relationship type； - selection effect； - gene–environment correlation； - gene–environment interaction。 所以群體比較的價值不在於： > 「證明男人就是 X、女人就是 Y。」 而在於： $$ \boxed{ \text{finding structure that requires explanation}. } $$ --- ## 5. 既有友情研究確實顯示部分群體平均偏移 2024 年一項英國成人研究納入 757 人，發現男性與女性樣本在 close-friendship network structure，以及能支持 close-friendship formation / maintenance 的心理相關因素上呈現不同模式。 女性 friendship clique 與 best-friend 指標較與 prosocial tendencies 相關；男性樣本則呈現不同的 psychological correlates。 這並不能直接映射成： $$ E_S^F>E_S^M $$ 或： $$ P_S^F>P_S^M. $$ 但它支持： $$ \boxed{ \text{friendship architecture may differ at the group-distribution level}. } $$ 因此 EPRS 至少具有合理的外部研究對象。 --- ## 6. 「談話維持」與「共同活動維持」是非常重要的例子 2015 年一項 18 個月縱向研究追蹤 major life transition 前後的 personal networks。 研究發現 friendship decline 整體會受到 relationship maintenance effort 影響，但有一個特別適合本文模型的群體差異： 女性樣本的友情情感親近下降，更容易由： $$ \text{contact frequency / talking} $$ 的增加抵消； 男性樣本則更容易由： $$ \text{shared activities} $$ 的增加抵消。 用第七篇的語言，這提示： $$ P_C $$ 與： $$ P_A $$ 不能被合併。 即使兩群都高度依賴： $$ P_S, $$ 其 process channel 也可能不同。 因此： $$ \boxed{ P_S = H(P_C,P_A,\dots) } $$ 而不是： $$ P_S=\text{talking}. $$ --- ## 7. 這也說明「女性比較重視關係」為什麼太粗 假設一項量表只測： - 情緒談話； - self-disclosure； - verbally expressed support； - contact frequency。 則它實際可能比較接近： $$ P_C. $$ 如果某群體主要透過： - 共同工作； - 運動； - 遊戲； - 集體活動； - 實際支援； 維持關係，這個量表就會系統性低估： $$ P_A. $$ 於是研究者可能錯誤推出： $$ P_S^{Group1}>P_S^{Group2}. $$ 實際上也許只是： $$ P_C^{Group1}>P_C^{Group2}, $$ 而： $$ P_A^{Group1} 「有沒有性別差異？」 --- ## 9. 另一個跨國資料則提醒：很多群體差異其實很小 2025 年一項 22 國 cross-national analysis 發現，女性平均報告的 social support 略高於男性： $$ 7.50 \quad\text{vs.}\quad 7.29, $$ 而報告具有 intimate friend 的比例約為： $$ 0.85 \quad\text{vs.}\quad 0.82. $$ 研究者同時指出 confidence intervals 有明顯重疊，應避免過度解讀。 這是一個非常重要的示範。 可以同時成立： $$ p<0.001 $$ 以及： $$ \boxed{ \text{individual distributions overlap substantially}. } $$ 統計顯著並不自動等於： $$ \text{large psychological separation}. $$ --- ## 10. 所以不能只報 $p$ 值 本文建議至少同時報： ### 平均差 $$ \Delta\mu = \mu_1-\mu_2. $$ ### 標準化效應量 $$ d = \frac{\mu_1-\mu_2}{s_p}. $$ ### 群體內變異 $$ \sigma_1^2, \qquad \sigma_2^2. $$ ### 分布重疊 $$ OVL = \int \min( p_1(x), p_2(x) )\,dx. $$ 若： $$ OVL\rightarrow1, $$ 兩群高度重疊。 ### 個體分類能力 例如： $$ AUC. $$ 如果： $$ AUC\approx0.5, $$ 即使平均差異統計顯著，該變量也幾乎不能用來猜測單一個體屬於哪一群。 所以： $$ \boxed{ \text{mean difference} \neq \text{classification power}. } $$ --- ## 11. 多維模型應該報 Mahalanobis distance，而不是只做一串 t-test 若： $$ \mathcal X_R \in \mathbb R^k, $$ 群體差異不是一條線。 設： $$ \boldsymbol\mu_1, \quad \boldsymbol\mu_2 $$ 為兩群均值向量， 共同 covariance 為： $$ \Sigma. $$ 可以使用： $$ D_M^2 = ( \boldsymbol\mu_1-\boldsymbol\mu_2 )^T \Sigma^{-1} ( \boldsymbol\mu_1-\boldsymbol\mu_2 ) $$ 描述多維中心距離。 這比逐一宣稱： > 女性在 X 高、男性在 Y 高 更接近： $$ \boxed{ \text{distribution geometry}. } $$ --- ## 12. 