摘要

一段关系往哪里走，往往先体现在人与人的互动方式里，然后才体现在结果上。本文综述四组研究证据：第一，被观察到的互动，哪怕只是最初三分钟，也能预测日后的关系结局，而关系层面的变量比人格更能预测分手 (Gottman & Levenson, 1992; Carrère & Gottman, 1999; Le et al., 2010)；第二，简短的行为片段就带有关于重要结果的信息 (Ambady & Rosenthal, 1992; Ambady et al., 2002)；第三，预测有明确的上限：关系质量的变化几乎无法从自我报告中预测，而频繁误报的自动提醒会让人不再依赖它 (Joel et al., 2020; Parasuraman & Riley, 1997; Dixon et al., 2007)；第四，人对自动化判断的误判是双向的：看到算法出错后便弃之不用，却又会接受错误的建议，包括附带解释的建议 (Dietvorst et al., 2015; Parasuraman & Manzey, 2010; Bansal et al., 2021)。基于这些证据，Mars 从日常沟通中提炼合作机会、潜在风险和关键信号，做成洞察卡，每张都附证据链，可回到原始引述和来源对话，并默认只显示活跃洞察。本文同时说明这些证据的边界：它们支持设计方向，并不等同于对 Mars 本身的检验，也不说明任何一条洞察一定正确。

关键词：关系解体 · 薄片判断 · 人际预测 · 人机信任 · 算法厌恶 · 自动化偏差 · 关系洞察 · 证据链

1. 引言

人与人互动的方式，很早就带有关于关系走向的信息。一项对已婚夫妇为期四年的研究发现，互动中正负行为的格局与更低的婚姻满意度、更差的健康状况和更高的分居风险相关 (Gottman & Levenson, 1992)。在家庭之外，对外科医生日常门诊中 10 秒语音片段的评分，就能区分有过医疗事故索赔和没有索赔的医生 (Ambady et al., 2002)。工作关系中的机会与风险，同样可能在人们彼此说的话里留下痕迹。

本文要回答两个问题。第一，这类信号能否足够早地被读出来，这种解读又有多可信？第二，如果由机器把它们呈现出来，判断应当以什么方式呈现，才能让人既不忽视，也不盲从？

研究方法说明：本文是一篇叙述性文献综述。我们优先选取经同行评审、可通过 DOI 访问的研究，并优先采用元分析、纵向研究、系统综述和对照实验。我们有意纳入了限制该领域流行说法的研究，例如“关系可以被预测”和“解释 AI 的输出就能让人恰当地信任它”。文中每一处事实陈述都标注了出处，文末列出完整参考文献和原始链接。

2. 互动信号预示关系走向

Gottman 与 Levenson 在 1983 年和 1987 年两次研究了 73 对已婚夫妇。他们依据平衡理论，从互动中得出一个变量，把夫妇分为“调节型”和“非调节型”两组。与调节型相比，非调节型夫妇表现出更多负面、更少正面的情绪表达，更多防御、固执和退缩，更低的婚姻满意度，第二次测量时健康状况更差，婚姻解体风险也更高，包括考虑分居和实际分居 (Gottman & Levenson, 1992)。在随后一项对 124 对新婚夫妇的研究中，只对冲突讨论最初三分钟进行编码，就能预测此后六年的婚姻结局，丈夫和妻子都是如此 (Carrère & Gottman, 1999)。

一项针对非婚恋爱关系的元分析也指向同一方向。该研究纳入 33 年间的 137 项研究、37,761 名参与者，发现承诺、爱、将对方纳入自我以及依赖是分手最强的预测因素之一；满意度、对替代选择的感知和投入是中等程度的预测因素；社交网络的支持是稳健的预测因素；而人格测量的预测作用有限 (Le et al., 2010)。换句话说，两个人之间发生了什么，比每个人各自是什么样的人，更能说明关系的走向。

基于这些证据，Mars 在对话本身里寻找信号：你日常聊天或上传会议转写时，Mars 自动识别与相关人物有关的合作机会、潜在风险和重要信号，并以洞察卡的形式呈现在人物档案的「洞察」页 (Gottman & Levenson, 1992; Le et al., 2010)。

