在卫生保健方面，客户持续和积极地参与治疗和护理对实现最佳健康结果至关重要[ 1(例如，在抑郁症和糖尿病等慢性病的管理方面)，而且还促进在预防医学方面持续改变行为和生活方式。然而，与零售或酒店等其他环境相比，医疗保健环境至少在两个方面是独一无二的:(1)大多数健康问题的高度个人化、敏感、情绪化和潜在高风险的性质;(2)许多治疗方法和客户与各种社会医疗保健角色的接触的人际性质[ 2]。

由于卫生保健专业人员监测和促进病人参与治疗的人力和财政资源有限[ 3.]，各种新型数字卫生技术的发展正日益支持使客户能够在临床环境之外的每个阶段负责自己的健康的努力。在这些数字创新中，医疗聊天机器人(即基于文本的对话代理)尤其受到了热烈欢迎。据说聊天机器人可以简化和“人性化”获得数字医疗服务，即使在纵向设置中也是如此。 4， 5]，因为它们模仿了自然的医患对话，在这种对话中，客户通过类似信使的用户界面进行自然的、基于文本或语音的人际交流[ 6]。担当“数码教练”的角色[ 7，他们可以发展出一种 情感的纽带与客户在日常生活和治疗环境中提供支持，而不是随时随地的现场咨询[ 8]。然而，维持与聊天机器人的互动带来了新的挑战，并提出了一个问题，即哪种设计选择首先促进了与聊天机器人的互动和情感联系[ 9， 10]。

工作联盟——通常也被称为治疗或帮助联盟——最初是为心理治疗环境而开发的，是心理健康障碍临床环境中治疗师-来访者合作的关键结构，反映了来访者和卫生专业人员之间的协作质量[ 11]。工作联盟与患者的参与、保留密切相关。 12， 13]和治疗成功[ 14， 15]，并包含三个子维度[ 16]： 治疗的目标和 治疗任务健康专业人员和客户共同同意"在一个 情感的纽带或积极的依恋" [ 17]。这种情感纽带包括心理健康专业人员和客户之间的同情、人际亲密、熟悉、信任或共同目标和理解[ 14]。在社会心理学中，两个社会行为者之间的联系、关系、依恋、亲密和亲密通常被纳入人际亲密的心理学概念[ 18]。心理健康专业人员与客户之间的人际亲密关系和可持续情感纽带的发展在很大程度上取决于面对面心理治疗中持续的个人接触[ 14， 15]、网上治疗[ 19， 20.]，或远程咨询[ 21]。

最近一项针对36,070名文本聊天机器人Woebot用户的研究发现，客户可能会在5天内与聊天机器人建立工作联盟[ 22]。然而，虽然有大量的工作描述了设计选择如何或哪些选择影响了情感纽带的发展 体现会话代理(可以使用更多的非语言线索，如模仿和手势来传达人际关系的亲密程度) 23])，我们仍然不清楚哪种设计选择能够培养玩家的情感联系 基于文本的聊天机器人( 24]。

社会反应理论下的研究，也被称为 计算机是社会行动者范式或媒体方程式已经证明，个体将表现出类似人类社会线索的对话代理拟人化[ 25]，把他们当作社会行动者[ 26]，并有能力与他们发展关系[ 22]。先前的研究表明，聊天机器人的社会角色构成了一个这样的线索，可以“使人们对计算产品的社会存在做出推断”[ 27]，这可能有助于引发社会反应[ 28]。

然而，在实践中，聊天机器人经常被无意识地设计成“扮演传统上与人类相关的社会角色”[ 29例如，在Woebot的案例中，它是治疗师的角色，在Florence聊天机器人的案例中，它是护士的角色。然而，从理论上讲，人们还没有很好地理解聊天机器人所扮演的社会角色实际上如何影响客户与聊天机器人的关系，从而影响客户与聊天机器人之间的情感纽带以及客户使用聊天机器人的意图。

