【摘  要】人机信任指人类对机器系统可靠性、能力及伦理属性所持有的积极心理预期。自20世纪以来，学界逐步建立了关于人机信任的理论框架，并尝试定义其内涵、解释其作用机制。然而，随着大语言模型（LLM）的兴起，传统人机信任理论框架的局限性日益显现。本研究通过系统梳理相关理论与实证研究，从技术特异、用户差异与交互模式三个维度分析LLM语境下人机信任的特点，构建了涵盖信任建立、维持、破坏与修复的整合框架，为相关研究提供理论参考。

【关键词】人机信任；大语言模型；整合框架

原文刊载于《全球传媒学刊》2026年第2期“人机传播”专栏

朱孟潇，中国科学技术大学科技传播系教授；

陆文灏，中国科学技术大学管理科学系博士研究生；

柳林，中国科学技术大学科技传播系博士后。

一、引言

随着现代科学技术的迅猛发展，人机交互已融入社会生活的方方面面。人机信任作为人机交互的重要心理基础，直接影响着人类对机器系统的接受度与使用效果（Roesler et al.，2024）。人机信任指在特定情境下，人类对机器系统的可靠性、能力及伦理属性的积极心理预期（牟怡，2024）。正如成功的人类合作需要团队成员间的信任，人机合作的高效运作也与人对机器系统的信任密不可分（Zerilli et al.，2022）。然而，在人与机器的互动过程中，常常会出现信任偏差，如过度信任或信任不足，而这些偏差可能严重妨碍人机合作的有效性（黄心语、李晔，2024）。为解决这一问题，学者们对人机信任展开了系统性的研究，从不同的角度提出了一系列理论框架以剖析人机信任的现象及其成因。考虑到人机信任的发生是基于委托方（人类）与受托方（机器系统）之间的交互关系，现有的人机信任框架通常关注委托方、受托方及交互过程这三个维度中的某一个。例如，Lee和See（2004）提出的可靠性、能力、意图三要素框架关注受托方，Glikson和Wooley（2020）提出的认知信任情感信任框架关注委托方，而French等（2018）提出的初始信任实时信任事后信任框架关注交互过程。

随着近年来人工智能技术在医疗、自动驾驶、决策支持等关键领域广泛应用，以及大语言模型（Large Language Model，LLM）广泛嵌入与人们生活紧密相关的各种服务，人机信任中各个维度的特点和内涵也发生了一定的变化。与传统机器系统不同，LLM的黑箱、智能涌现、指令跟随等特性催生了独特的信任线索和人机交互模式，同时也为人机信任研究提供了新的语境。在人与LLM交互这一语境下，人机交互的委托方、受托方及交互过程这三个维度都发生了深刻的变化。因此，本研究聚焦于LLM语境下的人机信任这一议题，着重探索LLM语境下的人机信任与过往人机信任的差异，并针对性地就LLM语境下的人机信任提出新的整合框架。

二、人机交互语境下的信任

关于信任的研究主要起源于人与人之间的关系（Mayer et al.，1995）。信任在不同语境中的呈现形式有所不同。例如，人际信任是个体对他人的信赖，其核心维度包括对对方的能力、正直和善意的信任；组织信任是员工对整个组织的信任，核心维度体现在对组织角色、关系、经验和相互依赖的积极预期（Luhmann，1979）。两者的差异来自情境上的不同。以往关于信任的研究成果为人机交互语境下的信任研究提供了坚实的理论基础。

