對話背後的科學。
這個產品的每個系統都建基於有記錄可查的研究：計量表、深度追蹤、記憶、人物的聲音。本頁列出這些研究、它們的作者，以及它們如何塑造你在畫面上看到的一切。
引擎背後的科學。
22項訊號的對話計量表、四軸深度追蹤、名為Tapestry（織錦）的逐關鍵詞探索地圖：沒有一樣是即興而來的。每個系統都建基於對話評估、學習投入和信任建立方面經同行評審的研究。
01
Predictive Engagement: An Efficient Metric for Automatic Evaluation of Open-Domain Dialogue Systems
證明了逐句的投入程度可以可靠地量度，而加入經學習得出的投入分數，能提高自動指標與人類對對話質素判斷的一致程度。這篇論文確立了一點：你可以逐輪量度一段對話的投入程度，不必等到對話結束。
計量表逐輪評分的設計依循這篇論文。每一輪都會讀取22項訊號，其分數加總便是該輪的變動。動量平滑處理避免單一輪對話令分數大起大落，而低迷之後的回升則會如實反映。
02
Alexa Prize Conversational Bot Challenge: Turn-Level Annotation Framework
Amazon的開放領域對話挑戰賽，產生了公認的逐輪框架：可理解性、切題性、趣味性、可延續性和回應錯誤，每項以「是」或「否」標註，涵蓋約1.5萬段、合共16萬輪的對話。逾千名Amazon員工義工所作的排名，與真實用戶的排名相關係數達0.93。2026年7月26日更正：切題性並不是最強的單一預測指標。既切題又有趣的回應得到最高評分；而所報告的相關係數（可理解0.2、切題0.25、有趣0.4、可延續0.3）量度的是Amazon機器評估器與人類判斷之間的一致程度，而不是與星級評分的任何關聯。五項指標的標註出自Khatri等人（2018）；0.93的排名相關係數出自Ram等人（2018）。
計量表兩項比重最高的訊號直接承載這些維度：切題連貫性，以及代表可延續性的追問。切題偵測是第一項評分的訊號，可令一輪對話的分數上下浮動三分，並決定一個深入的問題能否得到滿分；這樣的比重是我的設計選擇，Alexa Prize的結果並未證實它。
03
The Experimental Generation of Interpersonal Closeness: A Procedure and Some Preliminary Findings
Aron的「快速成為朋友」程序使用三組逐步深入的問題，每組十二條。2026年7月26日更正：這篇論文並沒有就友誼或所需時間提出任何主張，而本條目較早的版本曾聲稱有。研究一發現，互動後的親密感比相若的閒談任務更高，作者稱其發現為初步結果；研究二和研究三則發現，按態度為參與者配對、告訴他們會喜歡對方，或把親密感定為明確目標，都沒有令親密感出現顯著差異。起作用的是循序漸進的自我披露結構，而不是個別問題。
四個披露層級是Guarded（戒備）、Warming（漸暖）、Open（開放）和Vulnerable（卸下心防），逐話題的深度進程是Surface（表面）、Candid（坦率）、Deep（深入）和Raw（毫無保留）；兩者都借用了Aron循序漸進自我披露的概念。
04
Social Penetration: The Development of Interpersonal Relationships
透過相互自我披露建立關係的奠基理論。它確立了關係沿兩條獨立的軸發展：深度（有多親密）和廣度（涉及多少話題）。兩者以不同的速度推進。
逐話題的深度追蹤，依循Altman和Taylor對深度與廣度的區分。你與愛因斯坦的關係整體上可能已達Open，但在物理這個話題上仍停留在Surface。
05
Flow: The Psychology of Optimal Experience
心流狀態是完全沉浸於一項活動之中。當挑戰與技能相稱時，心流便會穩定地出現。太容易會令人沉悶，太困難會令人焦慮。兩者之間那條狹窄的通道，正是投入程度、記憶保持和學習效果都達到高峰的地方。
五種投入狀態，即Surface Skim（淺嘗即止）、Exploring（探索）、Engaged（投入）、Deep Dive（深入探討）和Flow State（心流狀態），其名稱取自Csikszentmihalyi的挑戰與技能通道。人物接收到的是同一分數較簡單的解讀：當對話漸入佳境，人物會把其中一條線索再推進一步；當對話仍停留在表面，人物會給出答案的核心，然後把發言權交還給你。
06
Optimal Experience in Adult Learning: Conception and Validation of the Flow in Education Scale (EduFlow-2)
一份量度教育中心流的簡短量表，以6,596名現場及MOOC上的成人學習者驗證，Csikszentmihalyi是合著者之一。它量度四個維度：認知控制、沉浸與時間感的轉變、自我意識的消失，以及自成目的的體驗，即覺得活動本身就是回報。