通过这项研究，我们旨在通过以下方式缩小这一差距:首先，调查哪些设计选择允许聊天机器人的社会角色的表现(研究问题1)，以及聊天机器人的社会角色如何影响用户与聊天机器人的情感联系以及他们使用聊天机器人的意图(研究问题2)。其次，我们探索了个人的人口统计资料(即性别和年龄;研究问题3)和自由选择聊天机器人的社会角色的选项会影响这些评估(研究问题4)。

社会角色理论“关注的是三个概念:社会行为的模式和特征，社会参与者所假定的部分或身份，以及为所有人所理解并为表演者所遵守的行为脚本或期望”[ 30.]。社会角色理论长期以来一直应用于医疗保健，以理清医患关系中的沟通和权力动力学[ 31， 32并更好地理解医生和客户如何使用特定的社会沟通脚本来驾驭他们不同的社会角色和互动[ 33- 37]。

将聊天机器人视为社会行动者(参见社会反应理论)，个体也可以期望将现成的人类社会脚本应用于与聊天机器人的互动，特别是当特定线索表明它扮演特定角色时。 27， 38]。先前的概念会话代理研究已经开发了不同类型聊天机器人的分类法、类型学和分类，例如，区分特定领域或通用用途的聊天机器人[ 39]，适用于特定应用(例如企业对企业客户服务)[ 40和医疗保健[ 41])，以作不同用途[ 42， 43]，适用于单用户或多用户用例[ 44， 45]，或在特定时期[ 46]。然而，迄今为止，相对较少的概念性研究讨论了聊天机器人如何模拟一个整体的、特定于领域的社会角色，以及这种社会角色如何影响用户评估。在电子商务背景下，McGoldrick等[ 47]确定并调查了虚拟销售代理的三种可能角色(即朋友、私人买家或助手)，发现助手角色最受欢迎，其次是朋友角色。同样，李承晚和崔 48研究了两种可能的角色(即朋友或秘书)对语音推荐代理的影响，发现当一个产品由朋友角色推荐时，消费者对它的评价会更有利。另一项关于对苹果语音助手Siri的看法的研究发现，当参与者将Siri视为同事而不是主管或朋友时，他们对Siri的态度更有利。 49]。然而，在数字医疗保健环境中，我们不知道之前有任何研究调查了个人对医疗保健聊天机器人所扮演的社会角色的态度如何促进或对抗与聊天机器人的情感联系的发展以及他们使用聊天机器人的意图。

《美国心理学会心理学词典》对社会角色的定义是:“在社会环境中担任特定职位或履行特定职能的个人所应具备的一系列态度和特征行为，如配偶或照顾年迈的父母”[ 50]。为此，社会角色理论认为，对特定社会角色的感知是由一组角色典型的社会线索(例如，使用行话和商务着装)触发的，个人潜意识地寻找这些线索来定位自己，并了解彼此关系的潜在结果或目标。 51]。为了在特定的遭遇中履行社会角色——无论是客户与治疗师，护士与客户，老板与员工，等等——人们无意识地表现出他们已经学会的仪式化的社会行为，这些行为适合于这种类型的遭遇。 51]。

客户在现实世界的卫生保健环境中遇到的典型社会角色包括，例如，了解其病情的医学专家、具有相同病情的支持性同伴、为其提供卫生保健服务的机构，以及必须根据这种情况采用自己的社会角色的客户本身。后一种角色的概念化和可操作性来自于人们通过内部对话(即与“对话自我”)与自己对话的倾向。这是因为人们知道，通过独白式的、目标导向的自我对话(例如，“我相信你!”)或与一个或多个想象的对话者进行更多沉思和反思的内部对话，人际沟通可以提供自我调节功能。 52]。总的来说，这些社会角色可以在人际关系亲密连续体上概念化，范围从极远(即机构)，相当远(即专家)，相当近(即同伴)到极近(即客户的对话自我)的社会角色。

