從“擬人歸因”到“聯(lián)盟建立”：人與聊天機器人關系對參與度的影響

摘" 要" 隨著人工智能（Artificial Intelligence， AI）技術的迅猛發(fā)展， AI聊天機器人可模擬人類指導以改善在線自助干預（Internet-based Self-help Interventions， ISIs）中用戶的參與度及療效。然而， 學界對聊天機器人作用機制的探索尚處初期階段。因此， 為加深對這一問題的理性認識， 文章基于人機關系的視角提出了適應ISIs情境的理論模型：聊天機器人可與用戶經(jīng)歷擬人歸因、功利性價值判斷、發(fā)展依戀關系、建立數(shù)字治療聯(lián)盟（Digital Therapeutic Alliance， DTA）這4個階段來逐步發(fā)展人與聊天機器人關系（Human?Chatbot Relationships， HCRs）， 并通過HCRs提高用戶參與度。未來研究可繼續(xù)豐富HCRs的相關理論并檢驗其內(nèi)在機制， 基于HCRs理論來設計聊天機器人， 深入考察影響HCRs的額外變量， 統(tǒng)一參與度的操作定義并開發(fā)適合的參與度測量工具。

關鍵詞" 聊天機器人， 參與度， 人與聊天機器人關系

分類號" B849

1" 引言

隨著移動互聯(lián)網(wǎng)的快速發(fā)展， 基于傳統(tǒng)心理咨詢/心理治療技術但更靈活、經(jīng)濟、便捷的在線自助干預（Internet-based Self-help Interventions， ISIs）也應運而生（Mrazek et al.， 2019）。近年來， ISIs的可行、有效性得到了較多證據(jù)支持（Izzaty et al.， 2021; Johansson et al.， 2021; Sun et al.， 2021; Taylor et al.， 2021; Weisel et al.， 2019）， 但用戶的高脫落率及低參與度仍是ISIs當下要面臨的巨大挑戰(zhàn)（Taylor et al.， 2021）。所謂參與度（Engagement）， 指的是用戶體驗或用戶參與ISIs內(nèi)容的程度（Christensen et al.， 2009; de Geest amp; Sabaté， 2003; Leeuwerik et al.， 2019）， 其與療效息息相關（Asaeikheybari et al.， 2021; Cavanagh et al.， 2018; Karyotaki et al.， 2017; Puls et al.， 2020; Tetley et al.， 2011）。盡管有人類支持可提振用戶參與度（Baumeister et al.， 2014; Richards amp; Richardsosn， 2012; Spijkerman et al.， 2016）， 但實際的人力投入也會限制ISIs的即時性、可拓展性以及成本效益?？上驳氖?， 基于人工智能（Artificial Intelligence， AI）技術的聊天機器人（Chatbot）可嵌入ISIs中模擬人類指導， 其相較于傳統(tǒng)ISIs程序更能促進用戶參與度及療效（Perski et al.， 2019; Provoost et al.， 2020b; Vaidyam et al.， 2019）。然而， 國外的該領域研究仍處在對ISIs聊天機器人可行性、有效性進行檢驗的階段， 國內(nèi)則鮮見相關研究， 學界對ISIs聊天機器人的作用機制仍知之甚少（Bassi et al.， 2022; Gabrielli et al.， 2021; He et al.， 2022; Skjuve et al.， 2022b）。鑒于此， 有必要加深對這一問題的理性認識， 使聊天機器人的設計更具針對性以進一步促進ISIs的效果。故文章將通過人與聊天機器人關系（Human? Chatbot Relationships， HCRs）的視角來解釋ISIs聊天機器人的作用機制， 深入討論ISIs情境下HCRs的發(fā)展過程及其對用戶參與度產(chǎn)生的影響， 以期為后續(xù)研究提供參考。

2" HCRs的發(fā)展過程及其對用戶參與度的影響

從人機交互（Human?Computer Interaction， HCI）的角度來看， 用戶參與度低是由于交互體驗缺乏所致， 因此傳統(tǒng)ISIs程序的靜態(tài)交互不利于提振用戶的參與積極性（Doherty et al.， 2012）。反之， 具有自然語言會話能力的聊天機器人能使用戶主動參與而非被動接受信息， 其形態(tài)從單一的聊天頭像到虛擬化身（Avatar）， 是一種更為積極活躍的社會行動者（Appel et al.， 2012; Doherty et al.， 2012; Go amp; Sundar， 2019; Ly et al.， 2017）。此外， 基于言語或非言語的會話行為是關系萌生的必要條件（Bickmore amp; Picard， 2005）， 因此， 聊天機器人將有希望與用戶建立、發(fā)展HCRs， 并通過關系紐帶來提升用戶參與度。

鑒于HCRs的發(fā)展和人與人之間的關系（Human?Human Relationships， HHRs）發(fā)展有相似之處， 一些HHRs理論也可用于解釋HCRs （Hendriks et al.， 2020; Schuetzler et al.， 2020）。例如， Skjuve等人（2021a）為理解HCRs的發(fā)展過程而在廣受驗證的人際理論—— 社會滲透理論（Social Penetration Theory， SPT）的基礎上建立了解釋HCRs發(fā)展的三階段模型：第一階段， 探索階段， 用戶因對隱私或安全等因素的顧慮而對聊天機器人持謹慎態(tài)度， 體現(xiàn)在自我暴露較少， 且信息高度膚淺; 第二階段， 情感階段， 用戶對聊天機器人的功利性價值進行判斷， 并發(fā)展與聊天機器人的依戀關系， 其交互頻率與暴露深度也因而得到促進; 第三階段， 穩(wěn)定階段， 用戶保持與聊天機器人的依戀關系， 與聊天機器人的交互也成為日常生活的一部分， 但自我暴露降低， 并更傾向于分享日常事件。隨后， Skjuve等人（2022b）又進行了為期12周的縱向研究驗證了此模型的解釋力， 并揭示了HCRs漸進式發(fā)展的特性。然而， 此模型雖具新穎性， 但遷移至ISIs情境仍存在著幾個問題：一是此模型并未考慮人機交互之初的認知加工過程， 而直接討論了關系發(fā)展部分; 二是此模型并未解釋每個HCRs階段下的心理機制; 三是此模型更側重于理解親密關系的發(fā)展， 若將該模型遷移至ISIs中， 還需進一步考量心理咨詢/心理治療情境的特殊性， 并調(diào)整HCRs的發(fā)展方向。因此， 本文將在Skjuve等人（2021a）的基礎上結合人機交互及心理學領域的理論， 將HCRs模型進一步完整化、具體化， 并使之適應數(shù)字心理咨詢/心理治療。

2.1" 階段1：擬人歸因

擬人化（Anthropomorphism）， 即人類把似人特征（如形象、言語等）、動機、意圖或情感賦予非人對象（如無生命的物體、動物）的認知過程（Epley et al.， 2007）， 具有啟發(fā)式（Heuristics）的特點（Tversky amp; Kahnemann， 1974）。一般而言， 當用戶與聊天機器人初次接觸時擬人化即被啟動， 用戶會因其似人的外形或是會話能力而無意識地將其當作另一個人來對待（后簡稱“擬人歸因”）， 基于此， 用戶會更傾向于以人際交往策略與之交互（Nass et al.， 1994）。隨著交互頻率增多， 用戶可能也會將更深入的特征， 如動機、意圖、情感等逐步歸因于它們（許麗穎 等， 2017）， 而擬人化的加強也將促進HCRs的發(fā)展（Pentina et al.， 2023）。因此， 擬人歸因可能是發(fā)展HCRs的關鍵起點， 而理解其內(nèi)在機制將有助于促進HCRs的發(fā)展。

首先， 用戶會在內(nèi)在動機的驅動下對聊天機器人作擬人歸因?；赗eeves和Nass （1996）提出的媒體等同理論（The Media Equation， TME）， “媒體無異于現(xiàn)實生活”、“人們會對媒體產(chǎn)生社會的、本能的反應， 即便他們意識到這并不合乎理性， 甚至認為自己不可能作如此反應”。而媒體等同理論的重要研究范式——計算機是社會行動者范式（Computers Are Social Actors， CASA）也認為用戶傾向于直覺地關注計算機呈現(xiàn)的人類線索（Human Cues）， 如其輸出的文本、語音、語言風格、可以與人互動的特性等， 并忽略計算機呈現(xiàn)的工具性線索， 從而自然而然地將其視為與人一般的社會行動者， 并以一定的社會規(guī)則（如偏見、禮貌、互惠等）對其產(chǎn)生社會化的反應（如信任、喜愛等） （Nass et al.， 1994）。然而， 用戶為何會作無意識反應？基于Epley等人（2007）的三因素理論， 擬人化由誘發(fā)主體知識（Elicited Agent Knowledge）、效能動機（Effectance Motivation）以及社會動機（Sociality Motivation）三個協(xié)同作用的因素構成。因此， 在人機交互之初， 用戶更偏重于對非人對象的初級線索（形象、言語等）進行擬人的推理、歸因， 其目的在于為效能動機、社會動機的滿足提供良好的認知基礎。

