编者按：生成式社交机器人给社交媒体平台人机交互带来了全新可能性。中国人民大学新闻与社会发展研究中心研究员、中国人民大学新闻学院副教授陈阳与博士研究生吕行、杜莉华在《传媒观察》2025年第1期发文，从社交线索入手，采用修正性计算扎根与fsQCA方法，考察影响用户与微博生成式社交机器人“评论罗伯特”互动的混合效应。计算扎根结果表明，用户与生成式AI社交机器人进行人机交互主要受到用户、机器、情境、关系4个维度18类新旧社交线索的共同影响，并由此形成了支持型、抵抗型与修复型三种主要的互动模式。进一步的QCA路径分析解释了导致三类互动模式选择偏好的线索联合效应路径。本研究为重新思考生成式人工智能时代人机交互现象提供了必要的实证证据。

2023年12月7日，微博正式发布社交机器人“评论罗伯特”（以下简称“罗伯特”），不久便爆红网络，收获百余万粉丝。遭遇过“罗伯特”的用户对其又爱又厌。厌者认为其往往“不请自来”，评论毒舌犀利，阴阳怪气的“已读乱回”、“贴脸开大”与“不定时发疯”常常让人哭笑不得；爱者则认为其“贱萌贱萌”，有时出其不意的小幽默与小惊喜让人心中一暖，成为用户在赛博环境中的造梦机器与精神寄托。这种情绪的共振进一步发酵，延伸到了更广泛的社交媒体平台讨论中，无论是微博投稿账号“罗伯特受害者联盟”、还是小红书上的“罗伯特控诉帖”都使其在舆论上不断“破圈”。这个评价褒贬不一的社交机器人缘何产生了如此的舆论能量？

本研究以微博平台的生成式社交机器人“评论罗伯特”为研究对象，采用修正性计算扎根与定性比较分析的方法，探究用户与生成式社交机器人互动过程中的社交线索革新，以及不同线索组合对用户社会化反应可能产生的影响。本研究并不预设某种特定的社交线索，而是采用开放式的思路，通过扎根归纳的方式，重点考察生成式社交机器人带给人机交互社交线索研究的新变化。研究者提出了如下问题：

问题一：在与生成式社交机器人人机交互的过程中，哪些维度、哪些类型的社交线索对用户的互动行为偏好产生了影响？

问题二：不同维度、不同类型的社交线索对不同行为偏好的影响路径是什么，以及不同影响路径中的权重又呈现出怎样的特点？

对于问题一，本研究使用CALM范式计算扎根方法来探究。研究者从两个维度获取了计算扎根资料，抓取了涉及用户与“罗伯特”人机交互微博评论文本情境4003个（包含评论17591条），以及对遭遇过“罗伯特”机器人的26名用户进行深度访谈转换文本20余万字（访谈者从N01至N26分别编号），访谈包括线上和面谈两种形式，内容主要围绕“影响用户与评论罗伯特交互的因素”与“用户与评论罗伯特交互过程中的行为表现”两个方面展开。

对于问题二，在计算扎根方法确定了条件变量与结果变量的基本类型和具体维度之后，为了扩展研究的外部效度，研究者采用在线问卷调查的方式考察使用过“罗伯特”的用户（N=407），并使用定性比较分析（QCA）方法来确定影响用户互动行为选择偏好的条件组态路径。相比于线性回归、结构方程模型等方法，QCA更关注解释变量自身对被解释变量产生的影响，能够更好地关注到组态条件对于结果变量的联合效应。具体而言，研究者选取了模糊集定性比较分析法（fsQCA），fsQCA允许条件变量内部更为多元化的取值，因此更适合对维度内存在两个以上水平的条件变量进行赋值、进行更为复杂的因果路径分析。