会话代理可用的社交、人际亲密线索包括(1)视觉线索(如虚拟形象)，(2)语言风格线索(如称呼形式)，(3)非语言风格线索(如表情符号)，以及(4)语言关系内容线索(如自我表露和笑话)[ 53]。为了概述人际亲密线索及其影响的实证研究，我们对迄今为止的文献进行了系统的分析。具体来说，最近发表的两篇关于具身会话代理设计特征的系统文献综述中包含了116篇研究文章[ 23]和基于文本的聊天机器人[ 24]分别对纳入研究的线索类型和结果变量进行了分析(表S1和S2) 多媒体附录1）.文章被纳入详细的分析，如果他们提出了至少一个实证或实验研究，调查人际亲密线索对用户评估或客户-代理关系的影响。例如，将聊天机器人与网站进行比较或评估整体系统质量对用户对会话代理的评价的影响的研究被排除在分析之外。总共可以分析的研究有47篇，其中包含32篇关于具身会话代理的研究，15篇关于基于文本的会话代理的研究。表S1和表S2 多媒体附录1产生所有纳入研究的描述性细节和分类结果。

定量分析表明，大多数研究(76.6%)要么调查了视觉线索的影响，如抽象形象与人类形象[ 54];适合角色的服装[ 55， 56];所体现的人物的性别、年龄或种族(例如，Alsharbi和Richards [ 57]);或非语言风格线索，如移情与非移情的面部表情[ 58， 59]或表情符号(如Beattie等)[ 60]和Fadhil等人[ 61])。另一个相当大的份额，占所有研究的46.8%，分析了口头关系内容线索的影响，如自我披露(例如，Ho和Hancock [ 62]以及康和格拉奇[ 63])或共情反馈(如Liu和Sundar [ 64])。同样，44.7%的文章调查了语言风格线索，如称呼的形式(如Bickmore和Picard [ 65[a]， t / v ( 你/你们)的区别(即第二人称代词“你”的正式和非正式形式)[ 66])，或副语言和反向线索[ 67]。

虽然这些文章中的一些研究了这些线索的组合或相互作用，但之前没有研究调查过如何使用它们来设计整体聊天机器人角色，这些角色是基于各种人际亲密线索的适应来模拟特定的人类社会角色的。

通过统一社会角色理论和社会反应理论， 假设1研究结果如下:我们期望医疗聊天机器人可以被设计成通过使用有目的选择和不同表现的人际亲密度线索的组合来模拟不同亲密度的社会角色。

考虑到人际亲密度结构与工作联盟的情感纽带子目标密切相关，并且考虑到人际亲密度至少部分由聊天机器人在与客户接触时所扮演的社会角色决定， 假设2研究结果如下:与较远的社会角色(如专家或机构)相比，预计扮演较近社会角色(如同伴或对话自我)的聊天机器人将改善感知到的人际亲密度、与聊天机器人的情感联系以及使用聊天机器人的意愿。

而个人的个人特征，如人口因素[ 68或他们与生俱来的将物体拟人化的倾向[ 69]，可能会决定性地影响他们体验人际亲密的能力，在聊天机器人的设计中，“一刀切”的方法往往仍然盛行[ 70]。然而，个性化和定制化是世界各地的公司用来解释个人特征或偏好的常用策略[ 71， 72]。

个性化是指自动定制服务产品，例如，根据偏好、过去的使用行为[ 73]，或顾客的人口特征[ 70， 74]，“通常基于先前收集的客户资料”[ 72]。虽然聊天机器人针对用户特征的个性化仍处于起步阶段，但它已经与更高的用户满意度、用户参与度和对话质量联系在一起[ 75]并被认为是使对话主体适应患者在疾病不同阶段不断变化的需求的重要因素[ 76]。

鉴于已发现人口统计学特征(即年龄和性别)以不一致的方式影响用户对会话代理的评估[ 47， 68， 74]， 假设3预计人口统计资料(即性别和年龄)将影响感知的人际亲密度，与聊天机器人的情感联系以及使用聊天机器人的意图。

