Knowledge Management Forum >

2025 , Vol. 10 >Issue 1: 46 - 63

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.004

Study on the Impact of Personality Matching on Intimacy of Social Support Chatbots from the Perspective of User Perception

  • Chen Jing ,
  • Yi Fangxing
Expand
  • Central China Normal University School of Information Management Wuhan 430079

Chen Jing, professor, PhD;

Yi Fangxing, master candidate, corresponding author, E-mail: .

Received date: 2024-12-16

  Online published: 2025-04-28

Supported by

Fundamental Research Funds for the Central Universities titled “Research on the Synergistic Mechanism of Generative Artificial Intelligence and the Human Brain”(CCNUJCPT2024003701)

Fold

Abstract

[Purpose/Significance] Exploring the impact of perceived personality matching between users and chatbots in the dimensions of agency and communion on intimacy in the context of social support, providing theoretical basis and practical guidance for improving the service quality and user experience of social support chatbots. [Method/Process] Based on the user perception perspective and social exchange theory, scenario experiments were conducted to obtain personality and user experience data. Polynomial regression and response surface analysis methods were used to explore the impact mechanism of matching agency personality and perceived competence, communion personality and perceived warmth on user intimacy. [Result/Conclusion] There are significant differences in the impact of different combinations of user personality and chatbot perceived personality on users' self-disclosure willingness under different matching types in various dimensions; User’s perceived competence and warmth of chatbots are key factors affecting their self-disclosure; Users’ self-disclosure plays a mediating role in the relationship between perceived personality matching and intimacy. This study reveals the essence of the impact of personality matching on the user experience of human-AI interaction, confirms the important role of self-disclosure in the establishment and development of human-AI relationships, and provides guidance and suggestions for the design of social support chatbots.

Key words： human-AI interaction; social support; personality match; self-disclosure; intimacy

Cite this article

Chen Jing , Yi Fangxing . Study on the Impact of Personality Matching on Intimacy of Social Support Chatbots from the Perspective of User Perception[J]. Knowledge Management Forum, 2025 , 10(1) : 46 -63 . DOI: 10.13266/j.issn.2095-5472.2025.004

1 引言/Introduction

心理健康是人类福祉的一个重要方面[1]。目前，情绪障碍（如抑郁、焦虑和压力）影响着全世界数百万人，显著降低了人们的生活质量和生产力[2]。社会支持是改善心理健康的有效手段，它是指个体通过与他人、团体及社区之间的社会互动和联系获得的个人支持[3-4]。随着人工智能技术的进步，智能体已被用于提供支持性对话，以改善经历压力的人的心理健康，这类智能体被称为社会支持聊天机器人（social support chatbot）[5]。在社会支持的情境中，人们不仅从聊天机器人处获取信息，而且希望在互动中建立更亲密的关系[6]，这种亲密感与互动结果之间存在正相关关系，并影响着人智关系的后续发展[7]。现有研究发现，聊天机器人可以通过引发用户的自我表露，增强用户的亲密感，实现有效的社会支持[8-9]。
人格是决定和反映个体如何对环境做出反应的内在心理特征，它的稳定性为个体提供了一种可预测性，使得个体能够对他人的行为做出预判，从而建立关系[10-11]。根据计算机是社会行动者（computers are social actors，CASA）范式，用户倾向于把计算机看作类人的行为主体，赋予计算机人格，并将基于人格的相似吸引与互补吸引原则应用于人智交互[12-13]。现有的人智交互研究已经在人格匹配对用户态度与行为的影响上进行了大量探索，发现用户与聊天机器人人格间的相似匹配与互补匹配均能影响用户体验[14-17]。值得关注的是，现有研究聚焦于比较相似与互补两种匹配类型的差异，但对不同匹配类型中不同人格组合模式的探索较少，难以揭示人格匹配对人智交互用户体验的影响实质，也无法为智能体的个性化设计提供深入指导。社会交换理论（Social Exchange Theory，SET）被广泛应用于解释人际交往中个体的行为与关系动机，它强调在人际交往的过程中，个体会基于成本和收益评估决定是否与他人建立关系[18]，这为理解人格匹配如何以及为何影响用户体验提供了理论框架。人智交互本质上是社会性和人际性的[19]，在社会支持情境下，用户自身人格与其对聊天机器人感知人格的不同组合方式会影响用户在交互过程中对成本与收益的评估，只有当用户的感知收益大于感知成本时，用户才会向聊天机器人进行自我表露并建立亲密感，这将进一步决定二者关系的后续走向[20]。
在二元交往的过程中，个体对自身人格与对他人人格感知间的关系是双方互动体验的重要影响因素[21]，而能动（agency）与共生（communion）是人们在社会互动中感知自我与他人的基本维度[22-24]。现有研究表明，用户对聊天机器人的感知人格可以分为能力与温暖，分别对应能动维度和与共生维度[25-26]。对用户而言，能动人格与共生人格一直被认为是核心人格变量，并被称为“大二人格”，反映了用户对自我的认知[27]。用户能动人格与对聊天机器人的感知能力在能动维度上兼容，用户共生人格与对聊天机器人的感知温暖在共生维度上兼容[28]。在人智交互领域，人格匹配的相关研究大多直接将人类人格框架应用于聊天机器人，并未考虑用户感知在其中发挥的作用以及人类人格框架的适用性[7]。同时，以往研究大多只考虑了某一人格维度的匹配，忽略了人格的多维性与复杂性[29]。因此，笔者选取能动与共生这两个社会认知的基本维度，探究用户人格与聊天机器人感知人格在不同维度下的不同匹配模式对人智交互用户体验的影响。
基于以上分析，笔者采取情景实验的方法，构建面向社会支持的人智对话情景，利用问卷收集人格和用户体验等相关变量，采用多项式回归（polynomial regression）与响应面分析方法[30]（response surface analysis）探究用户人格与聊天机器人感知人格在不同维度的不同匹配模式对用户亲密感的影响机制，为社会支持聊天机器人的个性化与定制化设计提供深入指导，以期推动人本人工智能的发展。

2 相关研究/Literature review

2.1 人智交互中的用户自我表露意愿与亲密感

所有通过社会互动和关系提供的支持资源都被称为社会支持[31]，它有助于改善人们的心理健康[32]。在面向社会支持的人智对话中，用户的自我表露意愿与亲密感扮演着至关重要的角色[33]。当用户向聊天机器人透露个人信息和内心感受时，他们更可能感受到被理解和支持，这有助于缓解压力和提升心理健康[34]。亲密感则反映了用户与聊天机器人之间情感联系的深度，它与互动结果之间存在正相关关系[6]。社会渗透理论（Social Penetration Theory，SPT）指出，当个体揭示自我的想法与感受时，关系将以一种有序和相对可预测的方式发展，从而在交互双方之间创造了积极和亲密的氛围[35]。G. Park等发现用户对心理健康咨询聊天机器人的情感表露意愿能够显著影响用户的亲密感，并且这种亲密感会转化为更高的用户满意度和重用意愿[36]。现有研究考察了聊天机器人的名称、语言风格和人格特质等特征对用户自我表露意愿与亲密感的影响[37-39]。然而，上述变量较少触及寻求社会支持的主体，即用户层面的特征。精神卫生保健领域作为一个高度以来访者为中心的领域，强调个体感知和体验的核心地位[40]。因此，有必要以用户为中心，考虑用户特征及其感知特征在面向社会支持的人智对话中的作用。