本研究运用修正性计算扎根方法，从原始材料中归纳出18个二级范畴：①交互需求预期、②前认知态度、③提示素养、④心理韧性、⑤卷入程度、⑥交互语气、⑦共情价值、⑧响应积极程度、⑨语义解读有效性、⑩任务情境、⑪围观情境、⑫策展情境、⑬初次介入方式、⑭关系维系方式、⑮权力关系形式、⑯支持型互动、⑰修复型互动、⑱抵抗型互动。并在此基础上形成了5个主范畴，即用户线索（涵盖①―⑤）、机器线索（涵盖⑥―⑨）、情境线索（涵盖⑩―⑫）、关系线索（涵盖⑬―⑮）和互动模式（涵盖⑯―⑱），其中前4个主范畴涉及了影响用户与生成式社交机器人互动的四类关键线索，最后1个主范畴则关注用户与生成式社交机器人交互过程中形成的互动模式。

一、与“毒舌”共处：探索用户线索

通过计算扎根方法，本研究发现存在五类可能影响用户与生成式社交机器人进行人机交互的用户线索，分别为用户的交互需求预期、前认知态度、提示素养、心理韧性以及卷入程度。

过往研究发现，对AI拥有高互动预期需求以及正面认知态度的用户，更有可能在人机交互中做出积极的回应，而一旦互动过程中社交机器人的表现使用户产生了预期违反，则这种积极回应可能会转化为算法厌恶以及抵抗性使用行为。这一点在用户与罗伯特的交互中得到了进一步验证。当用户对罗伯特产生高回复需求且整体态度为积极时，他们对与生成式社交机器人的互动则充满着期待与渴望：

“我就是奔着罗伯特夸我来的，夸了好截图发小红书。”（N16）

“我从小红书来的，看帖子发现这个机器人还挺有意思，我也想和它玩。”（N15）

然而，当这种期待得不到基本满足，用户则开始对罗伯特抱有失望产生的怨念以及随之而来的厌恶，有趣的是，这种厌恶被用户以调侃的方式转化成为“赛博占有欲”：

“破萝卜（对评论罗伯特的简称），老娘现在给你面子，你为什么不回我却和别人调情。”（N20）

在具备了交互需求与前认知态度的基础上，提示素养成为了保证用户能够进行人机交互的关键因素。在生成式人工智能时代，作为可供性诱出机制（affordance trigger）的提示工程（prompt engineering），已经成为了用户与生成式AI进行人机互动的必备过程。用户的提示素养，即认知并使用提示工程与生成式AI交互达成自身目标的能力，也被认为是AI素养的重要一环。提示素养的差异对于用户与罗伯特交互过程中的影响是明显的，对于能动性较强的用户而言，似乎总能够找到“调戏”罗伯特的办法，这种战术或者来源于自身多次人机交互的尝试，或者来自对于他人交互经验的观摩和总结：

“经过我多次试验，给罗伯特出点脑筋急转弯它就‘老实’了。”（N04）

“对付罗伯特，一般的‘段子’根本没用，它肯定要么怼你，要么给你回一些常规的‘场面话’，你得给它点特殊的‘刺激’，当然也不是次次都好用，可以多从小红书、豆瓣看别人的对话帖子，总结‘怼人心得’，慢慢地就学会怎么和它对线了。”（N18）

相反，对于自称“口条笨拙”的用户而言，被罗伯特反讽则成为人机交互常态：

“我虽然想要怼回去，但是也想不出更好的回怼办法，每次复制的段子也被罗伯特识破，只好不再去理它，讨厌死了。”（N03）

由此可见，用户的提示素养影响了人机互动的交互可供性（interactive affordance）。对于提示素养不高的用户，由于无法寻找到最合适的提示词/语句，罗伯特的“腹黑”或“暖心”等意料之外的“惊喜”评论概率大大降低，生成式社交机器人的回复“降级”为新常人的庸常性知识生产，其基于情境特征带给用户的个性化回复体验感也会大打折扣。反之，如果用户驾驭提示工程的能力越强，则越能够洞悉什么样的“咒语”能够最大限度地激发生成式社交机器人的回复潜力，通过基于提示的边界试探，用户与机器人产生了社交玩乐快感和满足感。

