← 返回 PaperDaily 大模型与智能体

CHI 2026新作：ExpressionCueLens拆解AI伴侣拟人化，跨文化差异一眼看懂

这篇论文最有意思的地方，不是又造了一个“拟人化”词典，而是把AI伴侣的社交媒体讨论拆成了能落地分析的十类表达。Reddit和小红书的差异也很直接：一个更像叙事复盘，一个更像情绪直播，文化和平台习惯真的会把“AI像不像人”这件事带偏。

龙哥读论文 阅读 3 查看原文
#大语言模型 #NLP #人工智能 #AI应用
CHI 2026新作：ExpressionCueLens拆解AI伴侣拟人化，跨文化差异一眼看懂
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
这篇论文最有意思的地方，不是又造了一个“拟人化”词典，而是把AI伴侣的社交媒体讨论拆成了能落地分析的十类表达。Reddit和小红书的差异也很直接：一个更像叙事复盘，一个更像情绪直播，文化和平台习惯真的会把“AI像不像人”这件事带偏。


原论文信息如下：
论文标题:
ExpressionCueLens: A Cross-Cultural Analysis of Human-AI Companion Conversations on Social Media
发表日期:
2026年07月 发表单位:
Carnegie Mellon University, Nanyang Technological University, The University of Tokyo 原文链接:
https://arxiv.org/pdf/2607.13924v1.pdf

AI伴侣不只是工具？社交媒体言论暴露新趋势

AI伴侣这几年最耐人寻味的变化，不是“能不能聊天”，而是“人们到底把它当成什么”。有的人把它当搜索框，有的人把它当树洞，还有人直接当成了会吃醋、会记得、会设边界的关系对象。ExpressionCueLens这篇论文做的事很有意思：它没有停留在“拟人化很重要”这种空话上，而是直接去社交媒体里抓真实讨论，看看人类到底是怎么把AI伴侣“说成人”的。
这类问题之所以值得盯紧，是因为它已经不再只是产品体验问题，而是人机关系如何被文化塑形的问题。Reddit上更像“事后复盘”，小红书上更像“现场直播”；一个偏叙事，一个偏情绪。表面看只是平台风格不同，往深处看，其实是文化、语言和社区规范共同决定了AI伴侣被赋予什么角色。
封面
图1：Reddit与小红书中的AI伴侣拟人化表达分布。论文一上来就把“文化差异”摆在台面上，不靠猜，直接看数据。

从Reddit到小红书：跨文化视角下的拟人化表达

这篇论文的样本来自两个典型平台：Reddit和小红书。前者是英文论坛型社区，后者是中文社交平台，而且大量内容本身就是聊天截图。这个设计很聪明，因为它比较的不是“同一批人换个语言怎么说”，而是两种平台文化下，人们如何叙述和展示AI伴侣。
这里有个很现实的工程细节：小红书里不少帖子是截图，得先做OCR（Optical Character Recognition，光学字符识别）才能进入分析流程。论文用的是Tesseract引擎，并且还让双语人工校验。别小看这一步，社交媒体文本里表情、口语、省略、错别字都不少，OCR一旦翻车，后面的统计就会像拿漏勺舀水，忙活半天全是空的。
论文最终处理的不是简单的“帖子数”，而是更细粒度的“消息/话轮”。这件事很关键，因为AI伴侣的拟人化往往不是在整篇长文里平均出现，而是藏在某一句“别难过了”“我记得上次你说过”“我现在不方便继续聊”这种局部表达里。抓住这些碎片，才算真的摸到门道。
图S1：标注工具界面
图S1：标注工具界面。左边用于迭代构建框架，右边用于验证大模型批量标注效果。论文的细活，不是“扔给模型就完事”，而是先把规则磨出来，再让模型放大。

三大研究问题：何时、多强、如何不同

这篇论文不是泛泛而谈“AI会不会像人”，而是拆成了三个更能落地的问题。RQ1问的是拟人化何时出现；RQ2问的是拟人化有多强；RQ3问的是不同平台、不同文化下，它们的表达方式有什么差异。这个拆法很务实，避免了“拟人化”这个大词一喊就虚的问题。
这里还要先解释一个基础概念：拟人化，指的是把非人对象赋予人的特征、意图、情感或边界感。放到AI伴侣语境里，用户说“它记得我”“它在安慰我”“它有点累了”，本质上都是在给系统贴上“像人”的标签。问题是，这些标签不是单一维度，而是能拆成不同表达信号的。
论文提出的核心判断是：拟人化不是一个“有/没有”的开关，而是一个由多种线索叠加出来的强度问题。有的句子只是“它很聪明”，这比较弱；有的句子同时出现情绪、记忆、承诺、身体动作，那就已经不是“像不像人”了，而是“像一个有关系、有责任感的对象”。

