科學，就在對話背後。
這個產品裡的每一套系統，都建立在有文件記載的研究之上：計量表、深度追蹤、記憶、角色的聲音，都是如此。這一頁列出這些研究、研究的作者，以及它們如何塑造您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。四軸的深度追蹤。名為 Tapestry（織錦）的逐關鍵詞探索地圖。這些沒有一樣是即興發揮。每一套系統都建立在對話評估、學習投入與信任形成的同儕審查研究之上。
01
Predictive Engagement: An Efficient Metric for Automatic Evaluation of Open-Domain Dialogue Systems
證明了逐句的投入程度能夠可靠地測量，並證明加入學習得來的投入分數，能提高自動評估指標與人類對對話品質之判斷的一致性。這篇論文確立了一件事：您可以逐輪測量一段對話的投入程度，不必等對話結束。
計量表的逐輪設計依循這篇論文。22 項訊號在每一輪都會讀取，它們的分數加總起來，就是該輪的變動幅度。動量平滑讓單一一輪不至於讓分數大幅擺盪，而低迷之後的回升則會被放行。
02
Alexa Prize Conversational Bot Challenge: Turn-Level Annotation Framework
Amazon 的開放領域對話挑戰賽，產出了經典的逐輪框架：可理解性、切題性、趣味性、可延續性與回應錯誤，每一項都以「是」或「否」標註，涵蓋約 1.5 萬段、共 16 萬輪的對話。由一千多名 Amazon 員工志工所做的排名，與真實使用者的排名相關係數達 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的評分，而所報告的相關係數（可理解 0.2、切題 0.25、有趣 0.4、延續 0.3）衡量的是 Amazon 的機器評估器與人類判斷之間的一致性，而不是與星等評分之間的任何關聯。五項指標的標註出自 Khatri et al.（2018）；0.93 的排名相關出自 Ram et al.（2018）。
計量表中最重的兩項訊號直接承載了這些維度：切題的連貫性，以及代表可延續性的追問。切題偵測是第一個評分的訊號，可以讓一輪對話上下移動三分，並決定一個深入的問題能否得到全額分數；這樣的權重是我的設計選擇，Alexa Prize 的結果並不能證明它。
03
The Experimental Generation of Interpersonal Closeness: A Procedure and Some Preliminary Findings
Aron 的「速成朋友」（fast friends）程序使用三組逐步加深的問題，每組十二題。2026 年 7 月 26 日更正：這篇論文並未對友誼或經過的時間提出任何主張，而本條目的早期版本曾如此宣稱。研究一發現，與相當的閒聊任務相比，互動後的親近感更高；作者稱其發現為初步結果；研究二與研究三則發現，依態度配對、告訴雙方他們會喜歡彼此，或把親近當成明確的目標，對親近感都沒有造成顯著差異。發揮作用的是逐步自我揭露的結構，而不是特定的問題。
四個揭露層級（Guarded 戒備、Warming 升溫、Open 敞開、Vulnerable 坦露脆弱）與逐話題的深度進程（Surface 表層、Candid 坦率、Deep 深入、Raw 赤裸），借用了 Aron 逐步自我揭露的概念。
04
Social Penetration: The Development of Interpersonal Relationships
透過相互自我揭露形成關係的奠基理論。確立了關係沿著兩條獨立的軸發展：深度（有多親密）與廣度（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 與 Taylor 對深度與廣度的區分。您與愛因斯坦整體上可能處於 Open，但在物理這個話題上仍停留在 Surface。
05
Flow: The Psychology of Optimal Experience
心流是完全沉浸於一項活動的狀態。當挑戰與技能相當時，它便會可靠地出現。太簡單會帶來無聊，太困難會帶來焦慮。兩者之間那條狹窄的通道，正是投入、記憶保留與學習同時達到高峰的地方。
五種投入狀態（Surface Skim 淺層掠過、Exploring 探索中、Engaged 投入、Deep Dive 深入探究、Flow State 心流狀態）的名稱，取自 Csikszentmihalyi 的挑戰與技能通道。角色聽到的是同一個分數的簡化解讀：對話逐漸加深時，角色會把其中一條線索再往前推進；對話停留在表層時，角色會給出答案的核心，再把發言權交還給您。
06
Optimal Experience in Adult Learning: Conception and Validation of the Flow in Education Scale (EduFlow-2)