在人机信任研究中，目前较为广泛采用的两个定义来自Mayer等（1995）和Lee和See（2004）。其中，Mayer等人将信任定义为“一方基于对另一方将对己方采取的特定行动的预期，而愿意接受该另一方行为影响的意愿，无论其是否具备监督或控制该另一方的能力”，该定义被认为是最具影响力的信任定义之一（Glikson & Woolley，2020）。尽管该定义不是直接针对人机信任语境而构建，但由于其高度的普适性，近年来人机信任领域的很多研究都基于这一定义中提出的能力、善意、正直维度展开分析（Wang et al.，2023）。而Lee和See（2004）的定义则侧重于信任的另外两个维度——“态度”和“目标导向”，将对自动化系统的信任定义为：“个体在不确定或易受伤害的情境下，认为代理能够帮助其实现某个目标的态度”。该定义有别于人际信任语境下将信任界定为信念、意愿或行为的观点，强调了人与自动化系统交互中的风险性与未知性，以及个体对代理“帮助实现某个目标”的信念，更适配自动驾驶汽车、智能决策支持系统等技术场景（Love et al.，2024）。因此，从顺承关系看，传统信任理论为人机交互场景下的信任研究，尤其是对人与自动化系统交互情境的信任理论的提出和发展，提供了重要的理论支撑。

尽管关于人机信任的研究多采用上述两个定义之一，但仍有学者提出不同的定义。例如，Thielschet等（2018）将人机信任定义为“在不确定且高风险环境中，个体愿意依赖信息系统并表现出对其脆弱性的态度”。而Yan等（2013）则认为，人机信任是“他/她对应用程序能否按预期完成任务的信念，该信念与系统的可靠性、安全性和可用性有关”。但本研究认为，这些定义上的差异并不意味着人机信任缺乏统一的定义。原因在于，上述不同信任定义的共同核心都是“在相信积极结果可能性较高的前提下，愿意承担相应风险的倾向”（Hoff & Bashir，2015）。基于此核心内涵，可结合具体的技术语境，适当补充相关维度。例如，Yan等（2013）在用户与移动应用交互的背景下，基于信任概念引入了使用、反射、关联的维度，以丰富对人机信任的理解。

结合先前关于信任依赖语境的讨论，本研究认为人机信任有着高度的语境依赖性。例如，在侧重信息处理与分析推理的认知型任务中，人机信任的核心维度应聚焦于技术的可靠性、透明性和可解释性；而在强调情感识别和响应的情感型任务中，其核心维度则应侧重共情能力、情感反馈和互动的情感价值（李琎等，2025）。因此，与其追求对人机信任的普适性定义，不如依据具体语境选择最恰当的定义。另外，随着技术的不断发展，应基于技术特征及具体的人机交互语境，在基准定义的基础上适当扩展人机信任定义的核心维度，从而为特定互动场景提供相应匹配的定义。

三、LLM语境下的人机信任

LLM语境下的人机信任与传统人机信任既存在共性，也存在差异。从信任的动态性来看，在人与LLM的互动中，用户最初基于对LLM基本功能的了解形成初步信任。随着持续的交互体验和对其性能的深入了解，信任得以进一步加深或削弱，这一过程与传统人机信任从初步信任到深度信任的阶段相呼应。因此，LLM语境下的人机信任与传统人机信任在核心维度和信任发展脉络上都具有内在一致性。然而，作为一项新兴的颠覆性技术，LLM与传统人机信任中的交互对象存在本质差异。LLM语境下，LLM的技术本身、用户认知和交互模式都与传统人机交互存在巨大差异。因此，研究LLM语境下的人机信任，不能简单地套用过往的人机信任理论，而是有必要构建新的理论视角，以系统解释这种独特且动态的、具有社会关系特征的信任关系。本研究将从技术特异、用户差异与交互模式三个维度，分析LLM语境下的人机信任区别于传统人机信任的特点。

（一）技术特异与人机信任

传统人机信任通常将确定的、功能明确的、可解释的、短期任务导向的机器系统作为研究对象（Hoff & Bashir，2015）。然而，LLM作为一项新兴的、扩展人机交互形式的新技术，在技术特性上与传统人机信任中的机器系统有诸多差异。例如，LLM独特的推理机制、涌现能力、指令跟随能力以及较低的可解释性等内在特质，或许从根本上改变了人机交互的模式与信任形成的逻辑。这些特性使传统人机信任理论在面对LLM语境下的人机信任关系时，难以全面、准确地解释其形成、维持、破坏与修复机制。为将这一差异充分纳入分析视野，本节从LLM的技术特性出发，探讨LLM语境下的人机信任如何不同于传统的人机信任。