群體差異不只可能是均值平移 兩群可能具有相同均值： $$ \boldsymbol\mu_1 = \boldsymbol\mu_2 $$ 但： $$ \Sigma_1\neq\Sigma_2. $$ 也就是 covariance structure 不同。 例如： 在群體 1 中： $$ Corr(E_S,P_S)\gg0, $$ 而群體 2： $$ Corr(E_S,P_S)\approx0. $$ 那麼兩群的平均位置完全相同，心理結構仍然不同。 所以必須研究： $$ \boxed{ \text{mean} + \text{variance} + \text{covariance} + \text{shape}. } $$ --- ## 13. 群體也可能是多峰的 假設： $$ p(\mathcal X_R\mid G) $$ 本身具有： $$ K>1 $$ 個 mode。 例如某群體可能同時包含： - 高 $E_S$ /低 $P_S$ 大群； - 低 $E_S$ /高 $P_S$ 大群； 導致總平均： $$ (\bar E_S,\bar P_S) $$ 落在一個其實很少有人真正位於的位置。 因此： $$ \boxed{ \text{group mean can describe nobody}. } $$ 這是為什麼 mixture model / latent profile analysis 可能比單純平均比較更適合。 --- ## 14. 文化會改變群體差異 2020 年一項： $$ N=5{,}320 $$ 、24 國的 self-construal 研究發現： 男性平均更傾向 self-contained， 女性平均更傾向 connected to others， 但並不是所有 self-construal 維度都有顯著 sex difference。 更重要的是： $$ \text{sex difference magnitude} $$ 會隨國家與社會條件變化。 這直接否定一個過強模型： $$ \boxed{ \text{sex effect is a context-invariant constant}. } $$ 更合理是： $$ \beta_{Sex,c} = \beta_0 + u_c. $$ 其中： $$ u_c $$ 表示文化 $c$ 的 moderation。 --- ## 15. 社會性別角色環境也會改變實際 network structure 2024 年一項使用 15 個歐洲國家、50 歲以上樣本的研究，把個體 social networks 和 country-level gender-role attitudes 結合。 結果顯示，男性與女性在 network size、朋友／子女／伴侶比例等面向的差異，會隨國家 gender-role attitudes 改變。 例如在較 egalitarian 的社會中，女性相對男性具有較大的 network 與較高朋友比例；在較 traditional 的社會中，差異則更多落在配偶與子女等 network composition。 這表示： $$ \boxed{ \text{social opportunity structure shapes observed gender distributions}. } $$ 因此任何： $$ p(E_S,P_S\mid Sex) $$ 若不控制： $$ Culture, Role, Opportunity, LifeStage, $$ 都不能被直接解釋成生物差異。 --- ## 16. Gender similarities hypothesis 仍然是必要的反向約束 2024 年 relationship-dissolution 研究提醒，關係科學裡很多流行性別敘事並不總有穩定證據。 該研究追蹤 314 對未婚 mixed-gender couples 四年，發現某些 commitment predictor 在部分時間點具有 gender-specific pattern，但 men / women 的 relationship satisfaction 與 love 對 dissolution 的預測力沒有穩定性別差異。 作者並回顧另一組大型研究：901 對 couple daily-diary 加上 3,405 對 couple longitudinal panel，共 50,656 個 relationship-satisfaction reports，男性與女性的 satisfaction 對自己及伴侶未來 satisfaction 的預測強度沒有差異。 所以： $$ \boxed{ \text{some dimensions differ} \not\Rightarrow \text{all relational cognition differs}. } $$ 這是本文模型非常重要的 falsification constraint。 --- ## 17. 因此第八篇不預測「女性一定高 $P_S$ 」 根據既有研究，最容易形成的直覺是： $$ P_C^{F}>P_C^{M}. $$ 但這不能直接推出： $$ P_S^{F}>P_S^{M}. $$ 因為男性樣本可能： $$ P_A^{M}>P_A^{F}. $$ 同樣： 女性較常呈現 dyadic structure， 男性較常呈現 group / coalition structure， 也不能直接推出： $$ E_S^{F}>E_S^{M}. $$ 因為： $$ \text{dyadic preference} $$ 與： $$ \text{entity irreplaceability} $$ 不是同一構念。 所以所有對 EPRS 的性別投影都必須被當成： $$ \boxed{ \text{empirical hypotheses, not theoretical definitions}. } $$ --- ## 18. 