DOI: https://doi.org/10.1016/j.chb.2026.108945
تاريخ النشر: 2026-02-09
المؤلف: Jaime Banks
الموضوع الرئيسي: الذكاء الاصطناعي في تفاعلات الخدمة
نظرة عامة
تناقش هذه القسم التحديات في الفهم النظري والتجريبي لرفقة الآلات (MC)، خصوصًا في سياق الوكلاء الاصطناعيين القابلين للتخصيص (AICs) المصممين للعلاقات الاجتماعية والعاطفية. تسلط المراجعات المنهجية الحديثة الضوء على التناقضات في تصوّر وقياس MC، مما يستدعي الحاجة إلى نهج منظم. يتناول البحث هذه الفجوة من خلال تطوير والتحقق من أداة قياس جديدة تهدف إلى التقاط التجارب الدقيقة لـ MC، والتي تُعرف بأنها الاتصال المتطور، الذاتي الغرض، والمُعاش بشكل إيجابي بين البشر والآلات.
شمل البحث توليد مجموعة من العناصر من خلال طرق منهجية ومراجعة خبراء، والتي تضمنت أبعادًا مثل الثنائية، التنسيق، الذاتية، الزمنية، والقيمة الإيجابية. قدمت عينة من 467 مشاركًا يتفاعلون مع AICs ردودًا على هذه المجموعة من العناصر وقياسات إضافية للتحقق من البنية. كشفت تحليل العوامل الاستكشافية عن عاملين رئيسيين: التبادل الإيجابي والتنسيق الاتصالي. أكدت تحليلات التحقق من البنية اللاحقة، التي تم تأكيدها بعينة ثانية من 249 مشاركًا، أن هذه العوامل تعمل كما هو متوقع. أشارت التحليلات اللاحقة إلى وجود نموذجين متميزين لـ MC مع AICs: أحدهما اجتماعي-أداتي والآخر ذاتي الغرض.
مقدمة
تناقش مقدمة ورقة البحث العلاقة المتطورة بين البشر والآلات الاجتماعية، متتبعة جذورها من الأساطير القديمة إلى التفاعلات المعاصرة مع تقنيات الذكاء الاصطناعي التوليدي. أدت هذه التطورات إلى ظهور تقنيات رفقة الآلات (MC) التي تظهر قدرات تواصلية قابلة للمقارنة مع تلك الخاصة بالبشر. مع إظهار هذه الآلات القدرة على التعبير عن المشاعر، ونقل الهوية، وتوليف التاريخ العلاقي، يتم إدراكها بشكل متزايد كرفقاء شرعيين، وأحيانًا تتجاوز التفاعلات البشرية.
على الرغم من الاهتمام المتزايد بـ MC، لا يزال البحث التجريبي في هذا المجال محدودًا وغير متسق، مما يعيق تجميع الأدبيات الحالية وفهم تجارب MC، وأسبابها، وتأثيراتها. لمعالجة هذه الفجوة، يهدف البحث إلى تطوير والتحقق من مقياس قياس لتجارب MC بين مستخدمي رفقاء الذكاء الاصطناعي. يُظهر مقياس MC المقترح ذو العاملين، المكون من التبادل الإيجابي والتنسيق الاتصالي، نتائج تحقق واعدة، على الرغم من أن بعض الانحرافات تشير إلى وجود نموذجين متميزين لتجارب رفقة الذكاء الاصطناعي.
النتائج
في هذه الدراسة، تم إجراء تحليل العوامل الاستكشافية (EFA) لاستنتاج حل المقياس، والذي تم التحقق منه لاحقًا من خلال التحليلات الأولية واللاحقة لتقييم صلاحية البنية. تم تأكيد النتائج من EFA باستخدام مجموعة بيانات ثانية، حيث أكدت تحليل العوامل التأكيدية (CFA) هيكل العامل وكررت نتائج التحقق من البنية. تدعم هذه التحليلات مجتمعة قوة المقياس المقترح وبنيته الأساسية.
