摘要

一段關係往哪裡走，往往先展現在人與人的互動方式裡，之後才展現在結果上。本文回顧四組研究證據：第一，被觀察到的互動，即使只是最初三分鐘，也能預測日後的關係結局，而關係層面的變項比人格更能預測分手 (Gottman & Levenson, 1992; Carrère & Gottman, 1999; Le et al., 2010)；第二，簡短的行為片段就帶有關於重要結果的資訊 (Ambady & Rosenthal, 1992; Ambady et al., 2002)；第三，預測有明確的上限：關係品質的變化幾乎無法從自陳報告中預測，而頻繁誤報的自動提醒會讓人不再依賴它 (Joel et al., 2020; Parasuraman & Riley, 1997; Dixon et al., 2007)；第四，人對自動化判斷的誤判是雙向的：看到演算法出錯後便棄之不用，卻又會接受錯誤的建議，包括附帶解釋的建議 (Dietvorst et al., 2015; Parasuraman & Manzey, 2010; Bansal et al., 2021)。根據這些證據，Mars 從日常溝通中提煉合作機會、潛在風險和關鍵訊號，做成洞察卡，每張都附證據鏈，可回到原始引述和來源對話，並預設只顯示活躍洞察。本文同時說明這些證據的邊界：它們支持設計方向，並不等同於對 Mars 本身的檢驗，也不表示任何一則洞察一定正確。

關鍵詞：關係解體 · 薄片判斷 · 人際預測 · 人機信任 · 演算法厭惡 · 自動化偏誤 · 關係洞察 · 證據鏈

1. 引言

人與人互動的方式，很早就帶有關於關係走向的資訊。一項對已婚夫妻為期四年的研究發現，互動中正負行為的組成與較低的婚姻滿意度、較差的健康狀況和較高的分居風險相關 (Gottman & Levenson, 1992)。在家庭之外，對外科醫師日常門診中 10 秒語音片段的評分，就能區分曾有醫療過失求償與沒有求償的醫師 (Ambady et al., 2002)。工作關係中的機會與風險，同樣可能在人們彼此說的話裡留下痕跡。

本文要回答兩個問題。第一，這類訊號能否夠早被讀出來，這樣的解讀又有多可信？第二，如果由機器把它們呈現出來，判斷應該以什麼方式呈現，才能讓人既不忽視，也不盲從？

研究方法說明：本文是一篇敘述性文獻回顧。我們優先選取經同儕審查、可透過 DOI 存取的研究，並優先採用後設分析、縱貫研究、系統性回顧和對照實驗。我們刻意納入了限制這個領域流行說法的研究，例如「關係可以被預測」和「解釋 AI 的輸出就能讓人恰當地信任它」。文中每一處事實陳述都標註了出處，文末列出完整參考文獻和原始連結。

2. 互動訊號預示關係走向

Gottman 與 Levenson 在 1983 年和 1987 年兩次研究了 73 對已婚夫妻。他們依據平衡理論，從互動中得出一個變項，把夫妻分為「調節型」和「非調節型」兩組。與調節型相比，非調節型夫妻表現出較多負面、較少正面的情緒表達，較多防衛、固執和退縮，較低的婚姻滿意度，第二次測量時健康狀況較差，婚姻解體風險也較高，包括考慮分居和實際分居 (Gottman & Levenson, 1992)。在隨後一項對 124 對新婚夫妻的研究中，只對衝突討論最初三分鐘進行編碼，就能預測之後六年的婚姻結局，丈夫和妻子都是如此 (Carrère & Gottman, 1999)。

一項針對非婚戀愛關係的後設分析也指向同一方向。該研究納入 33 年間的 137 項研究、37,761 名參與者，發現承諾、愛、將對方納入自我以及依賴是分手最強的預測因子之一；滿意度、對替代選擇的知覺和投入是中等程度的預測因子；社交網絡的支持是穩健的預測因子；而人格測量的預測效用有限 (Le et al., 2010)。換句話說，兩個人之間發生了什麼，比每個人各自是什麼樣的人，更能說明關係的走向。

根據這些證據，Mars 在對話本身裡尋找訊號：你日常聊天或上傳會議轉寫時，Mars 自動識別與相關人物有關的合作機會、潛在風險和重要訊號，並以洞察卡的形式呈現在人物檔案的「洞察」頁 (Gottman & Levenson, 1992; Le et al., 2010)。

3. 簡短的片段也帶有資訊

Ambady 與 Rosenthal 針對「依據不到五分鐘的表達行為觀察來預測社會心理學和臨床心理學中客觀結果」的準確性做了後設分析。在 38 個結果中，整體效果量為 r = .39。觀察時間較長並沒有帶來較高的準確性：根據不到半分鐘片段的預測，與根據四到五分鐘觀察的預測沒有顯著差異；準確性也不取決於評分所依據的管道（臉部、言語、身體或語調），或行為發生在實驗室還是較自然的情境中 (Ambady & Rosenthal, 1992)。