当个人有机会主动选择不同的选项时，例如不同的聊天机器人角色或其中的特定设计元素，就会发生定制[ 72]。众所周知，强制使用自助服务技术(例如强制通过售票机或互联网检索信息)会对用户的评价和采用该技术的意图产生强烈的负面影响[ 77定制选项与更高的客户满意度和忠诚度有关[ 78]。

虽然自由选择与感知或与对话代理建立关系的过程之间的联系之前尚未建立， 假设4结果如下:用户感知到的人际亲密度、与聊天机器人的情感联系以及使用聊天机器人的意愿，与被强制的选择相比，自由的选择会增加，而不是减少。

我们进行了一项基于网络的实验，以调查医疗聊天机器人的社会角色(即假设2)、参与者的人口统计资料(即性别和年龄;假设3)，以及自由选择聊天机器人角色(即假设4)的感知人际亲密度，情感纽带的发展以及使用聊天机器人的意图。根据提交网上电子调查结果核对表[ 101]，我们将详细概述研究的设计和程序。

实验设计符合4(聊天机器人角色:机构、专家、同伴或对话自我)x2(参与者性别:女性或男性)x2(参与者年龄:年轻或年长)组间设计。样本进一步分为两个实验亚组:(1)5名参与者中有4名(80%)被随机分配到“无选择组”，在该组中，他们被随机分配到一种聊天机器人条件，介绍到场景中(图S1) 多媒体附录1)，然后提供角色描述( 表1(2)五分之一(20%)的参与者被分配到一个“自由选择组”，在这个组中，他们可以先阅读描述，然后自己自由选择一个聊天机器人角色(图S2) 多媒体附录1）.然后，两组人都被要求与他们指定的或自己选择的聊天机器人进行互动。 图2说明研究设计。

参与者是通过在线小组提供商Talk online panel招募的，并根据供应商基于积分的激励系统对他们的努力进行奖励。整个研究于2017年7月在德国进行。小组供应商通过电子邮件向参与者发送了一个匿名的封闭调查链接。在提供关于研究条件的知情同意后，对参与者进行资格筛选(即18岁或以上和母语为德语的人)。

在完成一份询问人口统计和社会经济数据的介绍性问卷后，参与者被介绍到一个场景中(图S1) 多媒体附录1在这项研究中，他们被要求测试一个促进人格改变干预的医疗聊天机器人原型。数字生活方式干预使我们能够与更多样化的健康个体样本一起工作，这些个体不必想象自己患有慢性病。

在与各自的聊天机器人互动后，参与者被重新引导完成问卷调查，包括所有结果变量和操作检查，并听取实验目的的汇报。参与者平均花费15 - 62分钟完成调查(平均30.23分钟，标准差9.13分钟)。

实验刺激是基于一个虚构的医疗聊天机器人的原型设计的，该机器人促进了人格改变干预，改编自Stieger等人[ 102]。出于标准化的目的，与聊天机器人的交互是纯粹基于文本的(即，没有语音输入或输出)，并遵循基于规则的会话脚本和预定义的答案选项。对话的内容是基于干预的“头两天”和“最后一天”的虚构脚本，这使我们能够包含全面健康干预的基本要素(例如，介绍、目标一致、任务一致和反馈)。所有辅导元素均以专家辅导风格设计。专家辅导是指由经验丰富的教练透过提供“自我评估工具及建设性反馈”，协助“受辅导者”进行的一种教学辅导。[ 103]。双向同伴指导式干预需要相似水平的经验和相互、互惠的学习目标[ 103]，这并不适用于我们的情况。

我们首先创建了一个最小可行的对话脚本“骨架”版本，其中包含了典型的干预元素。在第二步中，为了诱导聊天机器人各自的社会角色，我们系统地操纵脚本，根据概念派生的代码本( 图1）.除了不同的虚拟形象，实验操作只涉及通过添加，编辑或删除语句和特定术语或表情符号来调整会话脚本。