2.2 用户感知视角下的人格匹配

在人际心理学中，能动（agency）与共生（communion）是人们在社会互动中感知自我与他人的基本维度[22-23]。其中，能动被定义为群体中的个体化，涉及独立和支配；共生被定义为个体在群体中的整合，涉及合作和依恋[41]，这两大维度广泛用于组织个人自身的人格特征与感知他人的人格特征[42]。在用户方面，能动人格与共生人格一直被认为是核心人格变量，并被称为“大二人格”，反映了用户对自我的认知[27]。其中，能动是指与实现目标相关的品质，例如雄心勃勃或有能力，而共生是指与建立和维持社会关系相关的品质，例如友好或公平[24]。在聊天机器人方面，用户对聊天机器人的感知人格可以分为与能力有关的能动维度和与温暖有关的共生维度[25-26]。具体而言，感知能力是指用户对聊天机器人技能、能力、知识和效率的感知，感知温暖则是指用户相信聊天机器人对自己有积极的意图，即对方是否真诚、友善和关怀[43]。用户能动人格与对聊天机器人的感知能力在能动维度上兼容，用户共生人格与对聊天机器人的感知温暖在共生维度上兼容[28]。
现有的人智交互研究已经在人格匹配对用户态度与行为的影响上进行了大量探索。L. Yu等探究用户孤独感与聊天机器人支配人格的相似度与购买意愿之间的关系，发现孤独的个体更倾向于与顺从型聊天机器人建立联系，而不是支配型聊天机器人[14]；M. Shumanov等比较用户与聊天机器人在外向性上的相似匹配与互补匹配对用户购买意愿的影响差异，发现与聊天机器人外向性相似匹配的用户购买意愿与参与度更高[15]；K. M. Lee等发现当机器人个性与用户个性互补时，用户更愿意与其互动，并且对机器人的智能性与吸引力评价也更高[17]。由此可见，用户与聊天机器人人格间的相似匹配与互补匹配均能影响用户体验。值得关注的是，现有研究聚焦于比较相似与互补两种匹配类型的差异，少有研究探究不同匹配类型中不同人格组合模式的影响，难以深入揭示人格匹配对人智交互用户体验影响的实质。因此，笔者基于社会认知的两个基本维度，关注用户人格与聊天机器人感知人格在能动与共生维度不同匹配情况下的组合模式。根据用户人格与聊天机器人感知人格水平的高低，二者在能动与共生维度分别存在4种匹配情况，如表1、表2所示：
表1 能动维度的人格匹配情况

Table 1 Personality matching in the dimension of agency

用户能动人格 聊天机器人感知能力
低 高
低 ①相似匹配 ②互补匹配
高 ③互补匹配 ④相似匹配
表2 共生维度的人格匹配情况

Table 2 Personality matching in the dimension of communion

用户共生人格 聊天机器人感知温暖
低 高
低 ①相似匹配 ②互补匹配
高 ③互补匹配 ④相似匹配
上表中，①和④属于相似匹配的情况，②和③属于互补匹配的情况。通过探究用户人格与聊天机器人感知人格在能动与共生维度的匹配模式对用户亲密感的影响，能够挖掘用户特征与感知特征对人智交互体验的复杂影响机制，丰富社会支持情境中人智交互用户体验的前因研究。

2.3 社会交换理论

G. C. Homans从群体心理的角度解释了人际交往中个体的行为与关系动机，认为人的行为是为了追求最大利益，所有行为都是为了利益和报酬的交换活动[18]。根据社会交换理论，个体在交往过程中会基于成本和收益的评估结果决定是否向他人进行自我表露以及是否与他人建立关系[44]。目前，社会交换理论与人格特质的相关研究集中于社交网络用户行为与组织行为领域。社交网络的相关研究发现，人格特质会影响用户的分享动机，外向性与尽责性人格会显著影响虚拟社区用户信息分享行为[45]，且预期的净收益是用户在社交媒体平台上进行自我表露的主要动机[46]。而在组织行为方面，研究发现员工与领导之间人格特质的关系会影响员工的动机与行为[47]。例如，A. M. Grant等发现外向型领导与高主动性的下属会发生支配权上的冲突[48]，这会使下属与领导交流过程中的感知成本上升，从而损害员工的主动性行为。
基于以上分析，社会交换理论为探究人格匹配如何以及为何影响人智交互用户体验提供了理论框架。笔者将从用户感知视角出发，基于社会交换理论，探究社会支持情境中用户人格与聊天机器人感知人格在能动与共生维度的匹配模式对用户亲密感的影响机制，丰富“以人为本”的人工智能研究，为社会支持聊天机器人的个性化与定制化设计提供有用指导。

3 研究假设与模型构建/Research hypothesis and model construction

3.1 感知能动人格匹配与自我表露意愿

在用户能动人格与感知能力处于相似匹配的情况下，当二者处于“高—高”组合时，用户可能会因为聊天机器人展示的能力与知识而产生信任与安全感，从而愿意向其描述自己的感受与经历。聊天机器人则能够针对用户分享的个人信息提供更具针对性与指导性的建议，双方之间形成了一种高效的合作机制，这有助于满足用户对自身发展的追求[24]，增强了用户的收益感知。而当用户自身能动人格与对聊天机器人的感知能力均低时，用户认为自身能力有限，此时可能会更期待聊天机器人能够给予足够的支持与帮助。但当聊天机器人的回复未能满足用户期待时，用户会产生较大的心理落差，从而引发负面情绪[49]，使其不愿意再与聊天机器人沟通。综上，笔者提出如下假设：
H1a：在相似匹配的情形下，与“低—低”组合相比，用户能动人格与感知能力在“高—高”组合时，用户的自我表露意愿更强。
在用户能动人格与感知能力处于互补匹配的情况下，当二者处于“低—高”组合时，低能动人格的用户在自我效能感方面存在不足[23]，当其感知到聊天机器人具备自己所缺乏的能力时，便会产生更强的依赖感，因此更愿意与聊天机器人分享个人信息。相反，当用户能动人格高而感知能力低时，用户认为聊天机器人无法提供自己所需的帮助，双方之间存在较大的能力差距与较高的沟通成本，进而产生厌恶、排斥的心理[50]。综上，笔者提出以下假设：
H1b：在互补匹配的情形下，与“高—低”组合相比，用户能动人格与感知能力在“低—高”组合时，用户的自我表露意愿更强。

3.2 感知共生人格匹配与自我表露意愿

在用户共生人格与感知温暖处于相似匹配的情况下，当二者为“高—高”组合时，高共生人格的用户渴望深层次的人际连接和情感交流，当其认为聊天机器人具有积极、友善的意图时，用户可以在对话过程中探索和表达自己的内心世界，不必担心受到负面的评价[32]，从而减少用户在寻找理解和共鸣时的心理压力[51]。同时，用户的社会需求得到满足，从互动中获得的收益也有所增加[52]。综上，笔者提出如下假设：
H2a：在相似匹配的情形下，与“低—低”组合相比，用户共生人格与感知温暖在“高—高”组合时，用户的自我表露意愿会更强。
在用户共生人格与感知温暖处于互补匹配的情况下，当二者为“高—低”组合时，用户的情感需求未能得到满足，导致用户与聊天机器人的心理距离增加，自我表露意愿降低。相比之下，低共生人格的用户可能不太愿意主动分享个人信息或情绪状态，但当其感知到聊天机器人具备情感支持的能力时，会更欣赏聊天机器人[36]，更容易将其视为一个值得信赖的倾诉对象，从而显著降低自我表露的心理门槛[32]。因此，相比用户共生人格与感知温暖“高—低”的组合，“低—高”组合更有助于激发用户的自我表露意愿。综上，笔者提出假设：
H2b：在互补匹配的情形下，与“高—低”组合相比，用户共生人格与感知温暖低在“低—高”组合时，用户的自我表露意愿更强。