3. 简短的片段也带有信息

Ambady 与 Rosenthal 对“依据不到五分钟的表达行为观察来预测社会心理学和临床心理学中客观结果”的准确性做了元分析。在 38 个结果中，总体效应量为 r = .39。观察时间更长并没有带来更高的准确性：基于不到半分钟片段的预测，与基于四到五分钟观察的预测没有显著差异；准确性也不取决于评分所依据的通道（面部、言语、身体或语调），或行为发生在实验室还是更自然的情境中 (Ambady & Rosenthal, 1992)。

医学领域提供了一个实地例子。研究者从每位外科医生与两位不同患者门诊的第一分钟和最后一分钟中各截取 10 秒片段，由不知道医生索赔情况的编码者评分。在控制内容之后，语调被评为更强势的医生，更可能有过医疗事故索赔（比值比 2.74，95% 置信区间 1.16–6.43）(Ambady et al., 2002)。

这些研究评分的是非语言和语音行为，评分者往往受过训练。能迁移到文字对话的，是一个更窄的结论：简短的片段也能带有关于关系的真实信息，而不是这些研究测量的具体线索。

这也是 Mars 洞察卡保留来源的原因：展开证据链就能读到背后的原始引述，或一键跳回来源对话，让触发判断的那句不起眼的话始终和判断放在一起 (Ambady & Rosenthal, 1992)。

4. 边界：关系难以预测，误报代价高昂

迄今最全面的一次关系预测检验，用机器学习（随机森林）分析了来自 29 个实验室的 43 个双人纵向数据集。关系质量最稳健的关系层面预测因素是感知到的伴侣承诺、感激、性满意度、感知到的伴侣满意度和冲突。这些变量在基线时最多能解释 45% 的方差，到每项研究结束时最多只能解释 18%；而研究期间关系质量的变化，几乎无法从任何自我报告变量的组合中预测 (Joel et al., 2020)。关系的当前状态可以部分读出，它将走向哪里则难预测得多。

自动化研究给出了第二层提醒。Parasuraman 与 Riley 区分了“误用”和“弃用”：误用指过度依赖，会导致监控失误和决策偏差；弃用指忽视自动化，常见原因是频繁误报的警报，而这往往是因为在设定误报与漏报的权衡时没有考虑待检测情况的基础比率 (Parasuraman & Riley, 1997)。在一项有 32 名本科生参与的实验中，容易误报的自动化比容易漏报的自动化更损害整体表现，并同时影响了操作者的遵从和依赖 (Dixon et al., 2007)。

依据这些证据，Mars 把洞察呈现为附有依据的判断，而不是对关系走向的预测。在联系人的「洞察」页，可以按种类筛（机会、风险、洞察、需求、预算、决策），按状态看（活跃、已退役、全部）。默认只显示活跃洞察，已经失效的判断不再混在里面；想回看时选「已退役」，卡片会标出「已退役」(Joel et al., 2020; Parasuraman & Riley, 1997)。

5. 信任自动化判断：在厌恶与过度依赖之间

自动化之所以常出问题，是因为人不能恰当地依赖它。Lee 与 See 的综述认为，尤其当系统复杂到人无法完全理解时，信任决定了依赖；他们的概念模型也纳入了呈现方式对信任的影响 (Lee & See, 2004)。一项系统综述纳入 2002 年至 2013 年发表的 101 篇论文、127 项研究，把人对自动化的信任分为倾向性、情境性和习得性三层，并提出了促进恰当信任的设计建议 (Hoff & Bashir, 2015)。

依赖可能偏向“厌恶”。在五项研究中，看过算法预测表现的人对算法更没有信心，也更不愿意选择它而不是一个表现更差的人类预测者，即使他们看到算法胜过了人类；原因是看到同样的错误后，人对算法失去信心比对人更快 (Dietvorst et al., 2015)。在另外三项研究中，当参与者可以修改算法的预测时，哪怕只能小幅修改，他们使用不完美算法的可能性都显著提高，表现也因此更好 (Dietvorst et al., 2018)。一项纳入 61 篇同行评审文章的系统综述，把算法厌恶的成因和对策归纳为五个主题，其中包括期望与专业知识、决策自主权 (Burton et al., 2020)。

