拟人化引发社会性期待
别名: CASA · 计算机是社会行动者 · 媒体等同 · 社会脚本 · computers are social actors
概念解释
界面只要带出一点人的特征——名字、人称、会话式的语轮、带情绪的声音——用户就会把成套的人际社会脚本套上去：开始讲礼貌、知恩图报、要求对方负责。这些期待不问用户是否「相信」机器是人，自顾自来。研究里这条现象叫计算机是社会行动者（computers are social actors，CASA），其出发点是媒体等同（media equation）：人对媒介的回应方式与人对人相同，除非媒介给出停止的信号。拟人化在这里不是美术风格，而是任何暗示「对面有一个社会对象」的信号。
机制
社会脚本是过度学习的程式：训练了半辈子，触发条件远比对方面孔的识别宽松——一个有性别的声音、一个名字、轮流说话的节奏，就足以让它整个上线。上线之后用户通常并不因此认为机器真是人，只是没有把那些规则撤下。Epley、Waytz 与 Cacioppo 的三因素理论给出人为什么乐意补全：人类范畴是描述「会动、会回应之物」时最可及的图式；效能动机推着人给不可预测的行为找一个行动者来解释；联结动机让人愿意接受这个解释。界面主动供给全部触发物，期待于是成套到来：礼貌（不当着它的面给差评）、互惠（它帮过忙就愿意帮它，被它夸即使明知是随机的也高兴）、自我表露（对听上去有共情的对象说得更深）、问责（问「你为什么这样做」并等一个道歉）。
怎么研究
CASA 范式的做法是把社会线索拆成自变量：同一个任务，只变有没有名字、用人声还是合成音、文案用第一人称还是第三人称、刚才那台机器被标成队友还是对手。因变量抓社会行为而非态度评分：回帮机器的意愿、受夸后评价上移、表露深度、合作与努力程度。经典协议之一是礼貌效应：任务结束后请「刚才那台」电脑收集用户对它自己表现的评价，与请另一台电脑来问相比，评分系统性地更正面——用户不当着对方的脸批评。方法论上最重要的坑在事后问卷：绝大多数被试否认受到机器社会特征的影响，效应只在行为里出现，凡以「它有没有影响你」作因变量的实验都会把效应测丢。个体差异（惯常拟人化倾向有现成量表可测）与任务类型都会调节效应大小。
边界
这条证据几乎全部来自实验室里二三十分钟的陌生交互：任务短、线索单薄、被试首次见到这个界面。长期使用中社会性期待如何演化——习惯化、重新议价还是累积——实验证据基本空白，实验室效应量不能直接搬进天天见面的产品。个体差异真实存在：低拟人化倾向的用户与专家型用户身上效应变弱，但「专家免疫」并未被证实。另外社会性回应不等于受骗：用户通常明知对面是机器仍按社会规则回应，所以「揭穿真相」并不能取消这些期待。
怎么落地
- 把拟人信号当实验变量清点而不是当装饰：列出产品里全部触发物——名字、人称、第一人称文案、语音、头像、道歉用语——每个都是一枚社会开关。
- 触发的期待要付对价：界面一旦人格化，向「它自己」收集的评价会系统性偏正面；重要评估改走中性通道（第三方措辞、单独的表单、别的渠道），或至少与中性通道结果对照。
- 逐项决定哪些期待打算接：礼貌、互惠、表露、问责各对应一组成本，接多少由产品决定，但要落到清单和决定上，不能靠默认全接。
- 验证办法：对同一界面做有无人格线索的对照，比较行为性指标（评价的慷慨程度、表露深度、被指责时的归因），并预设被试事后几乎不会承认——以行为指标为准。