3.3 自我表露意愿的中介作用

在人际交流中，自我表露可以促进良好人际关系的建立，并且在亲密感的建立和发展过程中起着非常重要的作用[53-55]。现有的人智交互研究发现了用户自我表露意愿对于亲密感的促进作用[36]。与人类对话伙伴相比，人们往往认为向非批判性的聊天机器人进行自我披露更加安全[56]。在分享个人经历和情绪状态的过程中，用户能够感受到放松与解脱，这种体验增强了用户对聊天机器人的亲密感[57]。
个性是决定交互双方是否“一拍即合”的一个关键方面[58]。人际互补理论（Interpersonal Complementarity Theory，ICT）从能动和共生的角度描述了人际互动中行为和特质层面的互惠性[59-60]。具体而言，人际互补理论认为互动双方在能动维度上表现出互补性，在共生维度表现出相似性[22]。满足人际互补性的双方会产生更协调的互动与更令人满意的关系[61]。借助人际互补理论的框架，笔者认为用户能动人格与感知能力同样遵循互惠原则。当用户认为自身与聊天机器人在能动维度不一致时，一方面，能力强的一方在权威上的确定性将会增强，避免了交流中的冲突与矛盾，用户能够在交互中感受到足够的安全感，更有助于达到交流的平衡状态[62]；另一方面，这种不一致有助于提升用户对聊天机器人的信任[63]，从而使用户更愿意向聊天机器人敞开心扉，进而培养亲密感[64]。基于此，笔者提出如下假设：
H3a：自我表露意愿在感知能动人格匹配与亲密感之间发挥中介作用。
用户共生人格与感知温暖遵循对等原则，当用户认为自身与聊天机器人在共生维度一致时，用户可能会感受到更强烈的情感共鸣和理解[31]。这种情感上的连接可以促进用户打开心扉，分享更多个人信息，有助于满足用户的归属感需求，从而增强用户对聊天机器人的亲密感[65]。基于此，笔者提出如下假设：
H3b：自我表露意愿在感知共生人格匹配与亲密感之间发挥中介作用。
结合上述分析，得出本研究的研究模型，如图1所示：
图1 研究模型

Figure 1 Research model

4 研究设计/Research design

笔者采用情景实验的方法收集用户人格、聊天机器人感知人格与有关用户体验的数据。采用多项式回归与响应面分析[30]的方法，将用户人格与聊天机器人感知人格的不同组合方式与用户自我表露意愿的关系反映在三维模型中，通过对多项式回归参数和三维模型的解读，更直观地比较用户能动人格与感知能力、用户共生人格与感知温暖在不同匹配情况下的组合方式对结果变量的影响。通过块变量和Bootstrap中介效应检验的方法[30]，分析自我表露意愿在感知人格匹配与亲密感之间的中介作用。

4.1 实验设计

4.1.1 实验参与者

以往研究并未区分社会支持聊天机器人的用户群体，但在各年龄层中，青年的心理健康状况不容乐观，据《中国国民心理健康发展报告（2021~2022）》显示，在成年人群中，青年为抑郁的高风险群体，18—24岁年龄组的抑郁风险检出率高达24.1%，显著高于其他年龄组[66]。与此同时，大部分学生群体表示对于学业压力问题缺乏倾诉对象，社会支持聊天机器人的出现提供了一个可供学生倾诉和表露的窗口。因此，笔者聚焦于学生群体，以学业压力为交互话题，探究社会支持情境下感知人格匹配对亲密感的影响机制。
本研究实验时间为2024年3月11日至4月12日，通过线下和网络方式招募了208名被试，其中，男生54名，女生154名；本科生127名，研究生81名；年龄分布在19—28岁之间，详细的人口统计学特征见表3。为了保证实验设计的有效性，本研究在正式实验前邀请了10名研究生进行预实验，并根据反馈对问卷结构与题项表述等进行了修改。
表3 参与者人口统计学特征

Table 3 Demographic characteristics of participants

统计项目 特征 人数/人 百分比/%
性别 男 54 25.96
女 154 74.04
年龄 18岁及以下 8 3.85
19—28岁 197 94.71
29—38岁 3 1.44
学历 大学专科 7 3.36
大学本科 120 57.69
硕士研究生及以上 81 38.94

4.1.2 实验材料

笔者选取由聆心智能和清华大学CoAI实验室联合开发的社会支持聊天机器人Emohaa作为实验材料。自2022年发布以来，该聊天机器人已服务用户数超过2.4万，交互次数超过49.7万。与现有的功能性AI助手不同，Emohaa能够提供深层次的情绪支持[67]。实验表明，Emohaa能够有效缓解被试者的焦虑、抑郁和睡眠问题[68]。

4.1.3 实验流程

参与者在一间安静的实验室中完成整个实验，实验分为4个阶段（见图2）：①研究人员对实验目的与流程进行说明；②参与者填写第一份问卷，以报告其人口统计信息以及能动和共生人格；③参与者被要求思考并写下他们当时正在经历的学业压力问题，再在电脑上与聊天机器人Emohaa进行交流；④对话完成后，参与者需要填写第二份问卷，以报告其对聊天机器人Emohaa的感知能力、感知温暖和交互体验。每名参与者的实验时间在25—30分钟之间，完成实验的参与者获得15元的实验报酬。对实验数据进行统计和分析后，发现有5名参与者存在作答时间过短或过长的情况，数据质量较低，未纳入数据分析范畴。最终得到有效问卷202份，有效回收率为97.6%。
图2 实验流程

Figure 2 Experimental flow chart

4.1.4 变量测量

本研究使用的测量题项均来自于先前研究中的成熟量表。参照J. E. Gebauer[42,69]等人的研究，通过让参与者评价某个形容词描述自己的符合程度来测量用户能动人格与共生人格；参考X. Cheng[43]、H. C. Pham[70]等对智能体信任影响因素的研究，测量了用户的感知能力与感知温暖；参考M. Lyvers [71] 、Q. Fu[72]等对社交媒体上用户自我表露意愿影响因素的研究，测量了用户的自我表露意愿；参考G. Park[36]、X. Song[73]等对亲密感与智能体使用意愿的研究，测量了用户的亲密感。各变量均采用7点李克特量表（1=完全不同意，7=完全同意），具体的测量项目如表4所示：
表4 测量项目

Table 4 Measurement items

研究变量 测量项 参考文献
能动人格
（agency personalty，AP）		 AP1 我是高效的 J.E. Gebauer等[42]
J.E. Gebauer等[69]
AP2 我是机智的
AP3 我是考虑周全的
AP4 我是有智慧的
AP5 我是聪明的
共生人格
（communion personalty，CP）		 CP1 我是关心他人的 J.E. Gebauer等[42]
J.E. Gebauer等[69]
CP2 我是冷漠的
CP3 我是有同情心的
CP4 我是有感情的
CP5 我是友善的
感知能力
（perceived competence，PC）		 PC1 该聊天机器人是有能力的 X. Cheng等[43]
H.C. Pham等[70]
PC2 该聊天机器人是聪明的
PC3 该聊天机器人是智能的
感知温暖
（perceived warmth，PW）		 PW1 该聊天机器人很死板 X. Cheng等[43]
H.C. Pham等[70]
PW2 该聊天机器人冷酷
PW3 该聊天机器人很好
PW4 该聊天机器人很讨人喜欢
自我表露
（self-disclosure，DC）		 SD1 我愿意向这个聊天机器人倾诉最近的糟糕情绪 M. Lyvers等[71]
Q. Fu等[72]
SD2 我愿意向这个聊天机器人寻求帮助以缓解焦虑
SD3 我愿意花更多时间与这个聊天机器人交流
亲密感
（intimacy，IM）		 IM1 我在情感上与这个聊天机器人很亲近 G. Park等[36]
X. Song等[73]
IM2 大多数时候我觉得与这个聊天机器人很亲近
IM3 我与这个聊天机器人之间有一种密切的联系