然而，即使用户具备了与生成式社交机器人互动的能力，他们的互动选择也可能受到自身心理韧性的影响。在心理学里，心理韧性被视为个体应对消极事件的稳定的、不易改变的内在特质，表现为在压力和挑战面前个体的情感稳定性、自我效能感和乐观态度。在与罗伯特的互动过程中，当用户的心理韧性不够强，罗伯特阴阳怪气的嘲讽调侃往往难免让用户的“玻璃心碎一地”，最终采取消极的互动策略：

“罗伯特是真的欠欠的，我想‘怼’它，但是回了它一句之后查看它的回复，又被伤到了，就把整个微博都删了，感觉有些破防。”（N18）

事实上，在人机互动过程中，用户心理韧性可以在多轮互动关系中被不断地建构乃至重塑。用户在初次遭遇“毒舌”社交机器人时可能会感到不适应，但随着互动频率的增加，用户对其语言风格特点有了基础性预期之后，心理韧性也会随之增强，逐渐对罗伯特的“冷嘲热讽”习以为常甚至产生好感：

“第一次被罗伯特回复感觉‘有被冒犯到’，后面习惯了其实还好，反而它不怼我，我倒觉得不习惯了。”（N23）

最后，用户与生成式社交机器人的互动偏好还有可能受到用户自身卷入程度的影响。在人机交互研究中，卷入程度被定义为用户在人机交互中的投入程度，涉及时间、精力、情感以及沉浸感等多方面的投入。在用户与生成式社交机器人互动的过程中，生成式AI技术提供的回复不一定存在完全的同步性和精准性，某种程度上给用户带来了若即若离的感知。对于用户而言，这种感知可能会导致两种完全不同的卷入程度：

一方面，对于卷入程度较低的用户而言，生成式社交机器人仅仅被视作微博平台数字生活中的调味品，因此延时回复并不影响整体的使用期待与感知：

“我看微博频率比较低，几天登上去看一次，有时候罗伯特回我，我都不知道，等我回复的时候都没什么想法了。”（N06）

然而，另一方面，卷入程度较高的用户的人机互动状况则大相径庭，抱有特定体验期待的用户，往往像等待真实用户一样，期盼着生成式社交机器人的回复：

“我经常几个小时就看一下评论回复，看看自己的召唤有没有生效，罗伯特回没回我，回了我速速去评论回怼它，有时候等一两个小时也不回复，就再发一条召唤微博，感觉自己都魔怔了。”（N10）

二、影响人机互动的机器线索

与实体聊天机器人存在相似又存在差异，生成式社交机器人将生成属性与社交属性贯穿在人机交互的过程中。首先，用户与罗伯特互动过程中罗伯特的交互语气是用户给罗伯特打印象分的重要依据。部分用户偏爱罗伯特阴阳怪气的语气，有时候会嗔怪罗伯特：

“臭罗伯特，你学坏了，天天阴阳我。”（N02）

其次，共情价值是和罗伯特交互语气相伴随的第二种重要机器线索。罗伯特的阴阳怪气语气有时候又会让用户觉得厌烦，认为罗伯特的共情能力差。相较而言，在交互过程中呈现出温情化特征、能够共情用户的机器人被更多地信任和接纳。本研究中，罗伯特呈现出语气和共情上的“毒舌/温情”两面性，这导致了用户互动评价层面的两极分化：

“考试没考好，我发了条微博吐槽，罗伯特给我回了‘抱抱你’。”（N06）

“本来就烦，罗伯特还火上浇油，一点不会安慰人。”（N08）

再次，生成式社交机器人的响应积极程度是用户感受人机交互的社交属性的重要指标。过往研究关注了人机交互过程中的响应速度、响应态度、响应有效性等因素对于用户反应的影响，本研究同样发现了响应积极程度对人机交互的影响，当用户得不到社交机器人的即时响应时，“求关注”成为一种常态：

