《AI》：From Human Empathy to AI-Generated Empathic Performance: Conceptual Boundaries and Ethical Risks for Human-Centered AI
编辑推荐：
人工智能（AI）日益融入日常交流，使共情的概念边界复杂化，因为系统能够生成看似情感关注、支持性且情境敏感的回应。通过对人类共情（human empathy）、人工共情、人—AI交互和AI伦理研究的以概念为中心的理论综合，研究人员区分了三种分析上不同的现象：人类
人工智能（AI）日益融入日常交流，使共情的概念边界复杂化，因为系统能够生成看似情感关注、支持性且情境敏感的回应。通过对人类共情（human empathy）、人工共情、人—AI交互和AI伦理研究的以概念为中心的理论综合，研究人员区分了三种分析上不同的现象：人类共情、AI生成的共情表现（AI-generated empathic performance）和感知AI共情（perceived AI empathy）。在本框架中，人类共情围绕四个维度组织——认知理解（cognitive understanding）、情感回应（affective responsiveness）、自我—他人分化（self–other differentiation）和沟通表达（communicative expression）——这些维度被用作分析参照点，以比较AI生成的共情表现的可观察能力和概念限制。分析认为，AI系统可通过情感与情境推断、情感敏感表达、适应性回应生成和对话连续性来近似与共情相关的沟通特征，但此类表现不应被视为等同于人类共情的关系与体验维度。感知AI共情受来源归因、交互情境和用户解释影响。由此产生的伦理意涵涉及归因与关系风险、脆弱性、数据与公平、透明性、问责和治理。在操作层面，该框架支持分别评估系统表现和感知共情，披露AI身份与推断限制，沟通情绪推断中的不确定性，校准拟人化与关系线索，并在情感敏感或高风险情境中提供通向人类支持的路径。
研究背景与问题：共情在既有理论中被视为多维而非单一现象，涉及认知、情感、关系与沟通等成分；但AI进入日常沟通后，系统可生成看似情感关注、支持性且情境敏感的回应，使“共情”术语在系统能力、沟通输出、用户感知和来源归因等不同分析层次间滑动。原文指出，人工共情、情感计算、共情对话系统、模拟共情、感知共情和“AI生成共情”等相邻概念虽互补，却可能混淆可观察系统表现、用户解释与人类共情能力。该研究因此提出三个问题：哪些人类共情维度可作为比较参照；如何区分人类共情、AI生成的共情表现和感知AI共情；相关关系与伦理关切如何据此组织并对人本人工智能（HCAI, human-centered artificial intelligence；强调可靠、安全、可信并保持高水平人类控制）产生概念与伦理意涵。
研究人员开展的是以概念为中心的理论综合，而非系统综述或经验调查；其贡献在于将“AI生成的共情表现”确立为分析边界概念，用于区分可观察系统过程与沟通输出、人类共情能力及用户感知，且不预设主观情感或类人共情体验。该研究据此提出四维人类共情参照、三层概念区分、四类伦理域和五项操作意涵，强调评价、披露、不确定性沟通、拟人化线索校准及人类支持路径对HCAI设计与治理的意义。
关键技术方法（不超过250字）：采用概念中心理论综合，非系统综述；无经验样本队列。2026年1月至9月迭代开展目的性检索，来源包括Google Scholar、Web of Science（WoS）、Scopus、出版商平台与相关期刊网站，并进行基础及近期研究的后向引文追踪；检索词围绕人类共情、认知与情感共情、自我—他人分化、人工/AI共情、模拟共情、情感计算、共情对话系统、感知AI共情、人—AI交互、人本AI及拟人化、信任、脆弱性、透明性、人类监督等，未设正式语言限制。来源按四项分析任务选择；基础共情文献不设固定出版日期限制，AI文献侧重近期。四维人类共情与四伦理域为作者分析综合和组织类别；双作者独立审阅文献映射及差异并讨论解决；引用47篇来源。使用ChatGPT-6（OpenAI）进行语言编辑、重述、文本组织及图件开发/生成协助，Trinka用于语言编辑和风格润色，作者审阅并负责内容。
研究结果：