4.2 数据分析方法

4.2.1 多项式回归与响应面分析

笔者采用多项式回归与响应面分析相结合的方法，全面、深入地探究用户能动人格与感知能力、共生人格与感知温暖的匹配关系对用户自我表露意愿的影响机制。
首先，构建多项式回归方程，如公式（1）所示：
$\mathrm{D}\mathrm{C}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}+{\mathrm{a}}_{1}\mathrm{A}\mathrm{P}+{\mathrm{b}}_{1}\mathrm{P}\mathrm{C}+{\mathrm{c}}_{1}\mathrm{A}\mathrm{P}²+{\mathrm{d}}_{1}\mathrm{A}\mathrm{P}×\mathrm{P}\mathrm{C}+{\mathrm{e}}_{1}\mathrm{P}\mathrm{C}²+{\mathrm{a}}_{2}\mathrm{C}\mathrm{P}+\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }\mathrm{ }{\mathrm{b}}_{2}\mathrm{P}\mathrm{W}+\mathrm{ }{\mathrm{c}}_{2}\mathrm{C}\mathrm{P}²+{\mathrm{ }\mathrm{d}}_{2}\mathrm{C}\mathrm{P}×\mathrm{P}\mathrm{W}+{\mathrm{e}}_{2}\mathrm{P}\mathrm{W}²$
其中，DC代表用户自我表露意愿，Control代表控制变量，AP和PC分别表示用户能动人格与感知能力，AP²、AP×PC、PC²分别表示用户能动人格的平方项、能动人格与感知能力的交互项和感知能力的平方项；CP与PW分别表示用户共生人格与感知温暖，CP²、AP×PW、PW²分别表示用户共生人格的平方项、共生人格与感知温暖的交互项和感知温暖的平方项。
公式（1）中的两种用户人格（AP、CP）与聊天机器人感知人格（PC、PW）分别构成了两组匹配关系。令用户能动人格与聊天机器人感知能力处于相似匹配状态，即令AP=PC=A，获得公式（2）：
${\mathrm{D}\mathrm{C}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}+（\mathrm{a}}_{1}+{\mathrm{b}}_{1}）\mathrm{A}+{（\mathrm{c}}_{1}+{\mathrm{d}}_{1}+{\mathrm{e}}_{1}）\mathrm{A}²$
当处于互补匹配状态，即令AP=-PC=A，获得公式（3）：
${\mathrm{D}\mathrm{C}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}+（\mathrm{a}}_{1}-{\mathrm{b}}_{1}）\mathrm{A}\mathrm{\text{'}}+{（\mathrm{c}}_{1}-{\mathrm{d}}_{1}+{\mathrm{e}}_{1}）\mathrm{A}\mathrm{\text{'}}²$
同理，对于用户共生人格与聊天机器人感知温暖，相似匹配与互补匹配状态下的公式（1）分别如公式（4）、公式（5）所示：
${\mathrm{D}\mathrm{C}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}+（\mathrm{a}}_{2}+{\mathrm{b}}_{2}）\mathrm{C}+{（\mathrm{c}}_{2}+{\mathrm{d}}_{2}+{\mathrm{e}}_{2}）\mathrm{C}²$
${\mathrm{D}\mathrm{C}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{t}\mathrm{r}\mathrm{o}\mathrm{l}+（\mathrm{a}}_{2}-{\mathrm{b}}_{2}）\mathrm{C}\mathrm{\text{'}}+{（\mathrm{c}}_{2}-{\mathrm{d}}_{2}+{\mathrm{e}}_{2}）\mathrm{C}\mathrm{\text{'}}²$
通过观察响应面中一致性线与不一致性线的斜率与曲率，能够比较在相似匹配与互补匹配情况下，用户人格与感知人格的不同组合方式对自我表露意愿的影响差异。

4.2.2 中介效应分析

对于多项式回归与响应面分析中的中介效应，J. R. Edwards等提出了块变量法[30]。具体而言，在能动与共生维度，分别将用户人格、感知人格、二者的交互项以及平方项与各自的回归系数相乘得到一个块变量，表示感知人格匹配对自我表露意愿的协同作用，之后利用Mplus进行Bootstrap中介效应检验。

5 研究结果/Research results

5.1 信效度检验

笔者使用SPSS 26.0、Amos进行信效度检验，检验结果见表5和表6。各量表的Cronbach'sα值均在0.7以上，可以认为量表的内部一致性较好。各量表的CR值均大于0.7，AVE值大于0.5，表示量表聚合效度较好。同时，验证性因子分析结果见表6，六因子模型的拟合效果最好（χ²=241.745; df=137; χ²/df=1.765; IFI=0.958; CFI=0.957; TLI=0.946; RMSEA=0.062），说明量表具有良好的区分效度。
表5 信度和收敛效度检验结果

Table 5 Reliability and convergent validity test results

变量 题项 标准因子载荷 Cronbach's α CR AVE
能动人格(AP) AP1 0.888 0.881 0.886 0.724
AP2 0.729
AP3 0.923
感知能力(PC) PC1 0.689 0.822 0.832 0.625
PC2 0.866
PC3 0.806
共生人格(CP) CP1 0.747 0.868 0.869 0.625
CP2 0.808
CP3 0.856
CP4 0.745
感知温暖(PW) PW1 0.719 0.795 0.804 0.578
PW2 0.739
PW3 0.819
自我表露(DC) DC1 0.826 0.878 0.885 0.720
DC2 0.924
DC3 0.790
亲密感(IM) IM1 0.915 0.898 0.900 0.751
IM2 0.866
IM3 0.815
表6 验证性因子分析结果

Table 6 Results of confirmatory factor analysis

模型 Factors χ² df χ²/df RMSEA IFI CFI TLI
六因子模型 AP;CP;PC;PW;DC;IM 241.745 137 1.765 0.062 0.958 0.957 0.946
五因子模型 AP+PC;CP;PW;DC;IM 629.827 142 4.432 0.131 0.803 0.801 0.759
四因子模型 AP+PC;CP+PW;DC;IM 959.818 146 6.574 0.167 0.670 0.666 0.609
三因子模型 AP+PC;CP+PW;DC+IM 1 034.422 149 6.942 0.172 0.640 0.637 0.583
二因子模型 AP+PC+CP+PW;DC+IM 1 108.643 151 7.342 0.178 0.610 0.607 0.555
单因子模型 AP+PC+CP+PW+DC+IM 1 186.473 152 7.806 0.184 0.579 0.576 0.523

5.2 描述性统计与相关性分析

由表7可知，用户的能动人格与自我表露意愿显著正相关（r=0.20，p<0.05），共生人格与自我表露意愿（r=0.22，p<0.05）显著正相关。用户对社会支持聊天机器人的感知能力与自我表露（r=0.71，p<0.001）和亲密感（r=0.43，p<0.001）均显著正相关，用户对社会支持聊天机器人的感知温暖与自我表露（r=0.75，p<0.001）和亲密感（r=0.36，p<0.001）均显著正相关。用户的自我表露意愿与亲密感（r=0.46，p<0.001）显著正相关。
表7 描述性统计结果

Table 7 Descriptive statistics results

M SD 1 2 3 4 5 6 7 8 9
性别 1.78 0.42 1
年龄 1.96 0.24 -0.09 1
受教育程度 3.37 0.55 -0.31** 0.18* 1
能动人格 3.50 0.52 -0.13 0.05 0.16 1
共生人格 4.04 0.56 0.12 -0.18 -0.05 0.31** 1
感知能力 3.81 0.72 0.03 -0.13 -0.01 0.04 0.14 1
感知温暖 3.72 0.71 0.07 -0.03 0.03 0.02 0.08 0.68*** 1
自我表露 3.96 0.55 -0.10 0.03 0.06 0.20* 0.22* 0.71*** 0.75*** 1
亲密感 0.53 0.46 0.07 0.12 -0.13 0.03 -0.03 0.43*** 0.36*** 0.46*** 1