其次， ISIs情境的特殊性將促使用戶產(chǎn)生積極的感知。基于社會線索減少理論（Reduced Social Cues， RSC）， 在以計算機為媒介的通訊中用戶接收到的社會線索（Social Cues）會因網(wǎng)絡帶寬的限制而減少， 這些有限的社會線索還會因為代償效應而受到強化， 用戶的心理狀態(tài)也因此更容易被影響（Tanis amp; Postmes， 2003）， 并體驗到感知流暢性（Perceptual Fluency）， 即一種主觀上感受到的愉悅、放松（Labroo et al.， 2008）。新近且廣受檢驗的綜合理論——超人際交流理論（Hyperpersonal Interaction， HI）也認為， 由于人機交互過程中社會線索的減少， 用戶將更傾向于將聊天機器人過度理想化而忽視其技術缺陷， 并使用更多的印象管理策略來增進“好感” （Walther， 1996）。

最后， 用戶的社會存在感（Social Presence）將得到增強， 并影響其參與度。所謂社會存在感， 即個體與另一個人在一起的感覺， 包括了共同存在（Copresence）、心理參與（Psychological Involvement）、行為參與（Behavioral Engagement）三個維度（Biocca et al.， 2003）。由于用戶受其內(nèi)在動機及有限社會線索的影響， 其“社會存在感啟發(fā)式” （Social Presence Heuristic）將得到良好激發(fā)（Sundar et al.， 2008）， 這也是HCRs發(fā)展之初， 聊天機器人影響用戶參與度的核心要素。有研究指出， 被試的社會存在感被聊天機器人激活后， 其行為意向（Behavioral Intention）將顯著增強（Mozafari et al.， 2021）。而在Blut等人（2021）的元分析中也發(fā)現(xiàn)， 社會存在感中介了擬人化對行為意向的影響?；谟媱澬袨槔碚摚═heory of Planned Behavior， TPB）， 行為意向是影響用戶內(nèi)在動機、預測用戶實際參與行為的關鍵因素（Ajzen， 2012）。此外， 若被試感到與聊天機器人互動就像與真人互動一樣生動， 那么信任感將更容易建立， 且參與度也會因此提高（Brendel et al.， 2022; Hassanein amp; Head， 2005; Lee et al.， 2021）。

綜上所述， 良好的擬人歸因（形象、言語等初級線索）是HCRs發(fā)展的前提， 用戶會因此如對待人類一般與聊天機器人進行類社會互動（Parasocial Interaction）， 并為效能、社會動機的滿足提供良好的認知基礎。隨著HCRs的發(fā)展， 擬人化將逐漸以動機驅動為主， 擬人歸因為輔， 目的是使得個體需求能得到更好的滿足。因此， 在效能、社會動機的推動下， 用戶將強化有限的社會線索， 進而使得社會存在感提升并影響其參與度， 而擬人歸因也將更為深入（動機、意圖、情感等高級線索）， 并進一步促進HCRs發(fā)展。

2.2" 階段2：功利性價值判斷

功利性價值（Utilitarian Value）， 即一項產(chǎn)品對用戶功利性需要的滿足程度， 如信息獲取、效率提升、問題解決等（Choi amp; Drumwright， 2021）。在HCRs發(fā)展初期， 用戶也傾向于對聊天機器人的功利性價值進行判斷， 進而確定其自身的實際需要能否得到滿足。具體而言， 聊天機器人是否能根據(jù)用戶現(xiàn)階段的期望而展現(xiàn)出其實際作用， 如準確且個性化的心理健康信息、流暢且自然的對話能力、精準且智慧的上下文理解能力、豐富且優(yōu)質的技能服務等， 將影響用戶對聊天機器人的接受度。因此， 探究功利性價值判斷的機制， 將有助于具體化聊天機器人的功能設計并使HCRs得到促進。

首先， 用戶傾向將聊天機器人定位為“工具”并關注其實用性。一方面， 擬人歸因雖有利于營造良好的前期印象， 但由于用戶的信任感尚未建立， 因此， 他們在與聊天機器人交互時也不會作較深入的自我暴露， 這也將導致此階段的HCRs仍是膚淺的（Skjuve et al.， 2021a）。同時， 有研究指出人類實際上對聊天機器人持有刻板印象， 認為它們盡管在“智能”上具有挑戰(zhàn)人類的能力， 但其本質上并不具備情感能力。原因在于， 人類傾向將聊天機器人的反應識別為程序運算的結果， 而非“自發(fā)的”， 這也阻礙了人類與之作更深入的情感交互（Wirtz et al.， 2018）。另一方面， 基于“使用和滿足框架” （The Uses and Gratifications Framework; Rubin， 1983）， 用戶是積極、理性且目標導向的， 因此， 他們會試圖尋找并選擇那些能夠滿足他們特定需求（如互動、功用、娛樂、信息獲取、社會地位等）的媒體產(chǎn)品， 這也是用戶在HCRs發(fā)展之初更關注聊天機器人實際作用的原因。

其次， 功利性價值判斷將影響用戶的主觀態(tài)度?；趶V受驗證的技術接受模型（Technology Acceptance Model， TAM）， 用戶對技術的功利性需求可歸納為有用性和易用性兩方面， 它們將決定用戶對技術功利性價值的態(tài)度， 并影響用戶的行為意向（Legris et al.， 2003）。例如， 在Kamita等人（Kamita et al.， 2019）的ISIs研究中， 聊天機器人在有用性、易用性上的得分均顯著高于傳統(tǒng)的Web程序， 而聊天機器人組被試（N = 15）也表現(xiàn)出更高的參與積極性， 并在行為意向上的得分顯著高于Web程序組被試（N = 12）。與之類似， Park和Kim （2023）也發(fā)現(xiàn)， 感知有用性能正向預測被試與心理聊天機器人進行社會交互的意愿。而技術接受模型的修正—— 期望證實模型（Expectation- Confirmation Model， ECM）則進一步提出了用戶評估功利性價值的可能機制， 即用戶可能會將其使用產(chǎn)品前的期望與使用后的感知有用性進行對比， 以確定其期望是否得到證實， 而期望的證實與否將決定其滿意度（Bhattacherjee， 2001）。例如， Dhiman和Jamwal（2023）基于期望證實模型來探究被試持續(xù)使用聊天機器人的原因， 研究結果顯示， 被試對聊天機器人的感知有用性及使用后的期望證實對其滿意度有顯著影響。在Xie等人（2022）的研究中， 相較于技術性（Technology）、娛樂性（Hedonic）以及社交性（Social）， 功利性（Utilitarian）是用戶滿意度的最強預測因素。

最后， 用戶的后續(xù)參與行為也將受上述兩種因素的影響。一是行為意向， 其作為個體采取某項行動的意愿強度， 將能直接影響用戶的參與動機及實際參與行為（Ajzen， 2012）。若用戶的行為意向水平足夠高， 他們往往也會傾向于與聊天機器人交互并參與ISIs課程。反之， 若用戶的參與動機不穩(wěn)定， 則很難保證其后續(xù)的參與行為（Alfonsson et al.， 2017）。二是用戶滿意度， 其作為更綜合的評價指標， 除了能直接影響用戶的參與動機外也能影響忠誠度， 是用戶持續(xù)與聊天機器人交互的重要影響因素（Cheng amp; Jiang， 2020）。例如， Zhu等人（2022）發(fā)現(xiàn)， ISIs聊天機器人的功利性價值（個性化的信息呈現(xiàn)）能顯著改善用戶滿意度， 而用戶滿意度也與其持續(xù)使用聊天機器人的意愿呈顯著正相關。然而， 在Liu等人（2022）為期16周的ISIs研究中， 聊天機器人組被試的參與度隨時間推移呈下降趨勢。對此， 研究者認為聊天機器人除了存在技術缺陷之外， 其不能呈現(xiàn)有用且令被試滿意的內(nèi)容也是關鍵的原因。

總的來說， 此階段是用戶對聊天機器人的探索階段， 用戶可能會對聊天機器人持有刻板印象， 認為其僅是一個不具備情感能力的工具。在此基礎之上， 通過使用和滿足框架可推知， 聊天機器人需先呈現(xiàn)出其作為一個有效工具的價值， 在可用性、易用性、期望證實等方面證明其重要性， 并促進用戶參與度。此時， 通過Epley等人（2007）的三因素理論可進一步推知， 隨著用戶與聊天機器人互動頻率的增加， 他們對聊天機器人的認可度、熟悉度、確定感將得到提高。由于這一過程滿足了用戶對陌生事物理解、預測和掌控的需要（效能動機）， 因此， 擬人化將得到增強并間接地提升用戶好感度， HCRs也將進一步發(fā)展。

2.3" 階段3：發(fā)展依戀關系

依戀（Attachment）， 是指個體在嬰孩時期與其他重要對象所發(fā)展出的一種長久且穩(wěn)固的情感紐帶（Bowlby， 1988）， 這種經(jīng)驗會影響個體歸因并在成長過程逐漸內(nèi)化為獨特的依戀風格（Attachment Styles）， 并作為今后與朋友、親人、戀人或個人所有物建立關系的模板（Bartholomew amp; Horowitz， 1991）。其中， 影響個體歸因的關鍵在于其所體驗到的安全感的水平， 個體每經(jīng)歷一次人際交互， 都會將過往的依戀風格代入其中， 并評估所獲得的安全感， 進而作出影響關系發(fā)展的行為（接近或回避） （Adams et al.， 2018）。近年來， 依戀理論也開始在傳播學領域中被廣泛應用， 以解釋個體對非人對象（如寵物、品牌、虛擬人物等）情感依戀的發(fā)展以及維系關系的動機（Bauer amp; Woodward， 2007; Pedeliento et al.， 2016; Wanser et al.， 2019; Xie amp; Pentina， 2022）。隨著HCRs進一步發(fā)展， 聊天機器人作為一種活躍的社會行動者， 也很有可能與用戶發(fā)展出依戀關系。

