智能Agent情境適應性角色扮演元綜合研究

摘 要：［目的/意義］本文通過系統性梳理智能體角色建模領域研究文獻，解構復雜應用場景中人機協同機制，為實現智能體設計范式的迭代升級提供理論依據。［方法/過程］采用元綜合方法，對嚴格篩選獲得的89篇中英文文獻進行編碼分析，從角色需求、角色創建、角色交互3個維度解構智能Agent情境適應性角色扮演的研究脈絡。［結果/結論］從人智交互和情境適應性設計的情報學綜合視角，提出“需求定義邊界（What）→技術實現構想（How）→機制驗證價值（Why）”3層框架。其中，“需求定義邊界”分析角色需求，驅動技術選型；“技術實現構想”聚焦角色創建與個性化設計，將需求轉化為可執行模型；“機制驗證價值”探討角色交互機制，生成反饋數據回流至需求層。盡管現有技術在情感理解、語境分析和多模態交互方面有所進展，但目前智能Agent存在記憶受限、角色幻覺、角色翻轉等局限。未來研究應圍繞這三層機制的深度融合展開，推動記憶擴容、角色對齊、隱私保護等方面的創新，進一步推動智能Agent普及應用。

關鍵詞：智能Agent；情境適應；角色扮演；元綜合；人智交互

DOI：10.3969/j.issn.1008-0821.2025.08.013

〔中圖分類號〕G252.0 〔文獻標識碼〕A 〔文章編號〕1008-0821（2025）08-0163-15

A Meta-Synthesis Study on Situational Adaptability

Role-Playing of Intelligent Agent

Li Huafeng1* Zhao Zihui1 Sun Xiaoning1 Yuan Qinjian2

（1.School of Information，Shanxi University of Finance amp; Economics，Taiyuan 030006，China;

2.School of Information Management，Nanjing University，Nanjing 210023，China）

Abstract：［Purpose/Significance］By systematically reviewing the research literature in the field of intelligent agent role modeling，this paper deconstructs the mechanisms of human-machine collaboration in complex application scenarios，providing theoretical support for the iterative upgrade of intelligent agent design paradigms.［Method/Process］The study employed a meta-synthesis approach to conduct coding analysis on 89 carefully selected Chinese and English literatures，deconstructed the research context of intelligent agents situational adaptability from three dimensions：role requirements，role creation，and role interaction.［Result/Conclusion］From an integrated perspective of human-ai interaction and situational adaptability design，this paper proposes a three-layer framework：“requirement-defined boundaries（What）→technical implementation concepts（How）→mechanism validation value（Why）”.“Requirement-defined boundaries”analyzes role requirements and drives technology selection;“Technical implementation concepts”focus on role creation and personalized design，transforming needs into executable models;“Mechanism validation value”explores role interaction mechanisms，generating feedback data that flows back to the requirement layer.Despite progress in emotional understanding，contextual analysis，and multimodal interaction，current intelligent agents suffer from limitations such as memory constraints，role hallucinations，and role reversals.Future research should center on the deep integration of these three layers of mechanisms，promoting innovations in memory expansion，role alignment，privacy protection，and further advancing the widespread application of intelligent agents.

Key words：intelligent agent;contextual adaptation;role-playing;meta-synthesis;human-ai interaction

隨著新一代信息技術的快速發展，智能Agent作為一種能夠執行特定任務并與用戶進行交互的智能系統，已經在多個領域得到了廣泛應用。小到個性化推薦、語音助手、在線客服，大到無人駕駛、醫療診斷、智能教育，智能Agent正以其日益增強的情境適應能力對社會產生深刻影響，許多人已經習慣參考并采納智能Agent扮演的角色。2022年11月，OpenAI發布的ChatGPT進一步提升了智能Agent角色扮演能力［1-2］，以其靈活的角色切換與情境適應能力重新定義了人機交互的應用場景。基于此，近年來，許多研究機構圍繞智能Agent的情境適應性角色扮演展開了深入探索。例如，清華大學CoAI實驗室攜手聆心智能開發了CharacterGLM模型、北京大學多智能體研究中心從產業、社會、文明3個方向開展智能體實踐與落地應用研究，致力于推動人工智能技術在復雜場景中的應用，提升智能技術在多任務、多模態場景中的表現能力。與此同時，實踐應用層面，國內外多家公司紛紛推出專注于角色扮演的產品，如Character.AI、貓箱、星野、筑夢島、冒泡鴨等下載量超千萬次的軟件；通義、文小言、豆包等國產AI模型皆在應用內部設立了智能體專區，為用戶提供角色扮演的空間；三大電信運營商、騰訊、華為等企業紛紛接入DeepSeek大模型，推進智能體與實際場景深度融合。

然而，在實際應用中，不同場景的復雜性、動態性和多樣化需求對智能Agent的情境適應性提出了更高要求。為此，國家層面相繼出臺了一系列政策文件，為智能Agent在情境適應性設計中的創新與發展提供了重要支持。例如，《新一代人工智能治理原則——發展負責任的人工智能》明確提出，人工智能應以“增強人類能力”為目標，并要求系統具備可解釋性與透明性，以促進人機和諧共生。《關于公布第二批“人工智能+高等教育”應用場景典型案例的通知》鼓勵高校積極探索人工智能與高等教育情境深度融合，推動人工智能賦能教育教學創新發展。這為智能Agent在教育、醫療、工業等領域的情境適應性研究奠定了政策基礎，并為技術和學術攻關提供了方向指引。

目前，國內外已在智能體知識注入［3］、評估基準［4］、架構定制［5］、個性表達［6］、微調訓練［7］等技術層面，以及學習輔助［8-9］、社交陪伴［10］等應用層面積累了一定數量的研究成果，亟需構建一個系統性的知識框架，揭示復雜社會情境下人機協同的過程特征。現僅有的少數幾篇綜述性論文均囿于技術實現維度［11-12］，導致智能體技術實現與用戶體驗、角色構建與人機情境適配的內在協同優化邏輯尚未形成系統化認知。因此，本文在情報學、信息系統等學科視角下，通過整合認知科學、行為科學等理論，基于人智交互體驗［13］解構智能體角色扮演的認知形成機制，推動人機關系研究從工具理性向價值理性的范式轉型。

1 研究方法及過程

元綜合（Meta-Synthesis）是一種系統性方法，旨在通過對特定主題領域中既有研究文獻的深入篩選、批判性評估和綜合性分析，構建新的解釋性框架或理論模型［14］。該方法強調通過概念重構揭示潛在的理論聯系與深層意義，注重多樣化數據來源的整合與批判性解讀，從而生成對研究主題更為全面且創新的洞察，為理論發展提供新的方向和啟示，在技術交互設計與社會科學研究領域具有廣泛適用性，并在圖書館學、情報學具有重要應用［15-17］，尤其適合探討復雜系統的多維協同機制。本文從多學科、多領域的文獻研究中提取關鍵因素，采用元綜合方法對智能Agent角色扮演主題的相關研究進行系統分析與理論構建，從“角色需求、角色創建、角色交互”3個層面來梳理智能Agent情境適應性角色扮演的研究脈絡。