注：n=202，***p<0.001；**p<0.01；*p<0.05

5.3 假设检验

笔者利用R语言中的RSA包进行多项式回归与响应面分析。表8和表9分别呈现了多项式回归分析和响应面分析的结果。从表8中可以看出，相比于模型1，加入二次项后的模型2的R²显著增加，模型解释力明显增强，说明适合采用多项式回归分析方法。
在能动人格、感知能力与自我表露意愿的响应面中（见表8，模型2），响应面沿着一致性线的斜率显著且为正值（斜率=1.116，p<0.001），曲率不显著（曲率=0.025，p>0.05），说明能动人格与感知能力为相似匹配时，“高—高”组合比“低—低”组合更能促进用户的自我表露意愿，H1a得到支持。
响应面沿着不一致性线的斜率显著且为负值（斜率=-1.357，p<0.001），曲率不显著（曲率=-0.293，p>0.05），说明用户能动人格与感知能力为互补匹配时，“低—高”组合比“高—低”组合更能促进用户的自我表露意愿，H1b得到支持。
表8 能动维度的多项式回归与响应面分析结果

Table 8 Polynomial regression and response surface analysis results of agency dimension

变量 自我表露意愿 亲密感
模型1 模型2 模型3 模型4
AP 0.024（0.110） -0.121（0.198） -0.107（0.234） -0.033（0.187）
PC 1.125***（0.091） 1.237***（0.136） 1.053***（0.164） 0.299（0.159）
AP² 0.029（0.119） 0.114（0.148） 0.096（0.123）
AP×PC 0.159（0.127） 0.151（0.145） 0.054（0.127）
PC² -0.163*（0.075） 0.066（0.090） 0.034（0.082）
DC 0.609***（0.063）
R² 0.452*** 0.458*** 0.404*** 0.600***
DR² 0.006*** 0.196***
一致性线斜率 1.116***（0.249） 0.946**（0.313）
一致性线曲率 0.025（0.191） 0.199（0.211）
不一致性线斜率 -1.357***（0.230） -1.160***（0.257）
不一致性线曲率 -0.293（0.187） -0.102（0.232）
笔者还基于表8的结果绘制了相应的响应面图（见图3）。从图3中可以看出，响应面左前方的值要低于右后方，说明在感知能动人格相似匹配的情况下，二者均低比二者均高时的用户自我表露意愿低。响应面左后方的值要高于右前方，说明在感知能动人格互补匹配的情况下，相较于“高—低”组合，用户能动人格与感知能力为“低—高”组合时，用户自我表露意愿更高。
图3 感知能动人格匹配与自我表露意愿的响应面

Figure 3 Response surface of perceived agency personality matching and self-disclosure intention

在共生人格、感知温暖与自我表露意愿的响应面中（见表9，模型2），响应面沿着一致性线的斜率显著且为正值（斜率=1.429，p<0.001），曲率不显著（曲率=-0.224，p>0.05），说明当用户共生人格与感知温暖为相似匹配时，“高—高”组合比“低—低”组合更能促进用户的自我表露意愿，H2a得到支持。响应面沿着不一致性线的斜率显著且为负值（斜率=-1.409，p<0.001），曲率不显著（曲率=0.047，p>0.05），说明用户共生人格与感知温暖为互补匹配时，“低—高”组合比“高—低”组合更能促进用户的自我表露意愿，H2b得到支持。
表9 共生维度的多项式回归与响应面分析结果

Table 9 Polynomial regression and response surface analysis results of communion dimension

变量 自我表露意愿 亲密感
模型1 模型2 模型3 模型4
CP 0.171（0.120） 0.010（0.199） -0.334*（0.166） -0.339（0.223）
PW 1.106***（0.088） 1.419***（0.191） 1.268***（0.170） 0.549**（0.205）
CP² 0.137*（0.069） 0.273***（0.071） 0.204*（0.093）
CP×PW -0.136（0.189） -0.045（0.166） 0.024（0.148）
PW² -0.226*（0.111） -0.139（0.091） -0.025（0.077）
DC 0.507***（0.062）
R² 0.487*** 0.493*** 0.513*** 0.640***
DR² 0.006*** 0.127***
一致性线斜率 1.429***（0.339） 0.935**（0.292）
一致性线曲率 -0.224（0.178） 0.089（0.160）
不一致性线斜率 -1.409***（0.194） -1.602***（0.166）
不一致性线曲率 0.047（0.274） 0.180（0.239）
笔者基于表9的结果绘制了相应的响应面图（见图4）。从图4中可以看出，响应面左前方的值要低于右后方，说明在感知共生人格相似匹配的情况下，二者均低比二者均高时的用户自我表露意愿低。响应面左后方的值要高于右前方，说明在感知共生人格互补匹配的情况下，相较于“高—低”组合，用户共生人格与感知温暖为“低—高”组合时，用户自我表露意愿更高。
图4 感知共生人格匹配与自我表露意愿的响应面

Figure 4 Response surface of perceived communion personality matching and self-disclosure intention

5.4 中介检验

为了检验自我表露意愿在感知人格匹配与亲密感间的中介效应，笔者首先分别对感知能动人格匹配与亲密感、感知共生人格匹配与亲密感进行了多项式回归（模型3），再在模型3的基础上加入了自我表露意愿（模型4）。接着，笔者分别将用户人格、感知人格、二者的交互项以及平方项与各自的回归系数相乘得到块变量，再进行Bootstrap中介效应检验。
在能动维度，从表8模型4可以看出，自我表露意愿对亲密感具有显著的预测意义（β=0.609，p<0.001），且模型的R²显著增加。Bootstrap检验结果见表10，用户自我表露意愿的间接效应系数为0.608（p<0.001），在95%的置信区间为[0.474,0.786]，不包含0，说明用户自我表露意愿在用户感知能动人格匹配与亲密感的关系中发挥中介作用，H3a得到验证。
表10 能动维度的中介效应检验

Table 10 Mediating effects test of agency dimension

变量 自我表露意愿 亲密感
块变量 0.676***（0.045） 0.206***（0.058）
自我表露意愿 - 0.608***（0.052）
间接效应 - 0.618***（0.079）
95%置信区间 - [0.474,0.786]

注：N=202。表中系数均为非标准化系数，括号内为该系数的标准误。*p<0.05，** p< 0.01,***p< 0.001

在共生维度，从表9模型4可以看出，自我表露意愿对亲密感具有显著的预测意义（β=0.507，p<0.001），且模型的R²显著增加。Bootstrap检验结果见表11，用户自我表露意愿的间接效应系数为0.512（p<0.001），在95%的置信区间为[0.374,0.681]，不包含0，说明用户自我表露意愿在用户感知共生人格匹配与亲密感的关系中发挥中介作用，H3b得到验证。
表11 共生维度的中介效应检验

Table 11 Mediating effects test of communion dimension

变量 自我表露意愿 亲密感
块变量 0.700***（0.047） 0.347***（0.060）
自我表露意愿 - 0.505***（0.059）
间接效应 - 0.512***（0.078）
95%置信区间 - [0.374,0.681]

注：N=202。表中系数均为非标准化系数，括号内为该系数的标准误。*p<0.05，** p< 0.01,***p< 0.001

5.5 结果讨论

笔者通过情景实验，利用多项式回归与响应面分析的方法，探讨了社会支持场景下，用户感知人格匹配对人智交互用户体验的影响机制。具体而言，在用户感知能动人格相似匹配的情况下，相比用户能动人格与感知能力均低，二者均高时用户自我表露意愿更强；在用户感知能动人格互补匹配的情况下，相比用户能动人格高而感知能力低时，用户能动人格低而感知能力高时用户的自我表露意愿更强。在用户感知共生人格相似匹配的情况下，相比用户共生人格与感知温暖均低，二者均高时用户自我表露意愿更强；在用户感知共生人格互补匹配的情况下，相比用户共生人格高而感知温暖低时，用户共生人格低而感知温暖高时用户的自我表露意愿更强。此外，用户自我表露意愿在感知人格匹配与亲密感之间发挥中介作用。最终的假设检验结果如表12所示：
表12 假设检验结果