醫學領域提供了一個實地例子。研究者從每位外科醫師與兩位不同病人門診的第一分鐘和最後一分鐘中各擷取 10 秒片段，由不知道醫師求償狀況的編碼者評分。在控制內容之後，語調被評為較強勢的醫師，較可能曾有醫療過失求償（勝算比 2.74，95% 信賴區間 1.16–6.43）(Ambady et al., 2002)。

這些研究評分的是非語言和語音行為，評分者往往受過訓練。能遷移到文字對話的，是一個較窄的結論：簡短的片段也能帶有關於關係的真實資訊，而不是這些研究測量的具體線索。

這也是 Mars 洞察卡保留來源的原因：展開證據鏈就能讀到背後的原始引述，或一鍵跳回來源對話，讓觸發判斷的那句不起眼的話始終和判斷放在一起 (Ambady & Rosenthal, 1992)。

4. 邊界：關係難以預測，誤報代價高昂

至今最全面的一次關係預測檢驗，以機器學習（隨機森林）分析了來自 29 個實驗室的 43 個雙人縱貫資料集。關係品質最穩健的關係層面預測因子是知覺到的伴侶承諾、感激、性滿意度、知覺到的伴侶滿意度和衝突。這些變項在基線時最多能解釋 45% 的變異量，到每項研究結束時最多只能解釋 18%；而研究期間關係品質的變化，幾乎無法從任何自陳變項的組合中預測 (Joel et al., 2020)。關係的當下狀態可以部分讀出，它將走向哪裡則難預測得多。

自動化研究提供了第二層提醒。Parasuraman 與 Riley 區分了「誤用」和「棄用」：誤用指過度依賴，會導致監控失誤和決策偏誤；棄用指忽視自動化，常見原因是頻繁誤報的警報，而這往往是因為在設定誤報與漏報的取捨時沒有考慮待偵測狀況的基本率 (Parasuraman & Riley, 1997)。在一項有 32 名大學生參與的實驗中，容易誤報的自動化比容易漏報的自動化更損害整體表現，並同時影響了操作者的遵從和依賴 (Dixon et al., 2007)。

依據這些證據，Mars 把洞察呈現為附有依據的判斷，而不是對關係走向的預測。在聯絡人的「洞察」頁，可以按種類篩（機會、風險、洞察、需求、預算、決策），按狀態看（活躍、已退役、全部）。預設只顯示活躍洞察，已經失效的判斷不再混在裡面；想回看時選「已退役」，卡片會標出「已退役」(Joel et al., 2020; Parasuraman & Riley, 1997)。

5. 信任自動化判斷：在厭惡與過度依賴之間

自動化之所以常出問題，是因為人無法恰當地依賴它。Lee 與 See 的回顧認為，尤其當系統複雜到人無法完全理解時，信任決定了依賴；他們的概念模型也納入了呈現方式對信任的影響 (Lee & See, 2004)。一項系統性回顧納入 2002 年至 2013 年發表的 101 篇論文、127 項研究，把人對自動化的信任分為傾向性、情境性和習得性三層，並提出了促進恰當信任的設計建議 (Hoff & Bashir, 2015)。

依賴可能偏向「厭惡」。在五項研究中，看過演算法預測表現的人對演算法較沒有信心，也較不願意選擇它而不是一位表現較差的人類預測者，即使他們看到演算法勝過人類；原因是看到同樣的錯誤後，人對演算法失去信心比對人更快 (Dietvorst et al., 2015)。在另外三項研究中，當參與者可以修改演算法的預測時，即使只能小幅修改，他們使用不完美演算法的可能性都明顯提高，表現也因此更好 (Dietvorst et al., 2018)。一項納入 61 篇同儕審查文章的系統性回顧，把演算法厭惡的成因和對策歸納為五個主題，其中包括期望與專業知識、決策自主權 (Burton et al., 2020)。

依賴也可能偏向另一端。當決策輔助不完美時，自動化偏誤會同時造成遺漏錯誤和執行錯誤；它在新手和專家身上都會出現，訓練或指示都無法避免 (Parasuraman & Manzey, 2010)。解釋並不是簡單的解藥：在以三個資料集進行的使用者研究中，解釋並沒有放大 AI 輔助帶來的提升，反而提高了人們接受 AI 建議的機率，不論建議是否正確 (Bansal et al., 2021)。在一項有 199 名參與者的實驗中，迫使人們認真處理解釋的「認知強制」設計，比簡單的解釋更能減少過度依賴，但參與者對這些設計的主觀評價最低 (Buçinca et al., 2021)。

