Avatar 形象能否提升用户对 AI 数字人的共情感知
以受控 A/B 测试检验 Avatar 形象对用户感知共情的真实影响，为对话式 AI 的形态投入提供实证依据。
- AI 数字人研究项目
- 时间
- 2025.5 – 2025.12
Avatar 组（男性与女性两种形象）与 Text 组的实际界面。三者接入同一个后端、同一个模型、同一段人设提示词， 差异仅在于界面形态，因此体验上的差异只能归因于形态本身。
- A/B 测试 Avatar 与 Text 两组条件
- 186 段真实人机对话
- CHI 2026 BiAlign Workshop 录用
01 背景与问题
对话式 AI 领域有一个鲜少被质疑的共识：为 AI 配上会说话、有表情的 3D Avatar 形象，用户会认为它更温暖、更具理解力。这个假设对应着明确的成本——数字人平台的授权费、动画与语音的调优、渲染带来的算力开销。在心理健康、陪伴、医疗问诊这类情感敏感的场景中，不少团队将这笔投入视为默认选项。
但在已有研究中，这一变量几乎从未被单独检验。以往的对比里，Avatar 版与文字版往往在模型、提示词与话术上同时存在差异，“Avatar 让人感觉更温暖”因此完全可能只是”那一版的文案写得更好”。
我们把它还原成一个产品问题：这笔投入是否成立。要回答它，必须把界面形态从模型、提示词与对话内容中剥离出来，单独对照。
02 A/B 测试设计
实验分 Avatar 与 Text 两组，被试随机进入其一。Avatar 组内部再分男性与女性两种形象，用以排除结果由单一形象的外观偏好造成。
两组之间保持完全一致的部分：
| 模型 | GPT-4.1-nano，temperature 0.7 |
| 人设提示词 | 同一段 system prompt，一字不改 |
| 对话素材 | 同一个 25 篇负面共情新闻的文章池 |
| 会话逻辑 | 同一套上下文构建、轮次计数、完成码规则 |
| 数据结构 | MongoDB 里同一套 document schema |
实验约束直接写入 prompt。人设提示词包含三条硬性规则：每次回复不超过两句、不得承认自己是 AI、满 10 轮之前不发放完成码。三条分别对应三个目的——控制信息量不随形态变化、避免被试在知晓对方身份后改变评价标准、保证每段对话具备可供分析的长度。
技术： Avatar 一侧以 Skill 的形式接入 Soul Machines 平台，由平台在交互时回调后端；文字一侧是直连 OpenAI 的 FastAPI 服务。两者的会话处理逻辑保持一致。
03 两套产品：形态不同，后端相同
Avatar 前端基于 React 与 Soul Machines Digital Person SDK，初始化时建立 WebSocket 与平台双向串流音视频，支持语音输入（走平台的 STT）与文字输入兜底，形象实时渲染，口型与语音同步。
文字前端是一个极简单页，仅含对话区、输入框与发送键，不引入组件层级与状态管理框架。
两端共用同一套后端逻辑：由 URL 参数识别被试与其所读文章，将文章内容与人设提示词一并构成对话上下文，逐轮维护历史、调用同一模型生成回复，并以同一套结构写入 MongoDB。差异只存在于前端形态，后端的处理路径完全一致。
两套产品均经 Nginx 对外，以 iframe 嵌入 Qualtrics 问卷，被试全程在问卷内完成对话。被试从 Prolific 招募（美国、英语母语、18 岁以上、桌面端且具备摄像头与麦克风），报酬 $2。
04 把共情变成可测量的指标
共情是主观感受，没有现成的刻度。我们没有自建量表，而是把每一道题对应到心理学中已被验证的工具上，以保证测量效度。共用到三套：
- SPUR 社会临场感量表 — 对话后测的主体，按三个维度展开：感知会话质量（PCQ），覆盖流畅度、语法语义、话题相关与推进、情绪理解、温暖度、个性化适应等 14 题；感知共情（EMP），测被试是否认为对方具有真诚的共情；信任（TRUST），测可信、亲和与真实感。
- Godspeed 量表 — 以语义差异形式测量拟人度、活性、好感度、感知智能与感知安全五个维度。其中拟人度一维后续成为解释机制的关键。
- BFI-20 人格问卷 — 取自 IPIP 题库的 20 题简版大五人格，于对话前施测，用于在回归中控制个体差异，重点是外向性与宜人性。
被试动线如下：
| 环节 | 内容 |
|---|---|
| 筛选与同意 | Prolific 定向投放 → 知情同意书 → 自动抓取 Prolific ID |
| 前测 | BFI-20 人格问卷（20 题） |
| 刺激 | 阅读一篇负面共情新闻（文章池取自 WASSA 数据集，带 empathy / distress 标注） |
| 交互 | 随机进入 iframe 内的 Text / Avatar 窗口，按指示完成至少 10 轮对话，取回完成码 |