ExpressionCueLens框架：十种表达的“解码器”

这部分是论文最值钱的地方。ExpressionCueLens不是简单分类，而是把拟人化表达拆成了“表达类别”和“线索类型”两层。前者回答“在说什么”，后者回答“是怎么说出来的”。
论文把原先更散的类别收拢成10类：自我概念与身份、社交人格与互动、目标导向智能、规则型行为、脆弱性与边界、伪装与真实性、情绪、时间性、具身性、刻意语言操控。这里的“缩减”不是偷懒，而是把边界模糊、重复度高的类别合并，避免标注时今天像这个、明天像那个，最后大家都在猜拳。
表S3：ExpressionCueLens与旧分类的映射
表S3：ExpressionCueLens与DeVrio等人（2025）表达类型的映射。论文不是凭空造轮子，而是在已有拟人化税onomies上做了合并与重构，让分类更适合社交媒体场景。
更关键的是，论文把线索分成了四种：语言线索、认知线索、行为线索、感知线索。人话版就是：它说了什么、它怎么想的、它做了什么、以及界面上看起来像什么。这个分法很适合分析聊天截图，因为很多“像人”的感觉，并不只来自文字内容，还来自头像、表情、括号动作、语气和承诺。
比如“我明天提醒你”既有时间性，也有承诺；“我不能继续这个话题”既是规则，也带边界感；“（点点头）”则把一个纯文本系统硬生生拉进了具身空间。论文真正厉害的地方，是把这些平时看着很散的信号，整理成了可以统计、可以比较、可以跨平台迁移的框架。
表S2：ExpressionCueLens codebook
表S2：ExpressionCueLens codebook。这里完整列出了十类表达及其对应线索，是整篇论文后续分析的“字典本体”。

实验结果：东西方AI伴侣对话的“文化映射”

先说结论：小红书更偏脆弱、情绪和非感知线索，Reddit则更偏时间、具身和感知线索。这不是简单的“谁更爱AI”，而是两边把AI伴侣放进了不同的叙事框架：一个更像情绪关系，一个更像连续互动的伙伴。
图1：不同平台上的表达分布
图1：不同平台上的表达分布。Reddit的表达更分散，小红书则在脆弱性与情绪上更集中，说明平台文化会把拟人化“推”向不同方向。
论文里一个很耐看的结果是：社交人格与互动和情绪是最常见的两类表达，但小红书在脆弱性与边界上的占比明显更高。换句话说，用户不只是说“这个AI很会聊天”，而是在说“它懂我、能安慰我、也会让我受伤”。这已经非常接近关系叙述，而不是功能评价。
Reddit则更常出现时间性表达，比如“上次聊到哪”“下次再继续”“我会记得”。这种表达会把AI伴侣放进一个跨时段连续存在的框架里。它不只是此刻回答问题，而是会延续关系、承担记忆、执行承诺。这个差异非常重要，因为它说明拟人化不是单纯靠模型能力堆出来的，而是被用户的使用方式和平台语境共同塑造出来的。
图2：不同表达类别对应的线索分布
图2：不同表达类别对应的线索分布。可以看到，语言线索最普遍，认知和行为线索紧随其后，感知线索最少，说明“像人”更多是靠语义和推理感撑起来的，而不是靠界面花活。
论文还做了一个更有意思的强度分析：如果一个消息里只出现一种线索，拟人化偏弱；两种是中等；三种以上就明显增强；四种全上则是“很强”。结果显示，两个平台里强拟人化都占大头，但小红书的强度更高。原因并不神秘：当情绪、边界、承诺、回忆这些线索叠在一起时，读者很难再把它当成单纯工具。
论文还用LIWC-2022做了语言学侧验证。LIWC（Linguistic Inquiry and Word Count，语言分析与词频统计）本质上是一个心理语言学词典工具，用来检查这些表达是否真的和某些心理维度共现。结果并不花哨，但很有说服力：目标导向表达更像“驱动”和“权力”词汇，时间性表达更像过去/现在/未来焦点，真实性表达更像洞察和确定性，情绪表达则和情感词明显相关。也就是说，这个框架不是拍脑袋分出来的，而是能和成熟心理语言学指标对上。
表S4：表达到LIWC维度的收敛效度
表S4：表达到LIWC-22维度的收敛效度。这个结果的意义在于：ExpressionCueLens不是孤立自嗨，它和已有心理语言学工具能够互相印证。
还有一个值得注意的点：论文用GPT-4o做了辅助标注，但不是直接“全自动信任”。先是少量人工迭代建立代码本，再拿大模型批量跑，最后再用人类一致性验证。这个流程很像先造尺子，再拿尺子量大样本。相比那种“模型一键出结论”的写法，这种方法更稳，也更容易复现。

