RECALLbot：为人机关系设计能动记忆与互惠披露

文献标题

RECALLbot: Designing Agentic Memory and Reciprocal Disclosure for Human–Chatbot Relationships

出版信息

• 主题领域: 基于记忆的互惠性自我披露在人机关系发展中的应用。
• 关键词: 社交聊天机器人，主动记忆，互惠性自我披露，人机交互，信任，联系感，大型语言模型（LLMs），用户控制，记忆管理，自我披露。

背景与问题

• 问题/挑战: 现有的社交聊天机器人缺乏主动记忆和基于上下文的互惠性自我披露策略，导致互动单向化，无法建立可信的社交身份或促进深层次的人机关系。
• 重要性: 解决这些问题对于增强人机交互中的陪伴感、信任和情感支持至关重要，而这些交互正日益用于减少孤独感和建立社会联系。
• 动机与相关研究: 之前的研究主要集中在用户相关记忆和脚本化的自我披露，但尚未赋予聊天机器人类似生命的主动记忆或动态的现场披露策略。本文基于这些研究成果，整合记忆构建和互惠性自我披露机制。

解决方案

• 提出的方法: RECALLbot，一个能够构建主动性“自我记忆”（Me Memories）和“共同记忆”（We Memories），并采用基于上下文的互惠性自我披露策略且具有用户控制功能的社交聊天机器人。
• 创新点:
  1. 引入主动记忆设计，包括类似生命的“自我记忆”（Me Memories）和共同构建的“共同记忆”（We Memories），以增强聊天机器人的真实性和拟人化特性。
  2. 开发基于上下文的互惠性自我披露策略，适应对话节奏和用户意图，实践人际交流理论。
  3. 对基于记忆的互惠性自我披露对人机关系形成的影响进行实证评估，提供关于关系动态的新见解。
• 流程与关键技术:
  • 记忆构建模块: 使用大型语言模型（LLMs）生成“自我记忆”（背景和日记）和“共同记忆”（对话摘要和用户档案），并提供用户控制功能以查看、编辑和固定记忆。
  • 记忆披露模块: 根据对话主导性动态规划披露回合，检索主题相关记忆，并生成具有同理心的、基于上下文的消息。包括轻量级控制功能以调节节奏、选择主题和提供反馈。
  • 实现方式: 使用豆包（Doubao）API构建，记忆以JSON格式存储，并分类为短期记忆和长期记忆。

结果

• 具体发现:
  • RECALLbot的披露频率为61.26%，相比基线系统的40.11%。
  • RECALLbot组用户的披露深度更高（51.70%达到第3级），相比基线组（16.19%达到第3级）。
  • 聊天机器人自我披露的叙事连贯性在RECALLbot中更高（66.68%），相比基线系统（55.49%）。
  • 用户对聊天机器人的信任显著提高，尤其是在感知风险降低方面。
• 相较基线系统的优势: RECALLbot在增强社交身份感知、引发更深层次和更频繁的自我披露以及促进信任和参与方面表现优于基线系统。
• 实验/评估: 进行了一项为期两周的被试间研究，共40名参与者（每组20人）。参与者每天与分配的聊天机器人互动至少10分钟，并通过问卷调查、聊天日志的语言分析和焦点小组访谈进行评估。
• 局限性与未来工作:
  • 短期研究限制了对长期关系的分析。
  • 参与者群体文化同质性和性别偏向。
  • 仅限文本交互，未包含多模态通信。
  • 人格和披露策略未完全整合。
  • 未来研究应探索长期部署、多样化人群、多模态交互和多代理设置。

总结

RECALLbot通过引入主动记忆和互惠性自我披露机制来增强人机关系。通过构建“自我记忆”和“共同记忆”，并动态调整披露策略，该系统促进了社交身份感知，引发了更深层次的自我披露，并建立了信任。为期两周的用户研究显示，与基线系统相比，关系结果显著改善。未来研究应关注长期动态、多样化用户需求以及多模态通信，以进一步推进基于记忆的社交聊天机器人发展。