核心发现
方法论
本研究采用一项随机控制的三组对照实验（N=120），比较网页撤回、自我更正和专家纠错三种策略对社会聊天机器人错误修正的效果。实验中，设计了基于GPT-4的聊天机器人Drew，模拟健康领域的错误信息，测量用户的信任感、社会连接感和信念变化。通过问卷调查和质性访谈，评估不同策略对信任修复的影响。采用ANOVA、Bootstrap置信区间和置换检验确保结果的稳健性。研究还结合社会吸引力和自我披露两个指标，分析社会连接在修正效果中的调节作用。
关键结果
- 所有三种修正策略在错误修正的效果上无显著差异（p>0.05），但自我更正显著优于外部纠错（网页和专家）在信任度和专业性评分上（p<0.05），自我更正组的平均信任评分为5.59（SD=1.14），而专家组为4.79（SD=1.47），网页组为4.76（SD=1.45）。
- 社会连接指标（社会吸引力和自我披露）在自我更正条件下显著预测信念变化（r>0.4，p<0.01），而在外部纠错条件下无显著关系，表明社会连接增强修正效果的机制。
- 自我更正的信任修复效果主要源于其传达的诚实性和责任感，用户将其视为更具人性化和可信赖的行为，增强了对聊天机器人的整体信任。
研究意义
本研究突破了以往只关注错误修正效果的局限，揭示了自我更正在维护聊天机器人长期可信度中的关键作用。结果表明，设计更具社会连接的自我更正机制，不仅能有效修正错误，还能增强用户的信任感和合作意愿。这对于未来智能助手、虚拟客服等应用具有重要指导意义，尤其是在虚假信息泛滥的背景下，如何通过自我修正维护用户信任成为行业关注的焦点。研究还强调了社会连接在信任修复中的功能性作用，为人机交互设计提供了新的理论基础。
技术贡献
本研究提出了基于社会心理学和认知心理学的理论框架，结合CASA（Computers Are Social Actors）范式，系统验证了自我更正在信任修复中的优越性。采用GPT-4为核心算法，结合人类行为模拟，设计了三种修正策略，并引入社会吸引力和自我披露指标，量化社会连接的调节作用。通过多重统计检验确保结果的稳健性，丰富了信任修复和社会连接机制的理论体系，为未来AI系统的可信度维护提供了实证依据。
新颖性
本研究首次系统性比较了网页撤回、自我更正和专家纠错三种策略在社会聊天机器人中的效果，特别是在已有社会连接的场景下。创新点在于引入社会连接作为调节变量，揭示其在修正效果中的调节作用，突破了传统只关注修正技术的局限。研究还结合了GPT-4的强大语言理解能力，提出了基于人性化交互的自我更正机制，为人机信任修复提供了新思路。
局限性
- 实验仅在健康信息领域进行，可能不完全适用于其他领域的错误修正场景，未来需验证跨领域的适用性。
- 样本规模有限（N=120），且为线上平台招募，存在一定的样本偏差，未来应扩大样本多样性以增强结论的普适性。
- 研究主要关注短期信任修复效果，未能深入探讨长期信任维护机制和社会连接的持续作用，未来需进行纵向研究。
未来方向
未来研究可以扩展到多领域、多文化背景下的验证，探索不同类型错误（如道德、认知偏差）对信任的影响。还应结合多模态交互（如语音、视频）增强社会连接，研究其对修正效果的调节作用。此外，开发可持续学习的自我修正模型，结合用户反馈不断优化修正策略，将是提升系统可信度的关键方向。
AI 总览摘要
在当今数字化信息泛滥的时代，虚假信息和错误数据频繁出现，严重影响用户对智能系统的信任。特别是在社交聊天机器人中，错误不仅影响信息的准确性，更可能破坏用户与机器人的情感连接，导致信任崩塌。传统的错误修正策略如网页撤回或由外部专家介入，虽然能有效纠正信息，但常常伴随着信任损失，尤其是在已有良好社会关系的场景中。如何在不损害信任的前提下，进行有效的错误修正，成为人机交互领域的重要挑战。
本研究提出了一种基于自我更正的策略，结合社会心理学理论，系统比较了网页撤回、自我更正和专家纠错三种方法在社交聊天机器人中的效果。研究中，设计了一个名为Drew的GPT-4驱动的虚拟助手，模拟健康信息的错误，并通过问卷和质性访谈，评估不同策略对用户信任和社会连接的影响。结果显示，自我更正不仅能有效修正错误，还能在不损害可信度的情况下，提升用户的信任感和专业认知。
更重要的是，研究发现社会连接在修正效果中起到关键调节作用。通过测量社会吸引力和自我披露，发现这些指标显著预测信念变化，尤其在自我更正条件下效果更为明显。这表明，构建良好的社会关系，不仅是人机交互的设计目标，更是增强错误修正效果的有效机制。
这些发现对未来智能助手的设计具有深远意义。建议开发者在系统中强化社会连接机制，鼓励自我更正行为，从而提升系统的可信度和用户满意度。研究还指出，未来应关注跨领域应用、长期信任维护以及多模态交互的潜力，以应对复杂多变的实际场景。总之，本研究为提升人机交互中的信任修复策略提供了理论基础和实践指南，推动智能系统向更具人性化和可信赖的方向发展。
深度解读
原文摘要
When social chatbots make mistakes, and they do, how they recover determines whether users trust them again. Social chatbots are increasingly integrated into everyday life, yet they remain prone to generating convincing but inaccurate information. The social connection they build with users makes such errors particularly consequential. We conducted a between-subjects experiment (N=120) comparing three error correction strategies: a webpage retraction, self-correction by the same social chatbot, and correction by an expert chatbot. Our results reveal two key findings. First, all three strategies corrected the error equally well, but only self-correction did so without damaging the chatbot's credibility: participants rated self-correcting chatbots significantly higher in both trustworthiness and perceived expertise than chatbots whose errors were corrected by external sources. Second, the strength of the user's social connection with the chatbot, measured through social attraction and self-disclosure, significantly predicted the magnitude of belief change, but only when the chatbot corrected itself. Outsourcing corrections to an external source severed this link entirely. These findings suggest that social chatbots should correct their own mistakes rather than outsource corrections, and that investing in social connection is a functional mechanism that amplifies correction effectiveness, not merely a design feature. We discuss implications for designing chatbots that maintain long-term credibility while effectively addressing their own errors.