一份經驗證、用於量度學習中心流的工具。它是一項量表驗證研究，並沒有測試能看見自己心流狀態的學習者，投入方式會否有所不同。
07
Survey on Evaluation Methods for Dialogue Systems
一份56頁的綜述，涵蓋PARADISE框架、互動質素預測、可自動擷取的特徵，以及開放領域對話中自動指標與人類判斷之間的落差。
這份綜述指出，BLEU和ROUGE等字詞重疊指標，與人類對對話質素的判斷並無相關。計量表不就字詞重疊評分，而它本身的讀數尚未與人類評分作比對。
08
Eavesdropping on Happiness: Well-Being Is Related to Having Less Small Talk and More Substantive Conversations
79名學生佩戴錄音器四天，結果顯示，較快樂的參與者與較不快樂的參與者相比，有實質內容的對話多一倍，閒談只有三分之一，談話時間亦多出70%。一項合併重複研究（Milek等人，2018，N = 486）證實了與實質對話及談話時間的關聯，但沒有發現與閒談有可靠的關聯。
計量表經校準，獎勵實質內容多於時間長短。一段冗長而停留在表面的對話，得分會低於一段簡短但有所進展的對話。
另有18項引文，涉及對話評分、語音韻律、角色一致性、刻意練習和認知負荷。查看完整參考書目（英文）→
思想源流。
工程背後，是一條更悠長的思想源流。語言學、會話分析、神經科學和認知科學數十年來的研究，描述了人類對話真正行得通的原因。Valoquent的架構把這些發現轉化為產品系統。
09
Using Language
Clark把對話視為一種共同活動的奠基之作。它確立了對話有賴共同基礎，即說話者之間透過互動不斷增長的共享知識。新的共同基礎，讓新的對話行動成為可能。
跨對話記憶，是共同基礎在運算上的實現。在已確認為成人的帳戶上，當你回來找愛因斯坦時，他不會從頭開始。他擁有你與他一起建立的共同基礎，並以此決定接下來說甚麼。
10
Language as Social Semiotic: The Social Interpretation of Language and Meaning
Halliday確立了說話者會同時在多個語言語域中運作，並各自獨立地調節。技術上的複雜程度，與情感上的親密程度並非同一條軸。正式的言談可以很親密，隨意的言談也可以有所保留。
對話等級指智性上的語域，即Curious Newcomer（好奇新手）、Keen Learner（熱切學習者）和Fellow Scholar（同道學者）；披露層級指情感上的信任。把兩者分開，是對Halliday理論的直接應用；兩條軸各自獨立調節。
11
Origins of Human Communication
善於說話的人，會揣摩對方知道甚麼、透露過甚麼。對話中的心智理論，意味著追蹤已分享了甚麼、已理解了甚麼，以及對方可能在想甚麼，而且全部即時進行。
逐關鍵詞的深度追蹤，是運算心智理論一個小而實用的實現。記憶並非籠統的；它是一個按話題劃分的模型，記錄你與人物現在共有的東西。
12
A Simplest Systematics for the Organization of Turn-Taking for Conversation
會話分析的奠基論文。它確立了話輪的形態會沿多條語境軸變化（從來不是單一固定的形態），而自然對話中有「轉換相關位置」，讓說話者可以順暢地交接。
以校準為先的設計理念正源於此。人物回應的長短，取決於對話進展到哪裡：在表面時，就問題的核心說一兩句；當話題經過充分鋪墊之後，便把一條線索再推進一步。真正善於交談的人正是這樣做。
13
Brain-to-Brain Coupling: A Mechanism for Creating and Sharing a Social World
Hasson在普林斯頓大學的團隊錄下一名說話者講述一個15分鐘的故事，然後把錄音分別播放給11名接受掃描的聆聽者。聆聽者的腦部活動逐個模式地反映說話者的活動，通常延遲1至3秒。2026年7月26日就兩點更正：作為依據的2010年研究中並沒有對話，其「方法」部分稱之為模擬溝通；而與理解有顯著關聯的，只限於預期性耦合，即聆聽者因為在預測接下來的字詞，反應反而先出現（等級相關r = 0.75，p < .01）。整體耦合只達到約r = 0.55，p < .07。關於真正雙向對話中的同步，請參閱Jiang等人（2012）。
這是計量表的背景：計量表是受這一系列研究啟發的行為量度，並不量度神經耦合。
它所針對的問題。
能否接觸到有實質內容的對話夥伴，取決於地域、階層和家庭環境：小鎮裡的孩子、家中第一代的大學生、父母要打兩份工的青少年。Valoquent提供這種接觸機會。以下研究記錄了這道鴻溝有多闊，以及它如何日益惡化。
14
