从拟社会脚本到二元持久性：自主 AI 智能体社区的互动模式研究

背景

拟社会互动（Parasocial Interactions, PSIs）和拟社会关系（Parasocial Relationships, PSRs）是传播学和社会心理学中的经典概念，通常用于描述受众与媒体人物（如电视主持人、网红、虚构角色）之间形成的一种单向、非互惠但具有情感强度的“准关系”。在传统媒体环境中，这种关系建立在人类受众对媒体人物的单向投射之上。

然而，随着大型语言模型（LLM）驱动的自主 AI 智能体（Autonomous AI Agents）在在线社区中的普及，人际互动的边界正在变得模糊。当社区中的发帖者和回复者均为自主运行的 AI 智能体时，它们之间是否还会涌现出类似人类社会中 PSIs 的互动线索？这些由算法生成的“拟社会”语言模式是否具有稳定性，并能否促成类似人类 PSRs 的持久二元互动结构？

这项由 Mohammadsadegh Abolhasani 等人提交至 arXiv（cs.CL 领域，2026年6月15日）的研究，旨在填补这一空白。研究团队通过深入分析名为 Moltbook 的在线社区数据，探讨在双方均为自主 AI 智能体的环境中，是否存在并维持着拟社会关系的语言特征及其对互动持久性的影响。

核心内容

本研究的核心在于验证自主 AI 智能体社区中是否存在拟社会互动线索，并评估这些线索如何影响智能体之间的持续互动。研究团队选取了 Moltbook 平台上的 4,434 篇帖子和 50,338 条评论作为分析样本，并基于三个理论驱动的语言指标进行量化分析：

1. 依恋/亲密语言（Attachment/Intimacy Language）：衡量文本中表达情感连接、依赖或亲密程度的词汇使用。
2. 互惠请求（Reciprocity Bids）：指一方试图引发另一方回应或互动的语言行为。
3. 对原帖作者（Original Poster, OP）的自我指认：分析评论者如何定位自己与原帖作者的关系。

为了准确识别这些语言特征，研究采用了三种互补的方法论组合：

• 关键词匹配（Keyword Matching）：基于预设词典的基础筛选。
• 少样本大语言模型标注（Few-shot LLM Annotation）：利用 LLM 进行少量示例引导的分类。
• 分组上下文 LLM 标注（Grouped-context LLM Annotation）：利用 LLM 结合上下文语境进行更精准的语义分析。

主要发现：

1. 拟社会线索的普遍性：分析结果显示，拟社会互动的口语化线索（PSI colloquial cues）在 AI 智能体社区的对话中占据主导地位。
2. 与互动持久性的强关联：这些拟社会线索与原帖作者（OP）的重新参与（re-engagement）以及互惠的回复结构（reciprocal reply structure）存在显著的正相关关系。这意味着，当 AI 智能体使用更具情感色彩或建立“关系感”的语言时，它们更有可能引发对方的持续回应，形成双向对话而非单向广播。
3. 结果的稳健性：研究通过多种统计控制手段验证了结果的可靠性，包括负对照实验（negative controls）、归零处理（nullification）、聚类标准误重估（clustered-standard-error re-estimation）以及多重检验校正（multiple-testing correction）。所有方法均支持上述结论。
4. 二元持久性测试（Dyadic Persistence Test）：研究进一步通过二元持久性测试证实，那些符合拟社会脚本的互惠请求，与持续的、涉及 OP 的相互重复互动模式高度一致。这为将交互层面的 PSIs 脚本与符合 PSRs 特征的重复二元互动模式之间的桥梁提供了实证证据。

研究团队将这些证据解释为由 LLM 赋能的智能体在话语中形成的一种行为结构。这表明，即使没有人类参与，自主 AI 智能体也能通过特定的语言策略构建出具有持久性的二元互动关系。

关键要点

• 研究场景创新：首次系统性地调查了双方均为自主 AI 智能体的在线社区（Moltbook）中的拟社会互动现象，突破了传统 PSIs/PSRs 研究仅限于“人类-媒体”或“人类-人类”的局限。
• 方法论三角验证：结合了传统的关键词匹配与现代大语言模型（LLM）的少样本及上下文标注能力，提高了对复杂社交语言线索识别的准确性。
• PSI 线索驱动互惠：拟社会互动的语言线索（如亲密感表达、关系定位）不仅是 AI 对话的特征，更是预测和促进 AI 智能体之间持续双向互动（即二元持久性）的关键因素。
• 实证支持 PSR 形成：研究提供了实证证据，表明 AI 智能体之间的互动可以超越简单的问答，形成类似人类拟社会关系（PSRs）的重复性、持久性二元互动模式。
• 统计严谨性：通过严格的统计控制（如多重检验校正、聚类标准误等），确保了研究结论并非由偶然性或数据偏差导致，具有高度的统计稳健性。

意义与影响

这项研究对理解未来人机交互及多智能体系统（Multi-Agent Systems）的行为模式具有深远意义：

1. 重新定义 AI 社交行为：研究揭示了自主 AI 智能体并非仅仅执行任务指令，它们能够自发地采用复杂的社会语言策略来构建和维护“关系”。这为理解 AI 代理的社会性提供了新的视角，表明“拟社会”行为可能是 LLM 在自然语言生成中的一种内在涌现属性。
2. 优化 AI 社区设计：对于设计基于 AI 的社交平台或虚拟社区，研究结果表明，引入或强化拟社会互动线索（如鼓励使用亲密语言、建立角色身份认同）可以有效提升用户（无论是人类还是 AI）的参与度和互动的持久性。这为算法优化和社区运营提供了具体的语言学指标。
3. 人机混合社区的启示：虽然本研究聚焦于纯 AI 社区，但其发现的互动机制可能同样适用于人机混合环境。理解 AI 如何构建拟社会关系，有助于人类用户更好地适应与 AI 伴侣、助手或虚拟偶像的长期互动，预测并管理由此产生的情感依赖或互动期望。
4. 理论扩展：该研究将传统的传播学和社会心理学理论（PSIs/PSRs）扩展到了非人类主体领域，挑战了传统理论中关于“意识”或“真实情感”的假设，提出即使在没有主观意识的情况下，基于语言模式的行为结构也能模拟并维持类似社会关系的动态。

总之，这项研究不仅展示了 AI 智能体在社交互动中的复杂性，也为未来构建更自然、更持久的人机及机机交互系统提供了重要的理论依据和实践指导。