首先，LLM基于概率来构建推理机制，而这一推理机制容易引发信任危机。传统系统（如机械臂和决策支持系统）在相同输入下的输出通常表现出高度的确定性（Hancock，2020）。而从LLM底层算法Transformer看，LLM的输出内容并非基于对其实际意义的理解，而是通过不断预测句子中最有可能出现的下一个词汇来构建句子（Vaswani et al.，2017）。因此，LLM在面对相同输入时，其输出很可能出现波动。这并非系统故障，而是其固有特性。这一特性使得用户对“正确性”的判断变得模糊，信任的基础从“绝对正确”转向“可接受的概率正确”，从而增加了因意外错误或前后输出不一致而引发不信任的可能性。另外，LLM技术的结构和训练方式也存在一定的局限性，导致有可能提供偏离事实的“幻觉”（Huang et al.，2025）。因此在LLM语境下，需要考虑如何在输出不确定性和幻觉的风险中与机器系统建立良性关系。

其次，LLM的涌现能力有可能使用户对其产生拟人化感知，从而将其视为社会行动者。与机械臂、客服机器人等行为严格限定在预设范围内的系统不同，LLM能够生成意料之外的回答（Schaeffer et al.，2023）。这一现象会使用户倾向于将LLM视为具有“自主性”和“意图”的社会行动者，进而产生其具备“他者心智”的拟人化感知。尽管以往有些人机信任研究也探讨了拟人化设计对人机信任的作用，但早期大多数研究主要通过为实体机器系统增加可感知的面部特征或采用接近人类的声音来实现拟人化（DiSalvo et al.，2002）。而LLM的拟人化发生在认知层面，这在以往的人机信任理论中鲜有深入探讨（Peter et al.，2025）。此外，LLM的智能涌现展现出了其相较于以往机器系统更高的自主性和决策能力，这一特性也会影响用户的判断和人机互动的结果，这也是传统的人机信任模型中未曾考虑的新特点（解煜彬、周荣刚，2025）。

最后，LLM作为黑箱模型具有较低的可解释性，这可能对信任产生负面影响，并进而影响信任修复策略的效果。算法的不透明性和不可解释性都可能导致人机信任的破坏（董青岭，2024）。传统系统（如决策树和规则引擎）在出错时通常能够相对清晰地追溯和解释错误原因，而LLM决策过程的内在逻辑却相对复杂和难以解释。当用户无法理解LLM犯错的原因时，修复信任的过程可能会变得异常困难。缺乏可解释性不仅会降低用户对当前错误的容忍度，还会阻碍用户对模型行为模式形成稳定预期，从而威胁信任的长期稳定性（于雪，2022）。

（二）用户差异与人机信任

用户作为人机信任的另一主体，其个体差异对信任的构建与发展起着至关重要的作用。传统人机信任研究虽已关注用户因素对信任的影响（Hancock et al.，2011），但LLM的出现为用户差异性的展现提供了新的情境。LLM与用户之间基于对话的深度交互模式，以及其在交互过程中展现出的更深层次的拟人化线索和多轮对话的记忆，使得用户在与LLM建立信任关系时呈现不同于传统人机交互的行为模式与心理特征。

一方面，用户对LLM的情感依赖会放大情感信任的线索。随着情感计算的发展，与以往的系统相比，基于对话的LLM在情感理解与表达上能够有效感知用户的情绪状态，进而增强用户对LLM的情感信任和依赖（Lai et al.，2025）。例如，LLM能够根据用户的语境和历史对话记录生成连贯且具有情境相关性的回复，用户因此在互动中感受到被理解和关注，从而更容易对LLM产生情感投射，促进情感信任的形成。此外，LLM的持续互动和适应性会使用户逐渐习惯通过与LLM的交流来获取情感满足并解决情感问题（Yankouskaya et al.，2025）。