在调查中，所有的角色都是这样介绍的(翻译成英文):“[chatbotName]是由苏黎世大学的研究人员、专家和心理治疗师开发的‘数字教练’，根据多年来对‘人格发展’研究的最新发现，它配备了各种技能。’”这句话之后是对人物角色的具体描述，如图所示 表1．

由于大多数人际亲密线索在制度条件下不存在，该条件下的脚本明显短于所有其他条件(制度:51个聊天机器人语句和32个用户响应;专家:73个聊天机器人语句和46个用户响应;Peer: 77个聊天机器人语句和48个用户响应;对话自我:74个聊天机器人语句和45个用户回复; χ²_3.= 10.5, P= .02点)。然而，方差分析(ANOVA)显示没有显著差异( P= 0.35)，各组与各自聊天机器人的平均互动时间(平均16.0分钟，标准差7.11分钟)。由于与聊天机器人的互动是自定节奏且无人监督的，这说明了参与者在不同条件下与所有聊天机器人的可比性。 图3描述与四个聊天机器人角色的入职对话摘录。

整个研究是通过基于网络的调查工具SoSci survey进行的。为了全面定制医疗聊天机器人，我们使用开源软件平台MobileCoach构建了自己的聊天应用原型[ 104]。然后使用虚拟化服务Appetize.io将聊天应用程序部署在基于web的智能手机模拟器中。因此，应用程序可以显示在问卷中，但在一个专门的，单独的调查页面上;参与者不需要在手机上下载和安装应用程序，而是可以专注于基于网络的互动，并无缝地继续进行调查。有关研究环境和研究原型的屏幕截图，请参见图S3 多媒体附录1．

可用性测试由一名计算机工程师、两名聊天机器人研究人员和两名领域专家进行，他们定性地评估并确认了聊天机器人角色和研究设计的真实性。此外，完整的研究设置经过两次迭代，由22名来自作者网络的先前未参与的个人进行预测试，以确保可理解性和技术功能。

效能分析的依据是现有的几项关于具身会话代理的研究，这些研究调查了关系线索对情感纽带和使用意图的影响[ 65]。使用G* power(3.1版;塞尔多夫海因里希·海涅大学)建议我们需要招募250名参与者才能找到中等效果( f=0.25)，组间固定效应的方差分析在α=。0.05水平显著性，统计能力为0.80。数据运行后，251名应答者被纳入最终分析(自由选择组:n=49, 19.5%;无选择组:n=202, 80.5%)。参与者年龄从19岁到65岁(平均41.15岁，标准差13.87岁)，女性占总样本的57.0%(143/251)。

所有测量均采用已建立的多项目或单项目量表;感知的人际亲密度是用“自我包含他人”量表来测量的[ 18]，一种既定的、可靠的图像工具，用来衡量主观感知的亲密关系[ 105]。情感纽带(Cronbach α= 0.900)是基于基于技术的医疗保健干预工作联盟量表的纽带子量表来测量的[ 106]。使用意愿(α=.952)是根据技术接受模型改编的量表来测量的[ 107]。中的表S3提供了完整的测量列表 多媒体附录1．操纵检查项目在设计线索水平上进行测量，并仔细起草和预先测试，以捕获每个被操纵的人际亲密线索的感知 多媒体附录1）.人口统计数据包括参与者的年龄、性别和母语。

当构念包含多个项目时，进行信度分析以辨别所有构念得分大于0.70阈值的Cronbach α [ 108]。为了检验聊天机器人角色、参与者性别和参与者年龄对所有结果变量(即假设2和3)的主要影响和交互影响，我们进行了一个具有III型平方和的多变量方差分析(MANOVA)，其中偏平方( η_p ²)表示影响的大小。进行第二次方差分析以检验选择类型、参与者性别和参与者年龄对所有结果测量的影响(即假设4)。参与者年龄使用中位数分割进行虚拟编码:1=小于40岁(n=122, 48.6%)， 2=40岁或以上(n=129, 51.4%)。如果发现显著影响，则对每个结果测量进行单变量方差分析，然后按照Field等人描述的程序进行bonferroni校正两两比较[ 109]。由于我们对主效应和交互效应的假设水平不一，在发生显著交互作用的地方，我们研究了最高阶交互作用，而不是低阶交互作用或主效应[ 110]，也遵循Field等人概述的指导[ 109]。

