# 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：

1. 某一群體天生更容易依賴 AI；
2. 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；
3. 群體平均值可以直接推論群體中的個人；
4. AI 對「脆弱族群」必然有害；
5. AI 對缺乏人類支持的人必然有益；
6. 孤獨必然導致 AI companionship；
7. AI companionship 必然導致孤獨；
8. 文化差異等同固定文化本質；
9. 現有橫斷面研究可以決定長期因果方向；
10. 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

1. 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

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

3. 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

4. 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

5. 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

6. *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

7. 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

8. 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

9. 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

10. 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

11. 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

12. 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

13. 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

14. 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

15. 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

16. 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.

17. 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.

18. 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.

19. 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.

20. 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：

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