另一方面，用户的期望对人机信任具有双刃剑效应。人机信任的形成和维系依赖于用户对机器系统的期望及其期望的实现情况，因此在机器系统表现之外，个人差异将在很大程度上影响信任的动态。LLM作为一项新兴技术，用户对它的理解在很大程度上是社会建构的。鉴于公众对LLM的认知尚处于初步阶段，部分用户在与LLM交互过程中高估了其能力，因而缺乏必要的谨慎态度。当用户的过高期望与模型的固有限制发生冲突时，即使机器系统在决策上的表现整体优于人类，用户也可能在目睹错误后对算法及其背后的机器系统失去信心（Romeo & Conti，2026）。相反，了解模型局限性的用户能够设定合理的期望，更容易建立和维持信任。而这种期望的双刃剑效应在人与LLM的交互中比在人与传统确定性系统的交互中要更加明显和复杂。

用户可能会对同一LLM产生多个角色预期，因此造成混淆和冲突。与传统人机系统中单一且固定的角色设置不同，LLM可能会被用户从多种角色的角度进行理解，例如导师、助手、伙伴或创意合作者等。角色边界的不明确一方面可能导致用户期望的混乱与冲突，另一方面也会影响用户对不同角色的期望，而期望是影响信任水平提升或降低的核心因素（Roesler et al.，2024）。当LLM在对话中切换角色而用户对角色认知不清晰时，角色错位或行为与期望不匹配的现象会导致用户信任水平的下降。因此，理解用户如何认知LLM的角色，并探讨不同角色之间的混淆现象及其发生的情境，是研究人与LLM交互语境的特有需求。

（三）交互模式与人机信任

从交互模式来看，人与LLM之间的交互呈现出长期性和关系性，这与传统人机交互中短期、离散及任务导向的交互模式截然不同。例如，过去关于信任破坏及信任修复的相关研究往往仅基于少量有限轮次的人机交互（De Visser et al.，2012）。然而，用户与LLM的交互往往是多轮的，交互轮次经常达到成百上千轮（Duan et al.，2024），部分用户甚至还可能尝试在对话中与LLM建立起亲密关系（王袁欣等，2023）。一旦遭遇信任破裂，传统的信任修复策略，如简单的道歉或补偿，或许无法产生效果，而现有的相关理论对这一现象的解释也因此存在一定的局限性。寻找此时信任修复的有效策略就要求研究者从更复杂的、面向长期关系的关系修复理论中寻找方法与工具，如此方可理解用户与LLM建立和修复信任的过程。

因此，从人与LLM交互模式的多轮性和动态性出发，本研究认为对LLM语境下人机信任的研究应采用动态多状态的分析框架，考虑不同信任状态相互动态转换的可能性。在这一动态过程中，信任的变化源于受托方（机器）的行为与委托方（人类）的预期是否一致。理解信任随交互变化的核心在于分析人们基于何种因素对机器产生期望、这些期望是否达成，以及这些期望在交互过程中如何进行调整（黄心语、李晔，2024）。基于这一理论视角，信任的建立、维持、破坏与修复均围绕这一波动展开。为此，本研究在下一节中提出了一个用于解释人类与LLM之间信任关系的整合框架——人机信任的动态多状态框架。

四、LLM语境下人机信任的动态多状态框架

基于LLM语境下人机信任当中技术特异性、用户差异性以及交互模式的多轮动态性的特征，本研究提出了一个动态多状态的人机信任框架（见图1）。该框架包括“初始信任建立”“信任维持”“信任破坏”及“信任修复”四个相互独立且紧密关联、相互转换的人机信任状态。其中，初始信任建立作为该动态多状态框架的起点，主要受用户在人机交互开始前对机器系统第一印象的影响。具体而言，该状态既受到用户个体特征（如整体信任倾向）的影响，也受到用户以往交互经验及其他外部因素（例如用户对机器系统制造商的信任程度）的影响。随着人机交互的展开，初始信任将根据用户对机器系统实际表现与预期之间的差异而动态调整。