依赖也可能偏向另一端。当决策辅助不完美时，自动化偏差会同时造成遗漏错误和执行错误；它在新手和专家中都会出现，培训或指示都无法避免 (Parasuraman & Manzey, 2010)。解释并不是简单的解药：在基于三个数据集的用户研究中，解释并没有放大 AI 辅助带来的提升，反而提高了人们接受 AI 建议的概率，无论建议是否正确 (Bansal et al., 2021)。在一项有 199 名参与者的实验中，迫使人们认真处理解释的“认知强制”设计，比简单的解释更能减少过度依赖，但参与者对这些设计的主观评价最低 (Buçinca et al., 2021)。

基于这些证据，Mars 不要求你信任一句空洞的结论。每张洞察卡都附证据链：你可以读到原始引述，或一键跳回来源对话，把判断和当时真正说过的话对照 (Lee & See, 2004; Hoff & Bashir, 2015)。查看这些卡片，按种类和状态筛选，始终是你自己的一步 (Dietvorst et al., 2018; Burton et al., 2020)。

6. 从证据到设计

上述发现共同勾勒出一款呈现关系信号的工具应当做到的事：在互动本身中读取信号，让每个判断都和它出自的原话绑定，把判断当作可以修正的结论而不是预测，并把决定留给人。Mars 的设计逐条对应如下：

1. 互动信号预示关系结局 → 从日常沟通中提炼洞察你日常聊天或上传会议转写时，Mars 自动识别与相关人物有关的合作机会、潜在风险和重要信号，并以洞察卡的形式呈现在人物档案的「洞察」页 (Gottman & Levenson, 1992; Carrère & Gottman, 1999; Le et al., 2010)。
2. 简短片段带有信息 → 回到原话的证据链每张洞察卡都附证据链：展开就能读到原始引述，或一键跳回来源对话 (Ambady & Rosenthal, 1992; Ambady et al., 2002)。
3. 预测有上限，误报削弱依赖 → 种类、状态与已退役的判断洞察可按时间排序，按机会、风险、需求等六类和状态筛选；默认只显示活跃洞察，已经失效的判断不再混在里面，回看时卡片会标出「已退役」(Joel et al., 2020; Parasuraman & Riley, 1997; Dixon et al., 2007)。
4. 恰当的依赖需要看得见的依据和人自己的判断 → 有依据，而不是空洞的结论每个判断都看得到依据，而不是一句空洞的结论，卡片由你按种类和状态查看；通话或见面前，会前简报会把近期洞察与人物信息分组、待办提醒和过往对话汇在一起 (Lee & See, 2004; Dietvorst et al., 2018; Burton et al., 2020)。

7. 局限与边界

第一，本文引用的研究检验的是人如何互动、如何判断以及如何依赖自动化，没有一项检验的是 Mars。这些证据支持设计方向，但不能说明任何一条 Mars 洞察的准确程度；本文也不主张 Mars 洞察能改善关系结果，这需要另行评估。

第二，这些研究的样本各有特定性：已婚和新婚夫妇 (Gottman & Levenson, 1992; Carrère & Gottman, 1999)、非婚恋爱伴侣 (Le et al., 2010)、门诊中的外科医生 (Ambady et al., 2002)、模拟监控任务中的本科生 (Dixon et al., 2007)，以及有激励的预测任务中的参与者 (Dietvorst et al., 2015; Dietvorst et al., 2018)。把它们推广到商业和社交关系以及其他文化时需要谨慎。外科医生研究是相关研究，涉及的是过往的索赔记录，而不是未来的索赔 (Ambady et al., 2002)。

第三，关于预测的证据令人清醒。自我报告只能部分预测关系质量，几乎无法预测它的变化 (Joel et al., 2020)；薄片判断的准确性是在非语言和语音通道上确立的，而不是在文字上 (Ambady & Rosenthal, 1992)。因此，对话中的信号是值得留意的线索，而不是预测。

第四，展示证据并不保证恰当的信任。解释可能让人更容易接受错误的建议 (Bansal et al., 2021)，最能减少过度依赖的设计也最不受欢迎 (Buçinca et al., 2021)，专家同样会受自动化偏差影响 (Parasuraman & Manzey, 2010)。证据链只有被阅读时才有用。所以 Mars 让原始引述与每个判断只隔一步，默认视图中不显示已经失效的判断，并把决定留给你。