2. 人类共情：概念边界与分析框架。通过综合Davis、Hoffman、Cuff et al.及关系沟通视角等理论，研究将人类共情组织为认知理解、情感回应、自我—他人分化和沟通表达四维；观点采择、共情关怀、个人痛苦、情绪感染、认同和同情被视为机制或边界概念，文化社会情境被视为塑造四维的条件。结论是四维并非单一既有模型或共识分类，而是用于比较的分析建构；人类共情是关系过程，AI比较仅限功能与语言层面。
3. AI生成的共情表现：操作能力与概念限制。通过人工共情、情感计算、共情对话系统、SENSE-7（七维用户感知框架）、来源归因、CASA（Computers Are Social Actors；计算机社会行为者范式）、伴侣聊天机器人及MESC（Multimodal Emotional Support Conversation；多模态情感支持对话数据集）/SMES框架等研究，将AI生成的共情表现界定为可观察系统过程与输出，可与四维功能对应、近似或模拟，但不等于主观情感、自我或关系互惠。SENSE-7用于说明用户评价层面；Rubin et al.显示人类归因回应比AI归因回应被评为更具共情和支持性；CASA说明社会线索可引发社会规则应用；Guingrich and Graziano发现伴侣聊天机器人用户与非用户评价不同；Chu et al.的MESC/SMES在多模态支持策略预测和回应生成上优于选定基线。结论是系统表现与感知共情须分开。
4. AI生成的共情表现与感知AI共情的伦理意涵。通过文献综合将伦理关切组织为四域。4.1 表征与归因风险：拟人化、情感/共情AI与伴侣系统可模糊人工角色扮演与类人关系互动，生成关怀语言可能被误读为能力；恐怖谷研究提示人类相似性不必然增加感知共情。4.2 关系与脆弱性风险：持续可用、个性化、连续性和支持性语言可产生关系意义，儿童及脆弱用户面临过度信任、情感依附、依赖和关系边界模糊风险；心理支持中感知支持不等同于互惠照护责任。4.3 数据与公平风险：情绪与情境推断依赖高度个人化数据，涉及隐私和治理；Rhue显示情绪AI识别存在人口群体差异，Elfenbein and Ambady发现跨文化情绪识别存在内群体优势，Tahir et al.指出数据集和评估限制；即使披露AI身份，数据与公平问题仍存。4.4 透明、问责与治理：Rubin et al.和Shen et al.表明来源归因与AI作者披露影响共情评价；EU AI Act第50(1)、50(3)条要求直接交互AI及情绪识别系统披露；透明还应涉及情绪推断、生成方式、能力限制和数据用途；高 stakes情境需问责与人类监督，明确使用限制、人工干预和机构责任。结论是伦理不能简化为AI能否模拟共情，还须关注表现、归因、数据与治理。
讨论部分总结：该研究以三层区分推进共情相关人—AI交互讨论，与Concannon and Tomalin、Rubin et al.、Suh et al.、Ong et al.等关于感知共情、来源归因和“文本共情评分—来源评价”张力的研究相一致。四维被定位为描述与比较框架，而非判定AI“拥有”共情的经验测试；自我—他人分化可转化为生成沟通的可检验属性，即区分用户报告与系统推断、标记不确定性、避免将概率解释表述为确定知识。不同AI技术和情境不可互换，伦理意义在于情绪推断与共情式沟通介入关系归因、披露、信任、依赖和照护期待。实践上应分离回应质量、感知共情与能力声明评价；设计中沟通推断不确定性、避免无法证成的拟人化和关系线索，并在情感敏感或高风险情境提供人类支持与监督。局限是概念综合非系统综述，可重复性较低并依赖作者判断，不声称穷尽；不建立一般用户感知或群体结果，也不裁决主观体验；未来可跨披露条件、对话连续性、拟人化设计、文化及多模态情境检验框架。
结论部分翻译：该研究提出，通过区分人类共情、AI生成的共情表现和感知AI共情，可以更精确地理解与共情相关的人—AI交互。该区分的价值不在于解决AI是否“拥有”共情的二元问题，而在于澄清哪些主张涉及人类关系能力、哪些涉及可观察系统行为、哪些涉及用户对该行为的解释。保持这些层次分离对设计与评价均有实践后果。在评价中，AI生成回应的质量应与用户对共情的感知以及关于系统底层共情能力的主张分开评估。在设计中，该区分影响披露、推断不确定性沟通、拟人化与关系线索校准，以及在情感敏感或高风险情境中提供通向人类支持路径等决策。同时，该框架并不替代对回应准确性、可用性、安全性或有效性的任务特定评估；无论共情相关交互如何概念化，这些评估仍然必要。因此，该区分的实践价值在于防止表现、感知和人类共情能力被当作设计或评价中可互换的目标。