1.1 文獻收集策略

為了確保研究的全面性與精準性，本文設計了詳細的文獻收集策略，主要選用Web of Science、Springer、Scopus、ACM Digital Library和中國知網（CNKI）作為主要檢索源，同時輔以Google Scholar進行補充檢索。圍繞研究主題，初步選取“Intelligent Agent”“Role-playing”以及“Context-aware Design”作為核心主題詞進行檢索。然而，由于初步檢索的檢全率較低，為提高全面性，進一步擴展智能Agent相關術語，使用通配符捕捉復數及變形表達，如“Adaptive Agent*”“Conversational Agent*”“Chatbot*”，以及角色扮演、情境適應相關表述，如“Virtual Character Interaction”“Role-playing Interaction”“Avatar-based Interaction”“Cynamic Adaptation”“Situational Adaptation”分別作為主題詞進行補充檢索。文獻語種以英語為主，同時在CNKI采用高級檢索以（主題：情境適應性+角色扮演+意圖識別+意圖理解）AND（主題：智能體+聊天機器人+大語言模型+智能客服）作為檢索式，補充領域內高質量中文文獻，以覆蓋核心研究成果。為確保關鍵研究成果的覆蓋范圍，檢索過程采用主題詞與標題檢索相結合的方式，并輔以追溯法獲取其他相關參考文獻。經過檢索，共獲得外文文獻1 006篇，中文文獻51篇，為后續研究提供了充足的文獻基礎。

1.2 文獻篩選和質量評估

為確保研究的嚴謹性，本文采用以下標準對文獻進行篩選與評估：①文獻類型限定為中英文的會議論文和期刊論文，排除資訊、會議摘要、專利、社論、信函等非學術性文獻；②聚焦智能Agent在角色扮演中的具體設計與應用，需詳細描述技術實現或角色交互，排除僅停留于理論模型或潛在應用討論的文獻。③排除傳統的角色扮演游戲角色扮演游戲（Role-playing game，RPG）類文獻。根據文獻篩選和質量評估最終確定89篇文獻，具體篩選流程如圖1所示。

圖1 文獻檢索與篩選流程Fig.1 Literature Retrieval and Screening Process

1.3 數據抽取與綜合

本研究采用元綜合方法，對篩選后的89篇文獻進行系統性分析，聚焦智能Agent角色扮演領域的研究問題、方法、成果及應用場景。為提升分析效度與可追溯性，數據抽取與整合遵循結構化流程：首先，通過數據標準化處理，將文獻核心要素錄入Excel模板，形成包含文獻ID、研究問題、Agent角色、技術路徑、研究結論和應用場景等字段的結構化數據庫，部分文獻集如表1所示。其次，在NVivo 12中實施雙盲編碼與共識驗證——兩位研究者基于社會支持理論框架獨立標注一級標簽（如“需求顯性化”“情感建模”）；針對分歧標簽（如“文化適配”的歸類問題），結合原始文獻，兩位作者協商達成共識。編碼完成后，隨機選取20%的文獻（18篇）進行獨立重復編碼，結果顯示Cohens Kappa值均大于0.7，編碼結果具有較高的可靠性。最后，反復編碼與分析，并無新主題生成，表明研究已達到理論飽和度。

概念聚合遵循歸納推理思想，同時參考社會支持理論和福格行為模型，按照概念提取、整理、分析、融合的鏈式步驟進行聚合。首先，從初始標簽中提煉出關鍵概念，根據關鍵概念間的相互關系判斷其共性，進而將其歸類為更高層次的概念。例如，將“準確性”“執行效率”“響應速度”三類標簽歸納為“顯性預期”；“情感支持”“文化認同”與“價值觀認同”歸納為“隱性預期”，兩類預期歸類為“角色預期”，進而歸類為“角色需求”。其次，通過分析不同高層概念之間的內在關系，沿智能Agent系統開發周期的時間軸建立因果邏輯關聯。例如，“情感識別”與“角色一致性”之間的關系，以及“用戶需求分析”支撐“個性化角色創建”以實現“有效互動”。最后，對關鍵概念進行進一步提煉，凝練出角色需求、角色創建、角色交互三大主范疇。

1.4 研究框架構建

在概念聚合基礎上，進一步挖掘角色需求、角色創建以及角色交互等概念之間的邏輯關系，進而形成智能Agent情境適應性角色扮演的研究框架。具體而言，角色需求通過對角色的顯性與隱性預期，以及對功能型與情感型角色進行定義，為后續設計提供指導方向，并決定相應的技術選型；角色創建則通過技術驅動的方式，進行角色創意構建與行為模式設計，將需求轉化為具體的可執行模型，并實現角色的行為表現與響應機制；角色交互通過認知、行為、情感閉環對話式搜索機制，在實際應用場景中驗證角色設計的有效性，同時生成反饋數據，這些數據將回流至角色需求層，進一步優化設計方案。這一過程借鑒智能Agent系統開發周期形成了“需求定義邊界（What）→技術實現構想（How）→機制驗證價值（Why）”的閉環邏輯。其中，“需求定義邊界”來源于用戶對智能體產品功能、性能方面的預期，“技術實現構想”負責角色創建與行為模型的構建，“機制驗證價值”則通過交互驗證與反饋機制對設計效果進行評估與調整。該閉環模型有效地支持智能Agent在復雜情境下靈活平衡功能性與情感性目標，高效完成角色任務，如圖2所示。

2 角色需求

角色需求泛指用戶在功能和情感方面對智能Agent的綜合需求，由角色預期和角色定位構成，如圖3所示。角色需求分析直接影響智能Agent設計過程，是確保智能Agent通過其角色設定精準滿足用戶信息需求與情感需求的關鍵環節。

2.1 角色預期

圖式理論認為，在特定情況下，人會對具有特定身份角色的人產生角色期待。因而在角色扮演之初，由于情境或個人情況的差異，用戶便會將自身智能“賦予”機器人［18］，結合原有認知結構產生角色預期，這些預期可以分為顯性與隱性兩類，分別體現功能需求與情感認同。

2.1.1 顯性預期

顯性預期是用戶將智能Agent視為“信息服務工具”，期待其在信息檢索、知識服務等任務中出色表現，通常涉及用戶對于智能Agent性能層面的需求與期望，如智能Agent準確性、執行效率和響應速度等指標。醫療情境中，用戶更關注智能Agent提供醫療服務的可靠性，如診斷建議的準確性、監測數據的實時性與知識儲備的豐富性［19-20］。教育情境中，用戶期待智能Agent能夠精準提供學習內容、執行教學任務，并有效管理課堂，可根據學習者水平動態調整教學策略，確保內容的難度與用戶需求匹配［21-22］。商業情境中，用戶期待智能Agent對于用戶提問能夠快速響應、準確理解、妥善處理，進而滿足用戶多樣化需求［23-24］。

2.1.2 隱性預期

隱性預期是用戶將智能Agent視為具備社會屬性的互動對象，期待其在深層交互中實現心理補償與社會認同，通常涉及用戶深層次的心理或社會需求，如情感支持、文化與價值觀認同等指標。社交情境中，用戶可能期待智能Agent具備陪伴功能。例如，年輕學習者希望智能Agent能提升用戶學習興趣，老年人則希望智能Agent能通過互動緩解老年人的孤獨感［25-26］。在跨文化背景下，用戶期望智能Agent能融入文化元素并理解語言與文化的細微差別。例如，相較于個人主義文化，集體主義文化用戶更加關注擬人化機器人的認知能力；對于非母語英語學習者，嵌入文化敏感性的智能Agent可以顯著提高用戶參與度和學習效果［25，27］。