一個可檢驗但故意保守的群體假說組 本文只提出弱版本： ### H1：Communicative-process shift 若既有 friendship findings 可泛化： $$ E[P_C\mid F] > E[P_C\mid M] $$ 可能成立。 ### H2：Co-activity-process shift $$ E[P_A\mid M] > E[P_A\mid F] $$ 可能在部分樣本成立。 ### H3：Dyadic / group salience shift $$ E[D_S\mid F] > E[D_S\mid M], $$ $$ E[G_S\mid M] > E[G_S\mid F] $$ 可能出現在部分文化與友情情境。 ### H4：Global $P_S$ 不確定 因： $$ P_S=H(P_C,P_A,\dots), $$ 所以本文**不預先假定**： $$ E[P_S\mid F] > E[P_S\mid M]. $$ 這必須由資料決定。 --- ## 19. $E_S$ 的性別方向甚至更不能先寫死 Entity Salience 涉及： - specific-other irreplaceability； - identity continuity； - dyadic history； - particular-other outcome concern。 既有「女性較 dyadic」研究只能提供間接線索。 它不能證明： $$ E_S^F>E_S^M. $$ 例如男性對： > 多年兄弟／隊友／戰友／合作夥伴 也可能具有非常高： $$ E_S, $$ 只是關係表達通道不依賴： $$ P_C. $$ 因此 $E_S$ 是整篇最應保持開放的 sex-difference axis 之一。 --- ## 20. 生物與文化不能靠平均差異拆開 假設觀察到： $$ \Delta_G = E[X\mid M] - E[X\mid F]. $$ 不能推出： $$ \Delta_G = \Delta_{bio}. $$ 也不能推出： $$ \Delta_G = \Delta_{culture}. $$ 因為真實模型可能是： $$ X = f( B, C, R, O, D, P, B\times C, C\times R, \dots ) + \epsilon, $$ 其中： - $B$：sex-linked biological factors； - $C$：culture； - $R$：gender-role socialization； - $O$：opportunity structure； - $D$：development； - $P$：personality。 所以： $$ \boxed{ \text{group mean difference is an explanandum, not an explanation}. } $$ --- ## 21. 雙胞胎研究只告訴我們「部分社會關係變量具有遺傳變異」 2024 年 Netherlands Twin Register 研究： $$ N=8{,}019 $$ 成人雙胞胎， 使用 Duke–UNC Functional Social Support Questionnaire 研究 perceived social support。 研究估計 heritability 約： $$ h^2\approx0.37, $$ 未觀察到 shared-environment contribution，且沒有發現男女 heritability 差異。 這告訴我們： $$ \boxed{ \text{social-support phenotype can contain genetic variance}. } $$ 但絕對不能推出： $$ E_S, P_S \text{ are 37\% genetic}. $$ 也不能推出： $$ \text{male–female mean difference is genetic}. $$ Heritability 是： $$ \boxed{ \text{population- and environment-specific variance decomposition}. } $$ 不是個體因果比例。 --- ## 22. 更不能把「有遺傳性」等同於「不可改變」 即使： $$ h^2>0, $$ 仍然可能： $$ E[X\mid C_1] \neq E[X\mid C_2]. $$ 文化與制度可以改變： - mean； - variance； - expression； - environmental exposure； - gene–environment covariance。 因此： $$ \boxed{ \text{heritability} \neq \text{immutability}. } $$ 這是討論 sex difference 時必須反覆強調的統計常識。 --- ## 23. 生物研究真正需要的是多層證據鏈 如果未來要主張某個 EPRS 差異具有 biological contribution，至少需要： 1. 可重複的 group difference； 2. 跨文化穩定性或可解釋 moderation； 3. developmental trajectory； 4. twin / family design； 5. hormone / neurobiological association； 6. longitudinal evidence； 7. causal or quasi-causal evidence； 8. 排除 measurement non-invariance。 不能只靠： $$ M\neq F $$ 就跳到： $$ \text{evolution made it so}. $$ --- ## 24. 同樣，文化解釋也需要證據 「都是社會化」也不能只是一句預設答案。 如果文化是主要機制之一，應該看到： $$ \beta_G $$ 隨： - gender-role norms； - labor structure； - family structure； - media ecology； - schooling； - peer segregation； - economic opportunity； 系統性變化。 