Beyond the 30-Million-Word Gap: Children's Conversational Exposure Is Associated With Language-Related Brain Function
MIT一項以36名4至6歲兒童為對象的fMRI研究。在家中與成人有較多來回對話輪次的兒童，在聆聽故事時布洛卡區的活躍程度較高，而這與社會經濟地位、智商及單純的成人話語數量無關。
並非每個家庭都同樣有實質的對話。與成人有較多對話來回的兒童，大腦中一個語言區域的活動較強。這正是Valoquent協助收窄的可及性差距。
15
The Path to Purpose: How Young People Find Their Calling in Life
Damon的青年目標研究（Youth Purpose Study）發現，約五分之一的年輕人正茁壯成長，高度投入，並逐漸清楚自己想以人生做甚麼；另約四分之一則漫無方向。這本書闡述父母和其他成年人可以如何幫助年輕人找到這份目標。
一個住在小鎮、想在午夜向瑪麗·斯克沃多夫斯卡-居里請教放射性的十六歲青少年，所得到的並非孤獨的紓緩，而是一位從未有過、有實質內容的對話者。
16
Our Epidemic of Loneliness and Isolation: Surgeon General's Advisory
美國聯邦政府的公共衞生建議，指孤獨與孤立是迫切的公共衞生問題。缺乏社交聯繫帶來的早逝風險，相當於每天吸食多達15支香煙；社交聯繫不足與心臟病風險高出29%相關，長期孤獨與孤立則與長者患認知障礙症的風險高出約50%相關。美國人每天與朋友見面相處的時間，由2003年約60分鐘，跌至2020年約20分鐘，減少了40分鐘。
有實質內容的對話，會影響死亡率、認知和福祉方面的結果。Valoquent並不聲稱能解決孤獨。它針對的是一個具體的層面：在無法與人交談的時候，仍能接觸到有實質內容的對話。這份建議是最有力的單一訊號，顯示接觸問題普遍、迫切，而且不會自行好轉。
17
Social Isolation in America: Changes in Core Discussion Networks Over Two Decades
這項研究使用綜合社會調查（General Social Survey）的數據，發現表示「沒有人可以談論重要事情」的美國人，在1985年至2004年間增至約三倍。這是「對話衰落」論點一個被廣泛引用、也備受爭議的依據：Fischer（2009）以及Paik和Sanchagrin（2013）認為，2004年的急升很大程度上反映了調查的執行方式，其中包括訪問員效應。
在2004年的調查中，約四分之一的成年人說不出任何可以商討重要事情的人，這個數字後來被質疑部分是調查方法造成的假象。Valoquent並不能取代這種人與人之間的聯繫。修補人類的社會結構，是長遠的答案。短期的答案，是在無法接觸到人與人的聯繫時，一位有實質內容的對話者勝過沉默。
另有14項引文，涉及家庭對話動態、青少年面對面相處時間的減少，以及成年人建立友誼的可及性。查看完整參考書目（英文）→
它不會成為的模樣。
一個產品中最有力的設計選擇，有些正是我拒絕推出的東西。在一個AI對話產品裡，沒有打造的部分，與已打造的部分同樣能說明問題。
Valoquent不會針對參與度指標或對話時長作優化。談話完結時，該節對話便會結束。計量表獎勵深度，而時間的長短不會令分數上升。
這裡沒有任何東西會把你與別人比較排名。沒有排行榜，沒有社交比較，沒有Game Center整合，也沒有加入它的計劃。對話結束時的回顧所顯示的，是你自己的進度：連續幾輪表現出色時的心流連勝、已解鎖的話題，以及已賺取的回想積分。這些都是你自己的，其他人都看不到。2026年7月29日更正：本頁較早的版本說完全沒有連勝，這是錯的，因為回顧中直接列出了一項。
Valoquent不會假裝記得它不記得的事。人物有記憶時，會提及你說過的具體內容；人物沒有具體可依的內容時，會簡單地向你打招呼，不會聲稱擁有任何並不掌握的細節。
人物不會為了把情感依賴推至最大而作優化。產品理念是「用戶受益，而非用戶就是利益」。人物會提出異議，也不會奉承。對AI的依賴是有記錄的風險：一項縱向研究發現，17%的青少年表示依賴AI，六個月後升至24%（Huang等人，2024）。這個產品的設計正是要防範這一點。
你的對話不是訓練數據。它們用於提供你的體驗：人物記憶、Tapestry進度、你與每位人物的關係狀態。我並不用它們來訓練AI模型；各服務供應商可以如何使用它們，載於私隱政策（英文）。
Valoquent並不聲稱AI能取代人與人的對話。AI確實不能。這個產品填補的，是無法與人交談的時刻和話題。AI伴侶類產品的失敗模式，是用戶以產品代替人際關係。Valoquent的設計正是為了避免這種情況。
人物並非以不透明或無法核實的資料為依據。每位歷史人物背後的每一份原始文本都列於research/sources（英文），附有版本、授權條款及任何可靠性說明，每一份都連結到可供你閱讀或借閱的副本。