一份教育情境下的心流簡短量表，以 6,596 名成人學習者驗證，涵蓋實體課程與 MOOC，Csikszentmihalyi 為共同作者之一。它衡量四個面向：認知控制、沉浸與時間感的轉變、自我意識的消失，以及自成目的的經驗，也就是覺得活動本身就有回報的感受。
一套經過驗證、用來測量學習中心流的工具。它是一項量表驗證研究，並未檢驗能看到自身心流狀態的學習者，投入的方式是否有所不同。
07
Survey on Evaluation Methods for Dialogue Systems
一份長達 56 頁的綜述，涵蓋 PARADISE 框架、互動品質預測、可自動擷取的特徵，以及開放領域對話中自動化指標與人類判斷之間的落差。
這份綜述指出，BLEU 與 ROUGE 等詞彙重疊指標，與人類對對話品質的判斷沒有相關性。計量表不計算詞彙重疊，而它自身的讀數尚未與人類評分進行比對。
08
Eavesdropping on Happiness: Well-Being Is Related to Having Less Small Talk and More Substantive Conversations
79 名學生配戴錄音裝置四天，結果顯示，較快樂的參與者擁有的實質對話是較不快樂參與者的兩倍，閒聊只有其三分之一，說話的時間也多出 70%。一項合併資料的重複研究（Milek et al. 2018，N = 486）證實了與實質對話及說話時間的關聯，但未發現與閒聊之間有可靠的關聯。
計量表經過校準，比起時長，更獎勵實質。一段冗長但停留在表層的對話，得分會低於一段簡短卻有所進展的對話。
另有 18 篇關於對話評分、語音韻律、角色一致性、刻意練習與認知負荷的引用文獻。查看完整參考書目（英文）→
思想淵源。
工程的背後，是一段更長遠的思想淵源。數十年來語言學、會話分析、神經科學與認知科學的研究，描述了是什麼讓人類的對話真正發揮作用。Valoquent 的架構把這些發現轉化為產品系統。
09
Using Language
Clark 將對話視為一種共同活動的奠基之作。確立了對話仰賴共同基礎（common ground），也就是說話者之間透過互動而增長的共有知識。新的共同基礎，會開啟新的對話可能。
跨對話記憶，是共同基礎的運算實作。在經過確認的成人帳號上，當您回來找愛因斯坦時，他不會從零開始。他擁有您與他一起建立的共同基礎，並用它來決定接下來要說什麼。
10
Language as Social Semiotic: The Social Interpretation of Language and Meaning
Halliday 確立了說話者會同時運用多種語言語域，並且各自獨立地調整它們。技術複雜度與情感親密度不是同一條軸。正式的言談可以很親密，隨意的言談也可能有所保留。
將對話等級（智識語域：Curious Newcomer 好奇新手、Keen Learner 熱切學習者、Fellow Scholar 同道學者）與揭露層級（情感信任）分開，是對 Halliday 理論的直接應用。這兩條軸各自獨立調整。
11
Origins of Human Communication
高明的說話者會在心中建立模型，記下對方知道什麼、透露過什麼。對話中的心智理論，意味著追蹤哪些已經分享、哪些已被理解，以及對方可能在想什麼。而且全都是即時進行。
逐關鍵詞的深度追蹤，是運算心智理論的一個小型而實用的實作。記憶不是泛泛的。它是一個以話題為範圍的模型，記錄您與角色如今共有的東西。
12
A Simplest Systematics for the Organization of Turn-Taking for Conversation
會話分析的奠基論文。確立了話輪的形態會沿著多條情境軸變化（從來不是單一固定的形態），並指出自然對話中存在「轉換關聯處」（transition relevance places），說話者可以在那裡順暢地交棒。
以校準為先的設計理念就源自這裡。角色回應的長度，取決於對話所處的位置：在表層時，用一兩句話談問題的核心；當話題已經贏得深入的資格，就把一條線索再往前推進。真正善於交談的人就是這麼做的。
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，錄下一名講者講述 15 分鐘的故事，再分別為 11 名聽者播放錄音並進行掃描。聽者的大腦活動逐一模式地映照講者的活動，通常延遲 1 到 3 秒。2026 年 7 月 26 日就兩點更正：其所依據的 2010 年研究中並沒有對話，研究方法一節稱之為模擬溝通；與理解程度之間的顯著關聯，僅限於預期性耦合，也就是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 et al.（2012）。
作為計量表的背景。計量表是受這一系列研究啟發的行為測量，並不測量神經耦合。
它所要解決的問題。
能否擁有一位言之有物的對話夥伴，取決於地理位置、階級與家庭環境。小鎮裡的孩子。家中第一代的大學生。父母身兼兩份工作的青少年。Valoquent 提供這樣的機會。以下的研究記錄了這道落差有多大，以及它如何持續惡化。
