儿童与 LLM 聊天机器人拟人化交互：35 篇实证研究的系统综述

一项系统文献综述对 2022 至 2025 年间发表的 35 项实证研究进行梳理，系统考察了儿童在使用基于大语言模型（LLM）的聊天机器人过程中如何将这类非人类对象拟人化，并分析了由此带来的行为后果。该研究已被 ACM IDC '26 接收，论文同时发布在 arXiv（arXiv:2607.18250）。

研究背景

随着 ChatGPT、Claude、Gemini 等主流 LLM 产品迅速进入家庭与教育场景，儿童与聊天机器人的长期互动逐渐成为人机交互（HCI）研究的重要议题。然而，现有研究在「拟人化」这一概念上较为零散：不同学科从心理学、教育学、设计学等角度切入，缺乏统一的整合框架。本综述试图填补这一空白，将「拟人化」定义为儿童赋予 LLM 聊天机器人人类特征的心理倾向，并系统追溯其驱动因素与后果。

四类拟人化驱动因素

通过对 35 篇实证研究的编码与归纳，作者识别出四类关键驱动因素：

• 类人人格构建：当聊天机器人被赋予姓名、性格、背景故事等人类化设定时，儿童更容易对其产生拟人化认知。
• 适应性脚手架：LLM 能够根据儿童的回答动态调整难度与语气，模拟教师或同伴的反馈方式，从而强化「对方在理解我」的印象。
• 支持性陪伴：聊天机器人在对话中提供情感倾听与鼓励，使儿童将其视为可倾诉的对象。
• 非人类具身设计：尽管外形多为文本、语音或卡通形象，但缺乏可识别人类身份的线索反而会让儿童以更开放的方式投射人格。

五项拟人化结果

研究还归纳出五类儿童在与 LLM 聊天机器人互动中表现出的行为与认知结果：

• 矛盾的社会与道德反应：儿童一方面将其视为「朋友」，另一方面又意识到它是机器，由此产生不一致的道德判断。
• 双重意识（dual consciousness）：儿童能够同时持有「它在思考」与「它只是在生成文本」两种认知。
• 多样化的社会联结：根据互动频率与角色设定，儿童可能形成类似同伴、导师甚至宠物的不同关系类型。
• 社会边界探索：部分儿童会主动试探聊天机器人的底线，如询问隐私、情感依赖等问题。
• 将对话中断归因于人类叙事：当聊天机器人出现答非所问或重复时，儿童倾向于用「它累了」「它心情不好」等人类化叙事解释，而非技术故障。

对 AI 产品设计的启示

作者在结论中指出，拟人化既可能为儿童带来情感支持与学习辅助等收益，也可能引发依赖、误解与隐私风险。建议未来面向儿童的 LLM 产品在设计阶段就纳入发展心理学考量，避免过度人格化导致儿童形成不切实际的情感依赖，同时保留足够的「机器性」线索以维持其双重意识，从而推动更可持续的人机互动。