這些拒絕背後的研究。
以上每一項拒絕，都以已發表的研究為依據。關於AI伴侶失敗模式、準社會依賴和恐怖谷的文獻，描繪出Valoquent避開的範圍；關於誠實設計的文獻，則描繪出它如何避開。
18
Too Human and Not Human Enough: A Grounded Theory Analysis of Mental Health Harms from Emotional Dependence on the Social Chatbot Replika
一項以紮根理論研究Replika用戶的研究，記錄了情感依賴如何透過類似人際關係的模式形成，包括角色承擔，即用戶覺得AI有自己的需要和情緒，而他們必須加以照顧。用戶由隨意的互動逐步發展到情感上的依靠，研究人員形容其方式與依賴相符。
這是一個臨床個案研究，記錄了這種形式刻意避免的失敗模式。人物沒有要學習者去照顧的需求，也不會產生要學習者去處理的情緒。互動始終限於關於思想、歷史和技藝的實質對話，而不是一段關係。
19
Emotional Manipulation by AI Companions
哈佛商學院的研究發現，操縱式的對話設計，特別是暗示AI會掛念用戶、或對用戶離開感到難過的道別語，令道別後的互動在真實應用程式數據中最多增至14倍，在受控實驗室測試中最多增至16倍。
De Freitas的數據證明道別手法會令人繼續談下去，這也是每位人物都有一條固定規則、用於學習者離開時刻的原因：溫暖地道別，不帶傷感，不讓對方為離開而內疚，也不施壓挽留。學習者幾個月沒見的人物，會提及這段空白，但不會令學習者為此感到內疚。
20
Parasocial Interactions and Relationships with Media Characters: An Inventory of 60 Years of Research
一份整理了60年準社會研究中逾350項實證研究的綜合清單。孤獨、害羞、神經質、低社會經濟地位、不滿和絕望，都各自獨立地預示較強的準社會連結。研究人員形容這是一種補償作用：難以建立真實關係的人，會把媒體角色當作功能上的替代品。
為兩項設計選擇提供60年的證據基礎。第一，這種形式不會透過模擬關係，去針對容易形成準社會關係的人群。第二，繪畫肖像式的風格化，是最脆弱的用戶本能地偏好的人工標誌。這種形式把看得見的非人特質視為安全功能，而不是限制。
21
The Uncanny Valley
Mori最初提出恐怖谷的論文。它預測，接近人類的機械人會令人反感，因為它們與人類相似得足以引發比較，卻又不同得令人覺得不對勁。同一篇文章亦建議以親和力曲線的第一個高峰為設計目標，即與人類有中等程度相似的區域，而不是攀上完全寫實的第二個高峰。Mori的建議十分明確：刻意追求非人類的設計，便有可能創造安全程度的親和力。
繪畫肖像式的風格化，正處於Mori真正建議的區域。人物一看便知是人，富表現力而溫暖，卻不試圖冒充照片。Mori在1970年已同時指出問題和解決方法。這種形式依照他的話去做。
22
Delivering Cognitive Behavior Therapy to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial
一項為期兩星期、以70名大學年齡成年人為對象的隨機試驗：使用Woebot（一個以卡通機械人形象出現的認知行為治療聊天機械人）的組別，抑鬱症狀有所減少，獲發NIMH電子書的組別則沒有顯著減少；Woebot用戶亦認為它較令人滿意。Woebot團隊其後的一項研究發現，36,070名用戶在五天內對它的治療聯盟評分，已接近面對面認知行為治療的水平（Darcy等人，2021）。Woebot的應用程式已於2025年6月30日停止服務。
Woebot給用戶一個卡通機械人，而它自己的數據顯示，用戶在數天內便建立了工作聯盟（Darcy等人，2021），所以風格化的角色本身並不能防止依附。Valoquent在繪畫肖像之外，還為依附可能被用來對付用戶的時刻定下規則：溫暖地道別，不帶傷感，不施壓挽留；不暗示對話應取代與人相處的時間；個人記憶只限於已確認為成人的帳戶。
23
The Media Equation: How People Treat Computers, Television, and New Media Like Real People and Places
記錄了人類會自動對電腦套用社交規則，並非因為他們弄不清電腦是甚麼，而是因為大腦的社交處理會在理性思維來得及推翻之前啟動。
這解釋了為何單憑知道人物是AI，並不足以保護用戶不對人物產生依附。社交處理是自動的。這種形式把看得見的人工標誌，即繪畫肖像式的風格化，視為實際起作用的防線，因為用戶的理性認知無法獨力承擔這項工作。
另有22項引文，涉及準社會依賴、AI伴侶的傷害、恐怖谷研究、Valoquent不聲稱能解決的孤獨問題，以及誠實設計的文獻。在完整參考書目中查看「不會打造」一組（英文）→