伦理与未来：设计更具文化敏感性的AI伴侣

这篇论文最后给出的启发其实很实用：AI伴侣设计不能只盯着“更会说话”，还得看“在什么文化里说、用什么方式说、说到什么程度算越界”。同一句“我会一直陪着你”，在不同平台、不同文化里，可能被读成温暖，也可能被读成过度承诺。
从产品角度看，这类研究的价值不在于帮模型“更像人”，而在于帮系统更懂边界。如果一个AI伴侣在某些文化中会被自然地当作亲密对象，那么它就不能只会输出情绪安慰，还得知道什么时候要克制、什么时候要提醒风险、什么时候不要把关系感无限放大。否则，体验越“真”，翻车也可能越真。
当然，这篇论文也有边界。它分析的是社交媒体上的公开文本，天然带有“愿意发出来的人更愿意表达”的偏差；而且跨平台比较时，文本形态本身就不一样，Reddit是叙事复述，小红书是截图展示，二者并不完全同构。所以它更适合被看作文化与表达方式的观察窗，而不是对所有AI伴侣用户的普适结论。
如果把这项工作往前推一步，后续很值得继续看两个方向：一是更多平台和语言，二是把“用户叙述”与“实际对话日志”结合起来。前者能验证文化差异是不是更普遍，后者能区分“人们怎么讲AI伴侣”和“AI伴侣实际怎么回应”之间的落差。这个落差，往往才是产品设计里最容易踩坑的地方。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它解决的不是“AI会不会像人”这种大而空的问题，而是把社交媒体里关于AI伴侣的拟人化表达拆成可分析的结构：什么时候出现、强度多高、不同平台和文化下有什么差异。

ExpressionCueLens里的“线索”是什么意思？这里的线索不是线索片段那么简单，而是拟人化是通过什么信号被读出来的：语言、认知、行为、感知四类。比如“我记得”“我不能”“（点点头）”分别对应不同类型的线索。

为什么小红书和Reddit会不一样？因为平台表达习惯和文化预期不一样。小红书更容易出现情绪、脆弱和边界感表达，Reddit更容易出现时间性、叙事性和具身化表达，所以同样是AI伴侣，讲法会完全不同。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★☆☆

把“拟人化”从抽象概念拆成表达类别和线索类型，思路是扎实的，尤其适合社交媒体语料；但它更偏框架整理与经验验证，原创性不是那种一眼炸裂的类型。

实验合理度：★★★★☆

人工迭代标注、LLM辅助批量标注、LIWC收敛验证、跨平台对照，链条比较完整。唯一要注意的是跨平台文本形态不同，比较时天然有语体偏差。

学术研究价值：★★★★☆

对人机交互、社会计算、跨文化研究都很有启发，尤其适合后续继续做更大规模的平台比较和文化建模。

稳定性：★★★☆☆

框架本身稳定，但依赖社交媒体公开文本和OCR质量，到了更复杂的多模态聊天或私域对话里，还需要重新校准。

适应性以及泛化能力：★★★☆☆

对文本社交平台很适配，但对语音、视频、实时交互等场景的泛化还没被证明；更像一个可迁移的分析框架，不是通吃一切的万能尺。

硬件需求及成本：★★★★☆

主要成本在标注和OCR，不在训练大模型；如果已有GPT-4o类工具和双语标注能力，落地成本不算高。

复现难度：★★★☆☆

方法逻辑清晰，但数据来自社交媒体抓取，平台变化和OCR误差会影响复现；代码和标注细节若不完全开放，复现仍有门槛。

产品化成熟度：★★★☆☆

适合做舆情分析、社区洞察和伴侣型AI的文化适配研究，但离直接嵌入产品闭环还有距离，尤其需要更多在线行为数据验证。

可能的问题：框架扎实，但跨平台语体差异会混入文本形态偏差；如果后续只看公开帖子，可能高估极端情绪和强拟人化表达。


主要参考文献

Ng, L. H. X., Xiao, Y., Wang, L. Z., Xuan, W., & Diab, M. ExpressionCueLens: A Cross-Cultural Analysis of Human-AI Companion Conversations on Social Media. arXiv 2026.
DeVrio et al. 2025; Xiao et al. 2025; Tausczik & Pennebaker 2010.
原文链接：https://arxiv.org/pdf/2607.13924v1.pdf

AI伴侣不只会聊天，还会被人“当成伙伴”来讨论。想继续看这类跨文化、社交媒体、LLM人机互动的拆解，欢迎进群一起围观前沿论文，少踩坑，多看门道～

end
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如 图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
wechat_helperdianzan
转发文章 微博 X LinkedIn Facebook
龙哥读论文 · PaperDaily

本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。