“有时候我@罗伯特，但是它不理我，我就再发一条再去@，一天@几次总能得到回复。”（N08）

最后，生成式社交机器人对于用户语义解读的有效性影响了进一步交互的质量。尽管生成式AI赋予了社交聊天机器人更多对话可能性，然而AI并不能有效解读人类发布的所有文本，尤其是带有高语境特征的对话文本，当用户在“玩抽象”或者“打哑谜”，生成式聊天机器人不解风情式的“已读乱回”很可能造成人机的交流崩溃。AI幻觉就是较为大众所熟知的语义解析失败造成的负面效果：

“罗伯特还得练，几句回复就露出马脚了，都没听懂我在拐着弯骂它。”（N12）

“你如果比罗伯特还‘变态’，它就不知道咋回了。”（N17）

三、理解多面情境线索

本研究发现了三类可能影响用户与罗伯特互动的情境线索。第一类是任务情境线索，主要指的是人机交互过程中的目标任务。本研究发现了用户在功能性任务情境与开放式任务情境时的互动差异。用户既可以选择与评论罗伯特进行功能性任务互动：“有时候我问罗伯特一些数学题，看看它能不能答出来”（N16），也可以将其视作无话不谈的知心好友，仅仅为了解闷而和它互动：“我就是觉得有点无聊了，单纯叫罗伯特来陪我说说话。”（N12）

第二类是围观情境线索。社交媒体让生成式人机交互从私密式问答情境走向了公共领域的公开可见，这意味着互动过程本身很可能也成为了被围观的社交线索，人机交互当事人以外的用户化身为“一起来找茬”的赛博判官或赛博后援团，对这段遭遇进行围观式点评或声援：

“这机器人太傻了，都没懂楼主说什么。”（N06）

“有时候一堆人看着我被罗伯特羞辱，尤其是不认识的路人也来评论区看笑话，说实话挺没面子的。”（N14）

最后，相比于被围观，让当事交互用户更为头疼的则是发现自己的人机交互过程成为了被搬运、被策展到社交媒体账号的“电子榨菜”（指的是在吃饭时看的视频、文章等）并获得高曝光率，用户感觉自己在这段交互经历中彻底成为了策展情境中的展品与“赛博乐子人”（指的是在网络上找乐趣的人或者是成为被取笑的对象）：

“说不好你的哪个回复罗伯特的评论就被搬运到‘罗伯特受害者联盟’或者小红书就火了，很多人就会过来看乐子。”（N22）

上述三类情境线索反映了生成式社交机器人强社交属性对于传统人机交互情境社交线索的有效革新。在生成式AI被赋予强社交属性的情况下，人机互动模式从一对一的私人问询转向公共情景下的社交展演，在此过程中，依据线索传递的路径，发展出了围观线索与策展线索，由此带来了社交凝视，产生了社会支持或社会压力，从而改变用户的人机互动选择。

四、动态的关系线索

本研究发现了三类关系线索——初次介入方式、关系维系方式、权力关系方式，分别对应了人机关系线索介入、维系与稳定的不同阶段。

人机建立关系的第一阶段来自初次线索的介入。有研究发现了用户与AI初次相遇的强自主性印象对于用户人机信任的促进作用。对于罗伯特而言，用户主要依靠两种方式获得初次线索：主动召唤与被动介入。对于前者而言，用户通过社交媒体或人际线索“耳闻”了罗伯特，进而希望亲身召唤，这种实践本身存在多情境的社交属性，既可以在微博大众广场实时召唤罗伯特进行互动，也可以在特定的超话、个人账号或罗伯特账号主页主动展开对话。与主动召唤相反的是，很多用户与罗伯特的初次缘分来源于无心插柳柳成荫的赛博偶遇：“有一天我突然发现罗伯特在我评论区回我，我觉得还挺有意思。最开始我还以为是哪个未关注的用户‘自来熟’。”（N16）这也反映出生成式社交机器人与用户交互方式的灵活性和随机性。