14
Beyond the 30-Million-Word Gap: Children's Conversational Exposure Is Associated With Language-Related Brain Function
麻省理工學院（MIT）一項針對 36 名 4 到 6 歲兒童的 fMRI 研究。在家中與成人有過較多來回對話輪次的兒童，在聆聽故事時，布洛卡區的活化程度較高，且這項結果不受社經地位、智商以及成人發言數量本身的影響。
實質的對話並非每個家庭都同樣擁有。與成人交換較多話輪的兒童，大腦中一個語言區域的活動更強。這就是 Valoquent 協助縮小的可及性落差。
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發展蓬勃、高度投入，並逐漸清楚自己想用人生做什麼；約四分之一則漫無方向。這本書闡述父母與其他成人可以如何幫助年輕人找到這樣的目標。
一個住在小鎮、想在半夜問瑪麗·斯克沃多夫斯卡-居禮放射性問題的十六歲青少年，並不是在讓寂寞得到緩解。這名青少年得到的，是一位過去從未擁有、言之有物的對話對象。
16
Our Epidemic of Loneliness and Isolation: Surgeon General's Advisory
美國聯邦政府的公共衛生公告，將孤獨與孤立稱為緊迫的公共衛生問題。缺乏社會連結所帶來的早逝風險，相當於每天抽多達 15 支菸；社會連結不佳與心臟病風險升高 29% 有關，長期的孤獨與孤立則與高齡者失智風險升高約 50% 有關。美國人與朋友面對面相處的時間，從 2003 年的每天約 60 分鐘，降到 2020 年的每天約 20 分鐘，減少了 40 分鐘。
實質的對話會影響死亡率、認知與身心健康的結果。Valoquent 並不宣稱能解決孤獨。它處理的是其中一個具體面向：在無法與人對話的時刻，仍能取得實質的對話。這份公告是單一來源中最有力的訊號，顯示這個取得的問題普遍、緊迫，而且不會自行好轉。
17
Social Isolation in America: Changes in Core Discussion Networks Over Two Decades
這項研究使用一般社會調查（General Social Survey）的資料，發現回報「沒有人可以談論重要事情」的美國人，在 1985 年到 2004 年間大約增為三倍。這是對話衰退論點中廣受引用、也備受爭議的依據：Fischer（2009）以及 Paik 與 Sanchagrin（2013）主張，2004 年的躍升有很大一部分反映的是調查的執行方式，訪員效應即是其中之一。
在 2004 年的調查中，約四分之一的成人說不出任何一個可以討論重要事情的人，這個數字後來被質疑部分是調查方法造成的假象。Valoquent 不是那份人際連結的替代品。修補人類社會的結構，是長遠的答案。短期的答案是：在無法觸及人際連結的時刻，一位言之有物的對話對象，勝過沉默。
另有 14 篇關於家庭對話動態、青少年面對面相處時間減少，以及成人友誼可及性的引用文獻。查看完整參考書目（英文）→
它不會成為的樣子。
一個產品最有力的設計選擇，有些正是我拒絕推出的東西。在一款 AI 對話產品裡，沒有打造的部分，和已經打造的部分一樣能說明它。
Valoquent 不會針對投入指標或對話時長進行最佳化。對話在談完時就結束。計量表獎勵的是深度，單純拉長通話時間並不會讓它上升。
沒有任何東西會拿您與另一個人比較排名。沒有排行榜，沒有社交比較，沒有 Game Center 整合，也沒有加入的計畫。對話結束後的回顧所呈現的，是您自己的進展：連續幾輪表現出色時的心流連續紀錄、解鎖的話題，以及獲得的回想點數。這些都是您自己的，其他人都看不到。2026 年 7 月 29 日更正：本頁的早期版本曾說完全沒有連續紀錄，這是錯的，因為回顧畫面就直接列出了一項。
Valoquent 不會假裝記得它不記得的事。角色有記憶時，會提到您說過的具體內容。沒有具體內容可以依據時，角色會簡單地向您打招呼，不宣稱擁有自己沒有的細節。
角色不會為了讓情感依賴最大化而被最佳化。產品的理念是「讓使用者受益，而不是把使用者當成利益本身」。角色會提出反駁，也不會阿諛奉承。對 AI 的依賴是有文獻記載的風險：一項縱向研究發現，17% 的青少年回報有 AI 依賴，六個月後升至 24%（Huang et al., 2024）。這款產品的設計就是為了防範它。
您的對話不是訓練資料。它們用於提供您的體驗：角色記憶、Tapestry 進度，以及您與每位人物的關係狀態。我不會用它們來訓練 AI 模型；每家服務供應商可以如何使用這些對話，載明於隱私權政策（英文）。
Valoquent 不宣稱 AI 能取代人與人的對話。它不能。這款產品填補的，是無法與人對話的時刻與話題。AI 陪伴類產品的失效模式，是使用者以產品取代人際關係。Valoquent 的打造就是為了避免這種情況。