当进入实际交互环节，若交互过程符合预期，则进入信任维持的状态（葛畅等，2025）；若违背预期，则导致信任破坏（衣俊霖，2025）。信任维持能够在多轮交互中不断巩固信任，但也可能因失败体验转向信任破坏，甚至在反复破坏中导致信任崩塌。当机器系统引发信任破坏时，通常可通过道歉、解释、承诺等方式修复用户信任，进而实现信任修复，最终重回信任维持状态。与此同时，实证研究表明，即便机器系统未采取信任修复措施，用户在经历多轮无误交互后亦可能重新进入信任维持状态（Roesler et al.，2024）。由此可见，信任破坏与信仍维持之间存在相互转化的关系，从信任破坏回归信任维持并非必然经过信任修复阶段。

需要指出的是，以上四种状态并非必然呈现线性递进关系，而是可在多轮互动过程中表现出循环和跳跃的动态模式。随着交互的推进，人机信任可能从维持状态跳转至破坏状态，经过修复后重新回归维持状态；在出现严重错误时，也可能直接从信任建立阶段转入信任破坏状态。这种非线性的动态变化反映了人机信任关系的复杂性及其对具体情境的高度依赖，进一步凸显了从整合性框架视角全面考察人机互动过程中错综复杂关系的必要性。

（一）初始信任建立

在人类与机器系统实际接触之前，用户已形成初始信任，即互动前的信任预期。该预期的形成受用户人格特质及过往经历两方面因素的共同影响（Hoff & Bashir，2015）。此阶段的人机信任一方面源自用户的倾向性信任，另一方面则源自其基于过往交互经历产生的对机器系统的预期（Roesler et al.，2024）。其中，倾向性信任作为一种稳定的人格特质，反映了个体对机器系统的一般性信任倾向（Merritt & Ilgen，2008）。倾向性信任不仅直接影响用户对机器系统或技术本身的信任程度（Park & Young Yoon，2025），还受到文化背景、年龄、性别、受教育水平等人口统计学因素的显著影响（Gillespie et al.，2025）。与较为稳定的倾向性信任不同，基于用户过往技术使用经历形成的信任预期更易受到具体交互经验的直接影响。此类经历不仅包括亲身体验，还涵盖间接经验。例如，Foehr和Germelmann（2020）指出，作为近亲、朋友或伴侣的“担保人”能够协助用户收集关于系统的善意、能力和完整性等多维度的信息，从而帮助用户克服对陌生系统的疑虑并建立初始信任。此外，用户对法律框架、监管机构的制度性信任亦能在其未直接接触机器系统的情况下促成信任的形成（Cheong，2024）。

需要指出的是，在人类与LLM的初次接触中，建立对机器系统的信任可能比建立人际信任更具挑战性。Langer等（2023）通过一项AI辅助人类被试的简历筛选实验揭示了这一现象，即相比于人类助手，个体对这一系统的初始信任水平较低。先前研究也表明，与建立人类之间的信任相比，人类对新兴技术的初始信任需要克服一系列障碍，如感知失控风险、对机器系统制造商的怀疑以及对被监控的担忧等，才能最终建立（Foehr & Germelmann，2020）。因此，即使LLM具备高度的拟人化特征并已融入日常生活的各个方面，个体在实际与LLM互动前的初始信任仍无法达到与人类助手相当的信任水平。