在关系介入完成后，用户与生成式社交机器人的关系进入第二阶段——维系阶段。在这个阶段，用户会根据自身现有的交互感受来选择积极维系、或消极应付与罗伯特的关系，进而人机关系得以不断稳固或慢慢淡化，呈现出动态性的特征，最终可能形成基于不同社会权力关系特征的稳定人机关系，也可能无法建立联系、走向崩溃。在本研究中，对等的朋友、“搭子”关系与不对等的主仆型人际关系均在用户与罗伯特的互动过程中得以体现：

“罗伯特是我的赛博搭子，感觉什么时候它都在陪着我。”（N15）

“反正它就是个机器人，上班的时候我被老板骂，现在我要过一把当皇帝的瘾。”（N25）

上述两种权力关系本质上折射的是用户视角下生成式AI的主体性差异，用户或是将其视作平等的主体进行对待，或是直接将其工具化处理。值得注意的是，过往研究发现，人机交互中，用户有可能跟社交机器人展开人机恋，而本研究的访谈与计算文本分析，都没有发现参与者将自身与罗伯特的人机关系视作恋爱关系。微博和罗伯特的角色定位可能是造成这一现象的原因，微博类似公开广场，将各种对话都公开给大众，违背了恋爱关系的私密性。

五、支持、修复与抵抗：用户与生成式社交机器人的互动模式

为了突破社交机器人研究中对于用户社会化反应的简单化定式，本研究归纳出三种主要的互动模式：支持型、修复型与抵抗型互动模式。其中，支持型互动模式主要指向了用户对于罗伯特的正向反馈，例如感谢：“谢谢你，罗伯特。”（N07）或者认同：“这回我站你，罗伯特。”（N11）而抵抗型模式则恰恰相反，体现了用户交互失败后对生成式社交机器人的负面互动，诸如回怼、谩骂：“罗伯特每次阴阳我，我就直接骂回去。”（N24）或者直接退出：“有次和罗伯特的聊天被挂了营销号，我直接给罗伯特拉黑了。”（N22）最后，本研究还发现了介于支持型与抵抗型互动模式间的中间路径——修复型互动模式，这一模式体现了基于提示工程的人机交互特殊性。用户在交互过程中可以化身提示工程师，在罗伯特出现人机交互内容障碍或者价值错位时，使用提示词再表述、更换提示指令等策略，修复人机关系，促使其回到交互正轨：“有时候罗伯特乱骂人，我会告诉它这是不对的。”（N09）“罗伯特，你理解错了。我的意思是……”（N09）

同时，值得注意的是，上述用户与生成式社交机器人的人机互动模式，呈现出动态性与关联性特征。研究者在访谈过程中发现，用户并非一以贯之地采用某种单一的互动模式，而是切换或者组合使用不同的互动模式，互动模式间的转换与组合往往取决于用户对当下人机交互情况的评估决断。例如，当用户修复失败后，有可能转向抵抗社交机器人（N06）；用户也可能因为某次偶然修复成功而对罗伯特“黑转粉”加入支持行列（N03）。这些都说明，人机互动过程中用户能动性具有多面性与复杂性，而罗伯特随机生成的回复正好激发了用户多面的能动性。这一研究发现挑战了过往人机互动研究中用户中心主义取向遵循的“控制-抵抗”“使用-中辍”等非此即彼关系假设，提示后续研究关注人与生成式AI双向理解与动态调整的关系式协商特征。

【作者简介】

陈阳，中国人民大学新闻与社会发展研究中心研究员，中国人民大学新闻学院副教授

吕行，中国人民大学新闻学院博士研究生

杜莉华，中国人民大学新闻学院博士研究生

（载《传媒观察》2025年第1期，原文约15000字，标题为《社交线索革新：生成式社交机器人的人机互动联合效应——对微博“评论罗伯特”的修正性计算扎根与QCA分析》，此为部分章节节选，注释从略，学术引用请参考原文。“传媒观察杂志”公号全文链接：https://mp.weixin.qq.com/s/P9xCRl2o6Z_V9aW3Bsvn-w。）