首先， 人類的認知、情感加工機制有助于人機依戀的產(chǎn)生。例如， 有研究發(fā)現(xiàn)用戶在與具有似人特征， 特別是呈現(xiàn)了關系線索（如幽默和同理心）的聊天機器人持續(xù)交互時， 他們對聊天機器人的認知推理可驅動他們對聊天機器人情感的感知， 反過來， 這種情感感知也會影響他們的認知判斷（Lee， S. et al.， 2020; Sánchez-Franco et al.， 2021; Spatola amp; Wudarczyk， 2021）。在Beck （1995）的認知模型中， 認知與情感也相互影響。此外， 基于心智感知理論（Mind Perception Theory）， 用戶實際上會綜合認知、情感兩個維度的感知對聊天機器人做擬人化的信息加工， 并形成感知心智的歸因推理（Waytz et al.， 2010）， 進而影響其與聊天機器人互動的意愿（Blut et al.， 2021）。而著名的雙加工理論（Dual-Process Theory）也指出， 個體的認知過程可分為理性的認知部分（如功利價值感知）和非理性的情感部分（如情緒價值感知） （Stanovich amp; West， 2000）。因此， 認知和情感在人機交互的過程中相輔相成并共同塑造用戶體驗， 并促成聊天機器人與用戶的依戀關系（Abdulrahman amp; Richards， 2021; Bickmore et al.， 2005; Choi amp; Drumwright， 2021; Pentina et al.， 2023; ter Stal et al.， 2020）。

其次， 聊天機器人也可具備發(fā)展依戀關系的關鍵條件。一方面， 聊天機器人除了更可靠、更容易被控制外， 它們還能發(fā)揮“安全基地”和“避風港”的功能， 通過滿足個體的精神需求或是緩解其痛苦來使個體產(chǎn)生一定程度的依戀（Rabb et al.， 2022）。例如， 在Zhou等人（2020）的介紹中， 聊天機器人“微軟小冰”以其獨特的情商系統(tǒng)使其能在交流、情感和社會歸屬感等多方面滿足用戶的精神需求， 并與用戶成功地建了依戀關系， 進而促進用戶長期且持續(xù)的活躍。而Xie和Pentina （2022）研究結果也表明， 當被試在痛苦和缺乏陪伴之際， 若其感知到聊天機器人Replika的理解， 并得到適當?shù)那楦兄С帧⒐膭睿?他們就有可能對Replika產(chǎn)生依戀。另一方面， 聊天機器人具有自然語言對話的天然優(yōu)勢。因此， 它們的“表露”也能促進人機交互的頻率及用戶的自我暴露， 并使用戶體驗到被接納感、親密感以及排遣孤獨等持續(xù)的內(nèi)在獎勵， 進而使依戀得到發(fā)展（Skjuve et al.， 2021a， 2022b）。在社會滲透理論中， 更多的信息傳遞及逐步的自我暴露是信任的表現(xiàn)， 而信任也被視為關系發(fā)展的關鍵先決條件（Altman amp; Taylor， 1973）。例如， 在Kang和Gratch （2014）的研究中， 被試在與深層自我表露的聊天機器人互動時， 也會回應以更多的自我暴露， 并對聊天機器人更信任、更親密。隨后， Lee， Y. C.等人（2020）的研究也發(fā)現(xiàn)， 深層自我表露的聊天機器人比淺層自我表露及無自我表露的聊天機器人更能促進用戶的自我暴露， 同時也與部分被試成功地建立了依戀關系。

最后， 依戀關系的發(fā)展將促使用戶更長期地參與ISIs。由上可知， 擬人歸因及功利性價值判斷雖為HCRs發(fā)展提供了良好的認知基礎， 并促進了社會存在感及人機交互的頻率， 但它們均為短期視角。一方面， 若只注重認知方面的影響， 用戶對聊天機器人的擬人化僅會停留在淺層的擬人歸因（如外在形象、言語上的似人性）。另一方面， 聊天機器人若越高效、實用， 它們的定位則越會偏向于一個高效的“工具”而非一個具備感受能力且值得信賴的“伙伴”， 這也將導致用戶與它們的聯(lián)結逐漸弱化， 參與度也會因而下降。在心智感知理論中， 若個體認為類人物體缺失情感感受能力， 他們就會否認其“人性”， 并拒絕與之平等交流（Waytz et al.， 2010）。反之， 尋求社會接觸、社會聯(lián)系、社會認可等社會、情感需求不但是個體在關系中最基本的訴求， 也是促使其更長期、穩(wěn)定地參與ISIs的重要因素（Epley et al.， 2007）。因此， 若要使HCRs得到穩(wěn)定地增強， 用戶需更積極地參與人機交互， 而聊天機器人也需要有所“作為”， 為用戶提供“情感價值”。如此， 用戶在社會動機的推動下才可能將聊天機器人進一步擬人化， 把更深層的特征（如動機、意圖、情感等）逐步歸因于它們（許麗穎 等， 2017）， 并與它們建立依戀關系來使自身的情感需求得到更持續(xù)、充分地滿足（Xie amp; Pentina， 2022; 趙欣 等， 2012）， HCRs的發(fā)展也會因擬人化的加強而逐漸走向深入（Epley et al.， 2007; Pentina et al.， 2023）， 并進一步提高用戶的參與質量。

綜上所述， 擬人歸因及對功利性價值判斷均是影響用戶參與ISIs的短期因素， 若要使用戶在更長的周期內(nèi)保持活躍， 情感因素將發(fā)揮更為重要的作用。因此， 用戶在社會動機的驅動下會將聊天機器人進一步擬人化并與之建立依戀紐帶， 在他們體驗到更多積極情緒的同時， HCRs也將趨向深入——從“工具”逐漸過渡至“伙伴”。若用戶對聊天機器人的依戀轉移至對ISIs任務的依戀， 他們將更傾向于積極、持續(xù)地參與其中（McGonagle et al.， 2021）， 如此， 將聊天機器人用于心理咨詢/心理治療方面的目標也開始得以體現(xiàn)。

2.4" 階段4：建立數(shù)字治療聯(lián)盟

治療聯(lián)盟（Therapeutic Alliance， TA）， 即咨詢中來訪者與咨詢師之間的合作關系（朱旭， 江光榮， 2011）， 是治療效果的穩(wěn)健預測因素（Flückiger et al.， 2018）。有一系列研究發(fā)現(xiàn)， TA不僅限于人與人之間， 人類也能無意識地與虛擬程序建立聯(lián)盟關系， 而這種在ISIs情境中建立的聯(lián)盟關系， 被稱之為數(shù)字治療聯(lián)盟（Digital Therapeutic Alliance， DTA）， 也即人類與程序間的“合作”關系（Berger， 2017; D’Alfonso et al.， 2020; Darcy et al.， 2021; Heim et al.， 2018）。有研究發(fā)現(xiàn)， DTA不但與TA具有概念一致性（Conceptual Invariance）， 而且也能預測療效的改善（Luo et al.， 2022）。此外， TA中的情感紐帶維度與安全依戀相似且高度相關（Mallinckrodt amp; Jeong， 2015）， 而不安全依戀， 特別是回避型依戀， 則是導致TA破裂的關鍵（McGonagle et al.， 2021）。換至ISIs情境中， Hertlein和Twist （2018）也發(fā)現(xiàn)， 回避型用戶可能會低活躍、低參與（排斥）， 焦慮型用戶可能會過度使用程序（依賴）。因此， 在依戀關系的基礎上， 通過DTA的視角理解HCRs的進一步發(fā)展將更適應ISIs情境。

首先， 建立、發(fā)展DTA將更利于ISIs目標的達成。第一， 在實際的心理咨詢中， 咨詢師和來訪者間應避免雙重關系， 在ISIs中也不應例外。第二， 建立DTA的意義并不在于提升用戶對聊天機器人的接受度、滿意度， 而是為了更好地激勵用戶作出積極改變。第三， 建立DTA能使ISIs的過程更公開透明， 具體而言， 聊天機器人需與用戶就如何實現(xiàn)某些目標以及如何落地而達成協(xié)議， 并對其使用的技術及隱私協(xié)議等信息開誠布公（Law et al.， 2022）。由此可見， DTA是一種經(jīng)由深思熟慮的且目的明確的人機關系模式。鑒于ISIs的目標是使用戶的心理問題得以改善， 因此， 此階段應調(diào)節(jié)HCRs的發(fā)展方向， 使聊天機器人與用戶建立DTA、發(fā)展合作關系， 而非其他依戀關系（如朋友、伴侶）。