Table 12 Hypothesis test results

研究假设 假设内容 检验结果
H1a 在相似匹配的情形下，与“低—低”组合相比，用户能动人格与感知能力在“高—高”组合时，用户的自我表露意愿更强 成立
H1b 在互补匹配的情形下，与“高—低”组合相比，用户能动人格与感知能力在“低—高”组合时，用户的自我表露意愿更强 成立
H2a 在相似匹配的情形下，与“低—低”组合相比，用户共生人格与感知温暖在“高—高”组合时，用户的自我表露意愿会更强 成立
H2b 在互补匹配的情形下，与“高—低”组合相比，用户共生人格与感知温暖低在“低—高”组合时，用户的自我表露意愿更强 成立
H3a 自我表露意愿在感知能动人格匹配与亲密感之间发挥中介作用 成立
H3b 自我表露意愿在感知共生人格匹配与亲密感之间发挥中介作用 成立

6 结论与启示/Conclusions and implications

6.1 研究结论

笔者从用户感知视角出发，基于社会交换理论，探究了社会支持情境下用户人格与聊天机器人感知人格在能动与共生维度下的不同匹配模式对用户亲密感的影响机制。实证结果表明，假设H1a、H1b、H2a、H2b、H3a和H3b均得到支持，由此可得出以下结论：
（1）用户对聊天机器人的感知能力是影响用户自我表露意愿的关键因素。无论用户能动人格与聊天机器人感知能力属于何种匹配类型，高自我表露意愿对应的组合方式中，用户对聊天机器人的感知能力均处于较高水平，这体现了人类对强人工智能的追求。得益于庞大的知识库与强大的计算能力，社会支持聊天机器人能够为用户提供缓解压力与管理情绪的相关信息，协助人类用户处理当前面临的心理健康问题[74]。当用户感知到聊天机器人能在对话中提供有价值的信息时，便更愿意与其合作，通过表露个人信息获得更有效的支持。
（2）用户对聊天机器人的感知温暖是另一个影响用户自我表露意愿的关键因素。无论用户共生人格与智能体感知温暖属于何种匹配类型，高自我表露意愿对应的组合方式中，用户对聊天机器人的感知温暖均处于较高水平。自我决定理论指出，关联性是人类的基本心理需求之一[75]，当用户感知到聊天机器人具有积极的社交意图时，用户会产生被接纳和理解的感觉，进而满足了用户的关联性需求。同时，当用户感知到聊天机器人具备提供情绪支持的能力，他们会更容易将聊天机器人视为一个值得信赖的倾诉对象，因此更愿意分享个人问题和感受[51]。
（3）用户自我表露意愿在感知人格匹配与亲密感之间发挥中介作用。在能动与共生维度，用户人格与聊天机器人感知人格的协同效应都可以通过促进用户的自我表露意愿来提升亲密感。社会渗透理论认为，自我表露是关系发展的核心过程[35]。随着用户对聊天机器人的自我表露逐渐增加，双方的关系从表层逐渐深入到更亲密的层面。在感知人格匹配的情况下，用户可能更容易感受到与聊天机器人之间的相互理解和接纳，促进了自我表露的意愿，从而加深了亲密感。

6.2 理论与实践启示

本研究对人格匹配、人智交互用户体验等相关研究具有重要的理论意义：①从用户感知视角出发，探究了用户特征与用户感知特征的不同匹配模式对用户自我表露意愿的影响，丰富了人智交互领域用户自我表露意愿的前因研究；②基于社会认知的两个基本维度，探究了用户感知视角下的人格匹配与用户自我表露意愿、亲密感之间的复杂关系，全面揭示了人格匹配对人智交互用户体验的影响实质；③验证了用户自我表露意愿在人智亲密感形成中的核心中介机制，强调在建立人智亲密关系时提升用户自我表露意愿的重要性。
本研究对社会支持聊天机器人的设计和应用具有重要启示：①尽可能提升社会支持聊天机器人的能力与温暖水平。无论用户自身的能动与共生人格水平高低，当用户感知到聊天机器人具备较高的感知能力与感知温暖时，用户会更愿意向聊天机器人敞开心扉，分享个人信息，这对于提升支持效果与用户体验至关重要。现有研究发现，智能体的初始响应风格[76]、表情符号[77]、对话风格[78-79]、性别[80]等特征均会影响用户对聊天机器人的感知能力与感知温暖。为此，社会支持聊天机器人的设计与开发人员可以尝试不同特征的调整与组合，探究能使用户充分感受到社会支持聊天机器人能力与温暖的设计。②作为深化人智关系的桥梁，可以通过调整社会支持聊天机器人的对话风格[81]，增加社会支持聊天机器人的自我表露[38]等方式鼓励用户进行自我表露，提升用户的亲密感与长期互动意愿。

6.3 研究局限与展望

虽然本研究揭示了用户与聊天机器人感知人格匹配对亲密感的作用机制，但仍然存在一些局限：①本研究只探究了被试与社会支持聊天机器人单次交互的截面实验，后续还可以设计多次交互的纵向追踪实验，探究双方在不同阶段的感知人格匹配对交互体验的影响差异；②本研究只探究了学业压力这一话题情境，然而情境因素会影响个人隐私管理和自我表露，人们的隐私偏好和决定会根据语境和谈话类型而有所不同[82]。未来研究可以考虑人际交往、就业压力等其他话题，探究不同话题情景下感知人格匹配对自我表露的影响，从而为感知人格匹配对人智交互用户体验的作用机制提供更加全面和深入的见解。

陈 静：提出研究思路，修改研究框架，修订论文内容；

易方兴：设计并进行实验，采集与分析数据，撰写与修订论文。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
MOILANEN J, VAN BERKEL N, VISURI A, et al. Supporting mental health self-care discovery through a chatbot[J]. Frontiers in digital health, 2023, 5: 1034724.

[2]
JAUREGUI VELANDE R, ANDRADE ARENAS L, ALFARO PEÑA G B, et al. Mobile APP prototype: telemedicine for mental health care during pandemic[J]. International journal of online and biomedical engineering, 2023, 19(1): 155-177.

[3]
COBB S. Social support as a moderator of life stress[J]. Psychosomatic medicine, 1976, 38(5), 300-314.

[4]
COHEN S. Social relationships and health[J]. American psychologist, 2004, 59(8): 676-684.

[5]
RHEU M, DAI Y, MENG J, et al. When a chatbot disappoints you: expectancy violation in human-chatbot interaction in a social support context[J]. Communication research, 2024, 51(7): 782-814.

[6]
BRANDTZAEG P B, FØLSTAD A. Why people use chatbots[C]//4th International Conference on Internet Science. Thessaloniki: Springer, 2017: 377-392.

[7]
PAL D, VANIJJA V, THAPLIYAL H, et al. What affects the usage of artificial conversational agents? an agent personality and love theory perspective[J]. Computers in human behavior, 2023, 145: 107788.

[8]
JIANG L C, BAZAROVA N N, HANCOCK J T. The disclosure-intimacy link in computer-mediated communication: an attributional extension of the hyperpersonal model[J]. Human communication research, 2011, 37(1): 58-77.

[9]
LUCAS G M, RIZZO A, GRATCH J, et al. Reporting mental health symptoms: breaking down barriers to care with virtual human interviewers[J]. Frontiers in robotics and AI, 2017, 4: 51.

[10]
武雪姣,李彬彬,刘灵芝,等.大学生人际交往与人格特质[J].中国健康心理学杂志,2014,22(2):283-284.（WU X J, LI B B, LIU L Z, et al. College students' interpersonal communication and personality traits[J]. China journal of health psychology, 2014, 22(2): 283-284.）

[11]
MATTHEWS G, DEARY I J, WHITEMAN M C. Personality traits[M]. Cambridge: Cambridge University Press, 2003.

[12]
NASS C, STEUER J, TAUBER E R. Computers are social actors[C]//Proceedings of the SIGCHI conference on human factors in computing systems. Boston: ACM,1994: 72-78.