| 后测 | PCQ → EMP → TRUST → Godspeed 五组量表，均为 7 点 |
问卷设计遵循一条原则：题面采用被试能够直接理解的日常表述，背后对应成熟量表。“你认为对方是否具有真诚的共情”这样的问法便于自然作答，而它在数据上是 EMP 合成分的一项。
05 结果
有效样本 186 段对话（剔除未答满及少于 6 轮的记录），Text 93 段，男性 Avatar 49 段，女性 Avatar 44 段。
Text 组在三项指标上均高于 Avatar 组：
| 指标 | Text 组 | Avatar 组 | 检验 |
|---|---|---|---|
| 感知共情 EMP | 5.25 (SD 1.24) | 4.86 (SD 1.31) | t = −2.09, p = .038 |
| 会话质量 PCQ | 5.85 (SD 0.83) | 5.55 (SD 0.87) | t = −2.35, p = .020 |
| 信任 TRUST | 5.34 (SD 1.16) | 4.97 (SD 1.26) | t = −2.07, p = .039 |
差异并非源于样本构成：将人口学（性别、种族）、人格（外向性、宜人性）与对话总 token 数一并纳入 OLS 后，界面形态仍是显著的负向预测因子（β = −0.438, p = .018）。结果因此不能归因于 Avatar 组对话更短，或该组被试本身评价更严格。
两种 Avatar 形象的结果接近（男 4.91 / 女 4.80），可排除单一形象带来的偏差。
机制来自 Godspeed 的拟人度一维：被试认为纯文字的聊天机器人更像人（3.52 vs 2.76，t = −5.01，p < .001）。将拟人度纳入中介模型后，形态对共情的直接系数由负转正（β 从 −0.438 变为 +0.29, p = .029），说明 Avatar 对共情的负向影响完全经由拟人度传导。
期望违背理论（EVT）对此提供了解释：一张会动的人脸会同时抬高用户对表情、语调与交互节奏的预期，而当前的 Avatar 技术难以满足这些预期；落差出现后，用户会以更严格的标准评价同样的对话内容。纯文字界面不引发这类预期，也就不承担相应的落差。
06 差距来自语言，还是来自形象
这一结果存在一个需要排除的解释：Avatar 组的对话内容本身可能质量更低。若如此，结论便只反映了对话质量的差异，与具身无关。
为此，我们抛开界面，仅从对话文本估算共情，比较两组在语言层面的差距，用了两种相互独立的方法。
① 微调 Transformer，将共情建模为回归任务。 在 WASSA 2024 共享任务数据集上微调并横向对比五个模型——DeBERTa-v3、RoBERTa、BERT、DistilBERT、TinyBERT，输入为拼接说话人标记的多轮对话，输出连续的共情分数，最优为 DeBERTa（测试集 Pearson r = 0.4153, p < .05）。另设一组冻结骨干的基线作对照，确认提升来自微调而非模型先验；随后把训练好的模型用于本研究的对话，得到一个纯文本的共情估计。
② LLM-as-a-judge。 使用 GPT-4o 与 GPT-4.1 直接从文本打分。打分前移除全部身份字段，将双方标记为 “Person 1 / Person 2”，使模型无从判断哪一方是人、哪一方是机器人，亦不知晓所属实验条件；随后要求其按与被试问卷完全相同的题目，预测 Person 1 对 Person 2 的共情评分（1–7 分），各题取均值。
两种方法得到的结论一致：Avatar 组与 Text 组在文本层面的共情差异很小，且方向并不稳定；而被试自评的差异是显著的。两组说出的话在语言上共情程度相当，真正改变评价的是界面形态本身。「Avatar 组的对话质量更低」这一解释由此被排除，形态与共情之间的因果关系得以成立。
技术： 微调采用分层学习率（编码器 1e-5、逐层衰减 0.95，分类头 5e-5）、渐进解冻、梯度裁剪与早停，输入截断 512 token。
07 结论
视觉具身不会自动改善情感体验，它改变的是用户评价时所依据的标准——Avatar 抬高了预期，而当前技术尚不足以满足这些预期。对产品决策而言：在共情驱动的场景中，Avatar 应先经过验证再投入采购；若决定采用，决定成败的也不是外观保真度，而是口型同步、语音韵律、打断处理与响应时延这些直接关系到预期能否被满足的环节。
论文《When Embodiment Backfires: The Impact of AI Chatbot Avatars on Human Perceived Empathy》录用于 CHI 2026 BiAlign Workshop，同时公开了包含 186 段对话日志与配套量表应答的数据集。