即： $$ \boxed{ \text{cultural mechanism should generate cultural moderation}. } $$ 這正是跨國 multilevel design 的價值。 --- ## 25. Measurement invariance 必須先於群體比較 如果男性與女性對同一題： > 「我重視和朋友聊天。」 理解不一樣， 那直接比較分數可能毫無意義。 因此 EPRS 量表正式比較群體前應測： ### Configural invariance $$ \mathcal F_M \approx \mathcal F_F. $$ 是否具有相同 factor structure。 ### Metric invariance $$ \Lambda_M \approx \Lambda_F. $$ factor loading 是否相近。 ### Scalar invariance $$ \tau_M \approx \tau_F. $$ item intercept 是否相近。 若 scalar invariance 不成立，直接比較 latent means 就必須非常小心。 --- ## 26. 文化比較更需要 invariance 假設一句： > 「即使很久沒聯絡，我們還是朋友。」 在某文化代表： > 高身份持續性。 另一文化可能只是： > 社會禮貌，不願明說關係已淡。 因此： $$ ObservedItem $$ 不能直接等於： $$ LatentSARC. $$ 跨文化研究應優先使用： - multigroup CFA； - alignment optimization； - item response theory； - differential item functioning。 --- ## 27. 一個推薦的 multilevel model 假設個體 $i$ 位於文化 $c$，關係 $r$。 可以寫： $$ X_{icr} = \beta_0 + \beta_1 S_{B,i} + \beta_2 G_{R,i} + \beta_3 Age_i + \beta_4 RelType_r + \beta_5 Culture_c + \beta_6(S_B\times Culture) + u_c + u_i + u_r + \epsilon. $$ 這可以同時拆： - between-culture； - between-person； - within-person across relationships。 尤其重要的是： $$ u_i $$ 與： $$ u_r. $$ 因為第七篇已經明確預測： $$ \text{同一個人對不同關係可以位於不同象限。} $$ --- ## 28. 性別可能解釋的變異其實遠小於關係類型 一個非常可能的結果是： $$ Var_{relationship} \gg Var_{sex}. $$ 例如同一男性： 對父母： $$ E_S^+,P_S^-; $$ 對多年好友： $$ E_S^+,P_S^+; $$ 對遊戲隊友： $$ E_S^-,P_S^+; $$ 對一次性客服 AI： $$ E_S^-,P_S^-. $$ 因此研究必須避免把： $$ Sex $$ 放在模型最上層，卻忽略： $$ RelationshipType. $$ --- ## 29. 也可能存在 sex × relationship-type interaction 更合理的問題是： $$ Sex\times RelationshipType. $$ 例如男女差異可能： - 在同性交友中較大； - 在 family tie 中較小； - 在 work tie 中方向不同； - 在 romantic tie 中出現另一套 pattern； - 在 AI tie 中重新排列。 所以： $$ \boxed{ \text{there may be no single universal sex effect on relational cognition}. } $$ --- ## 30. 群體不等於個體：用 posterior 而不是 stereotype 若已知某群體分布： $$ p(\mathcal X_R\mid G), $$ 看到一個特定人 $i$ 時，不應直接： $$ \mathcal X_i = E[\mathcal X_R\mid G]. $$ 應該根據實際行為資料： $$ D_i $$ 更新： $$ p( \mathcal X_i \mid D_i,G ). $$ 如果個體資料很充分： $$ D_i\gg0, $$ 群體 prior 的權重應迅速下降。 這是一個 Bayesian 版本的： $$ \boxed{ \text{person-specific evidence should dominate group stereotype}. } $$ --- ## 31. 一個群體差異不應被拿來做個體規範 就算平均： $$ P_C^F>P_C^M $$ 成立，也不能變成： > 女性應該常聊天。 或： > 男性不用情感交流。 描述性分布： $$ p(X\mid G) $$ 不產生： $$ \text{normative prescription}. $$ 所以： $$ \boxed{ \text{is} \not\Rightarrow \text{ought}. } $$ --- ## 32. 四態的人口分布可以怎麼畫？ 最直觀的圖不是： > 男 vs 女長條圖。 而是兩張二維 density map： $$ p(E_S,P_S\mid M) $$ 以及： $$ p(E_S,P_S\mid F). $$ 再加上： - 50% contour； - 80% contour； - centroid； - covariance ellipse； - overlap region。 這可以同時讓讀者看出： $$ \text{shift} $$ 與： $$ \text{overlap}. $$ --- ## 33. 不應只比較四象限比例 如果硬把： $$ E_S,P_S $$ 各切在： $$ 0.5, $$ 就得到四態比例。 