为了符合道德标准，我们采用了以下程序。在研究开始之前，所有参与者都收到了关于研究项目、参与的好处和风险的书面信息。此外，他们被告知有权拒绝或撤销同意而无需说明理由，他们有权在研究过程中随时退出参与研究，他们有权在联系研究小组时随时收到答复进一步问题的信息。他们还收到了关于研究项目主要资金来源的透明信息，以及他们在研究期间将与之互动的聊天机器人只是一个最小可行的原型的透明信息。在评估之前和与原型交互之前获得知情同意。在研究结束时，参与者被告知研究的实际目的。

根据苏黎世联邦理工学院伦理委员会关于人体受试者研究的合规指南[ 111]，本研究不需要伦理批准，原因如下:

单独的方差分析证实了聊天机器人角色在地址形式( P= .02点, η_p ²=0.052)，专业术语( P= .006, η_p ²=0.063)， T/V区分( P<措施, η_p ²=0.578)，闲聊( P= .003, η_p ²=0.070)，自我表露( P<措施, η_p ²=0.289)，表情符号的使用( P<措施, η_p ²=0.320)，幽默( P<措施, η_p ²=0.173)，元关系对话( P= .003, η_p ²=0.072)，而不是移情交流( P=。31, η_p ²=0.018)或问候( P=。 η_p ²= 0.006)。图S4 (a-j) 多媒体附录1说明了聊天机器人角色之间的感知差异。除了移情交换和问候外，由于人际亲密线索的操纵是预期的，结果为假设1提供了部分支持。

在自由选择组中，卡方拟合优度检验显示，对聊天机器人角色的偏好具有统计学意义( χ²_3.= 31.4, P<.001)，大多数人(29/ 49,59%)选择人际关系密切的同伴聊天机器人，相比之下，8名参与者(16%)选择人际关系较远的机构或专家聊天机器人。只有4名参与者(8%)选择了极其亲密的自我对话聊天机器人。此外，跨性别选择效应在专家、同伴和对话自我版本中显著( χ²_3.= 4.1, P= .04点,Cramer V= 0.318)。总共有84%(16/19)的女性参与者选择了女性角色，而只有45%(10/22)的男性参与者选择了男性角色。

为了检验自由选择与强制选择的影响，我们指定了另一个MANOVA模型，其中包括选择类型、参与者性别和参与者年龄，与之前相同的结果测量;然而，我们只比较了对同伴聊天机器人的看法，因为自由选择组中的机构、专家和对话自我聊天机器人的群体规模可以说是很小的。

方差分析揭示了选择类型的显著主效应(Wilks λ= 0.802, F_{3, 71}= 5.856, P=措施, η_p ²=0.198)，但与被试性别( P= 0.55)或年龄( P分别= . 21)。表5 多媒体附录1提供了方差分析结果的概述。随后对每个结果变量指定相同因素的单因素方差分析证实了选择类型对所有结果变量的显著主效应。有关概述，请参见表S6 多媒体附录1．事后两两比较显示，可以自由选择同伴聊天机器人的参与者对聊天机器人的评价始终优于被迫与之互动的参与者;例如，在自由选择组中，与同伴聊天机器人的情感联系的平均得分为5.28(标准差0.89)，而在无选择组中，平均得分为4.54(标准差1.10)。同样，自由选择聊天机器人的参与者比没有选择聊天机器人的参与者感觉更接近聊天机器人(平均差为1.613,SE 0.466; P=.001)，并且他们更有可能打算使用它(平均差异1.294,SE 0.324; P<措施)。综上所述，假设4得到了支持。