[13]
REEVES B, NASS C. The media equation: how people treat computers, television, and new media like real people[J]. Cambridge: Cambridge University Press, 1996, 10(10): 19-36.

[14]
YU L, FAN X. Lonely human and dominant robot: similarity versus complementary attraction[J]. Psychology & marketing, 2024, 41(5): 1133-1151.

[15]
SHUMANOV M, JOHNSON L. Making conversations with chatbots more personalized[J]. Computers in human behavior, 2021, 117: 106627.

[16]
GNEWUCH U, YU M, MAEDCHE A. The effect of perceived similarity in dominance on customer self-disclosure to chatbots in conversational commerce[C]//28th European conference on information systems. Marrakech: Association for Information Systems (AIS), 2020.

[17]
LEE K M, PENG W, JIN S A, et al. Can robots manifest personality? an empirical test of personality recognition, social responses, and social presence in human-robot interaction[J]. Journal of communication, 2006, 56(4): 754-772.

[18]
HOMANS G C. Social behavior as exchange[J]. American journal of sociology, 1958, 63(6): 597-606.

[19]
马中红,吴熙倡.社交聊天机器人的性别偏见——基于小冰系列的对话测试研究[J].国际新闻界,2024,46(4):72-89.（MA Z H，WU X C. Gender bias in social chatbots: a conversation test study based on Xiaoice series of chatbots[J]. Chinese journal of journalism & communication, 2024, 46(4): 72-89.）

[20]
SHUM H Y, HE X, LI D. From Eliza to XiaoIce: challenges and opportunities with social chatbots[J]. Frontiers of information technology & electronic engineering, 2018, 19(1): 10-26.

[21]
KÖRNER R, ALTMANN T. Personality is related to satisfaction in friendship dyads, but similarity is not: understanding the links between the big five and friendship satisfaction using actor-partner interdependence models[J]. Journal of research in personality, 2023, 107: 104436.

[22]
WIGGINS J S. A psychological taxonomy of trait-descriptive terms: the interpersonal domain[J]. Journal of personality and social psychology, 1979, 37(3): 395–412.

[23]
KIESLER D J. The 1982 interpersonal circle: a taxonomy for complementarity in human transactions[J]. Psychological review, 1983, 90(3): 185–214.

[24]
ABELE A E, WOJCISZKE B. Agency and communion from the perspective of self versus others[J]. Journal of personality and social psychology, 2007, 93(5): 751-763.

[25]
张妍,赵宇翔,吴大伟,等.人智交互情境中用户对生成式人工智能的心智感知及反应研究[J].情报理论与实践,2024,47(8):140-149.（ZHANG Y, ZHAO Y X, WU D W, et al. Study of users' mind perceptions and responses to generative AI in human-AI interaction context[J]. Information studies: theory & application,2024,47(8):140-149.）

[26]
HARRIS-WATSON A M, LARSON L E, LAUHARATANAIRUN N, et al. Social perception in human-AI teams: warmth and competence predict receptivity to AI teammates[J]. Computers in human behavior, 2023, 145: 107765.

[27]
DIGMAN J M. Higher-order factors of the Big Five[J]. Journal of personality and social psychology, 1997, 73(6): 1246-1256.

[28]
JIN S V, YOUN S. Why do consumers with social phobia prefer anthropomorphic customer service chatbots? Evolutionary explanations of the moderating roles of social phobia[J]. Telematics and informatics, 2021, 62: 101644.

[29]
ESTERWOOD C, ROBERT L P. Personality in healthcare human robot interaction (h-hri) a literature review and brief critique[C]//Proceedings of the 8th international conference on human-agent interaction. Sydney, Australia: ACM, 2020: 87-95.

[30]
EDWARDS J R, CABLE D M. The value of value congruence[J]. Journal of applied psychology, 2009, 94(3): 654-677.

[31]
LIN N, ENSEL W M, SIMEONE R S, et al. Social support, stressful life events, and illness: a model and an empirical test[J]. Journal of health and social behavior, 1979, 20(2): 108-108.

[32]
BAE BRANDTZÆG P B, SKJUVE M, KRISTOFFER DYSTHE K K, et al. When the social becomes non-human: young people's perception of social support in chatbots[C]//Proceedings of the 2021 CHI conference on human factors in computing systems. Yokohama, Japan: ACM, 2021: 1-13.

[33]
曹博林,黄诗怡.人机互动中的自我表露与隐私计算动态关系研究[J].全球传媒学刊,2023,10(3):22-46.（CAO B L, HUANG S Y. The dynamic relationship between self-disclosure and private computing in human-machine communication[J]. Global journal of media Studies,2023,10(3):22-46.）

[34]
LEE J, LEE D. User perception and self-disclosure towards an AI psychotherapy chatbot according to the anthropomorphism of its profile picture[J]. Telematics and informatics, 2023, 85: 102052.

[35]
ALTMAN I. Social penetration: the development of interpersonal relationships[M]. Holt: Rinehart & Winston, 1973.

[36]
PARK G, CHUNG J, LEE S. Effect of AI chatbot emotional disclosure on user satisfaction and reuse intention for mental health counseling: a serial mediation model[J]. Current psychology, 2023, 42(32): 28663-28673.

[37]
LIU W, XU K, YAO M Z. “Can you tell me about yourself?” the impacts of chatbot names and communication contexts on users' willingness to self-disclose information in human-machine conversations[J]. Communication research reports, 2023, 40(3): 122-133.

[38]
ADAM M, BENLIAN A. From web forms to chatbots: the roles of consistency and reciprocity for user information disclosure[J]. Information systems journal, 2024, 34(4): 1175-1216.

[39]
NOGUCHI Y, KAMIDE H, TANAKA F. Personality traits for a social mediator robot encouraging elderly self-disclosure on loss experiences[J]. ACM transactions on human-robot interaction, 2020, 9(3): 1-24.

[40]
GRAHAM S A, LEE E E, JESTE D V, et al. Artificial intelligence approaches to predicting and detecting cognitive decline in older adults: a conceptual review[J]. Psychiatry research, 2020, 284: 112732.

[41]
BAKAN D. The duality of human existence: an essay on psychology and religion[M]. Chicago: Rand McNally, 1966.

[42]
GEBAUER J E, PAULHUS D L, NEBERICH W. Big two personality and religiosity across cultures: communals as religious conformists and agentics as religious contrarians[J]. Social psychological and personality science, 2013, 4(1): 21-30.

[43]
CHENG X, ZHANG X, COHEN J, et al. Human vs. AI: understanding the impact of anthropomorphism on consumer response to chatbots from the perspective of trust and relationship norms[J]. Information processing & management, 2022, 59(3): 102940.

[44]
WORTHY M, GARY A L, KAHN G M. Self-disclosure as an exchange process[J]. Journal of personality and social psychology, 1969, 13(1): 59-63.

[45]
范哲,刘奔.用户人格特质对虚拟社区信息分享行为的影响研究——以基本心理需要为中介变量[J].现代情报,2019,39(11):69-79,97.（FAN Z, LIU B. The effect of personality traits on information sharing in the virtue community: based on basic psychological needs as intermediaries[J]. Journal of modern information,2019,39(11):69-79,97.）

[46]
LIU Z, MIN Q, ZHAI Q, et al. Self-disclosure in Chinese micro-blogging: a social exchange theory perspective[J]. Information & management, 2016, 53(1): 53-63.

[47]
王琼,蔡子君,钱婧.主动性人格会影响组织越轨行为吗——基于社会交换理论的研究[J].经济管理,2021,43(8):124-140.（WANG Q, CAI Z J, QIAN J. Would proactive personality influence deviance behavior? A social exchange perspective[J]. Business and management journal,2021,43(8):124-140.）

[48]
GRANT A M, GINO F, HOFFMANN D A. Reversing the extraverted leadership advantage: the role of employee proactivity[J]. Academy of management journal, 2011, 54(3): 528-550.