但 threshold 是任意的。 所以正式分析應優先保留： $$ (E_S,P_S)\in\mathbb R^2. $$ 四態主要用於： - 視覺化； - 理論敘述； - experimental stratification。 而不是把連續心理特徵硬分類。 --- ## 34. 可檢驗假說：群體分布層 ### H1：Mean-shift hypothesis 至少部分： $$ X_j\in\mathcal X_R $$ 存在： $$ E[X_j\mid M] \neq E[X_j\mid F]. $$ ### H2：High-overlap hypothesis 即使均值不同，多數核心維度仍應具有： $$ OVL\gg0. $$ ### H3：Channel-specific hypothesis 較可能出現的是： $$ P_C $$ 與： $$ P_A $$ 等子通道差異，而非整體： $$ P_S $$ 出現簡單大幅分離。 ### H4：Culture-moderation hypothesis $$ \beta_{Sex} $$ 應隨： $$ Culture $$ 顯著變動。 ### H5：Relationship-type moderation $$ \beta_{Sex} $$ 應隨： $$ RelationshipType $$ 改變。 ### H6：Within-group variance dominance 至少部分維度上： $$ Var(X\mid G) $$ 應顯著大於： $$ Var(E[X\mid G]). $$ 換句話說，群體內差異遠大於群體均值差異。 --- ## 35. 可檢驗假說：來源分解層 ### H7：Gender-role mediation 若文化社會化具有作用： $$ SexGroup \rightarrow GenderRole \rightarrow X $$ 應出現可測量 mediation。 ### H8：Opportunity mediation 若社會結構重要： $$ Culture \rightarrow OpportunityStructure \rightarrow NetworkPractice \rightarrow X. $$ ### H9：Residual sex-linked variance 控制 role、culture、relationship type、personality 後，若： $$ \beta_{Sex}\neq0, $$ 只表示存在 residual association。 它仍不能單獨證明 biological cause。 ### H10：Twin/family convergence 如果某些 EPRS 維度未來在 twin / family design 中呈現 heritability，且跨文化保持一致，才開始支持部分 biological contribution。 --- ## 36. 可檢驗假說：AI 預備層 這一篇尚不正式分析 AI，但可以預註冊下一篇需要驗證的方向。 如果某群體平均： $$ E_S\uparrow, $$ 則理論上可能對： $$ AIIdentityDiscontinuity $$ 更敏感。 若某群體平均： $$ P_C\uparrow, $$ 可能對： - conversational responsiveness； - self-disclosure； - tone； - repair； 更敏感。 若： $$ P_A\uparrow, $$ 則可能更重視： - shared tasks； - game-like cooperation； - co-creation； - project completion。 但以上都只是： $$ \boxed{ \text{derived hypotheses}. } $$ 不能由現有人際資料直接宣稱已在人機互動成立。 --- ## 37. AI 反而可以用來檢驗群體差異是否來自媒介通道 人際世界中： $$ P_C $$ 與： $$ P_A $$ 常與 social role、空間與活動機會綁在一起。 AI 可以建立高度控制環境。 例如同一個 AI： ### Condition C 只允許 conversational interaction。 ### Condition A 主要進行共同任務與遊戲式 cooperation。 比較不同群體的： $$ E_S,P_C,P_A $$ 是否在媒介改變後仍保持同樣差異。 如果差異消失，表示： $$ \text{interaction ecology} $$ 可能解釋很多傳統群體結果。 --- ## 38. 一個更強的研究計畫：同一人 × 多關係 × 多文化 最理想設計不是： $$ M\text{ vs }F $$ 單一問卷。 而是每個人同時評估： 1. family tie； 2. close friend； 3. work partner； 4. activity partner； 5. AI assistant； 6. AI companion-like interaction。 得到： $$ \mathcal X_{i,r}. $$ 再跨文化收樣。 如此可以估： $$ Var_{person}, $$ $$ Var_{relationship}, $$ $$ Var_{culture}, $$ $$ Var_{sex}, $$ 與各種 interaction terms。 這會真正回答： > 「性別差異到底在整個關係變異裡占多少？」 --- ## 39. 生物—文化問題應改寫成方差與機制問題 與其問： > 「這是天生還是後天？」 更好的問題是： $$ \boxed{ \text{在什麼人口、環境與生命階段下，哪些機制解釋多少變異？} } $$ 也就是： $$ Var(X) = V_G + V_E + V_{G\times E} + V_{development} + V_{culture} + V_{relationship} + \dots $$ 這比： $$ Nature \quad\text{vs.}\quad Nurture $$ 二分法更接近現代量化行為科學。 --- ## 40. 為什麼 AI 時代會讓這個研究突然變得可行？ 傳統 relationship science 的資料很貴。 你很難取得： $$ 10^5 $$ 段真實、長期、逐輪的人際互動。 AI interaction 則天然具有： $$ H_1,A_1, H_2,A_2, \dots $$ 的高解析度 event stream。 如果具備： - informed consent； - privacy-preserving feature extraction； - demographic self-report； - transparent research governance； 便可能直接估計： $$ p( \mathcal X_R \mid Sex, GenderRole, Culture, AIUseContext ). $$ 這就是本文與後兩篇的橋。 --- ## 41. 但私人 AI 對話不能只靠「去名字」就叫匿名 自然語言包含： - 性別線索； - 地理線索； - 年齡線索； - 職業； - 習慣； - 社會網絡； - 語言風格。 所以研究： $$ \text{raw conversation} $$ 時必須假定存在 re-identification risk。 更安全架構是： $$ \text{raw text} \rightarrow \text{local feature extraction} \rightarrow \mathbf x \rightarrow \text{aggregation / privacy protection}. $$ 這部分將在第十篇更完整處理。 --- ## 42. 一個推薦的最終報告格式 未來任何「男女在 EPRS 上的差異」研究，至少應報： 1. 樣本與性別／sex measurement 方法； 2. culture / country； 3. relationship type； 4. measurement invariance； 5. latent mean； 6. Cohen's $d$ ； 7. variance ratio； 8. covariance structure； 9. distribution overlap； 10. AUC / individual classification performance； 11. multilevel moderation； 12. robustness across cultures； 13. preregistered vs exploratory results。 少了 overlap 與 individual prediction，最容易被媒體誤寫成： > 男人就是怎樣，女人就是怎樣。 --- ## 43. 一個簡化示例 假設未來研究得到： $$ P_C^F \sim N(0.60,0.20^2), $$ $$ P_C^M \sim N(0.50,0.20^2). $$ 平均差： $$ \Delta=0.10. $$ 標準化： $$ d=0.50. $$ 這已經是可見群體差異。 但大量男性仍高於大量女性。 所以對任一個體： > 因為他是男性，所以他一定低 $P_C$ 仍然是錯的。 這就是： $$ \boxed{ \text{distribution knowledge is probabilistic, not categorical}. } $$ --- ## 44. 從群體先驗回到個體證據 如果只知道性別： $$ p(\mathcal X\mid G) $$ 可以是一個 weak prior。 當看到實際個體行為： $$ D_i = \{ \text{contact}, \text{activity}, \text{substitution response}, \text{repair response}, \dots \}, $$ 應更新： $$ p( \mathcal X_i \mid D_i,G ) \propto p( D_i \mid \mathcal X_i ) p( \mathcal X_i \mid G ). $$ 當： $$ |D_i|\uparrow, $$ 群體 prior 的影響應相對下降。 這也是未來個人化 AI 不應只靠 demographic stereotype 的數學理由。 --- ## 45. 與第七篇四態的真正關係 第七篇說： $$ \mathcal Q = [0,1]\times[0,1]. $$ 本篇則說： 每個群體不是一個點： $$ G\neq(E_S,P_S). $$ 而是一張密度圖： $$ \boxed{ G \mapsto p(E_S,P_S\mid G). } $$ 因此： 男性群體不等於某一象限。 女性群體也不等於另一象限。 真正可能的是： $$ \mu_M\neq\mu_F, $$ 同時： $$ OVL(M,F)\gg0. $$ 這正是： $$ \boxed{ \text{群體不等於個體。} } $$ 的形式化版本。 --- ## 46. 與第九篇 AI 態度的接口 下一篇將正式研究： $$ AI\ Attitude = F( O(A), E_S, P_S, \alpha_S, \alpha_P, \eta_R, \dots ). $$ 這時群體變量應進入： $$ Sex/Gender \rightarrow \mathcal X_R \rightarrow AI\ Attitude $$ 的 mediation model， 而不是直接： $$ Sex \rightarrow AI\ Attitude. $$ 如果直接效應仍存在，再研究其他 mechanism。 所以第八篇對後續 AI 研究最重要的貢獻是： $$ \boxed{ \text{demographics should be treated as upstream predictors, not psychological explanations}. } $$ --- ## 47. 理論邊界 本文不主張男性與女性在 EPRS 上必然存在顯著差異。 本文也不主張現有 friendship research 能直接證明： $$ E_S^M, P_S^M, E_S^F, P_S^F $$ 的真實大小。 