我们为具有不同社会角色的聊天机器人设计的代码本提供了一种新颖的方法，可以沿着人际亲密连续体设计聊天机器人，其灵感来自客户在其客户旅程中遇到的不同社会医疗保健角色:基于网络的实验结果表明，聊天机器人的模拟社会角色会影响用户的感知，并根据用户的人口统计资料发展情感纽带。由于聊天机器人角色对结果测量的主要影响并不显著，我们的研究加强了在开发通用的一刀切设计(即假设3)之前考虑用户特定因素的建议。

具体来说，我们发现在对聊天机器人的评估中存在显著的年龄差异，也就是说，年龄较大的参与者对对话自我角色的评价明显比年轻的参与者更积极，而年轻的参与者始终更喜欢专家角色。我们假设年轻的参与者看重来自较远的“权威角色”的指导[ 27)，年长的用户似乎对在自己身上寻找指导的想法更感兴趣。由于老年也与更多的生活经历有关，因此，对生活有更多的知识和判断，以及计划、管理和理解生活的方式[ 112)，年长的参与者可能比年轻的参与者更相信自己的专业知识。因此，老年参与者对自我对话聊天机器人的积极接受可能表明，医疗聊天机器人模仿自我对话和内心对话的潜力尚未开发。改变人们思考和自言自语的方式是认知行为疗法的一个基本原则。 113]，这种方法通常在许多基于web的[ 114]和基于聊天机器人的心理健康干预[ 115]。让聊天机器人明确模仿人的内心声音是一种创新的方法，可以帮助客户体验积极的自我对话的外观和感觉。

最后，我们的研究表明，让个人在一系列呈现的聊天机器人角色之间进行选择会对他们的聊天机器人偏好产生影响(即假设4)。具体而言，在我们的研究中，我们发现自由选择显著提高了参与者对同伴聊天机器人的看法。这加强了我们的建议，即即使是简单的定制和个性化选项也值得额外的努力。 71， 75]。根据对聊天机器人提出的调查问题的回答，可以很容易地在登录过程中获得必要的用户信息，如性别和年龄。

这项工作有几个局限性，指出未来的研究方向，研究人员可以抓住。

首先，尽管采用了严谨的科学方法，通过操纵源自先前研究的一整套人际亲密线索，开发了四种不同的聊天机器人角色，但概念化的社会角色只能被视为设计原型。未来的实验可以检查概念化的社会角色的细微差别，以及哪些设计线索与客户对社会角色的感知最相关(研究方向1)。此外，我们的场景涵盖了提供特定类型健康干预的医疗保健聊天机器人。鉴于生活方式干预中提供者-客户关系中的社会角色动态在本质上可能与其他健康干预(即高度敏感、情绪化、个人和人际关系强烈)相似，未来的研究可以明确比较不同健康背景下的差异，例如，不同慢性疾病的医疗保健聊天机器人与预防保健聊天机器人之间的差异(研究方向2)。

其次，我们研究的另一个局限性是仅限于18至65岁的讲德语的人群。针对这个年龄范围以外的年轻或年长客户(例如，患有痴呆症的老年人)的数字干预措施[ 76或患有儿童肥胖症的年轻患者[ 116])可能需要不同的设计、内容和聊天机器人的功能(研究方向3)。例如，一个患癌症的老年客户与同伴聊天机器人的人际关系可能是另一种关系，而不是一个孕妇与“怀孕”的同伴聊天机器人的关系。因此，根据卫生保健环境、疾病或疾病的特定阶段[ 76]，未来的研究可以进一步探索医疗保健聊天机器人可以扮演的有趣的专业社会角色，如专业人员(即护士、助产士、物理治疗师、药剂师等)和医疗保健社会工作者，他们可以帮助减轻慢性疾病的经济、社会和心理负担。聊天机器人可以扮演的其他社会角色可以是家庭成员，例如，在数字儿科或伴侣健康干预中(研究方向4)。