其次， 以前三階段為基礎， 建立DTA將更為容易?；谶^往的TA定義， 無論是經(jīng)典的三維結構（任務一致、目標一致、情感紐帶） （Bordin， 1979）， 亦或是四維結構（開放性、信任、合作關系、情感紐帶） （Agnew-Davies et al.， 1998）， 都包含了認知、情感兩大成分：認知成分， 指對治療目標和任務的認可; 情感成分， 即積極的情感聯(lián)結或個人依戀， 如相互信任、喜愛、尊重、關心、坦率等（朱旭， 江光榮， 2011）。而在ISIs中， 認知、情感也同樣被認為是促進DTA的關鍵途徑（D’Alfonso et al.， 2020; Tong et al.， 2022）。一方面， 用戶在擬人歸因后會無意識地把聊天機器人當作社會行動者， 并經(jīng)由理性的認知過程（功利性價值判斷）形成聊天機器人是否滿足其需要的認知評估， 進而有助于“共識”的達成。另一方面， 隨著HCRs的發(fā)展， 用戶將對聊天機器人產(chǎn)生情感依戀， 進而影響情感紐帶的建立?；诖?， HCRs的階段性發(fā)展將為DTA的建立奠定良好基礎。

最后， 通過促進DTA發(fā)展， 用戶參與度也將進一步提振。在促進DTA方面， 當個體在需要關心、支持時與一個充滿愛心的對象進行互動， 其安全感將得到加強， 并體驗到被愛和被照顧的感覺。若這種影響能得到長期、穩(wěn)定地重復， 個體的不安全依戀可能會逐漸轉變?yōu)榘踩缿伲˙owlby， 1988; Mikulincer amp; Shaver， 2020; Nanjappa et al.， 2014）。因此， 可通過增強安全感的交互來啟動個體對安全依戀的感知， 以此強化情感紐帶進而促進DTA發(fā)展。而對于具體的交互設計， 可參考咨詢師與來訪者發(fā)展TA的策略， 為聊天機器人設計專門的關系線索（磨然 等， 2023）。例如， 在傳統(tǒng)的心理咨詢中， 咨詢師若善解人意、真誠一致并無條件積極地關注來訪者， 咨訪關系即可迅速、健康地發(fā)展（Rogers， 1957）。同樣， Skjuve等人（2021a）認為， 聊天機器人若要與用戶建立、發(fā)展DTA， 最關鍵的也是以接納、理解、不評判等關系線索來給予用戶情感支持。對此， Bell等人（2019）也強調(diào)到， 理解、共情能力的缺乏將使得聊天機器人無法建立有效心理治療所需的關系強度。總之， 聊天機器人可先模擬咨詢師身份來建立專業(yè)、可靠的初步印象， 而后則需依托其良好的功能體驗來得到用戶的認可并提升復用率， 進一步則是在與用戶交互的過程中兼顧咨詢倫理規(guī)范， 并不斷呈現(xiàn)強化情感紐帶的關系線索（如友好、尊重、不判斷、傾聽、鼓勵、真誠、共情、信任、自我表露等） （磨然 等， 2023）。如此， 則可在HCRs逐漸發(fā)展的過程中將依戀關系調(diào)節(jié)為更有利于ISIs目標的聯(lián)盟合作關系。當DTA建立后， 用戶的自我保護將減少， 自我暴露將更深入并更愿意合作， 其參與度及治療效果也因此得到積極的改善（Heim et al.， 2018; Liu et al.， 2022; Provoost， 2021a）。例如， Goldberg等人（2021）發(fā)現(xiàn)全自動的正念干預程序能夠與被試建立DTA， DTA不但對參與度有顯著的預測作用， 且干預第3、4周的DTA水平也預測了抑郁、焦慮的改善。而在Rodrigues等人（2021）的隨機對照實驗中， 被試同樣與聊天機器人建立了DTA， 而DTA也正向地預測了被試的參與度。

綜上所述， HCRs發(fā)展對ISIs中用戶參與度或有重要影響， 若要用戶具有較高的參與度， 實際上也要求了用戶在更長的ISIs生命周期中留存且活躍， 這對ISIs程序的要求無疑也更高， 是該領域目前亟待解決的一個難題。基于此， 文章結合了人機交互及心理學領域的成熟理論對HCRs的發(fā)展框架作出了進一步的完善， 并提出一個適應ISIs情境的理論模型（圖1）。

3" 現(xiàn)存問題及未來展望

3.1" HCRs的相關理論缺乏， 內(nèi)在機制尚未明晰

在早期的研究中， 盡管Bickmore和Picard （2005）對聊天機器人所呈現(xiàn)的關系線索（如幽默和同理心）對HCRs的發(fā)展提供了重要啟發(fā)， 但他們并未構建理論來解釋HCRs的變化。直至目前， 學界中關于HCRs發(fā)展的理論仍未達成共識， 研究者們對于HCRs如何啟動、發(fā)展、加強， 乃至于這種關系對人類的影響仍知之甚少， 這也表明了在該領域中發(fā)展新理論的空間仍然較大（Muresan amp; Pohl， 2019; Skjuve et al.， 2021a， 2022b）。由于HCRs的發(fā)展可能與HHRs的發(fā)展有相似之處， 故解釋HHRs發(fā)展的現(xiàn)有理論可作為理解HCRs的起點。因此， 未來的研究可基于一些成熟的HHRs理論如：社會交換理論（Social Exchange Theories; Emerson， 1976）、人際投資模型（The Investment Model of Personal Relationships; Rusbult et al.， 1994）、承諾信任理論（Commitment-Trust Theory; Morgan amp; Hunt， 1994）來更深入地理解HCRs的發(fā)展過程。此外， HCRs不同階段對人類心理影響的內(nèi)在機制復雜， 因此， 人類線索所帶來的影響在每個關系階段的重要性或有所差異。例如， 在HCRs發(fā)展的早期， 聊天機器人的視覺、言語線索對用戶滿意度有重要影響（Kim et al.， 2021）， 而在HCRs發(fā)展的中后期， 非言語線索、關系線索可能

就占據(jù)了更重要的地位。因此， 未來的研究可基于客觀數(shù)據(jù)驅動的數(shù)字心理測量學（Digital Psychometrics; Latynov amp; Shepeleva， 2020）以及更長期的縱向研究對HCRs的不同階段作嚴格地檢驗， 進而得出行之有效的設計。

3.2" 缺乏對聊天機器人線索的考量

首先， 目前多數(shù)ISIs研究使用了高度面向任務型的聊天機器人， 且對人類線索的設計欠缺考量， 研究者們往往只區(qū)別聊天機器人有無對因變量的影響， 而忽略了人類線索的重要性（Chong et al.， 2021）， 這將會導致結果的可比性較差并影響研究的可重復性。因此， 未來的研究可匯報聊天機器人所選用的人類線索， 并討論線索與因變量之間的關系。其次， 當前僅有少數(shù)研究探討了人類線索與因變量的關系， 但這些線索的設計仍缺乏理論支撐（Rapp et al.， 2021）。盡管HHRs理論是理解HCRs發(fā)展的重要視角， 但哪些促進HHRs發(fā)展的因素在HCRs中起作用且更為重要， HHRs發(fā)展與HCRs發(fā)展有何異同， 研究者們?nèi)灾跎?。因此?未來的研究需在理論基礎上設計人類線索， 并以更嚴格的隨機對照試驗來檢驗不同線索的貢獻。再次， 在實際應用中， 數(shù)字心理健康有多種場景， 如智能導診、情感陪伴、心理咨詢、心理治療等。研究者需意識到， 不同場景中所需HCRs的程度有所不同。例如， 智能導診場景中用戶生命周期很短， 對效率的訴求相對更高， 因此， 擬人歸因及功利性價值判斷在HCRs中扮演了更為重要的角色。在未來的研究中， 研究者可對當前的應用場景進行評估， 并專門設計人類線索。最后， 不同文化背景、性別、年齡段、人格特質、學歷、收入水平、癥狀的用戶對聊天機器人所呈現(xiàn)的不同身份及對應的人類線索可能會產(chǎn)生不同的感知（Ni?en et al.， 2022）。因此， 未來還需根據(jù)不同場景中的用戶需求及用戶特征， 進一步檢驗能夠達到更優(yōu)用戶體驗的身份及人類線索組合。

3.3" 參與度的測量與報告尚無標準

雖然， 已有一些較為初步的證據(jù)支持聊天機器人進行心理干預的可行性及有效性， 但這些研究對參與度的評估標準仍缺乏共識。首先， 研究者經(jīng)常將“依從性” （Adherence）與“參與度” （Engagement）的概念混用（Beintner et al.， 2019; Eysenbach et al.， 2011）。然而， “依從性”實際被更多地應用于臨床之中， 強調(diào)的是一種醫(yī)患關系。相較于此， ISIs中的多數(shù)用戶并非患者， 故文章選擇“參與度”一詞作為描述用戶使用ISIs程度的總括術語， 這不單意味著咨訪關系的平等， 且用戶也需積極地參與干預。其次， 研究者對參與度的報告方法仍存在較大差異， 多數(shù)研究并未報告參與度與治療效果的關系（Beintner et al.， 2019; Vaidyam et al.， 2019）， 在ISIs研究中， 忽視參與度對治療效果影響的評估， 可能會導致對干預效果的低估， 同時也影響了研究間的可比性。再次， 目前在有關ISIs的研究中， 多數(shù)研究者所使用的參與度評估指標單一且無理論支撐， 例如僅使用“完成練習的數(shù)量”這一指標， 但實際可用于評價參與度的指標十分豐富（Lederman amp; D’Alfonso， 2019）。因此， 未來的研究可在理論基礎上統(tǒng)一、豐富參與度的評價指標（Beintner et al.， 2019）。最后， 絕大多數(shù)ISIs研究仍過度依賴自我報告法， 但這種方法可能會導致參與度被高估（Flett et al.， 2019）。因此， 在未來的研究中， 研究者可將程序后臺數(shù)據(jù)、可穿戴設備采集的生物數(shù)據(jù)、人口學變量等客觀數(shù)據(jù)， 與被試自我報告的主觀數(shù)據(jù)進行綜合分析， 以此來更全面地理解參與度這一指標。

