《Computers in Human Behavior Reports》：Measurement or Induction? Methodological challenges in Studying Empathy and Compassion with Technology-assisted Tools.
编辑推荐：
共情（empathy）与慈悲（compassion）是亲社会功能的核心，然而其测量与实验诱导在方法学上仍然具有挑战性。传统的自我报告方法受到回顾性偏差与社会期望效应的限制。在本叙事性综述中，研究人员考察了新兴的技术辅助方法——包括基于视频的范式、虚拟现实（VR
共情（empathy）与慈悲（compassion）是亲社会功能的核心，然而其测量与实验诱导在方法学上仍然具有挑战性。传统的自我报告方法受到回顾性偏差与社会期望效应的限制。在本叙事性综述中，研究人员考察了新兴的技术辅助方法——包括基于视频的范式、虚拟现实（VR）和人工智能（AI）——将其作为评估与诱导共情及慈悲反应的工具。研究人员提出一项关键的方法论区分：即专门为测量或诱导而设计的方法，与同时测量和诱导社会情感状态的方法之间的区别。这一区分可能有助于人机交互（HCI）领域的研究设计，尤其当技术同时充当测量与诱导工具时。虽然生态效度较高的范式如社会情感视频任务（SoVT）能够捕捉动态的、状态敏感的反应，但它们也带来阐释上的挑战，尤其是在区分慈悲与共情以及将情绪反应与适应性结果联系起来时。总体而言，研究人员认为没有哪种单一方法可以充分捕捉共情与慈悲的复杂性。未来研究应采用整合性的多方法途径，结合主观、行为与计算测量，同时明确处理测量与诱导之间的相互作用。这一视角为在人机交互（HCI）、以人为中心的计算以及社会情感科学领域推进更精确、更具生态效度且理论根基扎实的研究提供了框架。
**引言**
共情常被视为一个涵盖多种感受与思维的伞状术语，包括情感成分（如情绪共鸣和共情痛苦）与认知成分（如观点采择）。慈悲则日益被界定为一种独特的情绪状态，其核心特征是温暖和减轻他人痛苦的愿望。本综述的动机源于共情与慈悲研究在概念层面的进展与所用方法工具之间日益加剧的失配。尽管已有综述总结了理论模型或个别方法，但目前缺乏专门针对测量与诱导共情及慈悲的方法学挑战的焦点性综合，特别是在迅速发展的技术辅助工具背景下。本文旨在填补这一空白，提供一种结构化、以方法论为导向的视角，而非完成一部全面的历史或理论回顾。
**简要历史背景**
共情与慈悲的早期概念化可追溯至哲学与伦理学传统，其后在心理学中被正式化，尤其通过情感共情与认知共情的区分（如人际反应性指数IRI的编制）。后续发展结合了神经科学与行为研究，催生了更精细的社会情感过程模型。近期，研究进一步扩展至人机交互与人与智能体交互情境，共情不仅作为人类能力被研究，也作为人工系统的特征被探讨。共情在二十世纪初被纳入心理学、社会学和精神分析，从哲学构念逐步演化为可操作的心理学变量，使系统测量成为可能。自我报告问卷，尤其是人际反应性指数（IRI），成为关键里程碑，至今仍被广泛使用，但其局限性突出：社会期望偏差可能导致分数膨胀；固有的主观性受文化和语境影响；多数工具仅关注共情或慈悲的特定维度而忽略行为表达与情境效应；且问卷通常在单一时间点施测，忽视了这些特质的动态性。尽管传统方法有时也包含诱导元素（如阅读个人故事），但更适合作为辅助工具。
**方法**
本研究采用结构化叙事综述，聚焦于共情与慈悲测量及诱导的方法学路径，旨在识别并批判性评估关键方法学进展，特别关注技术辅助范式。研究借鉴了PRISMA 2020框架的部分要素以提升透明度。通过组合构念术语（共情或慈悲）、技术术语（如虚拟现实、人工智能等）和方法学术语（如测量、诱导等），在Scopus、PubMed和IEEE三个数据库中进行检索。纳入标准为2016年1月至2026年3月间发表的英文同行评审实证研究，被试为成人，且采用技术辅助方法测量或诱导共情/慈悲。筛选借助AI分类工具辅助初筛，再经人工核验。数据提取涵盖研究设计、技术类型、技术的功能角色（单纯测量、单纯诱导或混合）及总体结果。综合合成按技术类型与功能角色进行分类比较，识别共同特征、差异与重复出现的主题。鉴于纳入研究的异质性，未进行正式的偏倚风险评估，而是从方法学可解释性角度进行定性评估。
**结果**
最终纳入35项实证研究，多集中于沉浸式或交互技术。技术方法以诱导范式为主，纯测量范式较少。技术分类结果表明：虚拟现实（VR）与360°视频等沉浸式媒体最常用于诱导共情，然后采用传统自我报告工具进行评估；而沉浸式技术与生理测量模态的整合虽较少见，但近年来有所增长。部分研究将VR与行为、生理或计算指标相结合，体现了混合型路径。此种混合法中，技术既帮助引发共情或慈悲反应，又提供或支持对这些反应的评估。人工智能与机器学习方法则更多地用于支持测量，尤其在处理大量行为或生理数据时。解读研究结果时，技术的角色至关重要：若将同一VR情境视为测量工具，共情/慈悲的增强可能被解释为工具有效性的证据；若视为诱导工具，则同样的增强会被视为成功引发了暂时状态。混合范式更需审慎，因为观察到的反应可能既反映个体特性，也反映技术环境的设计特征（如沉浸感、交互性、具身性）。因此，研究者应明确技术是用于测量、诱导，还是两者兼有。