（二）信任维持

在人机交互过程中，信任的维持依赖于动态校准机制的持续运行。在这个循环往复的交互过程中，促进信任的主要因素是机器系统不犯错的交互体验（Roesler et al.，2024）。在用户首次使用LLM后，信任关系的建立与发展依赖于用户与人工智能系统之间的持续互动，这一点尤其在长时间的多轮交互中显得尤为重要。当机器系统在与用户的交互中保持无错误状态时，用户的信任会随着使用经验的增加而逐步增强。Roesler认为，其原因一方面是系统的持续可靠是信任增强的核心驱动因素，另一方面，无错误的交互经验可以降低用户对系统能力的怀疑，进而促进信任水平的提升。需要注意的是，用户根据机器系统表现校准信任过程的重点不在于评估机器可靠性的绝对水平，而在于即将发生的错误在多大程度上符合用户的预期。正如Muir和Moray（1996）所发现的，可预测的错误对信任的破坏远小于不可预测的错误，这一结论凸显了一致性在信任维持中的关键作用。

机器系统与用户两方面因素共同影响人机互动中信任维持的过程。从机器系统的角度，高透明度能够降低人工智能使用中的不确定性，从而增强信任（Liu，2021；Xu et al.，2023）。因此，由于LLM技术自身的黑箱特性，检验模型的透明性（如披露思维过程）尤其有意义。此外，用户自身的特点亦不可忽视，而这正体现了前文讨论的信息处理路径在信任形成中的作用。当用户具有充分的动机和能力来理解技术细节时，他们倾向于采用中心路径的系统性加工模式，深入处理信息的实质内容，进而通过理性分析形成信任判断。与之相对，当用户动机不足或认知负荷较高时，他们则可能转向外周路径的启发式加工，依赖外围线索和表面特征快速进行信任评估，如将透明度作为问责制和可信度的信号（Park & Young Yoon，2025）。

从微观机制到宏观系统的视角转化来看，LLM视角下的人机信任不仅需要关注透明度和用户的认知模式等机制，还应特别关注可持续信任的构建，因为可持续信任是确保人机高频交互和高效协作的关键因素。从可持续信任的视角来看，机器系统因素（如系统的可用性、易用性和安全性等）与信任的形成和发展直接相关（向安玲，2024）。信任的持续性并不局限于单一系统（Lee & See，2004），即使用户在使用之前未曾接触新系统时，这一特性依然能够体现。具体而言，随着用户使用系统数量的不断增加，他们对这类系统的整体信任程度也会相应提升（Yan et al.，2013）。而持续无误的使用体验在信任的维持过程中发挥着至关重要的作用。它推动着信任随着使用经历的不断积累而深化，最终构建起用户与LLM之间稳固且持久的信任关系，为人与LLM协作的长远发展奠定坚实基础。

（三）信任破坏

人机信任的破坏指在与机器系统的交互过程中，由于某些因素导致用户对机器系统信任度下降的现象。信任破坏的核心机制可以用期望违背来解释。因此，对信任破坏机制的解释一方面需要考虑来自机器系统的因素，如机器系统的能力提升造成的决策过程的不透明度提升（于雪，2022）；另一方面也需要考虑来自用户的因素，如用户对机器系统能力的高估，导致机器系统的表现无法匹配用户期望（黄心语、李晔，2024）。研究发现，错误对信任的消极影响强于正确输出的积极影响，且机器系统在简单任务上的明显错误比在困难任务上的错误受到更严厉的评判（Zerilli et al.，2022）。

在众多探讨人机信任破坏影响因素的文献中，服务失败是常被提及的原因之一（Langer et al.，2023）。服务失败主要分为三类：逻辑故障、语义故障和语法故障（Zhang et al.，2023）。逻辑故障表现为机器系统生成相关但错误的输出；语义故障指机器系统产生完全不相关的输出；语法故障则是指机器系统未能执行任何操作。在人与LLM的交互中，这些故障均有相应的表现形式，如无法理解用户输入、提供与问题不相关的输出等。除此之外，LLM在与人类交互中还存在一种破坏信任的特殊方式——幻觉。幻觉被定义为人工智能“作出并不符合其训练数据的自信反应，并自主编造与现实无关的事实信息”的行为（胡泳、王昱昊，2025）。从分类上看，幻觉主要属于逻辑故障的一种特殊形式，即系统生成了看似合理但实际错误的内容。但与一般的逻辑故障不同，幻觉的危害性在于其输出往往具有高度的说服力和合理性，使用户难以识别错误。这种“自信的错误”对信任的破坏尤为严重（Massenon et al.，2025）。