3.4" 影響HCRs的額外變量有待探究

除聊天機器人的人類線索之外， 在實際的ISIs中仍有較多因素會對研究結果造成干擾。第一， 產(chǎn)品性能。聊天機器人在開放域中穩(wěn)定性較差， 除了時有發(fā)生的技術錯誤外（Jang et al.， 2021）， 重復且不自然的對話體驗也一直被用戶所詬?。‵ulmer et al.， 2018）， 這些因素將阻礙HCRs發(fā)展。此外， 有研究發(fā)現(xiàn)， 相比單獨的功能， ISIs項目整體發(fā)揮了更重要的作用（Berger et al.， 2014）， 因此究竟是聊天機器人亦或是ISIs整體帶來了關鍵的改善仍未清晰。第二， 隱私性。在開發(fā)任何一款ISIs程序時， 大量隱私數(shù)據(jù)很可能會存在被侵犯的風險（McGreevey et al.， 2020）。有研究指出， 若被試認為他們被存儲在ISIs程序中的數(shù)據(jù)不夠安全的話， 他們的參與度大概率會降低， 甚至會直接脫落（Proudfoot et al.， 2010）。第三， 新奇效應（Novelty Effect）。用戶對新鮮事物的好奇心可能會促進其短期內(nèi)的積極性， 進而使其參與度被高估（Croes amp; Antheunis， 2020; Fryer et al.， 2017; Nadarzynski et al.， 2019）。第四， 恐怖谷效應。基于恐怖谷理論（Theory of The Uncanny Valley）， 當類人物體逼真至一定程度， 人類對它們的喜愛亦有可能會轉為厭惡（Mori et al.， 2012; Song amp; Shin， 2022）。鑒于AI語言模型發(fā)展迅速， 聊天機器人（如ChatGPT）的仿真能力也日新月異（Ayd?n amp; Karaarslan， 2022; Elkins amp; Chun， 2020）， 因此未來的HCRs研究也應注意此效應的影響。第五， 人類線索間的交互作用。例如， 聊天機器人使用不同的身份（機器人身份或是人類身份）將會影響用戶的期望， 并因此影響其他人類線索（如外形、自然語言對話能力）的效應， 這也提示了人類線索之間可能存在交互作用， 不同線索組合對結果的影響可能也不同（Go amp; Sundar， 2019）。綜上所述， 未來的研究需客觀評估聊天機器人的作用， 并注意控制額外變量的影響， 以提升研究結果的可靠性。

參考文獻

磨然， 方作之， 方建東. （2023）. 如何建立聊天機器人與用戶間的數(shù)字治療聯(lián)盟：關系線索的作用. 心理科學進展， 31（4）， 669?683.

許麗穎， 喻豐， 鄔家驊， 韓婷婷， 趙靚. （2017）. 擬人化：從“它”到“他”. 心理科學進展， 25（11）， 1942?1954.

趙欣， 周密， 于玲玲， 劉倩. （2012）. 基于情感依戀視角的虛擬社區(qū)持續(xù)使用模型構建———超越認知判斷范式. 工程管理科技前沿， 31（5）， 14?20.

朱旭， 江光榮. （2011）. 工作同盟的概念. 中國臨床心理學雜志， 19（2）， 275?280.

Abdulrahman， A.， amp; Richards， D. （2021）. In search of embodied conversational and explainable agents for health behaviour change and adherence. Multimodal Technologies and Interaction， 5（9）， 56. https：//doi.org/10.3390/mti5090056

Adams， G. C.， Wrath， A. J.， amp; Meng， X. （2018）. The relationship between adult attachment and mental health care utilization： A systematic review. Canadian Journal of Psychiatry， 63（10）， 651?660.

Agnew-Davies， R.， Stiles， W. B.， Hardy， G. E.， Barkham， M.， amp; Shapiro， D. A. （1998）. Alliance structure assessed by the Agnew Relationship Measure （ARM）. British Journal of Clinical Psychology， 37（2）， 155?172.

Ajzen， I. （2012）. Martin Fishbein’s legacy： The reasoned action approach. The Annals of the American Academy of Political and Social Science， 640（1）， 11?27.

Alfonsson， S.， Johansson， K.， Uddling， J.， amp; Hursti， T. （2017）. Differences in motivation and adherence to a prescribed assignment after face-to-face and online psychoeducation： An experimental study. BMC Psychology， 5（1）， 1?13.

Altman， I.， amp; Taylor， D. A. （1973）. Social penetration： The development of interpersonal relationships. New York， NY： Holt， Rinehart， amp; Winston.

Appel， J.， von der Pütten， A.， Kr?mer， N. C.， amp; Gratch， J. （2012）. Does humanity matter？ Analyzing the importance of social cues and perceived agency of a computer system for the emergence of social reactions during human- computer interaction. Advances in Human-Computer Interaction， 2012， 324694. https：//doi.org/10.1155/2012/324694

Asaeikheybari， G.， Hooper， M. W.， amp; Huang， M. C. （2021）. A context-adaptive smoking cessation system using videos. Smart Health， 19， e100148. https：//doi.org/10.1016/j.smhl. 2020.100148

Ayd?n， ?.， amp; Karaarslan， E. （2022）. OpenAI ChatGPT generated literature review ： Digital twin in healthcare. In ?. Ayd?n （Ed.）， Emerging computer technologies 2 （pp. 22?31）. ?zmir Akademi Dernegi.

Bassi， G.， Giuliano， C.， Perinelli， A.， Forti， S.， Gabrielli， S.， amp; Salcuni， S. （2022）. A virtual coach （motibot） for supporting healthy coping strategies among adults with diabetes： Proof-of-concept study. JMIR Human Factors， 9（1）， e32211. https：//doi.org/10.2196/32211

Bartholomew， K.， amp; Horowitz， L. M. （1991）. Attachment styles among young adults： A test of a four-category model. Journal of Personality and Social Psychology， 61（2）， 226?224.

Bauer， A.， amp; Woodward， L. （2007）. People and their pets： A relational perspective on interpersonal complementarity and attachment in companion animal owners. Society amp; Animals， 15（2）， 169?189.

Baumeister， H.， Reichler， L.， Munzinger， M.， amp; Lin， J. （2014）. The impact of guidance on Internet-based mental health interventions： A systematic review. Internet Interventions， 1（4）， 205?215.

Beck， J. S. （1995）. Cognitive therapy： Basics and beyond. New York， NY： Guilford press.

Beintner， I.， Vollert， B.， Zarski， A. C.， Bolinski， F.， Musiat， P.， G?rlich， D.， … Jacobi， C. （2019）. Adherence reporting in randomized controlled trials examining manualized multisession online interventions： Systematic review of practices and proposal for reporting standards. Journal of Medical Internet Research， 21（8）， 1?10.

Bell， S.， Wood， C.， amp; Sarkar， A. （2019）. Perceptions of chatbots in therapy. In Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems （pp. 1?6）. New York， NY： Association for Computing Machinery.

Berger， T. （2017）. The therapeutic alliance in internet interventions： A narrative review and suggestions for future research. Psychotherapy Research， 27（5）， 511?524.

Berger， T.， Boettcher， J.， amp; Caspar， F. （2014）. Internet-based guided self-help for several anxiety disorders： A randomized controlled trial comparing a tailored with a standardized disorder-specific approach. Psychotherapy， 51（2）， 207?219.

Bhattacherjee， A. （2001）. Understanding information systems continuance： An expectation-confirmation model. MIS Quarterly， 25（3）， 351?370.

Bickmore， T. W.， Gruber， A.， amp; Picard， R. W. （2005）. Establishing the computer-patient working alliance in automated health behavior change interventions. Patient Education and Counseling， 59（1）， 21?30.

Bickmore， T. W.， amp; Picard， R. W. （2005）. Establishing and maintaining long-term human-computer relationships. Association for Computing Machinery Transactions on Computer-Human Interaction （TOCHI）， 12（2）， 293?327.

Biocca， F.， Harms， C.， amp; Burgoon， J. K. （2003）. Toward a more robust theory and measure of social presence： Review and suggested criteria. Presence： Teleoperators amp; Virtual Environments， 12（5）， 456?480.

Blut， M.， Wang， C.， Wünderlich， N. V.， amp; Brock， C. （2021）. Understanding anthropomorphism in service provision： A meta-analysis of physical robots， chatbots， and other AI. Journal of the Academy of Marketing Science， 49（4）， 632?658.

