人会自动对拟社会线索作出反应
别名: CASA · media equation
概念解释
人会对声音、轮流、目光、称呼和礼貌等拟社会线索自动套用人际规则，这类现象常由"计算机是社会行动者"（computers are social actors, CASA）范式研究，也称媒体等式（media equation）。反应可以表现为礼貌、互惠、刻板分类或对"性格"的评价，并不要求机器人外形像人——一台只用文字轮流应答的界面同样能触发。
机制
社会线索会激活长期习得的互动脚本；当界面说话、回应并占据轮流位置时，最快的解释路径是按社会对象处理，而不是先判断"这是不是真的有心智的存在"。这套反应系统按线索触发，不是按实体类别触发——它是进化上古老、启发式的模式匹配："会说话+能应答+占据轮流位置"就足以激活默认路径，不需要经过审慎的心智理论判断。这一层解释了为什么效应会在被试嘴上说"这只是机器"的同时仍然出现在行为上：反应常发生在缺少深思的短暂互动中，口头否认走的是较慢、可修正的显性判断通路，两者可以并存而不互相覆盖。这条自动路径依赖的是线索组合的连贯性而不是单一线索：一个语气温暖但应答明显延迟、答非所问的系统，反而会打断这条默认路径——不连贯的线索本身成为一个新的、需要审慎处理的异常信号，这也是为什么单独换一种语音音色很少能可靠复现效应，线索必须作为一个整体自洽才行。
怎么研究
经典实验把社会心理学范式（礼貌范式、互惠、赞美来源、群内群外分类）里的人类实验者换成计算机或机器人，比较礼貌评分、互惠选择、距离和行为顺从；机器人版本还可以操纵凝视与轮流时机并做行为编码。方法论注意点：自我报告的拟人化评分不能替代真实的社会行为指标，需要控制需求特征（demand characteristics）和实验者在场的影响，也要和用 Godspeed 问卷测出的拟人化、社会临场感（social presence）分数区分开——问卷分高不等于行为顺从会跟着变化。Nass 团队早期一项常被引用的设计是：先让电脑对被试的表现给出评价（表扬或中性反馈），再请被试评价这台电脑本身的能力和讨人喜欢程度；当表扬来自被评价的同一台机器时，评分系统性地更高——这被视为人际互动里"自利性表扬打折"效应在人机情境下的对应版本，也是这套范式最早的证据之一。
边界
效应不是普遍恒定的，会被任务框架、技术经验、语言、线索可信度调节，单次实验里的礼貌评分不能推出长期关系或道德地位的结论。文字界面和语音界面触发的强度也不同——语音携带的副语言线索（语调、停顿）通常比纯文字触发更强的社会反应。跨研究的证据也提醒不能把某一次成功的操纵结果当成放之四海皆准的规律：多数 CASA 类效应的量级是小到中等，对单一线索（比如只换一次称呼方式）的操纵有时不能稳定复现，效应更容易在多条线索叠加、且彼此一致时才稳定出现。
怎么落地
只在确有交互功能需求时才用目光、称呼和情绪线索，且承诺的社交程度要与实际能力匹配；不要因为"加了社交线索评分会更高"就无差别叠加，评分升高本身不是目标。验证办法用行为指标（是否更愿意配合、是否因为线索产生了不该有的服从）加访谈交叉验证，对高风险决策保留非社会化的核验步骤——不能靠"它看起来友善"来降低警惕。具体可以先在完全没有社交线索的版本上测出基线顺从率或任务完成率，再逐一加入目光、称呼、语气这几层线索并分别复测，只保留能带来可衡量的任务收益（而不只是让评分好看）的那一层，避免为了讨喜而无差别堆砌线索。