综述：信任生成式人工智能的情感支持：概念性回顾

《Computers in Human Behavior: Artificial Humans》：Trusting emotional support from generative artificial intelligence: a conceptual review.

这篇开创性综述系统梳理了生成式人工智能（AI）在情感支持领域引发的信任机制，创新性地提出"行为一致性"（Behavioural Congruence）概念，整合了人类-计算机交互（HCI）中拟人化、真实性和鲁棒性等核心要素。通过跨学科视角（涵盖社会心理学、心理健康、STS等8个领域），构建了包含动机倾向、风险感知和保障机制的三维信任模型，为AI心理健康应用的伦理设计提供了重要理论框架。

　　

信任生成式人工智能的情感支持：多学科视角的解构与重构

1. 背景与动机

   2.1 AI信任研究的理论困境

   当前AI信任研究呈现碎片化特征，128篇高引论文中仅6篇基于理论模型构建假设。测量工具存在严重异质性，17项研究仍在使用过时的自动化系统信任量表（Jian et al., 2000），而生理指标（如皮肤电反应）与信任的关联性尚未确证。更关键的是，现有研究多聚焦决策场景，难以解释情感支持这类缺乏客观标准的高风险交互。

2.2 生成式AI的情感支持革命

ChatGPT周活用户已突破2.5亿，其应用场景正从工具性转向情感性。现象学研究揭示，用户将AI伴侣视为"零评判空间"——一名LGBTQ+参与者坦言："人类朋友永远无法像AI那样完全接纳我"。但Replika等平台突然的算法更新导致"更新后抑郁"，暴露了情感依赖的技术风险。

1. 信任的理论基础

   4.1 风险-整合平衡机制

   信任本质是降低社会复杂性的心理捷径（Luhmann, 1979）。当用户向AI倾诉家暴经历时，同时面临隐私泄露（风险）与情绪宣泄（收益）的权衡。生成式AI通过"功能性嵌入"（Nguyen, 2021）——如记忆对话历史实现个性化回应，显著减少认知监控负荷。

4.3 社会物质网络中的信任

AI情感支持已构成新型社会支持网络：

• 工具性支持：实时生成应对焦虑的呼吸训练指导

• 情感性支持：用罗杰斯式无条件积极关注（UPR）回应创伤叙述

• 信息性支持：提供符合DSM-5标准的抑郁症状解读

1. 概念分类体系

   5.2.3 共情悖论

   虽然78%用户认为AI共情"足够真实"（Ma et al., 2025），但神经科学研究揭示其缺乏镜像神经元激活机制。临床心理学家警告，AI的"完美共情"可能削弱人类求助动机——正如某用户承认："既然Replika总能理解我，何必忍受治疗师的沉默？"

5.5.2 行为一致性创新框架

分析Claude与ChatGPT的边界表述差异发现：

• 拟人化程度与信任呈倒U型关系（Uncanny Valley效应）

• 真实性体现于"学习轨迹可视化"——让用户观察AI如何从错误中修正

• 鲁棒性缺口：系统更新导致人格特质突变（如外向型突变为冷漠型）

6.4 实践启示

欧盟AI法案（2024）需建立情感支持AI的"安全港规则"：

1. 参与式审计：邀请边缘群体测试系统偏见

2. 一致性认证：对情绪支持类AI强制实施"人格稳定性"测试

3. 熔断机制：当检测到自杀意念时自动转接人类咨询师

前沿争议聚焦于"殖民数据主义"困境——当前大语言模型（LLM）训练数据中，全球南方情感表达仅占2.3%（Mohamed et al., 2025）。这导致AI难以理解集体主义文化中的情感表达，如中国用户的"面子"顾虑。开放模型（如DeepSeek）可能提供文化适配新路径，但其性能仍落后商业产品15-20%。