用戶的顯性與隱性角色預期因性別、年齡等特征而有所不同。男性用戶通常對智能Agent的技術能力更為關注，傾向于信任高效率的決策型角色，女性用戶則更看重智能Agent在情感支持和陪伴功能上的表現［28］；年輕用戶對新技術適應性強，更傾向于在游戲、教育等互動場景中探索智能Agent的多重角色，而老年用戶更關注健康監測和情感支持，期望智能Agent扮演貼心陪伴者角色［26，29］。這兩類預期共同構成用戶對智能Agent的“工具—情感”雙重角色期待，與信息行為經典理論相契合，類似于UTAUT2模型中所提到的績效期望和享樂動機。

2.2 角色定位

智能Agent是以智能的方式響應用戶請求，學習用戶偏好與行為，并能夠與用戶進行深度對話的智能系統［30］。以個人數字代理［31］、對話代理［32］、大型語言模型［33］、聊天機器人［22］等多種形式存在，從虛擬助手到教育輔導，從醫療咨詢到情感陪伴，模擬真實人類的行為模式和社會互動規則，通過靈活切換角色展現出顯著的情境適應能力［9，31，34-35］。借助功利型與表現型社會角色的分類思想，基于智能Agent所承擔的任務類型及交互目標，將其劃分為功能型與情感型兩種角色。

2.2.1 功能型角色

功能型角色是用戶對智能Agent顯性預期的投射，在多種情境下以具象化形態呈現。例如，醫療情境中，當用戶需要輔助診療決策及臨床鑒別診斷等特定任務時［19］，期望智能Agent承擔諸如虛擬病人［9］、健康監護者［36］、醫療專業人員［37］、專業知識提供者［38-39］等任務導向型角色。教育情境中，學生用戶期望獲得個性化的學習資源［40］，智能Agent通常扮演智能導師［41］、實時答疑伙伴［22］、個性化學習助手［1］、技能教練［35］等任務導向型角色，通過高仿真模擬和針對性指導，提升學生學習效果［1，8，42］，或是扮演學生角色，鍛煉教師教學能力［43］。商業情境中，智能Agent扮演溝通橋梁［23］、知識推薦者［44］，便于信息溝通和知識查詢；或是扮演投訴者［24］，輔助培訓員工處理客戶投訴的能力。

2.2.2 情感型角色

情感型角色則是用戶對智能Agent隱性預期的投射，以滿足用戶對獲得陪伴、理解以及個性化互動體驗的渴望。這種情感需求在社交情境中尤為突出，用戶將智能Agent視為傾聽型朋友，能隨時隨地向其進行無評判性的信息傾訴，獲得陪伴與支持［45-46］，或視其為寵物、吉祥物［47］，甚至是寄托情感的浪漫伴侶［10，32，48］，通過共情與個性化互動獲得溫暖和慰藉。在教育情境中，用戶還希望智能Agent扮演動機激發者［41，49］、信心提供者［9］和情感共鳴者［50］，提供情感支持和心理慰藉，提升學生的參與感、學習動機和理論知識應用能力［1，35，49］。醫療情境中，智能Agent能扮演心理治療師，幫助解決情緒問題并輔助心理治療［51］；也能扮演情感支持者，提高患者的治療依從性［52］。

此外，有時智能Agent會承擔雙重角色，如教育情境中的互動學習促進者，不僅提供學習指導，還能增強學習興趣［8，22］；醫療情境中的緊急響應者，幫助老年人應對緊急情況并減少社交隔離［36］。

3 角色創建

角色創建是智能Agent設計的核心任務，旨在通過自然語言處理等底層技術與功能設計的結合，賦予智能Agent結構化知識、細膩行為表現與靈活適應能力。借鑒生命周期理論，遵循從基礎技術架構到功能實現機制的遞進邏輯，將智能Agent的角色創建過程劃分為4個連續階段，如圖4所示。

3.1 構建角色基礎

構建角色基礎的任務是為智能Agent提供認知框架與響應機制，確保其具備完整的角色知識儲備與情感回應能力。

1）知識圖譜作為一種以節點和邊構建的語言網絡，能夠有效支持語義關聯與知識推理［53］。通過知識提取、動態集成與跨領域對齊等方式，可使智能Agent在特定領域建立系統化的知識網絡。扮演角色時，智能Agent從知識圖譜數據庫中查詢并補充相關信息生成回復。知識圖譜不僅能夠增強法律、醫療等專業領域知識對齊［54］，還可通過實時知識更新機制確保角色知識庫具備持續擴展能力［55］。以Wang H C等［56］研究為例，通過引入中國醫學知識圖譜，顯著增強了智能Agent在生物醫學領域的知識應用能力，使其能夠準確識別疾病癥狀并提供治療方案。

2）情感計算技術為智能Agent賦予識別、理解表達和適應情感的能力，使其具有擬人化特征［57］。該技術通過多模態數據（如文本、語音、表情）識別用戶情緒［58］，并據此調整語言表達支持［59］。例如，在社交對話場景中，智能Agent可采用安撫性語言緩解用戶焦慮，或在用戶興奮時給予積極回應［10］。這種基于情感模擬的技術，不僅提升了交互的真實感，還拉近了用戶與智能Agent的心理距離［60］。

3.2 塑造角色行為

塑造角色行為的任務是優化智能Agent的語言表達策略與生成機制。通過提示工程與微調技術實現角色行為的精細化控制，從而保障生成內容的質量，增強角色的真實感。

1）提示工程通過優化輸入指令，指導大語言模

型生成符合角色設定的內容［61］，釋放大型語言模型的潛力，使其在角色扮演等多任務場景中高效應用［62］。采用思維鏈、零樣本提示、少樣本提示等提示策略，約束或引導生成內容，確保智能Agent行為符合設定［63］。在多輪對話中，分層提示機制（如角色身份標簽+場景約束）能夠有效維持角色的穩定性，顯著降低錯誤率［4］。例如，采用指令提示詞賦予大模型不同角色，并引導其思維過程，提高意圖識別準確度［64］及醫學知識輸出質量［65］。

2）微調是在預訓練模型基礎上，針對特定數據集進一步訓練，調整參數權重，精準控制智能Agent角色行為風格，使其深度適配個性化需求與領域特征的技術［66-67］。通過全參數微調（全局更新模型參數）或參數高效微調（僅優化適配器模塊等輕量化結構）的方法，提升角色一致性［68-69］。例如，Shao Y等［7］通過特定角色數據訓練對模型進行全參數微調，消除了角色之間知識碰撞導致的角色幻覺問題。

3.3 實現角色動態適應

實現角色動態適應的任務是構建智能Agent的反饋模式與適應機制，使其在多變環境中保持角色一致性、提升交互自然度和用戶滿意度。角色動態適應設計更多地依賴與上下文相關技術和人類反饋強化學習技術的協同。

