该文档属于类型a（原始研究论文），以下是针对该研究的综合学术报告：

作者及机构信息
本研究的通讯作者为Yimeng Wang（威廉玛丽学院，美国弗吉尼亚州威廉斯堡）与Yinzhou Wang（同院校计算机科学系），合作者包括Kelly Crace（弗吉尼亚大学冥想科学中心）和Yixuan Zhang（威廉玛丽学院）。论文发表于2025年CHI Conference on Human Factors in Computing Systems (CHI ‘25)，会议日期为2025年4月26日至5月1日，日本横滨。全文共21页，采用知识共享署名4.0国际许可协议。

学术背景

研究领域与动机
本研究属于人机交互（Human-Computer Interaction, HCI）与社会心理学交叉领域，聚焦于生成式AI聊天机器人（Generative AI Chatbots, GenAI）在社交焦虑（Social Anxiety, SA）支持中的应用。传统心理健康服务面临可及性不足的挑战（如专业人员短缺、经济门槛等），而GenAI凭借其非评判性和对话能力，成为潜在替代工具。然而，用户对GenAI的信任和态度尚不明确，尤其缺乏针对社交焦虑人群的实证研究。

核心科学问题
研究旨在回答：
1. 用户对GenAI聊天机器人在SA支持中的感知、信任及使用意愿（RQ1）；
2. 影响使用意愿的因素（RQ2）；
3. SA症状严重程度与既往GenAI使用经验如何塑造信任（RQ3）。

研究流程与方法

混合方法设计
研究采用问卷调查（n=159）与半结构化访谈（n=17）结合的混合方法：

1. 问卷调查

• 样本筛选：通过雪球抽样和机构广告招募18岁以上参与者，要求包含不同SA严重程度（从轻度不适到重度症状）及对GenAI的兴趣。最终筛选159份有效问卷。
  
• 测量工具：
  
  • 社交焦虑：结合自评诊断、临床诊断记录和标准化社交恐惧量表（SPIN）评分，确保一致性。
    
  • 信任维度：基于六项Likert量表（1-5分）评估能力、诚实、经验、善意、可靠性和未来预期。
    
  • 使用模式：记录GenAI使用时长、频率及SA支持的既往使用情况。
    
• 数据分析：采用Cronbach’s α（0.831）验证量表信度；通过EFA（探索性因子分析）确认单因子结构；使用Kruskal-Wallis检验、线性回归和Spearman相关分析信任与使用意愿的关系。
  

2. 访谈研究

• 参与者选择：按SA症状严重程度、GenAI使用时长和频率分层抽样，最终访谈17人。
  
• 访谈内容：深入探讨GenAI的情感支持体验、技术局限性及与人类心理治疗师的对比。
  
• 数据分析：采用归纳主题分析法，由团队共同编码以降低偏倚风险。
  

技术创新点
- 信任量表开发：首次将情感信任（Emotional Trust）与认知信任（Cognitive Trust）分离，验证其在SA场景下的适用性。
- 高斯混合模型（GMM）聚类：用于解析“未决定”用户群的异质性，识别三类细分人群（长期使用者、轻度症状者、高频使用者）。

主要结果

1. 信任与使用意愿的强关联

• 定量分析显示，信任评分每增加1分，使用意愿提升30%（β=0.73, p<0.01）。
  
• “愿意使用”组的中位信任分（3.42）显著高于“不愿使用”组（2.83）。
  

2. SA症状严重程度的关键影响

• 重度SA用户更依赖GenAI的情感支持（如非评判性回应），其使用意愿是轻度用户的2.3倍（OR=1.23, p<0.05）。
  
• 轻度SA用户则关注技术可靠性（如回答准确性），对情感互动需求较低。
  

3. 使用经验的调节作用

• 长期使用者（>1年）对GenAI的信任更稳定，63%愿意将其用于SA管理；高频使用者（每周多次）的意愿达66.7%。
  
• 访谈揭示：既往负面心理治疗经历者（如被误解）更倾向将GenAI视为“劣质治疗师的替代品”（P6原话）。
  

4. 情感信任的发现

• 最小化共情设计（如“思考中”旋转图标、柔和文本语气）即能显著提升重度SA用户的依从性（P16：“像姐妹般的回应”）。
  
• 技术缺陷（如幻觉、记忆缺失）对情感信任的损害弱于认知信任。
  

结论与价值

理论贡献
- 提出情境化信任模型，阐明SA症状严重程度如何动态调节用户对GenAI的信任机制（情感vs认知优先）。
- 验证情感信任的可测量性，为HCI领域提供新评估维度。

应用意义
- 设计指南：针对重度SA用户需强化情感共鸣设计（如动态共情反馈），而轻度用户需透明化技术逻辑（如错误提示机制）。
- 伦理警示：GenAI可能加剧社交退缩（如替代真人互动），需嵌入心理教育内容以平衡依赖性。

政策建议
- 呼吁建立GenAI心理健康工具的认证标准，要求披露模型更新风险与数据使用边界。

研究亮点

1. 首创性：首个探究GenAI在SA支持中信任动态的研究，填补心理健康与AI交叉领域的空白。
   
2. 方法创新：混合方法结合GMM聚类，精准捕获用户群体异质性。
   
3. 实践启示：为个性化GenAI设计提供证据支持，例如区分“情感优先”与“功能优先”交互模式。
   

局限与未来方向
- 样本偏年轻（74%为18-24岁），需扩展至更广泛年龄段；
- 建议纵向研究追踪长期使用对SA症状的潜在影响。

（报告全文约2400字，涵盖研究全流程与核心发现）