除了机器系统因素之外，人类如何归因LLM服务的失败也影响了其信任的降低程度。为理解这一归因过程，我们需要先考察传统人工智能系统与人类在信任违反方面的差异。当人类操作者因产生有偏见的输出而破坏信任时，人们对人类失误的信任降低程度通常大于对传统AI系统的信任降低程度，这表明人们对人类的信任违反反应更为强烈（Langer et al.，2023）。这一现象的成因可以从两个方面进行分析。首先，在期望方面，人们对传统人工智能的初始期望主要集中在准确性和一致性上，通常不会期望人工智能在伦理和公平性方面达到与人类相同的水平，较低的预期也带来了出错时较少的信任降低；其次，在动机解释方面，人们倾向于把输出偏见归因于人类的主观动机，而把传统机器系统的错误归因于技术缺陷而非恶意（Bigman & Gray，2018）。然而，随着LLM逐渐被视为能够思考和自主决策的主体，人们可能会逐渐从动机的角度解读LLM的服务失败，将其视为模型主动的行为，因此相比传统机器系统，LLM出现伦理错误时，信任的破坏程度可能更为严重。

（四）信任修复

在人机信任关系中，信任破坏后的修复是维持长期稳定互动的关键环节（Baker et al.，2018）。对不同信任修复策略效果差异的考察有助于深化对这一动态过程的理解。已有的人机交互研究表明，机器系统在服务失败后采取的信任修复策略通常包括道歉、否认、解释与承诺等（Zhang等，2023；Esterwood和Robert，2023b）。研究发现，道歉、解释与承诺在修复可信度及其子维度方面的效果相似，而否认始终被视为最无效的策略（Esterwood & Robert，2023b）。具体到不同场景，在逻辑和语义故障场景中，内部归因道歉的效果优于否认；而在涉及诚信问题时，外部归因道歉的效果亦优于否认（Zhang et al.，2023）。这种策略效果的差异与人际传播领域的研究结果相一致（Kim et al.，2004），表明人类在评估机器系统的过失时仍然沿用类似人际互动的社会认知框架。

需要指出的是，随着LLM与人类的交互日益接近真实的人际交流，人与LLM交互语境下的信任修复的策略不应仅仅局限于传统的信任修复策略。LLM的表达能力不受预设台本的局限，它在应对服务失败时也能够灵活多变地进行信任修复。因此，无论是LLM所能提供的，还是人类所认为有效的信任修复策略均会有所不同。相比通过解释提升置信度或通过性能改进提供客观信息，拟人化的信任修复策略可能更符合LLM与用户的交互逻辑并带来较好的修复效果（Cohn et al.，2024），部分原因在于对机器系统“有意识”的感知能够调节道歉有效性（Esterwood & Robert，2023a）。缓解LLM自身技术局限性带来的信任受损也有助于恢复信任，如提升LLM的透明度和可解释性能够帮助用户更好地理解人工智能的决策过程，从而在一定程度上缓解信任破坏的负面影响（杨志勇、翟少铃，2022）。

信任修复的效果不仅取决于LLM本身的行为，还在很大程度上依赖于人类对LLM所犯错误的归因及其修复策略的理解。当用户面对人工智能客服的服务失败时，他们可以通过不同的归因方式解读，而这将影响用户最终的信任变化（陈素白，2025）。如果用户能够将失败归因于外部因素而非人工智能本身，信任的修复过程可能会更加顺利（Kim et al.，2006）。因此，理想的信任修复策略不仅应考虑认知信任，还需关注激发用户的积极情感和认知共鸣（Kox et al.，2021），以便有效恢复用户的持续信任。