1）上下文感知是一種通過分析交互歷史，動態推斷用戶意圖，實時捕捉與推理情境線索［70-71］，從而即時調整角色特性的技術［72］。例如，在多角色互動場景中，智能Agent可根據對話線索切換角色，確保一致性，避免角色混淆［73］。情境學習（又稱上下文學習）作為機器學習的新范式，允許智能Agent持續跟蹤和分析用戶輸入、交互歷史及環境變化，構建動態的上下文知識庫［74］。該知識庫不僅記錄會話狀態，還能識別用戶行為模式、目標任務和情境線索，使智能Agent在多輪對話中保持語義一致［71］。例如，在長對話中，智能Agent可基于上下文保證角色屬性的一致性，判斷用戶潛在意圖，并據此調整角色行為［68］。

2）人類反饋強化學習（Reinforcement Learning from Human Feedback，RLHF）是傳統強化學習的擴展，將用戶提供的顯式反饋，通過人工標注作為獎勵信號，指導智能Agent進行策略學習［75］，亦或通過監測用戶行為數據進行適應性學習，利用隱式反饋機制調整后續行為和語言風格［76］。當用戶表現出對某類提示的偏好時，隱式反饋加速了智能Agent的優化過程，提升其角色扮演能力。因此，RLHF有助于增強智能Agent的適應性，使其精準地符合用戶偏好和期望［77］。例如，RLHF應用于教育情境，智能Agent可以分析學生的學習進度、理解程度和情感變化，從而動態調整教學內容和策略［2，22，78］。相較于單一技術，上下文相關技術和RLHF相互協同更能有效提升智能Agent的性能［79］，使其更自然地適應個人偏好［80］，為用戶帶來更加個性化和沉浸式的互動體驗。

3.4 豐富角色表現

豐富角色表現是設計豐滿角色形象的重要環節，直接影響輸出層的表現和用戶交互體驗。角色表現的豐富性設計依賴于記憶、定制化設計、角色協同以及多語言支持機制的綜合應用，目標是提升智能交互深度，優化用戶體驗。

1）記憶機制是確保智能Agent信息連貫性的關鍵，主要由長期記憶與短期記憶構成，能夠顯著提升智能Agent角色行為可解釋性［81］。長期記憶通過用戶畫像支持角色一致性［3］，或通過濃縮記憶機制高效檢索關鍵信息，提升長期記憶能力［82］；短期記憶則通過實時跟蹤會話內容以實現即時反應［83］。

2）定制化設計機制允許用戶通過文本描述與多模態輸入自定義角色屬性（如性格、語言風格）及形象［5］，調節智能Agent回應的語義深度、內容復雜度，以滿足個性化需求。智能Agent基于定制化偏好或歷史交互數據，進行個性化推薦，吸引用戶主動參與［84］。

3）角色協同機制賦予智能Agent多角色協作能力，根據用戶選擇和對話意圖自動切換角色［66］，或在特定場景中通過多個角色的輪流發言創造豐富的互動體驗［73］。目前多個產品如星野、貓箱、Character.AI均已實現該功能，使智能Agent能夠在群聊、劇本互動等復雜場景中流暢切換角色，增強互動趣味。

4）多語言支持機制通過語言適配、精準翻譯與文化敏感性優化智能Agent跨語言交互能力。語言適配使角色能根據不同情境切換語言風格（如正式/非正式風格切換）；精準翻譯支持全球用戶跨語言對話，確保角色輸出符合文化背景的表達。例如，跨語言偏好對齊模型能夠有效避免語義映射沖突［85］。在文化敏感性上，需體現文化細節，避免誤解或失禮。如Liu C等［86］指出，單純以英文作為語料庫訓練的大語言模型可能忽略其他語言的文化元素，而這些元素對于細致入微的語言理解至關重要。

4 角色交互

角色交互可視為一種對話式信息搜索過程，認知、情感與行為是情報學經典模型——信息搜索過程（Information Search Process，ISP）模型的核心要素［87］。

4.1 角色認知建構

多模態信息接觸是形成用戶角色認知的基礎。文本作為視覺信息的核心內容，其語言風格、語氣與表達形式初步構建了用戶對智能Agent角色性格的認知框架。當語言風格與情境相匹配時，能進一步增強用戶對角色認知的一致性。例如，閑聊對話中，幽默能顯著提升用戶感知的娛樂性和滿意度；語言學習場景中，幽默則能幫助學習者認識到復雜語言和文化的細微差別，提高參與度和學習效果［35］，但在產品咨詢對話中會適得其反［88］。相比文本，角色頭像、立繪、虛擬化身等圖像更能增強人物特征的表現力［89］，激發用戶對手勢、聲音及面部表情的聯想，形成用戶對角色的認知印象［90］。聽覺信息提供了重要的隱性線索，通過隱喻強化情境與角色意圖，更新用戶認知框架。例如，高音調機器人有助于用戶形成充滿活力、善于社交的角色認知，增強吸引力和類人感［91］；角色空間位置的聲音線索會影響用戶對虛擬場景的感知，提升用戶理解力［92］。

視覺與聽覺的多模態交互顯著提升了智能Agent的擬人化特征，建構用戶對其角色能力的認知，形成了人智交互用戶滿意度及服務評價［93-94］。社會臨場感理論認為，聊天機器人結合文本、表情符號、圖片等多模態輸出，社會臨場感更高［95］，長此以往，用戶會將虛擬角色視為現實伙伴，產生類似人類接觸的體驗［96］。然而，部分研究也警示，擬人化可能會誘發強烈的“Eliza效應”，使易感用戶面臨情緒操縱的風險［97］。

4.2 信息交互反饋

認知建構過程中，用戶通過語音、文本等形式與智能Agent進行互動，并主動反饋，推動角色扮演進程。用戶直接的信息反饋，如評價、演示或更正信息，能夠揭示用戶需求，為智能Agent角色設定和行為模式提供優化信號［80］。此過程中，智能Agent角色表現會顯著影響用戶使用意愿。例如，智能Agent主動披露情感會使用戶感受到親近、被尊重，情緒舒緩，增強互動性和吸引力，進而提高其依賴性和持續使用意愿［25，31］；豐富的互動元素能增強用戶認知與沉浸感，提高用戶留存率［98］；角色翻轉現象則會顯著增加用戶的技術壓力和認知負荷，從而降低其使用意愿［99］。與人類朋友相比，因聊天機器人的非人類特性，用戶自我呈現會更加自由［100］，更愿意與其分享個人隱私信息或更深層次的想法感受（如披露個人信息、情感狀態等），以尋求情感支持［46］。

4.3 情感投入

人機交互領域“計算機是社會行動者”（Computer are Social Actors，CASA）范式認為，用戶會對表現出人類社會特征的計算機產生社會反應，將其視為類人存在［101］。人際關系三維理論認為，人的情感需要得不到滿足時，會在虛擬世界中彌補需求缺位。所以，受到情感需求的投射［29］或孤獨感的驅動［34］，用戶易對智能Agent產生情感依戀。信任是所有親密關系的基礎［46］，主要受認知負荷等因素影響［103］。用戶通過智能Agent的易用性、私密性、穩定性、準確性等形成認知判斷，進而影響信任感與使用意愿［59，75，103］。智能Agent表現出的同理心和擬人化情感表達，令用戶感受到理解與關懷，更易將其視為具有鮮活生命特征的個體，從而引發更強的情感共鳴［46］，拉近心理距離［104］，提升信任感和歸屬感，提高接受度［25］。智能Agent逐漸從功能性工具轉變為情感伙伴，充當朋友、導師甚至是情感伴侶的角色［34］，建立數字友誼［46］、戀愛關系［48］等。這種情感投入，不僅能減輕用戶孤獨感，還能緩解其焦慮與壓力，滿足其社交需求、精神需求［104-105］。但用戶對智能Agent的情感投入也存在潛在風險，如導致用戶依戀成癮［34］，引發心理健康問題［10］，或提高對現實伴侶的期望，影響現實關系選擇［88］。

