2026-08-05
分析了 1131 名 Character.AI 用户(其中 237 人共 46 万条真实对话)。把 AI 当陪伴当主用途,与更低的心理健康水平挂钩,且在社交圈小、互动密集、高自我披露的用户里关联更强。
Character.AI 这类大模型聊天机器人越来越会「共情」,用户开始和它建立类陪伴的关系。一个一直被讨论但缺数据的问题浮上来:这种关系到底是补足了现实社交的不足,还是在让用户的心理状态更糟?以往的研究要么只靠用户问卷自陈(容易有偏差),要么样本太小,很难把「用得多」和「用得不好」分开。这篇 Nature Human Behaviour 的研究要回答的是:AI 陪伴的使用方式与心理健康之间到底什么关系,以及这种关系在什么样的人、什么样的用法下更强。
作者来自卡内基梅隆与斯坦福(张宇彤、Dora Zhao、Jeffrey Hancock、Robert Kraut、Diyi Yang)。数据来自 1131 名使用 Character.AI 的美国成年人的自陈问卷,其中 237 人授权导出了真实聊天记录,共 4664 个会话、464687 条消息。
关键设计是「三角验证」:不只听用户怎么说(自陈用途、对关系的描述),还直接看他们怎么聊(真实对话历史)。这样可以区分,比如,一个人嘴上说「只是用来打发时间」,但对话里其实是高强度情感倾诉。作者识别出使用模式,再把这些模式与心理健康的自陈指标关联,用回归(β 系数)量化关系强度,并用中介/调节模型拆解路径。
诚实声明:本篇正文全文在付费墙后,以上方法细节和下面的数字主要来自论文摘要。摘要已给出核心统计量,但更细的量表选择、控制变量、敏感性分析在未取到的正文里。
核心是一条中介链:
| 变量 | β | 95% 置信区间 |
| 社交圈大小 → 陪伴主用途 | −0.03 | (−0.05, −0.01) |
| 陪伴主用途 → 心理健康 | −0.48 | (−0.70, −0.25) |
| 高强度互动(调节) | −0.31 | (−0.56, −0.06) |
| 高自我披露(调节) | −0.38 | (−0.63, −0.14) |
调节效应更值得看:同样把 AI 当陪伴,互动越密集(β=−0.31)、自我披露越多(β=−0.38),与心理健康的负相关越强。风险集中在「把 AI 当主要情感出口、且聊得很深」这种用法上,单纯「用 AI」本身没有这种关联。
对做陪伴型 AI 产品的从业者,这是少数有 Nature 级别背书、且同时看了自陈和真实对话的证据。它没有给「AI 陪伴有害」这种一刀切的结论。风险集中在两个叠加条件上:用户现实社交本就薄弱,加上高强度、高披露的使用。这给产品设计提了具体问题,比如是不是该在检测到长时间高强度情感对话时,做社交转介或休息提示,而不是把停留时长当 KPI。