المناقشة
في هذا القسم، يعرف المؤلفون ويستكشفون مفهوم رفقة الآلات (MC)، مؤكدين على الحاجة إلى تعريف تشغيلي واضح يميز بين تصميم الآلة والديناميات العلائقية بين البشر والآلات. يجادلون بأنه بينما يمكن أن تخدم الآلات أغراضًا اجتماعية وعاطفية، يجب فهم الرفقة الحقيقية كظاهرة علائقية تتطور بمرور الوقت وتكون إيجابية ذاتيًا. يتبنى المؤلفون تعريفًا من بانكس ولي (2025)، يصف MC بأنه “اتصال ذاتي الغرض ومنسق بين إنسان وآلة يتطور بمرور الوقت ويكون إيجابيًا ذاتيًا.” يبرز هذا التعريف القيمة الجوهرية للعلاقة، والجهود المتبادلة المعنية، وأهمية التجارب الذاتية في تقييم الرفقة.
ينتقد المؤلفون الأساليب الحالية للقياس لـ MC، مشيرين إلى أن العديد منها يركز على وظائف الآلات بدلاً من الجوانب العلائقية. يحددون فجوة في الأدبيات بشأن التجارب الذاتية للمستخدمين الذين يتفاعلون مع الذكاء الاصطناعي المحادثاتي، مما يؤدي إلى تطوير مقياس قياس جديد يستند إلى تجارب المستخدمين. يهدف هذا المقياس إلى التقاط تعقيدات العلاقات بين البشر والآلات، مع التركيز على الديناميات العلائقية بدلاً من الآلات نفسها. يوضح المؤلفون منهجيتهم لتطوير مجموعة العناصر، وتجنيد المشاركين، والتحقق من البنية، ويقدمون في النهاية حلاً ذو عاملين—التبادل الإيجابي والتنسيق الاتصالي—الذي يعكس الطبيعة متعددة الأبعاد لـ MC. تدعم الاختبارات الأولية للصلاحية التقاربية قدرات المقياس التنبؤية، مما يشير إلى إمكانيته في تعزيز فهم رفقة الآلات في السياقات الاجتماعية.
القيود
تتعدد قيود هذه الدراسة حول تطوير مقياس رفقة الآلات، بما في ذلك التركيز على نوع محدد من الآلات القابلة للرفقة، الاعتماد على المشاركين الناطقين بالإنجليزية، وعدم التناسق الطفيف بين العينات. يؤكد المؤلفون على ضرورة التحقق عبر الثقافات والترجمة لضمان قابلية تطبيق المقياس خارج سكان الولايات المتحدة والمملكة المتحدة، حيث تشكل المعايير الثقافية بشكل كبير تصورات الآلات الاجتماعية والعلاقات. بالإضافة إلى ذلك، قد يكون الانتشار غير المتوقع لمستخدمي نماذج اللغة الكبيرة (LLM) في العينات قد أثر على النتائج، مما يشير إلى الحاجة لمزيد من الاستكشاف حول كيفية تأثير أنواع مختلفة من الآلات القابلة للرفقة، مثل الروبوتات الاجتماعية ومساعدي الصوت، على أنماط التفاعل المتميزة.
على الرغم من هذه القيود، تسهم الدراسة في فهم رفقة الآلات (MC) من خلال تمييزها عن أسبابها ونتائجها، مثل الدوافع والوحدة. تتحدى النتائج الافتراض بأن MC يرتبط مباشرة بالوحدة، مما يتماشى مع الأدبيات الحديثة التي تقترح علاقة أكثر تعقيدًا. يجب أن تبحث الأبحاث المستقبلية في الآليات التي من خلالها يتفاعل الأفراد مع رفقاء الذكاء الاصطناعي (AICs) وتعتبر آثار هذه التفاعلات على العلاقات البشرية. تدعو الدراسة أيضًا إلى إعادة تقييم الإطار المفاهيمي المحيط بـ MC، خصوصًا فيما يتعلق بالتوازن بين الروابط الذاتية الأغراض والدوافع النفعية، مما يبرز الحاجة إلى بنية نظرية تستوعب الجوانب الاجتماعية والوظيفية للآلات القابلة للرفقة.
DOI: https://doi.org/10.1016/j.chb.2026.108945
Publication Date: 2026-02-09
Author(s): Jaime Banks
Primary Topic: AI in Service Interactions
Overview
This section discusses the challenges in the theoretical and empirical understanding of machine companionship (MC), particularly in the context of customizable artificial agents (AICs) designed for socioemotional relationships. Recent systematic reviews highlight inconsistencies in the conceptualization and measurement of MC, prompting the need for a structured approach. The study addresses this gap by developing and validating a new measurement tool aimed at capturing the nuanced experiences of MC, defined as the unfolding, autotelic, and positively experienced connection between humans and machines.