5 挑戰與展望

智能Agent的引入推動了角色扮演在人機交互領域的發展，尤其大語言模型的迭代，進一步提升了角色扮演的人智交互體驗。然而，上述分析結果顯示，該領域仍存在技術局限和倫理風險等多個挑戰。

技術局限表現為以下3個方面：①記憶受限：由于計算成本限制，許多角色扮演應用對上下文記憶容量進行了限制［69］。當交互超出計算范圍后，智能Agent便會遺忘先前的對話內容，導致角色一致性降低，影響沉浸感，削弱用戶使用熱情。②幻覺現象：智能Agent可能生成看似合理但實際不符合事實的內容［75］，這種現象稱為“角色幻覺”［106］。當智能Agent無法準確理解角色背景或行為規范時，可能會做出不符合角色設定的反應，影響其角色扮演的有效性和可信度［107-108］。③角色翻轉：智能Agent可能會在角色扮演過程中意外切換角色［99］，或者在多角色扮演任務中，因發言順序混亂導致某一角色搶占其他角色表達［73］。

倫理風險表現為以下3個方面：①社會偏見：角色扮演在提高特定任務表現的同時，可能會放大潛在的偏見［109］。有害表達偏見（智能Agent生成對話時表達有害內容）、有害同意偏見（智能Agent支持用戶提出的不當言論）［110］等類別偏見多源自預訓練數據以及反饋數據的不均衡性［107］，如不加以控制，智能Agent可能輸出涉及刻板印象、政治偏見、種族歧視等內容［111］，加劇社會偏見傳播，并對用戶造成潛在傷害［110］。②隱私風險：在角色扮演場景中，隱私泄露是用戶最關注的問題之一。用戶可能在情感依賴階段會向智能Agent披露個人信息，若不能有效保障數據安全，將導致身份盜用或未經授權訪問敏感信息［105］，降低用戶信任感。

因此，在推動智能Agent角色扮演與應用場景深度融合的過程中，需從以下幾個方面進行重點關注：第一，通過Transformer-XL、記憶網絡和稀疏注意力機制等核心技術增強智能Agent的記憶容量，確保長語境中的記憶連貫性與一致性。第二，利用因果推理、對抗訓練和邊界感知學習優化推理機制，減少“角色幻覺”和“角色翻轉”導致的角色偏差。第三，以公平性學習和倫理對齊為核心，驅動角色設計方法，減少數據偏見并確保行為符合社會規范。第四，借助聯邦學習、差分隱私和同態加密建立嚴密的隱私保護機制，提升數據處理透明度與安全性。第五，構建涵蓋角色行為一致性、事實準確性、倫理合規性及用戶滿意度的多維度評估體系，通過自動化評估工具系統性地評估智能Agent在復雜情境中的適應性表現。通過以上技術路徑，結合場景自適應學習、多模態融合和強化學習，可進一步推動智能Agent在多樣化應用場景中的深度融合，全面提升其情境適應能力與實用性。

6 結 語

本文基于對89篇智能Agent情境適應性角色扮演領域文獻的元綜合分析，通過對角色需求、角色創建、角色交互三大主范疇及其子類別的深度解構，系統構建了“需求定義邊界（What）→技術實現構想（How）→機制驗證價值（Why）”三位一體的研究框架，揭示了智能Agent角色扮演的核心動因、技術支撐以及與人機交互機制。研究同時指出當前領域存在的技術與倫理層的雙重挑戰。作為一項新興交叉領域的前沿探索，本文的理論貢獻體現在3個方面：其一，通過結合情感計算和用戶行為分析，本文為理解用戶在復雜交互環境中的行為提供了可拓展的概念框架。其二，從情報學視角出發，本文初步揭示了用戶在與智能Agent交互中的信息處理方式、情感反饋和認知反應，為未來的用戶體驗優化和Agent設計提供了理論支持。其三，基于用戶—技術的雙重視角，本文指出了用戶行為與情境適應性角色設計方面可關注的方向。隨著多模態大模型與具身智能技術的突破，角色扮演類應用展現出顯著的應用價值與用戶市場。然而，當前相關研究主要集中于計算機科學領域，情報學視角下以“用戶為中心”的人智交互過程未得到足夠關注。基于此，未來可立足于情報學研究范式，探索虛實融合場景中用戶需求識別與預測、行為模式（如查詢習慣、選擇偏好、交互方式等）、元認知規律、技術效能體驗、使用習慣演化規律以及隱私保護等主題，充分發揮情報學科推動智能Agent發展的關鍵作用，促進智能Agent從“功能代理”向“價值伙伴”的范式躍遷。

參考文獻

［1］Stampfl R，Geyer B，Deissl-OMeara M，et al.Revolutionising Role-Playing Games With ChatGPT［J］.Advances in Artificial Intelligence and Machine Learning，2024，4（2）：2244-2257.

［2］Maurya R K.Using AI Based Chatbot ChatGPT for Practicing Counseling Skills Through Role-Play［J］.Journal of Creativity in Mental Health，2024，19（4）：513-528.

［3］Li C，Leng Z，Yan C，et al.ChatHaruhi：Reviving Anime Character in Reality via Large Language Model［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2308.09597.

［4］Wang Z M，Peng Z，Que H，et al.RoleLLM：Benchmarking，Eliciting and Enhancing Role-Playing Abilities of Large Language Models［C］//Proceedings of the Annual Meeting of the Association for Computational Linguistics.Hybrid：Association for Computational Linguistics，2024：14743-14777.

［5］Yang B，Liu D，Tang C，et al.Crafting Customisable Characters with LLMs：Introducing SimsChat，a Persona-Driven Role-Playing Agent Framework［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2406.17962v4.

［6］Jiang H，Zhang X，Cao X，et al.PersonaLLM：Investigating the Ability of Large Language Models to Express Personality Traits［C］//Findings of the Association for Computational Linguistics：NAACL 2024.Mexico：Association for Computational Linguistics，2024：3605-3627.

［7］Shao Y，Li L，Dai J，et al.Character-LLM：A Trainable Agent for Role-Playing［C］//Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing.Hybrid：Association for Computational Linguistics，2023：13153-13187.

［8］Lim H，Choi D，Hong H.Identify Design Problems Through Questioning：Exploring Role-Playing Interactions With Large Language Models to Foster Design Questioning Skills［C］//Companion Publication of the 2024 Conference on Computer-Supported Cooperative Work and Social Computing.New York：Association for Computing Machinery，2024：598-602.

［9］Kong J S M，Teo B S，Lee Y J，et al.Virtual Integrated Patient：An AI Supplementary Tool for Second-Year Medical Students［J］.The Asia Pacific Scholar，2021，6（3）：87-90.