Bordin， E. S. （1979）. The generalizability of the psychoanalytic concept of the working alliance. Psychotherapy： Theory， Research amp; Practice， 16（3）， 252?260.

Bowlby， J. （1988）. A secure base： Clinical applications of attachment theory. London， UK： Routledge.

Brendel， A. B.， Greve， M.， Riquel， J.， amp; Science， D. （2022， May）. “ Is It COVID or a cold ？” An investigation of the role of social presence， trust， and persuasiveness for users’ intention to comply with COVID-19 chatbots. Paper presented at European Conference on Information Systems 2022， Timisoara， Romania.

Cavanagh， K.， Churchard， A.， O’Hanlon， P.， Mundy， T.， Votolato， P.， Jones， F.， … Strauss， C. （2018）. A randomised controlled trial of a brief online mindfulness- based intervention in a non-clinical population： Replication and extension. Mindfulness， 9（4）， 1191?1205.

Cheng， Y.， amp; Jiang， H. （2020）. How do AI-driven chatbots impact user experience？ Examining gratifications， perceived privacy risk， satisfaction， loyalty， and continued use. Journal of Broadcasting and Electronic Media， 64（4）， 592?614.

Choi， T. R.， amp; Drumwright， M. E. （2021）. “OK， Google， why do I use you？” Motivations， post-consumption evaluations， and perceptions of voice AI assistants. Telematics and Informatics， 62， 101628. https：//doi.org/10.1016/j.tele. 2021.101628

Chong， T.， Yu， T.， Keeling， D. I.， amp; de Ruyter， K. （2021）. AI-chatbots on the services frontline addressing the challenges and opportunities of agency. Journal of Retailing and Consumer Services， 63， 102735. https：//doi.org/10. 1016/j.jretconser.2021.102735

Christensen， H.， Griffiths， K. M.， amp; Farrer， L. （2009）. Adherence in internet interventions for anxiety and depression. Journal of Medical Internet Research， 11（2）， 1?16.

Croes， E. A. J.， amp; Antheunis， M. L. （2020）. Can we be friends with Mitsuku？ A longitudinal study on the process of relationship formation between humans and a social chatbot. Journal of Social and Personal Relationships， 38（1）， 279?300.

D’Alfonso， S.， Lederman， R.， Bucci， S.， amp; Berry， K. （2020）. The digital therapeutic alliance and human-computer interaction. JMIR Mental Health， 7（12）， e21895. https：// doi.org/10.2196/21895

Darcy， A.， Daniels， J.， Salinger， D.， Wicks， P.， Robinson， A.， amp; Darcy， A. （2021）. Evidence of human-level bonds established with a digital conversational agent： Cross- sectional， retrospective observational study. JMIR Formative Research， 5（5）， e27868. https：//doi.org/10.2196/27868

de Geest， S.， amp; Sabaté， E. （2003）. Adherence to long-term therapies： Evidence for action. European Journal of Cardiovascular Nursing， 2（4）， 323?323.

Dhiman， N.， amp; Jamwal， M. （2023）. Tourists’ post-adoption continuance intentions of chatbots： Integrating task? technology fit model and expectation?confirmation theory. Foresight， 25（2）， 209?224. https：//doi.org/10.1108/FS- 10-2021-0207

Doherty， G.， Coyle， D.， amp; Sharry， J. （2012）. Engagement with online mental health interventions： An exploratory clinical study of a treatment for depression. In Proceedings of the 2012 CHI Conference on Human Factors in Computing Systems （pp. 1421?1430）. New York， NY： Association for Computing Machinery.

Elkins， K.， amp; Chun， J. （2020）. Can GPT-3 pass a writer’s turing test？ Journal of Cultural Analytics， 5（2）， e17212. https：//doi.org/10.22148/001c.17212

Emerson， R. M. （1976）. Social exchange theory. Annual Review of Sociology， 2（1）， 335?362.

Epley， N.， Waytz， A.， amp; Cacioppo， J. T. （2007）. On seeing human： A three-factor theory of anthropomorphism. Psychological Review， 114（4）， 864?886.

Eysenbach， G.， Stoner， S.， Drozd， F.， Blankers， M.， Crutzen， R.， Tait， R.， … Bewick， B. （2011）. ConSORT-eHealth： Improving and standardizing evaluation reports of web-based and mobile health interventions. Journal of Medical Internet Research， 13（4）， e126. https：//doi.org/ 10.2196/jmir.1923

Flett， J. A. M.， Fletcher， B. D.， Riordan， B. C.， Patterson， T.， Hayne， H.， amp; Conner， T. S. （2019）. The peril of self-reported adherence in digital interventions： A brief example. Internet Interventions， 18， e100267. https：//doi. org/10.1016/j.invent.2019.100267

Flückiger， C.， Del， A. C.， Wampold， B. E.， amp; Horvath， A. O. （2018）. The alliance in adult psychotherapy： A meta- analytic synthesis. Psychotherapy， 55（4）， 316?340.

Fryer， L. K.， Ainley， M.， Thompson， A.， Gibson， A.， amp; Sherlock， Z. （2017）. Stimulating and sustaining interest in a language course： An experimental comparison of chatbot and human task partners. Computers in Human Behavior， 75， 461?468.

Fulmer， R.， Joerin， A.， Gentile， B.， Lakerink， L.， amp; Rauws， M. （2018）. Using psychological artificial intelligence （Tess） to relieve symptoms of depression and anxiety： Randomized controlled trial. JMIR Mental Health， 5（4）， e64. https：//doi.org/10.2196/mental.9782

Gabrielli， S.， Rizzi， S.， Bassi， G.， Carbone， S.， Maimone， R.， Marchesoni， M.， amp; Forti， S. （2021）. Engagement and effectiveness of a healthy-coping intervention via chatbot for university students during the COVID-19 pandemic： Mixed methods proof-of-concept study. JMIR mHealth and uHealth， 9（5）， 1?14.

Go， E.， amp; Sundar， S. S. （2019）. Humanizing chatbots： The effects of visual， identity and conversational cues on humanness perceptions. Computers in Human Behavior， 97， 304?316.

Goldberg， S. B.， Baldwin， S. A.， Riordan， K. M.， Torous， J.， Dahl， C. J.， Davidson， R. J.， amp; Hirshberg， M. J. （2021）. Alliance with an unguided smartphone app： Validation of the digital working alliance inventory. Assessment， 29（6）， 1331?1345.

Hassanein， K.， amp; Head， M. （2005）. The impact of infusing social presence in the web interface： An investigation across product types. International Journal of Electronic Commerce， 10（2）， 31?55.

He， L.， Basar， E.， Wiers， R. W.， Antheunis， M. L.， amp; Krahmer， E. （2022）. Can chatbots help to motivate smoking cessation？ A study on the effectiveness of motivational interviewing on engagement and therapeutic alliance. BMC Public Health， 22（1）， 726.

Heim， E.， R?tger， A.， Lorenz， N.， amp; Maercker， A. （2018）. Working alliance with an avatar： How far can we go with internet interventions？ Internet Interventions， 11， 41?46.

Hendriks， F.， Ou， C. X. J.， Amiri， A. K.， amp; Bockting， S. （2020）. The power of computer-mediated communication theories in explaining the effect of chatbot introduction on user experience. In Proceedings of the 53 Hawaii International Conference on System Sciences （pp. 271?278）. Honolulu： The Hawaii International Conference on System Sciences 2020.

Hertlein， K. M.， amp; Twist， M. L. C. （2018）. Attachment to technology： The missing link. Journal of Couple amp; Relationship Therapy， 17（1）， 2?6.

Izzaty， R. E.， Astuti， B.， amp; Cholimah， N. （2021）. Evaluation of an online cognitive behavioural therapy， mindfulness meditation， and yoga （CBT-MY） intervention for posttraumatic stress disorder： A single arm clinical trial with psychometric and psychophysiological outcomes. Angewandte Chemie International Edition， 6（11）， 951? 952.

Jang， S.， Kim， J.， Kim， S.， Hong， J.， Kim， S.， amp; Kim， E. （2021）. Mobile app-based chatbot to deliver cognitive behavioral therapy and psychoeducation for adults with attention deficit ： A development and feasibility/ usability study. International Journal of Medical Informatics， 150， e104440. https：//doi.org/10.1016/j.ijmedinf.2021.104440

Johansson， M.， Berman， A. H.， Sinadinovic， K.， Lindner， P.， Hermansson， U.， amp; Andréasson， S. （2021）. Effects of internet-based cognitive behavioral therapy for harmful alcohol use and alcohol dependence as self-help or with therapist guidance： Three-armed randomized trial. Journal of Medical Internet Research， 23（11）， e29666. https：//doi.org/10.2196/29666

Kamita， T.， Ito， T.， Matsumoto， A.， Munakata， T.， amp; Inoue， T. （2019）. A chatbot system for mental healthcare based on SAT counseling method. Mobile Information Systems， 2019（2）， 1?11. https：//doi.org/10.1155/2019/9517321

Kang， S. H.， amp; Gratch， J. （2014）. Exploring users’ social responses to computer counseling interviewers’ behavior. Computers in Human Behavior， 34， 120?130.