第三，另一个需要考虑的问题是客户-聊天机器人关系的持续时间。在我们的实验中，参与者与一个聊天机器人原型进行互动，该原型以延时方式模拟了三个非连续的“天”虚拟医疗干预，只有大约16分钟。然而，随着时间的推移，关系的深度和广度会发展和变化[ 95]。因此，我们检测到的影响可能反映了参与者对聊天机器人的初始影响水平，这也解释了较小的效应大小。未来的研究可以在一个完全可操作的原型中检查聊天机器人的社会角色的影响(研究方向5)，以调查用户对社会角色的评估随时间的变化(研究方向6)或在客户旅程的各个阶段选择适当的社会角色(研究方向7)。未来的研究还可以检查聊天机器人的社会角色最终对实际治疗结果的影响(研究方向8)。这取决于医疗环境。例如，类似于人与人之间的互动，一些社会角色可能更适合沟通危及生命的诊断，而另一个社会角色可能更适合帮助客户每天监测特定的重要参数。最终，我们的实验设计只允许我们测量行为 意图,这并不一定会转化为行为(例如，意图-行为差距[ 117])。未来的实地实验应该研究聊天机器人的设计如何影响实际情况，例如，分享敏感个人健康信息的可能性(研究方向9)。

第四，即使我们的研究结果之一是为每个客户匹配他们个性化的完美聊天机器人，或者至少在几个聊天机器人字符之间提供足够的选择自由，以提高客户对聊天机器人的评价，但提供相同干预的多个聊天机器人的开发增加了数字健康干预开发的复杂性，从而需要更多的财力和时间。未来的研究应该寻求通过对比开发资源来探索个性化、定制和选择选项的最佳水平(研究方向10)。同样，未来的研究人员还应该研究作为潜在控制变量的其他个体特征，例如人们将人工物体拟人化的倾向，或者他们在与拟人化技术互动时感受到的恐惧感(研究方向11)[ 69]。

最后，本研究表明，在横断面设计中，对不同会话代理的感知存在实质性的年龄影响。如果这些年龄效应可以被复制，未来的研究需要调查纵向设计(研究方向12)，以更好地了解在人格改变的背景下，这些潜在效应是否受到特定人群和特定年龄的影响(例如，Marsh等[ 118])和其他数字卫生干预措施。

据我们所知，这是第一个对医疗保健聊天机器人进行配置和比较的研究，这些机器人在医疗保健环境中具有不同的模拟社会角色。通过研究聊天机器人的社会角色的影响，并整合社会角色理论的知识，这项工作扩展了先前调查关系线索影响的研究[ 65]，并且它需要先前的研究呼吁将代理的模拟社会角色视为用户-聊天机器人关系中的一个重要因素[ 27， 119]。因此，本研究通过定义一组人际亲密线索如何体现聊天机器人的社会角色，以及确定这些社会角色如何影响客户的体验和与聊天机器人的情感联系的发展，有助于理解医疗聊天机器人的设计。

此外，我们的研究有助于先前关于个人特征在人们决定与聊天机器人互动中的重要性的研究[ 68并表明用户对特定社会角色的看法取决于个人的人口统计资料，即个人的年龄和性别，以及个人是否可以自由选择聊天机器人角色。

由于聊天机器人在客户的医疗服务体验中变得越来越普遍，医疗服务提供者的成功取决于他们有效设计聊天机器人的能力。特别是在慢性病的背景下，数字健康干预的目标是陪伴客户多年，至于哪种设计选择促进了聊天机器人与客户之间强烈情感联系的发展，仍然是开放的。为此，我们开发了一个代码本，允许研究人员和从业者系统地设计具有医疗保健环境中常见的特定社会角色的医疗保健聊天机器人，我们探索这些社会角色是否或如何影响用户和聊天机器人之间情感纽带的发展。总的来说，我们的研究结果表明，积极的影响可以来自自定义聊天机器人角色，以方便访问用户特征，如年龄和性别，或允许客户选择他们认为最需要的社会角色。未来的工作需要研究在长期干预期间客户-聊天机器人关系中的角色动态。