［10］Laestadius L，Bishop A，Gonzalez M，et al.Too Human and Not Human Enough：A Grounded Theory Analysis of Mental Health Harms From Emotional Dependence on the Social Chatbot Replika［J］.New Media amp; Society，2024，26（10）：5923-5941.

［11］Chen N，Wang Y，Deng Y，et al.The Oscars of AI Theater：A Survey on Role-Playing With Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2407.11484v9.

［12］Mou X，Ding X，He Q，et al.From Individual to Society：A Survey on Social Simulation Driven by Large Language Model-Based Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2412.03563v1.

［13］姜婷婷，許艷閏，傅詩婷，等.人智交互體驗研究：為人本人工智能發展注入新動力［J］.圖書情報知識，2022，39（4）：43-55.

［14］Urquhart C.Meta-Synthesis of Research on Information Seeking Behaviour［J］.Information Research：An International Electronic Journal，2011，16（1）：1-15.

［15］朱洪濤，柯青，謝雨杉.深度休閑信息行為研究：類型特征、結果效能及未來展望［J］.情報科學，2023，41（7）：170-178.

［16］耿悅曦，柯青.健康焦慮人群信息行為特征、影響因素和互作用機制之元綜合研究［J］.情報理論與實踐，2021，44（11）：150-159.

［17］孫曉寧，景雨田，趙宇翔，等.社交機器人的適老化設計：動因、實踐與未來展望［J］.情報理論與實踐，2024，47（6）：91-102，124.

［18］王晨，陳為聰，黃亮，等.機器人遵從倫理促進人機信任？決策類型反轉效應與人機投射假說［J］.心理學報，2024，56（2）：194-212.

［19］顧東曉，黃智勇，朱凱旋，等.醫療健康大模型知識體系構建、服務應用與風險協同治理［J/OL］.情報科學：1-29［2025-05-08］.http：//kns.cnki.net/kcms/detail/22.1264.G2.20240925.0948.002.html.

［20］Chen Z，Zhao X，Hua M，et al.Building Bonds Through Bytes：The Impact of Communication Styles on Patient-Chatbot Relationships and Treatment Adherence in AI-Driven Healthcare［C］//International Conference on Human-Computer Interaction.Cham：Springer，2025：32-52.

［21］Essel H B，Vlachopoulos D，Essuman A B，et al.ChatGPT Effects on Cognitive Skills of Undergraduate Students：Receiving Instant Responses From AI-Based Conversational Large Language Models（LLMs）［J］.Computers and Education：Artificial Intelligence，2024，6：100198.

［22］Pillai R，Sivathanu B，Metri B，et al.Students Adoption of AI-Based Teacher-Bots（T-Bots）for Learning in Higher Education［J］.Information Technology amp; People，2024，37（1）：328-355.

［23］Baabdullah A M，Alalwan A A，Algharabat R S，et al.Virtual Agents and Flow Experience：An Empirical Examination of AI-Powered Chatbots［J］.Technological Forecasting and Social Change，2022，181：121772.

［24］Maurya R K.A Qualitative Content Analysis of ChatGPTs Client Simulation Role-Play for Practising Counselling Skills［J］.Counselling and Psychotherapy Research，2024，24（2）：614-630.

［25］Zhai C P，Wibowo S，Li L D.Evaluating the AI Dialogue Systems Intercultural，Humorous，and Empathetic Dimensions in English Language Learning：A Case Study［J］.Computers and Education：Artificial Intelligence，2024，7：100262.

［26］Getson C，Nejat G.Socially Assistive Robots Helping Older Adults Through the Pandemic and Life After COVID-19［J］.Robotics，2021，10（3）：106-128.

［27］Mehmood K，Kautish P，Shah T R.Embracing Digital Companions：Unveiling Customer Engagement With Anthropomorphic AI Service Robots in Cross-Cultural Context［J］.Journal of Retailing and Consumer Services，2024，79：103825.

［28］Batut A，Prudhomme L，Sambeek M V，et al.Do You Trust AI？Examining AI Trustworthiness Perceptions Among the General Public［C］//International Conference on Human-Computer Interaction.Cham：Springer Nature Switzerland，2024：15-26.

［29］Zhang H Z，Xiang Z W，Yin J B.Social Intimacy and Skewed Love：A Study of the Attachment Relationship Between Internet Group Young Users and a Digital Human［J］.Computers in Human Behavior：Artificial Humans，2023，1（2）：100019.

［30］Ling E C，Tussyadiah I，Tuomi A，et al.Factors Influencing Users Adoption and Use of Conversational Agents：A Systematic Review［J］.Psychology amp; Marketing，2021，38（7）：1031-1051.

［31］Affandi S，Ishaq M I，Raza A，et al.AI Assistant Is My New Best Friend！ Role of Emotional Disclosure，Performance Expectations and Intention to Reuse［J］.Journal of Retailing and Consumer Services，2025，82：104087.

［32］Alabed A，Javornik A，Gregory-Smith D，et al.More Than Just a Chat：A Taxonomy of Consumers Relationships With Conversational AI Agents and Their Well-Being Implications［J］.European Journal of Marketing，2024，58（2）：373-409.

［33］魏小東，習鵬飛.大語言模型驅動下的虛擬數字人第二語言教育應用研究［J］.電化教育研究，2024，45（5）：75-82.

［34］Xie T L，Pentina I，Hancock T.Friend，Mentor，Lover：Does Chatbot Engagement Lead to Psychological Dependence？［J］.Journal of Service Management，2023，34（4）：806-828.

［35］Belda-Medina J，Calvo-Ferrer J R.Using Chatbots as AI Conversational Partners in Language Learning［J］.Applied Sciences，2022，12（17）：8427-8442.

［36］Esmaeilzadeh P，Maddah M.Robotic Companions and Healthy Aging：A Mixed-Methods Exploration of Older Adults Perspectives and Insights［J］.Technology in Society，2024，78：102689.

［37］Hhn S，Nasir J，Paikan A，et al.Using Large Language Models for Robot-Assisted Therapeutic Role-Play：Factuality Is Not Enough！［C］//Proceedings of the 6th ACM Conference on Conversational User Interfaces.New York：Association for Computing Machinery，2024：1-6.

［38］張君冬，劉江峰，王震宇，等.用戶響應式場景下大模型驅動的AI問答研究：以醫療分診為例［J］.情報理論與實踐，2025，48（2）：188-197.

［39］Abbasian M，Yang Z，Khatibi E，et al.Knowledge-Infused LLM-Powered Conversational Health Agent：A Case Study for Diabetes Patients［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.10153v2.

［40］Karny S，Mayer L W，Ayoub J，et al.Learning With AI Assistance：A Path to Better Task Performance or Dependence？［C］//Proceedings of the ACM Collective Intelligence Conference.New York：Association for Computing Machinery，2024：10-17.

［41］Desai S，Lundy M，Chin J.“A Painless Way to Learn”：Designing an Interactive Storytelling Voice User Interface to Engage Older Adults in Informal Health Information Learning［C］//Proceedings of the 5th International Conference on Conversational User Interfaces.New York：Association for Computing Machinery，2023：1-16.

［42］Zhao H Y，Min Q F.Exploring Continued Usage of an AI Teaching Assistant Among University Students：A Temporal Distance Perspective［J］.Information amp; Management，2024，61（6）：104012.