根據這些證據，Mars 不要求你信任一句空洞的結論。每張洞察卡都附證據鏈：你可以讀到原始引述，或一鍵跳回來源對話，把判斷和當時真正說過的話對照 (Lee & See, 2004; Hoff & Bashir, 2015)。檢視這些卡片、按種類和狀態篩選，始終是你自己的一步 (Dietvorst et al., 2018; Burton et al., 2020)。

6. 從證據到設計

上述發現共同勾勒出一款呈現關係訊號的工具應該做到的事：在互動本身中讀取訊號，讓每個判斷都和它出自的原話綁定，把判斷當作可以修正的結論而不是預測，並把決定留給人。Mars 的設計逐條對應如下：

1. 互動訊號預示關係結局 → 從日常溝通中提煉洞察你日常聊天或上傳會議轉寫時，Mars 自動識別與相關人物有關的合作機會、潛在風險和重要訊號，並以洞察卡的形式呈現在人物檔案的「洞察」頁 (Gottman & Levenson, 1992; Carrère & Gottman, 1999; Le et al., 2010)。
2. 簡短片段帶有資訊 → 回到原話的證據鏈每張洞察卡都附證據鏈：展開就能讀到原始引述，或一鍵跳回來源對話 (Ambady & Rosenthal, 1992; Ambady et al., 2002)。
3. 預測有上限，誤報削弱依賴 → 種類、狀態與已退役的判斷洞察可按時間排序，按機會、風險、需求等六類和狀態篩選；預設只顯示活躍洞察，已經失效的判斷不再混在裡面，回看時卡片會標出「已退役」(Joel et al., 2020; Parasuraman & Riley, 1997; Dixon et al., 2007)。
4. 恰當的依賴需要看得見的依據和人自己的判斷 → 有依據，而不是空洞的結論每個判斷都看得到依據，而不是一句空洞的結論，卡片由你按種類和狀態檢視；通話或見面前，會前簡報會把近期洞察與人物資訊分組、待辦提醒和過往對話匯整在一起 (Lee & See, 2004; Dietvorst et al., 2018; Burton et al., 2020)。

7. 限制與邊界

第一，本文引用的研究檢驗的是人如何互動、如何判斷以及如何依賴自動化，沒有一項檢驗的是 Mars。這些證據支持設計方向，但無法說明任何一則 Mars 洞察的準確程度；本文也不主張 Mars 洞察能改善關係結果，這需要另行評估。

第二，這些研究的樣本各有特定性：已婚和新婚夫妻 (Gottman & Levenson, 1992; Carrère & Gottman, 1999)、非婚戀愛伴侶 (Le et al., 2010)、門診中的外科醫師 (Ambady et al., 2002)、模擬監控任務中的大學生 (Dixon et al., 2007)，以及有誘因的預測任務中的參與者 (Dietvorst et al., 2015; Dietvorst et al., 2018)。把它們推廣到商業和社交關係以及其他文化時需要謹慎。外科醫師研究是相關研究，涉及的是過往的求償紀錄，而不是未來的求償 (Ambady et al., 2002)。

第三，關於預測的證據令人清醒。自陳報告只能部分預測關係品質，幾乎無法預測它的變化 (Joel et al., 2020)；薄片判斷的準確性是在非語言和語音管道上確立的，而不是在文字上 (Ambady & Rosenthal, 1992)。因此，對話中的訊號是值得留意的線索，而不是預測。

第四，展示證據並不保證恰當的信任。解釋可能讓人更容易接受錯誤的建議 (Bansal et al., 2021)，最能減少過度依賴的設計也最不受歡迎 (Buçinca et al., 2021)，專家同樣會受自動化偏誤影響 (Parasuraman & Manzey, 2010)。證據鏈只有被閱讀時才有用。所以 Mars 讓原始引述與每個判斷只隔一步，預設檢視中不顯示已經失效的判斷，並把決定留給你。

8. 結論

關係中的機會與風險，往往很早就在日常互動中留下痕跡，簡短的片段也能承載它們。但關係將走向哪裡仍然難以預測，誤報會削弱依賴，人對自動化判斷的誤判又是雙向的。Mars 的洞察卡、通往原始引述和來源對話的證據鏈，以及預設只顯示活躍洞察的檢視，正是依據這些證據設計的：它們把訊號連同依據一起呈現，把判斷留給閱讀它們的人。

參考文獻

依 APA 第 7 版格式列出；每筆皆附 DOI 原始連結。

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). 關係裡的機會與風險，能不能提前看見. MarsDataAI. https://marsdata.ai/zh-TW/research/signals-in-relationships