Karyotaki， E.， Riper， H.， Twisk， J.， Hoogendoorn， A.， Kleiboer， A.， Mira， A.， … Cuijpers， P. （2017）. Efficacy of self-guided internet-based cognitive behavioral therapy in the treatment of depressive symptoms： A meta-analysis of individual participant data. JAMA Psychiatry， 74（4）， 351?359.

Kim， H. C.， Cha， M. C.， amp; Ji， Y. G. （2021）. The impact of an agent’s voice in psychological counseling： Session evaluation and counselor rating. Applied Sciences， 11（7）， e2893. https：//doi.org/10.3390/app11072893

Labroo， A. A.， Dhar， R.， amp; Schwarz， N. （2008）. Of frog wines and frowning watches： Semantic priming， perceptual fluency， and brand evaluation. Journal of Consumer Research， 34（6）， 819?831.

Latynov， V.， amp; Shepeleva， E. （2020）. Applied aspects of the use of algorithms of digital psychometrics. Psikhologicheskii Zhurnal， 41（4）， 66?77.

Law， T.， Chita-Tegmark， M.， Rabb， N.， amp; Scheutz， M. （2022）. Examining attachment to robots： Benefits， challenges， and alternatives. Association for Computing Machinery Transactions on Human-Robot Interaction， 11（4）， 1?18. https：//doi.org/10.1145/3526105

Lederman， R.， amp; D’Alfonso， S. （2019）. Insights on the therapeutic alliance in digital mental health. In R. Lederman， amp; S. D’Alfonso （Eds.）， Digitalta2019： Symposium on the Therapeutic Alliance in Digital Mental Health （pp. 1?3）. Melbourne.

Lee， S. K.， Kavya， P.， amp; Lasser， S. C. （2021）. Social interactions and relationships with an intelligent virtual agent. International Journal of Human Computer Studies， 150， 102608. https：//doi.org/10.1016/j.ijhcs.2021.102608

Lee， S.， Lee， N.， amp; Sah， Y. J. （2020）. Perceiving a mind in a chatbot： Effect of mind perception and social cues on co-presence， closeness， and intention to use. International Journal of Human-Computer Interaction， 36（10）， 930? 940.

Lee， Y. C.， Yamashita， N.， Huang， Y.， amp; Fu， W. （2020）. “I hear you， I feel you”： Encouraging deep self-disclosure through a chatbot. In Proceedings of Conference on Human Factors in Computing Systems （pp. 1?12）. New York， NY： Association for Computing Machinery.

Leeuwerik， T.， Cavanagh， K.， amp; Strauss， C. （2019）. Patient adherence to cognitive behavioural therapy for obsessive- compulsive disorder： A systematic review and meta- analysis. Journal of Anxiety Disorders， 68， e102135. https：//doi.org/10.1016/j.janxdis.2019.102135

Legris， P.， Ingham， J.， amp; Collerette， P. （2003）. Why do people use information technology？ A critical review of the technology acceptance model. Information amp; Management， 40（3）， 191?204.

Liu， H.， Peng， H.， Song， X.， Xu， C.， amp; Zhang， M. （2022）. Using AI chatbots to provide self-help depression interventions for university students ： A randomized trial of effectiveness. Internet Interventions， Advance online publication. https：//doi.org/10.1016/j.invent.2022.100495

Luo， X.， Bugatti， M.， Molina， L.， Tilley， J. L.， Mahaffey， B.， amp; Gonzalez， A. （2022）. Conceptual invariance， trajectories， and outcome associations of working alliance in unguided and guided internet-based psychological interventions： Secondary analysis of a randomized controlled trial. JMIR Mental Health， 9（6）， 1?15.

Ly， K. H.， Ly， A. M.， amp; Andersson， G. （2017）. A fully automated conversational agent for promoting mental well-being： A pilot RCT using mixed methods. Internet Interventions， 10， 39?46.

Mallinckrodt， B.， amp; Jeong， J. （2015）. Meta-analysis of client attachment to therapist： Associations with working alliance and client pretherapy attachment. Psychotherapy， 52（1）， 134?139.

McGonagle， G.， Bucci， S.， Varese， F.， Raphael， J.， amp; Berry， K. （2021）. Is adult attachment associated with engagement with services？ A systematic literature review. Journal of Mental Health， 30（5）， 607?618.

McGreevey， J. D.， Hanson， C. W.， amp; Koppel， R. （2020）. Clinical， legal， and ethical aspects of artificial intelligence- assisted conversational agents in health care. JAMA - Journal of the American Medical Association， 324（6）， 552?553.

Mikulincer， M.， amp; Shaver， P. R. （2020）. Enhancing the “broaden and build” cycle of attachment security in adulthood： From the laboratory to relational contexts and societal systems. International Journal of Environmental Research and Public Health， 17（6）， 2054.

Morgan， R. M.， amp; Hunt， S. D. （1994）. The commitment-trust theory of relationship marketing. Journal of Marketing， 58（3）， 20?38.

Mori， M.， Macdorman， K. F.， amp; Kageki， N. （2012）. The uncanny valley. IEEE Robotics amp; Automation Magazine， 19（2）， 98?100.

Mozafari， N.， Weiger， W. H.， amp; Hammerschmidt， M. （2021）. That’s so embarrassing！ When not to design for social presence in human?chatbot interactions. Paper presented at the meeting of the 42nd International Conference on Information Systems， Austin， USA.

Mrazek， A. J.， Mrazek， M. D.， Cherolini， C. M.， Cloughesy， J. N.， Cynman， D. J.， Gougis， L. J.， … Schooler， J. W. （2019）. The future of mindfulness training is digital， and the future is now. Current Opinion in Psychology， 28， 81?86.

Muresan， A.， amp; Pohl， H. （2019）. Chats with bots： Balancing imitation and engagement. In Proceedings of Conference on Human Factors in Computing Systems （pp. 1?6）. New York， NY： Association for Computing Machinery.

Nadarzynski， T.， Miles， O.， Cowie， A.， amp; Ridge， D. （2019）. Acceptability of artificial intelligence （AI） -led chatbot services in healthcare ： A mixed-methods study. Digit Health， 5， 1?12.

Nanjappa， S.， Chambers， S.， Marcenes， W.， Richards， D.， amp; Freeman， R. （2014）. A theory led narrative review of one-to-one health interventions： The influence of attachment style and client provider relationship on client adherence. Health Education Research， 29（5）， 740?754.

Nass， C.， Steuer， J.， amp; Tauber， E. R. （1994）. Computers are social actors. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems （pp. 72?78）. Boston： Association for Computing Machinery.

Ni?en， M.， Rüegger， D.， Stieger， M.， Flückiger， C.， Allemand， M.， Wangenheim， F. V.， amp; Kowatsch， T. （2022）. The effects of health care chatbot personas with different social roles on the client-chatbot bond and usage intentions： Development of a design codebook and web-based study. Journal of Medical Internet Research， 24（4）， e32630. https：//doi.org/10.2196/32630

Park， D. Y.， amp; Kim， H. （2023）. Determinants of intentions to use digital mental healthcare content among university students， faculty， and staff： Motivation， perceived usefulness， perceived ease of use， and parasocial interaction with AI chatbot. Sustainability， 15（1）， 872. https：//doi.org/10.3390/su15010872

Pedeliento， G.， Andreini， D.， Bergamaschi， M.， amp; Salo， J. （2016）. Brand and product attachment in an industrial context： The effects on brand loyalty. Industrial Marketing Management， 53， 194?206.

Pentina， I.， Hancock， T.， amp; Xie， T. （2023）. Exploring relationship development with social chatbots： A mixed- method study of replika. Computers in Human Behavior， 140， 107600. https：//doi.org/10.1016/j.chb.2022.107600

Perski， O.， Crane， D.， Beard， E.， amp; Brown， J. （2019）. Does the addition of a supportive chatbot promote user engagement with a smoking cessation app？ An experimental study. Digit Health， 5， 1?13.

Proudfoot， J.， Parker， G.， Pavlovic， D. H.， Manicavasagar， V.， Adler， E.， amp; Whitton， A. （2010）. Community attitudes to the appropriation of mobile phones for monitoring and managing depression， anxiety， and stress. Journal of Medical Internet Research， 12（5）， 1?13.

Provoost， S. （2021a）. Embodied conversational agents in internet-based cognitive behavioral therapy for depression bridging the gap between unguided and guided interventions. Vrije Universiteit Amsterdam.

Provoost， S.， Kleiboer， A.， Ornelas， J.， Bosse， T.， Ruwaard， J.， Rocha， A.， … Riper， H. （2020b）. Improving adherence to an online intervention for low mood with a virtual coach： Study protocol of a pilot randomized controlled trial. Trials， 21（1）， 1?12.

Puls， H. C.， Schmidt， R.， Herpertz， S.， Zipfel， S.， Tuschen- Caffier， B.， Friederich， H. C.， … Hilbert， A. （2020）. Adherence as a predictor of dropout in Internet- based guided self-help for adults with binge-eating disorder and overweight or obesity. International Journal of Eating Disorders， 53（4）， 555?563.

Rabb， N.， Law， T.， Chita-Tegmark， M.， amp; Scheutz， M. （2022）. An attachment framework for human-robot interaction. International Journal of Social Robotics， 14（2）， 539?559.