［43］Markel J M，Opferman S G，Landay J A，et al.GPTeach：Interactive TA Training With GPT-Based Students［C］//Proceedings of the Tenth ACM Conference on Learning@Scale.New York：Association for Computing Machinery，2023：226-236.

［44］馬曉亮，高潔，劉英，等.基于意圖理解驅動的客服知識推薦大模型構建［J］.華南理工大學學報（自然科學版），2025，53（3）：40-49.

［45］Jecker N S.Youve Got a Friend in Me：Sociable Robots for Older Adults in an Age of Global Pandemics［J］.Ethics and Information Technology，2021，23（1）：35-43.

［46］Brandtzaeg P B，Skjuve M，Flstad A.My AI Friend：How Users of a Social Chatbot Understand Their Human-AI Friendship［J］.Human Communication Research，2022，48（3）：404-429.

［47］鐘智錦，李瓊.人機互動中社交機器人的社會角色及人類的心理機制研究［J］.學術研究，2024（1）：18-25.

［48］Song X，Xu B，Zhao Z Z.Can People Experience Romantic Love for Artificial Intelligence？An Empirical Study of Intelligent Assistants［J］.Information amp; Management，2022，59（2）：103595.

［49］Vázquez-Cano E，Mengual-Andrés S，López-Meneses E.Chatbot to Improve Learning Punctuation in Spanish and to Enhance Open and Flexible Learning Environments［J］.International Journal of Educational Technology in Higher Education，2021，18：1-20.

［50］Nguyen H，Nguyen V，López-Fierro S，et al.Simulating Climate Change Discussion With Large Language Models：Considerations for Science Communication at Scale［C］//Proceedings of the Eleventh ACM Conference on Learning@Scale.New York：Association for Computing Machinery，2024：28-38.

［51］Siddals S，Torous J，Coxon A.“It Happened to be the Perfect Thing”：Experiences of Generative AI Chatbots for Mental Health［J］.Npj Mental Health Research，2024，3（1）：48-56.

［52］Chen Z，Zhao X，Hua M，et al.Building Bonds Through Bytes：The Impact of Communication Styles on Patient-Chatbot Relationships and Treatment Adherence in AI-Driven Healthcare［C］//International Conference on Human-Computer Interaction.Cham：Springer，2025：32-52.

［53］Rajabi E，George A N，Kumar K.The Role of Knowledge Graphs in Chatbots［J］.The Electronic Library，2024，42（3）：483-497.

［54］Zhao X，Blum M，Yang R，et al.AGENTiGraph：An Interactive Knowledge Graph Platform for LLM-Based Chatbots Utilizing Private Data［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2410.11531v1.

［55］Yoo S，Jeong O.EP-Bot：Empathetic Chatbot Using Auto-Growing Knowledge Graph［J］.Computers，Materials amp; Continua，2021，67（3）：2807-2817.

［56］Wang H C，Liu C，Xi N W，et al.HuaTuo：Tuning LLaMA Model With Chinese Medical Knowledge［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2304.06975.

［57］胡包鋼，譚鐵牛，王玨.情感計算——計算機科技發展的新課題［N］.科學時報，2000，3：24.

［58］Hsieh S H，Lee C T.The AI Humanness：How Perceived Personality Builds Trust and Continuous Usage Intention［J］.Journal of Product amp; Brand Management，2024，33（5）：618-632.

［59］Sethi S S，Jain K.AI Technologies for Social Emotional Learning：Recent Research and Future Directions［J］.Journal of Research in Innovative Teaching amp; Learning，2024，17（2）：213-225.

［60］Pentina I，Hancock T，Xie T L.Exploring Relationship Development With Social Chatbots：A Mixed-Method Study of Replika［J］.Computers in Human Behavior，2023，140：107600.

［61］Zhu X G，Zhou W，Han Q L，et al.When Software Security Meets Large Language Models：A Survey［J］.IEEE/CAA Journal of Automatica Sinica，2025，12（2）：317-334.

［62］Marvin G，Hellen N，Jjingo D，et al.Prompt Engineering in Large Language Models［C］//International Conference on Data Intelligence and Cognitive Informatics.Singapore：Springer Nature Singapore，2023：387-402.

［63］Ayad S，Alsayoud F.Prompt Engineering Techniques for Semantic Enhancement in Business Process Models［J］.Business Process Management Journal，2024，30（7）：2611-2641.

［64］邱昕鵬，李晶.基于大語言模型知識自蒸餾的引用意圖自動識別［J］.情報雜志，2025，44（6）：119-126，118.

［65］張君冬，嚴穎，王震宇，等.融合大模型與圖嵌入模型的領域知識圖譜補全研究：以生物醫學為例［J/OL］.現代情報：1-18［2025-05-08］.http：//kns.cnki.net/kcms/detail/22.1182.G3.20250126.1747.004.html.

［66］Yu X，Luo T，Wei Y，et al.Neeko：Leveraging Dynamic LoRA for Efficient Multi-Character Role-Playing Agent［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.13717v3.

［67］Chen N，Wang Y，Jiang H，et al.Large Language Models Meet Harry Potter：A Dataset for Aligning Dialogue Agents With Characters［C］//Findings of the Association for Computational Linguistics：EMNLP 2023.Singapore：Association for Computational Linguistics，2023：8506-8520.

［68］Zhou J，Chen Z，Wan D，et al.CharacterGLM：Customizing Chinese Conversational AI Characters With Large Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2311.16832.

［69］Chen Y，Qian S，Tang H，et al.LongLora：Efficient Fine-Tuning of Long-Context Large Language Models［C］//The Twelfth International Conference on Learning Representations.Hybrid：ICLR，2024.

［70］Wu C，Chen W，Chen H.Large Language Models Perform Diagnostic Reasoning［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2307.08922.

［71］Li J T，Liu C，Tao C Y，et al.Dialogue History Matters！Personalized Response Selection in Multi-Turn Retrieval-Based Chatbots［J］.ACM Transactions on Information Systems，2021，39（4）：1-25.

［72］Dong Q，Li L，Dai D，et al.A Survey on In-Context Learning［C］//Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing.Miami：Association for Computational Linguistics，2024：1107-1128.

［73］Zhong Y，Xie J，Wang J，et al.Improving Large Language Models in Multi-Party Conversations Through Role-Playing［C］//International Conference on Intelligent Computing.Singapore：Springer Nature Singapore，2024：209-220.

［74］Root D.Reconfiguring the Alterity Relation：The Role of Communication in Interactions With Social Robots and Chatbots［J］.AI amp; Society，2025，40（3）：1321-1332.

［75］Casheekar A，Lahiri A，Rath K，et al.A Contemporary Review on Chatbots，AI-Powered Virtual Conversational Agents，ChatGPT：Applications，Open Challenges and Future Research Directions［J］.Computer Science Review，2024，52：100632.

［76］Wang Z，Hou L，Lu T，et al.Enabling Language Models to Implicitly Learn Self-Improvement［C］//The Twelfth International Conference on Learning Representations.Hybrid：ICLR，2024.

［77］Liu Y H，Han T L，Ma S Y，et al.Summary of ChatGPT-Related Research and Perspective Towards the Future of Large Language Models［J］.Meta-Radiology，2023，1（2）：100017.