現有研究只能提供： $$ \boxed{ \text{candidate external constraints and hypotheses}. } $$ 本文同樣不主張雙胞胎研究證明任何特定 EPRS 維度具有遺傳性。 所有新構念仍需要： - reliability； - construct validity； - discriminant validity； - measurement invariance； - longitudinal stability； - behavioral validation。 --- ## 48. 結論 如果關係認知可以表示為： $$ \mathcal X_R, $$ 那麼男女、文化或其他群體研究真正應該問的是： $$ \boxed{ p(\mathcal X_R\mid Group). } $$ 而不是： $$ \boxed{ Group=\mathcal X_R. } $$ 本文因此提出五個核心原則。 第一： $$ \boxed{ \text{mean difference} \neq \text{individual classification}. } $$ 第二： $$ \boxed{ \text{statistical significance} \neq \text{large distribution separation}. } $$ 第三： $$ \boxed{ \text{communication channel difference} \neq \text{global relationship-importance difference}. } $$ 第四： $$ \boxed{ \text{group difference} \neq \text{biological explanation} \neq \text{cultural explanation}. } $$ 第五： $$ \boxed{ \text{measurement invariance precedes meaningful group comparison}. } $$ 目前的既有研究確實提供一些合理候選偏移：女性樣本在若干跨社會研究中平均較重視 emotional support、較常呈現 dyadic relational structure；男性樣本在部分 friendship-maintenance 研究中較依賴 shared activity，且較常呈現 group / coalition 式 social structure。 但現有資料同時也顯示： - 大量群體重疊； - 效應高度依構念而異； - 某些關係變量幾乎沒有穩定 gender difference； - 文化與 gender-role context 能調節差異； - 社會支持等關係性表型可能同時具有遺傳與環境變異。 所以最合理的總模型不是： $$ Male\rightarrow X, $$ $$ Female\rightarrow Y. $$ 而是： $$ \boxed{ \mathcal X_R = F( Biology, Culture, GenderRole, Development, RelationshipType, Personality, Opportunity, History, \dots ). } $$ 群體資料可以讓我們看見統計地形。 但每一個人的位置，仍然必須由這個人的實際資料決定。 下一篇將把這整套關係分布模型正式接回 AI： **《同樣理解 AI，為什麼態度完全不同？存在連續性、互動連續性與人機關係四態》**。 --- ## 參考文獻 1. Roberts, S. B. G., & Dunbar, R. I. M. (2015). *Managing Relationship Decay: Network, Gender, and Contextual Effects*. Human Nature, 26, 426–450. https://doi.org/10.1007/s12110-015-9242-7 2. Pearce, E., Machin, A., & Dunbar, R. I. M. (2024). *Sex differences in close friendships and social style*. Evolution and Human Behavior, 45(6), 106631. https://doi.org/10.1016/j.evolhumbehav.2024.106631 3. *Cross-societal evidence of sex differences in preference for emotional support from friends*. (2026). Evolution and Human Behavior. ScienceDirect PII: S1090513826000565. 4. Ritchie-Dunham, J. L., Yancey, G., Managi, S., Bartel, C., Bonhag, R., Dinwoodie, D., Johnson, B. R., & VanderWeele, T. J. (2025). *Demographic Variation in Social Support and Intimate Friend Across 22 Countries: A Cross-National Analysis*. International Journal of Applied Positive Psychology. https://doi.org/10.1007/s41042-025-00226-0 5. Smith, P. B., Easterbrook, M. J., al-Selim, H., et al. (2020). *Sex Differences in Self-Construal and in Depressive Symptoms: Predictors of Cross-National Variation*. Journal of Cross-Cultural Psychology, 51(7–8), 616–635. https://doi.org/10.1177/0022022120939655 6. Cohn-Schwartz, E., & Schmitz, A. (2024). *From attitudes to social networks: National gender-role attitudes and gender differences in late-life social relationships*. Social Networks, 76, 79–87. https://doi.org/10.1016/j.socnet.2023.08.001 7. Johnson, M. D., Lavner, J. A., Stanley, S. M., & Rhoades, G. K. (2024). *Gender differences—or the lack thereof—in the prediction of relationship dissolution among unmarried mixed-gender couples from the United States*. Journal of Social and Personal Relationships, 41(11). https://doi.org/10.1177/02654075241265063 8. Gonggrijp, B. M. A., van de Weijer, S. G. A., van Dongen, J., Bijleveld, C. C. J. H., & Boomsma, D. I. (2024). *Genetic Influence on Social Support: A Twin Study*. Twin Research and Human Genetics, 27, 193–197. https://doi.org/10.1017/thg.2024.32 9. David-Barrett, T., Rotkirch, A., Carney, J., Izquierdo, I. B., Krems, J. A., Townley, D., McDaniell, E., Byrne-Smith, A., & Dunbar, R. I. M. (2015). *Women Favour Dyadic Relationships, but Men Prefer Clubs: Cross-Cultural Evidence from Social Networking*. PLOS ONE, 10(3), e0118329. https://doi.org/10.1371/journal.pone.0118329 10. Pollo, P., Reynolds, T. A., Blake, K. R., et al. (2024). *Exploring Within-Gender Differences in Friendships Using an Online Social Network*. Archives of Sexual Behavior, 53, 3187–3201. https://doi.org/10.1007/s10508-024-02906-5 11. Hall, J. A. (2011). *Sex differences in friendship expectations: A meta-analysis*. Journal of Social and Personal Relationships, 28(6), 723–747. 12. Hyde, J. S. (2005). *The gender similarities hypothesis*. American Psychologist, 60(6), 581–592. https://doi.org/10.1037/0003-066X.60.6.581 13. Carothers, B. J., & Reis, H. T. (2013). *Men and women are from Earth: Examining the latent structure of gender*. Journal of Personality and Social Psychology, 104(2), 385–407. https://doi.org/10.1037/a0030437 14. Mikulovic, S., & Lenschow, C. (2025). *Neural control of sex differences in affiliative and prosocial behaviors*. Neuroscience & Biobehavioral Reviews, 171, 106039. https://doi.org/10.1016/j.neubiorev.2025.106039 --- ## 研究聲明 本文為理論與量化研究設計論文，不提供新的臨床資料、人類受試者原始資料或 AI 使用者原始資料。本文提出的 Group-Conditional Relational Distribution Model、EPRS 群體投影、相關 effect-size / overlap 分析與群體差異假說均屬待驗證架構。 本文不主張男性與女性構成兩個離散心理類型，也不主張任何現有平均群體差異可以直接預測單一個體。本文區分 biological sex、gender identity、gender-role socialization 與 cultural context，並主張任何生物或文化來源解釋都必須依賴多層、縱向、跨文化或行為遺傳等額外證據，而不能由單次群體平均差異直接推出。 本文亦不主張性別群體差異本身具有規範意義。所有群體分析均應避免將描述性統計轉化為角色期待、能力判定或個人化系統中的人口統計刻板推斷。