表达需与实际状态对应
别名: 情感显示 · affective transparency
概念解释
机器人情感表达应与可验证的系统或互动状态对应，例如用迟疑表示低置信、用缓和语调表示需要用户关注，而不是暗示机器拥有未被支持的内在感受。这是情感透明度（affective transparency），不是要求机器人真的有情绪，而是要求表达这件事本身对用户来说是可靠的信号。
机制
人会把面部、声调和姿态当作意图与能力的线索，用它们来做接下来该怎么做的决策——看到"为难"的表情会推断任务遇到困难、需要帮助或应该谨慎接近。表达之所以要绑定真实状态，是因为一旦表达和状态脱钩（比如出错时还在微笑），观察者基于表达做出的判断会系统性地错误，这不只是"体验不真实"的问题，而是表达作为信号的功能价值被破坏了——用户会继续依赖这个信号，只是它开始持续说谎。反过来，如果表达和置信、动作或可恢复性保持一致，它能把复杂的内部状态压缩成用户一眼能懂的线索，减少解释成本。
怎么研究
研究可操纵表达—状态一致性（一致 vs 不一致条件），测状态识别准确率、基于表达预测下一步动作的能力、信任校准、错误恢复速度和主观好感度；关键要加入"表达触发逻辑正确但底层状态传感本身错误"这一类条件，用来区分"表达设计有问题"和"上游状态判断有问题"这两种不同的失败原因。也可以用 Godspeed 问卷的相关子量表（perceived intelligence、perceived safety）做辅助测量，但问卷分数不能替代基于表达做出的实际状态判断准确率——单问喜欢程度不能证明表达真的承担了信息功能。
边界
不是所有产品都需要真实状态到情感表达的严格映射——纯娱乐向的机器人，表达本身可能就是娱乐内容而非状态信号，只要用户清楚这一点就不构成问题，这条边界只在用户会把表达当作决策依据的场景里成立。此外某些表达用于社会调节而非报告内部状态，比如礼貌性的微笑并不对应"我很开心"这个内部状态；跨文化、年龄和神经多样性群体对同一表达的解读也会不同，不能假设一套表情语言全局通用。任何单一表情都不应该承担唯一的安全相关信息。
怎么落地
先枚举机器人有哪些真实的内部或功能状态（正常执行、遇到障碍、电量低、识别失败等），逐一设计对应的表达和用户可采取的动作、以及该表达的禁用条件，而不是先设计一套"讨喜"的表情库再往上套状态；关键信息应配合文字或功能反馈，不要让表情独立承担。验证办法是随机抽样运行日志，检查表达与状态的对应记录里有没有"状态是 A 但表达显示 B"的错配案例，并用矛盾状态、低置信与恢复场景专门检查用户的解释是否和真实能力一致。