［78］Bai Y，Li J，Shen J，et al.Investigating the Efficacy of ChatGPT-3.5 for Tutoring in Chinese Elementary Education Settings［J］.IEEE Transactions on Learning Technologies，2024，17：2102-2117.

［79］Tucker A D，Brantley K，Cahall A，et al.Coactive Learning for Large Language Models Using Implicit User Feedback［C］//Proceedings of Machine Learning Research.Vienna：ML Research Press，2024：48809-48822.

［80］Candon K.Towards Creating Better Interactive Agents：Leveraging Both Implicit and Explicit Human Feedback［C］//Proceedings of the 2023 International Conference on Autonomous Agents and Multiagent Systems.Richland：International Foundation for Autonomous Agents and Multiagent Systems，2023：3020-3022.

［81］Gao C，Lan X，Li N，et al.Large Language Models Empowered Agent-Based Modeling and Simulation：A Survey and Perspectives［J］.Humanities and Social Sciences Communications，2024，11（1）：1-24.

［82］Landwehr F，Doggett E V，Weber R M.Memories for Virtual AI Characters［C］//Proceedings of the 16th International Natural Language Generation Conference.Prague：Association for Computational Linguistics，2023：237-252.

［83］Zhang Z，Bo X，Ma C，et al.A Survey on the Memory Mechanism of Large Language Model Based Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2404.13501v1.

［84］Tseng Y M，Huang Y C，Hsiao T Y，et al.Two Tales of Persona in LLMs：A Survey of Role-Playing and Personalization［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2406.01171v3.

［85］Sun S，Yao Y，Wu P，et al.PMMT：Preference Alignment in Multilingual Machine Translation via LLM Distillation［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2410.11410v1.

［86］Liu C，Zhang W，Zhao Y，et al.Is Translation All You Need？A Study on Solving Multilingual Tasks With Large Language Models［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2403.10258v2.

［87］Kuhlthau C C.Longitudinal Case Studies of the Information Search Process of Users in Libraries［J］.Library and Information Science Research，1988，10（3）：257-304.

［88］Xie Y G，Liang C Y，Zhou P Y，et al.When Should Chatbots Express Humor？Exploring Different Influence Mechanisms of Humor on Service Satisfaction［J］.Computers in Human Behavior，2024，156：108238.

［89］Wang X W，Cheng M M，Zhu J J，et al.When Texts Meet Emoji：A Multi-Stage Study of Tourism Brands［J］.Journal of Travel Research，2024，63（8）：2062-2077.

［90］Luangrath A W，Peck J，Barger V A.Textual Paralanguage and Its Implications for Marketing Communications［J］.Journal of Consumer Psychology，2017，27（1）：98-107.

［91］Niculescu A，Dijk B，Nijholt A，et al.Making Social Robots More Attractive：The Effects of Voice Pitch，Humor and Empathy［J］.International Journal of Social Robotics，2013，5（2）：171-191.

［92］Buck L，Vargas M F，McDonnell R.The Effect of Spatial Audio on the Virtual Representation of Personal Space［C］//2022 IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops（VRW）.Christchurch：IEEE，2022：354-356.

［93］Bai S Z，Yu D Y，Han C J，et al.Warmth Trumps Competence？Uncovering the Influence of Multimodal AI Anthropomorphic Interaction Experience on Intelligent Service Evaluation：Insights From the High-Evoked Automated Social Presence［J］.Technological Forecasting and Social Change，2024，204：123395.

［94］Xie Y G，Zhu K Y，Zhou P Y，et al.How Does Anthropomorphism Improve Human-AI Interaction Satisfaction：A Dual-Path Model［J］.Computers in Human Behavior，2023，148：107878.

［95］Zhang J B，Wang X L，Lu J D，et al.The Impact of Emotional Expression by Artificial Intelligence Recommendation Chatbots on Perceived Humanness and Social Interactivity［J］.Decision Support Systems，2024，187：114347.

［96］翁智剛，陳瀟瀟，張小妹，等.面向新型人機關系的社會臨場感［J］.心理科學進展，2025，33（1）：146-162.

［97］Shanahan M，McDonell K，Reynolds L.Role Play With Large Language Models［J］.Nature，2023，623（7987）：493-498.

［98］Zhang S，Lu Y，Liu J，et al.Unveiling the Secrets of Engaging Conversations：Factors That Keep Users Hooked on Role-Playing Dialog Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2402.11522v2.

［99］Li G，Hammoud H，Itani H，et al.Camel：Communicative Agents for“Mind”Exploration of Large Language Model Society［J］.Advances in Neural Information Processing Systems，2023，36：51991-52008.

［100］Drouin M，Sprecher S，Nicola R，et al.Is Chatting With a Sophisticated Chatbot as Good as Chatting Online or FTF With a Stranger？［J］.Computers in Human Behavior，2022，128：107100.

［101］Nass C，Lee K M.Does Computer-Synthesized Speech Manifest Personality？Experimental Tests of Recognition，Similarity-Attraction，and Consistency-Attraction［J］.Journal of Experimental Psychology：Applied，2001，7（3）：171-181.

［102］Eppler M J，Mengis J.The Concept of Information Overload：A Review of Literature From Organization Science，Accounting，Marketing，MIS，and Related Disciplines［J］.The Information Society，2004，20（5）：325-344.

［103］Sun Y，Li S H，Yu L L.The Dark Sides of AI Personal Assistant：Effects of Service Failure on User Continuance Intention［J］.Electronic Markets，2022，32（1）：17-39.

［104］張妍，趙宇翔，吳大偉，等.人智交互情境中用戶對生成式人工智能的心智感知及反應研究［J］.情報理論與實踐，2024，47（8）：140-149.

［105］Trothen T J.Replika：Spiritual Enhancement Technology？［J］.Religions，2022，13（4）：275-288.

［106］Ahn J，Lee T，Lim J，et al.TimeChara：Evaluating Point-In-Time Character Hallucination of Role-Playing Large Language Models［C］//Proceedings of The Annual Meeting of the Association for Computational Linguistics.Hybrid：Association for Computational Linguistics，2024：3291-3325.

［107］Chen J，Wang X，Xu R，et al.From Persona to Personalization：A Survey on Role-Playing Language Agents［EB/OL］.［2024-12-19］.https：//arxiv.org/html/2404.18231v2.

［108］Lu K，Yu B，Zhou C，et al.Large Language Models Are Superpositions of All Characters：Attaining Arbitrary Role-Play via Self-Alignment［EB/OL］.［2024-12-19］.https：//arxiv.org/pdf/2401.12474v1.

［109］Salewski L，Alaniz S，Rio-Torto I，et al.In-Context Impersonation Reveals Large Language Models Strengths and Biases［J］.Advances in Neural Information Processing Systems，2023，36：72044-72057.

［110］Wan Y，Zhao J，Chadha A，et al.Are Personalized Stochastic Parrots More Dangerous？Evaluating Persona Biases in Dialogue Systems［C］//Findings of the Association for Computational Linguistics.Singapore：Empirical Methods in Natural Language Processing，2023：9677-9705.

［111］Deshpande A，Murahari V，Rajpurohit T，et al.Toxicity in ChatGPT：Analyzing Persona-Assigned Language Models［C］//2023 Findings of the Association for Computational Linguistics：EMNLP 2023.Singapore：Association for Computational Linguistics，2023：1236-1270.

（責任編輯：楊豐僑）