The research involved generating an item pool through systematic methods and expert review, which included dimensions such as dyadism, coordination, autotelicity, temporality, and positive valence. A sample of 467 participants interacting with AICs provided responses to this item pool and additional construct validation measures. Exploratory factor analysis revealed two primary factors: Eudaimonic Exchange and Connective Coordination. Subsequent construct validation analyses, confirmed with a second sample of 249 participants, demonstrated that these factors function as anticipated. Post hoc analyses indicated the existence of two distinct templates for MC with AICs: one that is socioinstrumental and another that is autotelic.
Introduction
The introduction of the research paper discusses the evolving relationship between humans and social machines, tracing its roots from ancient myths to contemporary interactions with generative AI technologies. These advancements have led to the emergence of machine companionship (MC) technologies that exhibit communicative capabilities comparable to those of humans. As these machines demonstrate the ability to express emotions, convey identity, and synthesize relational histories, they are increasingly perceived as legitimate companions, sometimes even surpassing human interactions.
Despite the growing interest in MC, empirical research in this area remains limited and inconsistent, hindering the synthesis of existing literature and the understanding of MC experiences, their antecedents, and effects. To address this gap, the study aims to develop and validate a measurement scale for MC experiences among users of AI companions. The proposed two-factor MC scale, consisting of Eudaimonic Exchange and Connective Coordination, shows promising validation results, although some deviations indicate the presence of two distinct templates for AI companionship experiences.
Results
In this study, an exploratory factor analysis (EFA) was performed to induce the scale solution, which was subsequently validated through primary and post-hoc analyses to assess construct validity. The findings from the EFA were further corroborated using a second dataset, where confirmatory factor analysis (CFA) confirmed the factor structure and replicated the results of the construct validation. These analyses collectively support the robustness of the proposed scale and its underlying constructs.
Discussion
In this section, the authors define and explore the concept of Machine Companionship (MC), emphasizing the need for a clear operational definition that distinguishes between the machine’s design and the relational dynamics between humans and machines. They argue that while machines can serve social and emotional purposes, true companionship must be understood as a relational phenomenon that evolves over time and is subjectively positive. The authors adopt a definition from Banks and Li (2025), characterizing MC as “an autotelic, coordinated connection between a human and machine that unfolds over time and is subjectively positive.” This definition highlights the intrinsic value of the relationship, the mutual efforts involved, and the importance of subjective experiences in assessing companionship.
The authors critique existing measurement approaches for MC, noting that many focus on the machines’ functionalities rather than the relational aspects. They identify a gap in the literature regarding the subjective experiences of users interacting with conversational AI, leading to the development of a new measurement scale grounded in users’ experiences. This scale aims to capture the complexities of human-machine relationships, emphasizing the relational dynamics rather than the machines themselves. The authors detail their methodology for item pool development, participant recruitment, and construct validation, ultimately presenting a two-factor solution—Eudaimonic Exchange and Connective Coordination—that reflects the multidimensional nature of MC. Initial tests of convergent validity support the scale’s predictive capabilities, indicating its potential to advance understanding of machine companionship in social contexts.
Limitations
The limitations of this study on the development of a machine companionship scale are multifaceted, including a focus on a specific type of companionable machine, reliance on English-speaking participants, and mild inconsistencies between samples. The authors emphasize the necessity for cross-cultural and translational validation to ensure the scale’s applicability beyond U.S. and U.K. populations, as cultural norms significantly shape perceptions of social machines and relationships. Additionally, the unexpected prevalence of large language model (LLM) users in the samples may have influenced the findings, suggesting a need for further exploration of how different types of companionable machines, such as social robots and voice assistants, may yield distinct interaction patterns.
Despite these limitations, the study contributes to the understanding of machine companionship (MC) by distinguishing it from its antecedents and outcomes, such as motivations and loneliness. The findings challenge the assumption that MC directly correlates with loneliness, aligning with recent literature that suggests a more complex relationship. Future research should investigate the mechanisms through which individuals engage with artificial intelligent companions (AICs) and consider the implications of these interactions on human relationships. The study also calls for a reevaluation of the conceptual framework surrounding MC, particularly regarding the balance between autotelic connections and utilitarian motivations, highlighting the need for a theoretical infrastructure that accommodates both the social and functional aspects of companionable machines.