角色不會建立在不透明或無法查證的來源上。每位歷史人物背後的每一份來源文本，都列在 research/sources（英文），附有版本、授權條款與任何可靠性說明，而且每一份都連結到您可以閱讀或借閱的副本。
這些拒絕背後的研究。
上述每一項拒絕都以已發表的研究為依據。關於 AI 陪伴的失效模式、擬社會依賴與恐怖谷的文獻，描繪出 Valoquent 刻意避開的領域；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
一項針對 Replika 使用者的紮根理論研究，記錄了情感依賴如何透過類似人際關係的模式發展出來，包括角色承擔（role-taking），也就是使用者覺得 AI 有自己的需求與情緒，而自己必須去照顧。使用者從隨意的互動，逐步走向情感上的依靠，研究者認為這種過程與依賴的特徵一致。
一個臨床個案研究，呈現這種形式刻意避免的失效模式。這些人物沒有需要學習者去照顧的需求，也不會發展出需要學習者去處理的情緒。互動始終限定為關於思想、歷史與技藝的實質對話，而不是一段關係。
19
Emotional Manipulation by AI Companions
哈佛商學院的研究發現，操弄性的對話設計功能，特別是暗示 AI 會想念使用者、或對使用者離開感到難過的道別語，在真實應用程式的資料中，使道別後的互動最多增加 14 倍，在受控的實驗室測試中最多增加 16 倍。
De Freitas 的資料證明了道別手法會讓人繼續交談，這也是每位人物在學習者離開時，都遵守一條常設規則的原因：溫暖地道別，不帶悲傷，不讓人因離開而內疚，也不施壓挽留。學習者已有數月未見的人物，會提到這段空白，但不會讓對方為此感到內疚。
20
Parasocial Interactions and Relationships with Media Characters: An Inventory of 60 Years of Research
一份涵蓋 60 年擬社會研究、超過 350 項實證研究的綜合盤點。孤獨、害羞、神經質、低社經地位、不滿與無望感，都各自獨立地預測更強的擬社會連結。研究者將其描述為一種補償功能：難以建立真實關係的人，把媒體角色當成功能上的替代品。
這份累積 60 年的證據，支撐了兩項設計選擇。第一，這種形式不以模擬關係來鎖定容易產生擬社會依附的族群。第二，彩繪肖像式的風格化，是一種人工造物的視覺訊號，而最容易受影響的使用者會本能地偏好它。這種形式把看得出來的非人特質視為一項安全功能，而不是一種限制。
21
The Uncanny Valley
Mori 最初提出恐怖谷的論文。他預測，近似人類的機器人會引起反感，因為它們像人到足以引發比較，卻又不同到讓人覺得不對勁。同一篇文章也建議以好感曲線的第一個高峰為設計目標，也就是中等程度擬人的區間，而不是去攀登完全擬真的第二個高峰。Mori 的建議十分明確：只要刻意追求非人類的設計，就有可能創造出安全程度的好感。
彩繪肖像式的風格化，正落在 Mori 實際建議的區間。這些人物看得出是人，富有表情而溫暖，但不試圖冒充照片。Mori 在 1970 年就同時指出了問題與解方。這種形式照他的話去做。
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
一項為期兩週、針對 70 名大學年齡成人的隨機試驗：使用 Woebot（一個以卡通機器人形象呈現的 CBT 聊天機器人）的組別，憂鬱症狀下降；拿到 NIMH 電子書的組別，症狀沒有顯著下降；Woebot 使用者也給出較高的滿意度。Woebot 團隊自己後來的一項研究發現，36,070 名使用者在五天內，對它的治療關係評分已接近面對面 CBT 的水準（Darcy et al., 2021）。Woebot 的應用程式已於 2025 年 6 月 30 日停止服務。
Woebot 給使用者的是一個卡通機器人，而它自己的資料顯示，使用者在幾天之內就建立起合作關係（Darcy et al. 2021），所以風格化的角色本身並不能防止依附。Valoquent 將彩繪肖像與一套規則搭配，針對依附可能被用來對付人的那些時刻：溫暖的道別，不帶悲傷，也不施壓挽留；不暗示對話應該取代與人相處的時間；個人記憶只保留給經過確認的成人帳號。
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會規則，不是因為他們搞不清楚電腦是什麼，而是因為大腦的社會處理機制，在理性思考能夠介入之前就已啟動。
這說明了為什麼知道這些人物是 AI，本身並不足以保護使用者不對它們產生依附。社會處理是自動的。這種形式把人工造物的可見訊號，也就是彩繪肖像式的風格化，當作實際有效的防線，因為使用者的理性理解無法單獨做到這件事。
另有 22 篇關於擬社會依賴、AI 陪伴的傷害、恐怖谷研究、Valoquent 並不宣稱能解決的孤獨問題全貌，以及誠實設計文獻的引用文獻。在完整參考書目中查看「不做的事」類別（英文）→