8. 结论

关系中的机会与风险，往往很早就在日常互动中留下痕迹，简短的片段也能承载它们。但关系将走向哪里仍然难以预测，误报会削弱依赖，人对自动化判断的误判又是双向的。Mars 的洞察卡、通往原始引述和来源对话的证据链，以及默认只显示活跃洞察的视图，正是依据这些证据设计的：它们把信号连同依据一起呈现，把判断留给阅读它们的人。

参考文献

按 APA 第 7 版格式列出；每条均附 DOI 原始链接。

1. Ambady, N., & Rosenthal, R. (1992). Thin slices of expressive behavior as predictors of interpersonal consequences: A meta-analysis. Psychological Bulletin, 111(2), 256–274. https://doi.org/10.1037/0033-2909.111.2.256
2. Ambady, N., LaPlante, D., Nguyen, T., Rosenthal, R., Chaumeton, N., & Levinson, W. (2002). Surgeons’ tone of voice: A clue to malpractice history. Surgery, 132(1), 5–9. https://doi.org/10.1067/msy.2002.124733
3. Bansal, G., Wu, T., Zhou, J., Fok, R., Nushi, B., Kamar, E., Ribeiro, M. T., & Weld, D. (2021). Does the whole exceed its parts? The effect of AI explanations on complementary team performance. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems, 1–16. https://doi.org/10.1145/3411764.3445717
4. Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), 1–21. https://doi.org/10.1145/3449287
5. Burton, J. W., Stein, M.-K., & Jensen, T. B. (2020). A systematic review of algorithm aversion in augmented decision making. Journal of Behavioral Decision Making, 33(2), 220–239. https://doi.org/10.1002/bdm.2155
6. Carrère, S., & Gottman, J. M. (1999). Predicting divorce among newlyweds from the first three minutes of a marital conflict discussion. Family Process, 38(3), 293–301. https://doi.org/10.1111/j.1545-5300.1999.00293.x
7. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2015). Algorithm aversion: People erroneously avoid algorithms after seeing them err. Journal of Experimental Psychology: General, 144(1), 114–126. https://doi.org/10.1037/xge0000033
8. Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming algorithm aversion: People will use imperfect algorithms if they can (even slightly) modify them. Management Science, 64(3), 1155–1170. https://doi.org/10.1287/mnsc.2016.2643
9. Dixon, S. R., Wickens, C. D., & McCarley, J. S. (2007). On the independence of compliance and reliance: Are automation false alarms worse than misses?. Human Factors, 49(4), 564–572. https://doi.org/10.1518/001872007X215656
10. Gottman, J. M., & Levenson, R. W. (1992). Marital processes predictive of later dissolution: Behavior, physiology, and health. Journal of Personality and Social Psychology, 63(2), 221–233. https://doi.org/10.1037/0022-3514.63.2.221
11. Hoff, K. A., & Bashir, M. (2015). Trust in automation: Integrating empirical evidence on factors that influence trust. Human Factors, 57(3), 407–434. https://doi.org/10.1177/0018720814547570
12. Joel, S., Eastwick, P. W., Allison, C. J., Arriaga, X. B., Baker, Z. G., Bar-Kalifa, E., Bergeron, S., Birnbaum, G. E., Brock, R. L., Brumbaugh, C. C., Carmichael, C. L., Chen, S., Clarke, J., Cobb, R. J., Coolsen, M. K., Davis, J. L., de Jong, D. C., Debrot, A., DeHaas, E. C., . . . Wolf, S. T. (2020). Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies. Proceedings of the National Academy of Sciences, 117(32), 19061–19071. https://doi.org/10.1073/pnas.1917036117
13. Le, B., Dove, N. L., Agnew, C. R., Korn, M. S., & Mutso, A. A. (2010). Predicting nonmarital romantic relationship dissolution: A meta-analytic synthesis. Personal Relationships, 17(3), 377–390. https://doi.org/10.1111/j.1475-6811.2010.01285.x
14. Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfes.46.1.50_30392
15. Parasuraman, R., & Manzey, D. H. (2010). Complacency and bias in human use of automation: An attentional integration. Human Factors, 52(3), 381–410. https://doi.org/10.1177/0018720810376055
16. Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886

引用本文

Mars Research. (2026). 关系里的机会与风险，能不能提前看见. MarsDataAI. https://marsdata.ai/zh-CN/research/signals-in-relationships