五、LLM时代下人机信任研究的机遇

随着以LLM为代表的机器系统的自主性不断增强，这一新兴技术在决策过程中扮演的角色愈发重要，并愈发有能力影响人机混合系统中的人类参与者（Wang et al.，2024）。在这一背景下衍生的一个重要问题是：从双向信任角度，机器系统如何基于特定标准来判断一个人是否可信？尽管已有文献关注并讨论了在高风险任务中机器系统对人类的信任，如AI如何在自动驾驶场景中判断使用者是否处于疲劳、分心等不可信任的状态，以便随后采取主动接管措施（齐玥等，2024），但在更为广泛的、低风险的场景，如人机混合团队中，目前尚缺乏关于人机互信的充分讨论。与此同时，还要考虑到具备自主决策能力的机器系统扩展到更广泛场景的可能性。一个典型的场景是人机混合团队协作。当基于LLM的智能体作为团队成员参与其中时，若团队成员之间的意见发生冲突，智能体将如何处理投票与决策问题（Hu et al.，2025），选择信任哪一方并作出决策？这些问题亟须深入探索，以揭示其具体机制。

而在探讨机器如何评估和信任人类的同时，我们还发现在LLM语境下，人机信任正呈现出另一种值得关注的趋势——从最初的怀疑转向可能的过度依赖。因此，除了研究双向信任机制，还需探讨LLM视角下过度信任的消极后果及其前因，并界定何为“恰当的信任”。研究表明，用户对机器系统的过度信任可能导致过度依赖，以及对机器系统建议不加思考地接受（Lee & See，2004），也因此带来安全违规和其他不良后果（Glikson & Woolley，2020）。在LLM时代，人类很有可能因LLM的认知能力或拟人化线索对其产生情感依赖，甚至在与LLM日积月累的准社会交往下与其维持亲密的关系（王袁欣等，2023）。然而，目前仅有极少数研究关注过度信任所带来的风险（Banovic et al.，2023；Klingbeil et al.，2024）。要有效应对这种过度信任的挑战，培养用户的批判性思维和提升其对LLM的认知能力显得尤为重要。

正是基于这一认识，从用户角度来看，探究用户的生成式人工智能素养（Dong et al.，2025）对LLM语境下的人机信任的影响成为构建健康人机关系的关键路径。这一素养不仅包括对人工智能基础知识的掌握，还涉及模型的应用、生成质量的评估以及伦理等多个方面（Jin et al.，2025）。如前所述，用户的知识水平从两个方面影响人机信任：首先，它有助于用户对LLM能力边界产生合理预期（Steyvers et al.，2025），从而避免因不切实际的期望而导致信任的损害；其次，用户对LLM的理解程度及提示词撰写能力在很大程度上决定了LLM输出的质量（Federiakin et al.，2024），而输出质量又与认知信任密切相关。目前，LLM使用过程中，生成式人工智能素养、期望与信任之间的相互作用尚未得到充分验证，亟须进一步研究。

六、结语

本研究认为，人机交互语境中的信任有着与人际信任类似的基本特征，包含对预期积极结果的依赖及承担有意义风险。同时，它还展现出高度的语境依赖性。在人与LLM交互的具体语境中，这种依赖性体现为受托方的技术特异、用户差异以及交互模式的特性。而这些特性也进一步丰富和拓展了人机信任的维度。基于此，本研究在理论层面上探讨了LLM语境下拓展人机信任理论的必要性，剖析了人与LLM的交互在技术特性、用户认知与交互模式等方面的独特性，进而提出了涵盖“初始信任建立”“信任维持”“信任破坏”与“信任修复”四个状态的人机信任动态多状态框架。该整合框架不仅关注信任各个阶段的内部机制，还考虑了多轮交互机制及其动态性，为深入研究人与LLM新型互动中的人机信任提供了理论支持。

本文引文格式：

朱孟潇、陆文灏、柳林：《面向大语言模型的人机信任机制：整合框架与路径分析》，全球传媒学刊，2026年第2期，3-21页。