**视频工具**
基于视频的方法超越了静态图像，可提供更丰富的语境和更强的情感唤起。视频通常作为刺激材料而非直接测量工具使用，但也有例外，如社会情感视频任务（SoVT）。该任务呈现简短无声视频片段，然后由被试评定其情感反应，从而能够比静态问卷更动态地捕捉共情与慈悲的状态反应，减少对回溯和社交期望的依赖。然而，SoVT等方法也处于测量与引发的中间地带：它在引发实时情绪的同时，仍依赖实时自我评定，可被视为准行为工具，适合在群体水平结合组内与组间设计进行分析，并可在神经心理学或瞬时反应研究中独立使用。
**VR工具**
虚拟现实被誉为可能的“共情机器”，在共情与慈悲研究中可发挥独特作用。其技术灵活性涵盖从简单视频、360°视觉材料到完全沉浸式模拟，均在受控环境中实现。与视频类似，VR常被用作情绪触发工具，并辅以传统纸笔问卷。现有研究中，VR主要用于共情和慈悲的诱导，但也能被整合为综合研究工具，同步采集生理反应（心率、皮肤电导、脑电图）、行为追踪及实时或体验后自我报告。VR还能模拟社会情境，让被试与虚拟智能体互动，从而在受控环境中测量情绪反应、亲社会意图乃至触觉反馈。这为具身社会研究提供了相对安全且生态化的环境，但存在设备昂贵、晕动症、模拟情绪困扰的伦理问题等局限。总体而言，VR在与生理、行为等互补测量模态整合时更显效力，但其环境常常模糊诱导与测量的界限：当VR既用于引发又用于评估时，面临与视频范式相似的挑战，因此须明确其在研究中的功能定位。
**人工智能**
人工智能（AI）被定义为能够解释信息、进行推理并基于所获数据生成情境适宜响应的系统。其中广为人知的应用包括聊天机器人等对话智能体。已有研究关注AI系统展示共情的能力，但仅少数研究将其用于测量共情或慈悲。新近出现的机遇是将AI生成材料整合进现有任务，以更受控的方式评估共情与慈悲反应。在人机交互领域，研究已涉及利用社交机器人考察群际共情偏差、以机器人叙事诱导人类共情、将拟人化代理作为人类共情的对象，以及将情境感知型共情代理融入VR环境等。从测量视角看，AI模型可经训练以整合多模态数据流（语言、行为、生理、神经影像），识别共情或慈悲反应的标记，理论上可减少对自我报告的依赖，实现更精细的连续评估。作为训练或诱导工具，AI系统可支持观点采择和群际互动。此外，AI还为通过AI与AI交互研究共情提供了独特的模拟框架。机器学习可与眼动追踪、生理数据或语音模态相结合，用于预测和模式识别。近年趋势还表现为从测量人类共情转向在人工代理中建模，即计算共情或人工共情的逆向工程。尽管这有助于概念明晰，但将复杂社会情感过程简化为计算抽象仍存在局限，并引发伦理与解释性问题。AI方法仍处于新兴阶段，存在可解释性、泛化性及与数据隐私相关的伦理挑战，且训练成本高昂、内容泛化性存疑。
**讨论**
本综述揭示了共情与慈悲研究的核心方法学挑战：生态效度与测量精确性之间的张力。传统自我报告工具虽标准化且经广泛验证，但主要评估特质性、回顾性社会情感功能，且易受社会期望偏差影响。以视频范式、VR和AI为代表的技术辅助方法拓展了方法学版图，使动态、情境敏感反应的测量成为可能，同时也带来解释、标准化和构念效度方面的新挑战。VR是目前最普遍的技术类型，多用作诱导工具，而整合VR与生理/行为测量的混合研究虽在增长但仍较少；AI相关研究约自2021年起出现，但范围与成熟度有限。对HCI领域而言，测量与诱导的区分提供了设计及评估情感技术的框架，且具有重要理论意义。在视频任务或VR模拟中混淆诱导与测量，可能导致将暂时的刺激驱动反应过度解读为稳定的共情或慈悲能力，或模糊心理构念与技术环境设计特征之间的界限。许多号称“增强共情”的系统实际上可能主要作为诱导环境运行，而另一些则旨在推断或分类用户的社会情感状态。明确这些角色有助于改善研究设计。若VR被视为测量工具，则需额外的信度与构念效度证据；SoVT展示了技术辅助方法的中介地位——其以动态刺激引发反应，却又通过主观评分实现测量，故应视为混合式、状态敏感的自我报告范式。混合方法还带来了大数据与大型语言模型（LLM）所致偏差的风险，因此应通过预注册、透明分析计划等措施加以防范。本综述还发现，共情作为研究焦点远多于慈悲，仅少数研究明确考察了慈悲这一与共情相关但不同的、以帮助动机为特征的状态。多数沉浸式技术研究侧重观点采择等认知共情成分，对慈悲特有过程（如助人动机）的探究相对不足，构成了重要的发展方向。综合而言，单一方法不足以充分捕捉共情与慈悲的复杂性，未来研究应迈向整合主观、行为与计算指标的多元方法设计。
**局限与结论**
本综述存在若干局限：作为结构化叙事综述，研究筛选包含一定的主观判断，可能存在遗漏；虽借鉴PRISMA流程但不构成完备的系统性合成；未进行正式的偏倚风险评估；仅纳入英文同行评审文献可能存在发表偏差。结论认为，技术进步虽极大扩展了共情与慈悲研究的方法工具箱，但也要求相应精炼概念与分析框架。通过明确处理测量与诱导的相互作用，并聚焦于潜在的心理机制，未来研究可以迈向更精确、更具生态效度且理论根基扎实的路径，以深化对这些基本社会过程的理解。