Rapp， A.， Curti， L.， amp; Boldi， A. （2021）. The human side of human-chatbot interaction： A systematic literature review of ten years of research on text-based chatbots. International Journal of Human-Computer Studies， 151， 102630. https：//doi.org/10.1016/j.ijhcs.2021.102630

Reeves， B.， amp; Nass， C. （1996）. The media equation： How people treat computers， television， and new media like real people and places. Cambridge University Press.

Richards， D.， amp; Richardson， T. （2012）. Computer-based psychological treatments for depression： A systematic review and meta-analysis. Clinical Psychology Review， 32（4）， 329?342.

Rodrigues， T. R. C.， Reijnders， T.， de Buisonjé， D. R.， Santhanam， P.， Kowatsch， T.， Janssen， V. R.， … Evers， A. W. M. （2021）. Human cues in self-help lifestyle interventions ： An experimental field study table of contents. Journal of Medical Internet Research， Advance online publication. https：//doi.org/10.2196/preprints.30057

Rogers， C. R. （1957）. The necessary and sufficient conditions of therapeutic personality change. Journal of Consulting Psychology， 21（2）， 95?103.

Rubin， A. M. （1983）. Television uses and gratifications： The interactions of viewing patterns and motivations. Journal of Broadcasting amp; Electronic Media， 27（1）， 37?51.

Rusbult， C. E.， Drigotas， S. M.， amp; Verette， J. （1994）. The investment model： An interdependence analysis of commitment processes and relationship maintenance phenomena. In D. J. Canary， amp; L. Stafford （Eds.）， Communication and relational maintenance （pp. 115?139）. Academic Press.

Sánchez-Franco， M. J.， Arenas-Márquez， F. J.， amp; Alonso-Dos-Santos， M. （2021）. Using structural topic modelling to predict users’ sentiment towards intelligent personal agents. An application for Amazon’s echo and Google Home. Journal of Retailing and Consumer Services， 63， 102658. https：//doi.org/10.1016/j.jretconser. 2021.102658

Schuetzler， R. M.， Grimes， G. M.， amp; Scott Giboney， J. （2020）. The impact of chatbot conversational skill on engagement and perceived humanness. Journal of Management Information Systems， 37（3）， 875?900.

Skjuve， M.， F?lstad， A.， Fostervold， K. I.， amp; Brandtzaeg， P. B. （2021a）. My chatbot companion： A study of human-chatbot relationships. International Journal of Human Computer Studies， 149， e102601. https：//doi.org/ 10.1016/j.ijhcs.2021.102601

Skjuve， M.， F?lstad， A.， Fostervold， K. I.， amp; Brandtzaeg， P. B. （2022b）. A longitudinal study of human?chatbot relationships. International Journal of Human Computer Studies， 168， 102903. https：//doi.org/10.1016/j.ijhcs.2022. 102903

Song， S. W.， amp; Shin， M. （2022）. Uncanny valley effects on chatbot trust， purchase intention， and adoption intention in the context of e-commerce： The moderating role of avatar familiarity. International Journal of Human?Computer Interaction， Advance online publication. https：//doi.org/10. 1080/10447318.2022.2121038

Spatola， N.， amp; Wudarczyk， O. A. （2021）. Ascribing emotions to robots： Explicit and implicit attribution of emotions and perceived robot anthropomorphism. Computers in Human Behavior， 124， 106934. https：//doi.org/10.1016/j.chb.2021. 106934

Spijkerman， M. P. J.， Pots， W. T. M.， amp; Bohlmeijer， E. T. （2016）. Effectiveness of online mindfulness-based interventions in improving mental health： A review and meta-analysis of randomised controlled trials. Clinical Psychology Review， 45， 102?114.

Stanovich， K. E.， amp; West， R. F. （2000）. Individual differences in reasoning： Implications for the rationality debate？ Behavioral and Brain Sciences， 23（5）， 645?726.

Sun， S.， Lin， D.， Goldberg， S.， Shen， Z.， Chen， P.， Qiao， S.， … Operario， D. （2021）. A mindfulness-based mobile health （mHealth） intervention among psychologically distressed university students in quarantine during the COVID-19 pandemic： A randomized controlled trial. Journal of Counseling Psychology， 69（2）， 157?171.

Sundar， S. S.， Oeldorf-Hirsch， A.， amp; Garga， A. （2008）. A cognitive-heuristics approach to understanding presence in virtual environments. In A. Spagnolli， amp; L. Gamberini （Eds.）， In Proceedings of the 11th Annual International Workshop on Presence （pp. 219?228）. Padova， Italy： CLEUP Cooperativa Libraria Universitaria Padova.

Tanis， M.， amp; Postmes， T. （2003）. Social cues and impression formation in CMC. Journal of Communication， 53（4）， 676?693.

Taylor， H.， Strauss， C.， amp; Cavanagh， K. （2021）. Can a little bit of mindfulness do you good？ A systematic review and meta-analyses of unguided mindfulness-based self-help interventions. Clinical Psychology Review， 89， e102078. https：//doi.org/10.1016/j.cpr.2021.102078

ter Stal， S.， Kramer， L. L.， Tabak， M.， op den Akker， H.， amp; Hermens， H. （2020）. Design features of embodied conversational agents in eHealth： A literature review. International Journal of Human Computer Studies， 138， 102409. https：//doi.org/10.1016/j.ijhcs.2020.102409

Tetley， A.， Jinks， M.， Huband， N.， amp; Howells， K. （2011）. A systematic review of measures of therapeutic engagement in psychosocial and psychological treatment. Journal of Clinical Psychology， 67（9）， 927?941.

Tong， F.， Lederman， R.， Alfonso， S. D.， Berry， K.， amp; Bucci， S. （2022）. Digital therapeutic alliance with fully automated mental health smartphone apps ： A narrative review. Frontiers in Psychiatry， 13， 819623. https：//doi. org/10.3389/fpsyt.2022.819623

Tversky， A.， amp; Kahnemann， D. （1974）. Judgment under uncertainty： Heuristics and biases. Science， 185（4157）， 1124?1131.

Vaidyam， A. N.， Wisniewski， H.， Halamka， J. D.， Kashavan， M. S.， amp; Torous， J. B. （2019）. Chatbots and conversational agents in mental health： A review of the psychiatric landscape. Canadian Journal of Psychiatry， 64（7）， 456? 464.

Walther， J. B. （1996）. Computer-mediated communication： Impersonal， interpersonal， and hyperpersonal interaction. Communication Research， 23（1）， 3?43.

Wanser， S. H.， Vitale， K. R.， Thielke， L. E.， Brubaker， L.， amp; Udell， M. A. R. （2019）. Spotlight on the psychological basis of childhood pet attachment and its implications. Psychology Research and Behavior Management， 12， 469?479.

Waytz， A.， Gray， K.， Epley， N.， amp; Wegner， D. M. （2010）. Causes and consequences of mind perception. Trends in Cognitive Sciences， 14（8）， 383?388.

Weisel， K. K.， Fuhrmann， L. M.， Berking， M.， Baumeister， H.， Cuijpers， P.， amp; Ebert， D. D. （2019）. Standalone smartphone apps for mental health： A systematic review and meta-analysis. Nature Partner Journals Digital Medicine， 2（1）， 1?10.

Wirtz， J.， Patterson， P. G.， Kunz， W. H.， Gruber， T.， Lu， V. N.， Paluch， S.， amp; Martins， A. （2018）. Brave new world： Service robots in the frontline. Journal of Service Management， 29（5）， 907?931.

Xie， C.， Wang， Y.， amp; Cheng， Y. （2022）. Does artificial intelligence satisfy you？ A meta-analysis of user gratification and user satisfaction with AI-Powered chatbots. International Journal of Human?Computer Interaction. Advance online publication. https：//doi.org/10. 1080/10447318.2022.2121458

Xie， T.， amp; Pentina， I. （2022）. Attachment theory as a framework to understand relationships with social chatbots： A case study of replika. In Proceedings of the 55th Hawaii International Conference on System Sciences （pp. 2046?2055）. University of Hawaii Press.Zhou， L.， Gao， J.， Li， D.， amp; Shum， H. Y. （2020）. The design and implementation of xiaoice， an empathetic social chatbot. Computational Linguistics， 46（1）， 53?93.

Zhu， Y.， Wang， R.， amp; Pu， C. （2022）. “I am chatbot， your virtual mental health adviser.” What drives citizens’ satisfaction and continuance intention toward mental health chatbots during the COVID-19 pandemic？ An empirical study in China. Digital Health， 8， 1?15.

Abstract： AI chatbots can replicate human guidance to improve user engagement and efficacy in internet-based self-help interventions （ISIs）， thanks to the rapid development of artificial intelligence （AI） technology. However， the study of chatbots’ mechanisms is still in its early stages. To deepen the rational understanding of this issue， we propose a theoretical model based on the human-computer relationship that adapts to the ISIs situation： chatbots can develop human-chatbot relationships （HCRs） through the four stages of anthropomorphic attribution， utilitarian value judgment， attachment relationship development and the establishment of digital therapeutic alliance （DTA） to improve user engagement. In future research， there is a need to further enrich and evaluate the key HCRs theories， construct chatbots based on the HCRs theory， examine additional variables that affect HCRs， unify operational definitions of engagement， and develop appropriate engagement measurement methods.

Keywords： chatbot， engagement， human-chatbot relationships