[49]
孟韬,陈梦圆,张天锴,等.交互失误情境下交互式人工智能拟人化的负面影响——基于ChatGPT和搜索引擎的实验证据[J].情报理论与实践,2024,47(1):84-91.（MENG T, CHEN M Y, ZHANG T K, et al. The negative impact of interactive AI anthropomorphization in interaction failure contexts: experimental evidence based on ChatGPT and search engines[J]. Information studies: theory & application,2024,47(1):84-91.）

[50]
吴继飞,朱翊敏,刘颖悦,等.智能客服厌恶效应的诱因、心理机制与边界研究[J].南开管理评论,2023,26(6):179-191.（WU J F, ZHU Y M, LIU Y Y, et al. Aversion effect for AI chatbot: inducing factor, psychological mechanism and boundary conditions[J]. Nankai business review,2023,26(6):179-191.）

[51]
SHUQAIR S, PINTO D C, SO K K F, et al. A pathway to consumer forgiveness in the sharing economy: the role of relationship norms[J]. International journal of hospitality management, 2021, 98: 103041.

[52]
EPLEY N, WAYTZ A, CACIOPPO J T. On seeing human: a three-factor theory of anthropomorphism[J]. Psychological review, 2007, 114(4): 864–886.

[53]
LUDWIG V U, BERRY B, CAI J Y, et al. The impact of disclosing emotions on ratings of interpersonal closeness, warmth, competence, and leadership ability[J]. Frontiers in psychology, 2022, 13: 989826.

[54]
COZBY P C. Self-disclosure: a literature review[J]. Psychological bulletin, 1973, 79(2): 73-91.

[55]
WHEELESS L R. Self-disclosure and interpersonal solidarity: measurement, validation, and relationships[J]. Human communication research, 1976, 3(1): 47-61.

[56]
LEE Y C, YAMASHITA N, HUANG Y, et al. " I hear you, I feel you": encouraging deep self-disclosure through a chatbot[C]//Proceedings of the 2020 CHI conference on human factors in computing systems. Honolulu: ACM, 2020: 1-12.

[57]
SKJUVE M, FØLSTAD A, FOSTERVOLD K I, et al. My chatbot companion-a study of human-chatbot relationships[J]. International journal of human-computer studies, 2021, 149: 102601.

[58]
BANDURA A. Social foundations of thought and action: a social cognitive theory[M]. Englewood Cliffs, NJ: Prentice-Hall, 1986.

[59]
CARSON R C. Interaction concepts of personality[M]. Chicago: Aldine Publishing Company, 1969.

[60]
HOROWITZ L M, STRACK S. Handbook of interpersonal psychology: theory, research, assessment, and therapeutic interventions[M]. Hoboken: John Wiley & Sons, 2012.

[61]
TRACEY T J. An examination of the complementarity of interpersonal behavior[J]. Journal of personality and social psychology, 1994, 67(5): 864-878

[62]
GLOMB T M, WELSH E T. Can opposites attract? personality heterogeneity in supervisor-subordinate dyads as a predictor of subordinate outcomes[J]. Journal of applied psychology, 2005, 90(4): 749-757.

[63]
蔡地,许瑞冰,刘佳,等.上下级主动性人格匹配对员工工作幸福感的影响及其作用机制[J].外国经济与管理,2020,42(1):85-98.(CAI D, XU R B, LIU J, et al. The influence and mechanism of person-supervisor proactive personality fit on employees' workplace well-being[J]. Foreign economics & management,2020,42(1):85-98.)

[64]
JIANG L C, BAZAROVA N N, HANCOCK J T. The disclosure-intimacy link in computer-mediated communication: an attributional extension of the hyperpersonal model[J]. Human communication research, 2011, 37(1): 58-77.

[65]
PENNER A, EYSSEL F. Germ-free robotic friends: loneliness during the COVID-19 pandemic enhanced the willingness to self-disclose towards robots[J]. Robotics, 2022, 11(6): 121.

[66]
傅小兰,张侃,陈雪峰,等.心理健康蓝皮书：中国国民心理健康发展报告(2021—2022)[M].北京:社会科学文献出版社,2023.（FU X L, ZHANG K, CHEN X F, et al. Blue book of mental health：report on national mental health development in China(2021-2022)[M]. Beijing: Social Sciences Academic Press,2023.）

[67]
THU-CoAI.【新发布】Emohaa 共情陪伴大模型[EB/OL].[2025-01-15]. https://zhuanlan.zhihu.com/p/687238598.htm.(THU-CoAI.【New Release】Emohaa Empathy Companionship Model[EB/OL].[2025-01-15]. https://zhuanlan.zhihu.com/p/687238598.htm.)

[68]
SABOUR S, ZHANG W, XIAO X, et al. A chatbot for mental health support: exploring the impact of Emohaa on reducing mental distress in China[J]. Frontiers in digital health, 2023, 5: 1133987.

[69]
GEBAUER J E, SEDKIDES C, LÜDTKE O, et al. Agency-communion and interest in prosocial behavior: social motives for assimilation and contrast explain sociocultural inconsistencies[J]. Journal of personality, 2014, 82(5): 452-466.

[70]
PHAM H C, DUONG C D, NGUYEN G K H. What drives tourists’ continuance intention to use ChatGPT for travel services? A stimulus-organism-response perspective[J]. Journal of retailing and consumer services, 2024, 78: 103758.

[71]
LYVERS M, CUTINHO D, THORBERG F A. Alexithymia, impulsivity, disordered social media use, mood and alcohol use in relation to Facebook self-disclosure[J]. Computers in human behavior, 2020, 103: 174-180.

[72]
FU Q, RODRÍGUEZ-ARDURA I, MESEGUER-ARTOLA A, et al. Self-disclosure during the COVID-19 emergency: effects of narcissism traits, time perspective, virtual presence, and hedonic gratification[J]. Computers in human behavior, 2022, 130: 107154.

[73]
SONG X, XU B, ZHAO Z. Can people experience romantic love for artificial intelligence? an empirical study of intelligent assistants[J]. Information & management, 2022, 59(2): 103595.

[74]
LEE I, HAHN S. On the relationship between mind perception and social support of chatbots[J]. Frontiers in psychology, 2024, 15: 1282036.

[75]
DECI E L, CONNELL J P, RYAN R M. Self-determination in a work organization[J]. Journal of applied psychology, 1989, 74(4): 580-590.

[76]
CHENG Z, FAN W, SHAO B, et al. The impact of intelligent customer service agents’ initial response on consumers’ continuous interaction intention[J]. Journal of retailing and consumer services, 2024, 76: 103585.

[77]
YU S, ZHAO L. Emojifying chatbot interactions: an exploration of emoji utilization in human-chatbot communications[J]. Telematics and informatics, 2024, 86: 102071.

[78]
CAI N, GAO S, YAN J. How the communication style of chatbots influences consumers’ satisfaction, trust, and engagement in the context of service failure[J]. Humanities and social sciences communications, 2024, 11(1): 1-11.

[79]
MAAR D, BESSON E, KEFI H. Fostering positive customer attitudes and usage intentions for scheduling services via chatbots[J]. Journal of service management, 2023, 34(2): 208-230.

[80]
JIN E, EASTIN M. Gender bias in virtual doctor interactions: gender matching effects of chatbots and users on communication satisfactions and future intentions to use the chatbot[J]. International journal of human-computer interaction, 2024,40(23): 8246-8258.

[81]
ADAM M, BENLIAN A. From web forms to chatbots: the roles of consistency and reciprocity for user information disclosure[J]. Information systems journal, 2024, 34(4): 1175-1216.

[82]
ACQUISTI A, BRANDIMARTE L, LOEWENSTEIN G. Privacy and human behavior in the age of information[J]. Science, 2015, 347(6221): 509-514.

Options
Outlines

/

〈 〉