Mental health chatbots increasingly rely on conversational interaction to support users' emotional well-being, yet little is known about how users interpret temporary silence while waiting for system responses. Existing research on social presence and anthropomorphic interaction has primarily focused on conversational content after a response is generated, whereas the waiting phase remains underexplored. Drawing on social presence theory, this study conceptualizes anthropomorphic latency cues as socially meaningful signals that may shape users’ emotional and interactional experiences during temporary conversational silence. Two studies were conducted. Study 1 developed and semantically validated three categories of anthropomorphic latency cues (empathic, effortful, and playful). Study 2 employed a within-subjects laboratory experiment with university students, comparing five latency-cue conditions (text, progress bar, empathic, effortful, and playful) using subjective evaluations, eye-tracking measures, and semi-structured interviews. The results showed that anthropomorphic latency cues were associated with lower anxiety and greater pleasure in several condition-level comparisons relative to non-anthropomorphic feedback. Perceived interaction continuity was significantly associated with reduced anxiety and enhanced pleasure. Within the anthropomorphic conditions, mediation analyses revealed significant indirect associations among perceived anthropomorphism, social presence, and emotional and interactional outcomes. Eye-tracking results indicated longer fixation durations on anthropomorphic latency cues during temporary silence. Qualitative findings further suggested that participants often interpreted latency cues as signals of attentiveness, responsiveness, and interaction continuity rather than merely as technical loading indicators. Overall, temporary conversational silence may function as a socially meaningful phase of AI-mediated interaction rather than a purely technical delay. The study extends social presence research into temporally silent phases of conversational AI interaction and provides preliminary design implications for chatbot-based support systems.
چت‌بات‌های سلامت روان به طور فزاینده‌ای بر تعامل مکالمه‌ای برای حمایت از بهزیستی عاطفی کاربران تکیه دارند، اما اطلاعات اندکی درباره نحوه تفسیر سکوت موقت توسط کاربران هنگام انتظار برای پاسخ سیستم وجود دارد. پژوهش‌های موجود درباره حضور اجتماعی و تعامل انسان‌واره عمدتاً بر محتوای مکالمه پس از تولید پاسخ تمرکز داشته‌اند، در حالی که مرحله انتظار کمتر مورد بررسی قرار گرفته است. با بهره‌گیری از نظریه حضور اجتماعی، این مطالعه نشانه‌های تاخیر انسان‌واره را به عنوان سیگنال‌های معنادار اجتماعی که ممکن است تجربه‌های عاطفی و تعاملی کاربران را در طول سکوت موقت مکالمه‌ای شکل دهند، مفهوم‌سازی می‌کند. دو مطالعه انجام شد. مطالعه اول سه دسته نشانه تاخیر انسان‌واره (همدلانه، همراه با تلاش، و بازیگوشانه) را توسعه داده و از نظر معنایی اعتبارسنجی کرد. مطالعه دوم با استفاده از یک آزمایش آزمایشگاهی درون‌گروهی با دانشجویان دانشگاه، پنج وضعیت نشانه تاخیر (متن، نوار پیشرفت، همدلانه، همراه با تلاش، و بازیگوشانه) را با استفاده از ارزیابی‌های ذهنی، سنجش‌های ردیابی چشم و مصاحبه‌های نیمه‌ساختاریافته مقایسه کرد. نتایج نشان داد که نشانه‌های تاخیر انسان‌واره در مقایسه‌های سطح وضعیت نسبت به بازخورد غیرانسان‌واره با اضطراب کمتر و لذت بیشتر همراه بودند. تداوم ادراک‌شده تعامل به طور معناداری با کاهش اضطراب و افزایش لذت ارتباط داشت. در میان وضعیت‌های انسان‌واره، تحلیل‌های میانجی‌گری ارتباطات غیرمستقیم معناداری را میان انسان‌وارگی ادراک‌شده، حضور اجتماعی و پیامدهای عاطفی و تعاملی نشان داد. نتایج ردیابی چشم حاکی از مدت زمان تثبیت طولانی‌تر بر نشانه‌های تاخیر انسان‌واره در طول سکوت موقت بود. یافته‌های کیفی نیز نشان داد که شرکت‌کنندگان اغلب نشانه‌های تاخیر را به عنوان سیگنال‌هایی از توجه، پاسخگویی و تداوم تعامل تفسیر می‌کردند و نه صرفاً به عنوان شاخص‌های فنی بارگذاری. به طور کلی، سکوت موقت مکالمه‌ای ممکن است به عنوان مرحله‌ای معنادار اجتماعی از تعامل میانجی‌شده با هوش مصنوعی عمل کند و نه صرفاً یک تاخیر فنی. این مطالعه پژوهش‌های حضور اجتماعی را به مراحل سکوت زمانی در تعامل مکالمه‌ای با هوش مصنوعی گسترش می‌دهد و دلالت‌های اولیه‌ای برای طراحی سامانه‌های پشتیبانی مبتنی بر چت‌بات ارائه می‌دهد.
AI will play an increasingly large role in providing healthcare services in the near future, creating a pressing need to examine how people perceive AI compared to humans in healthcare. To this end, this study examines how people perceive AI and human doctors in a common medical scenario of giving healthcare advice over an online chat platform. Participants read an online chat conversation that featured a patient asking for medical advice with either an AI or human doctor. In addition, the doctor either linguistically aligned with the patient (by repeating medical terms previously used by the patient) or not (by using synonyms of the patient's terms). Linguistic alignment in conversation has been found to increase positive perceptions of interactions and therefore may be a useful tool to increase patient satisfaction in healthcare interactions. AI doctors but not human ones were penalized when not linguistically aligning with the patient, even though these doctors gave the same exact medical advice. Additionally, across a range of measures, participants in general had more negative perceptions of AI doctors compared to human ones. Overall, these results suggest that people hold AI to different standards as well as judge AI harsher than humans in medical settings.
هوش مصنوعی در آینده نزدیک نقش فزاینده‌ای در ارائه خدمات مراقبت‌های سلامت ایفا خواهد کرد و این امر نیاز فوری به بررسی نحوه ادراک افراد از هوش مصنوعی در مقایسه با انسان‌ها در حوزه سلامت را ایجاد می‌کند. بر این اساس، این پژوهش به بررسی نحوه ادراک افراد از پزشکان هوش مصنوعی و انسانی در یک سناریوی رایج پزشکی، یعنی ارائه مشاوره سلامت از طریق یک پلتفرم گفت‌وگوی آنلاین، می‌پردازد. شرکت‌کنندگان یک گفت‌وگوی آنلاین را مطالعه کردند که در آن بیماری برای دریافت مشاوره پزشکی با یک پزشک (هوش مصنوعی یا انسانی) مکاتبه می‌کرد. علاوه بر این، پزشک یا با بیمار هم‌ترازی زبانی داشت (با تکرار اصطلاحات پزشکی که قبلاً توسط بیمار استفاده شده بود) یا نداشت (با استفاده از مترادف‌های اصطلاحات بیمار). پژوهش‌ها نشان داده‌اند که هم‌ترازی زبانی در مکالمه می‌تواند ادراک مثبت از تعاملات را افزایش دهد و بنابراین ممکن است ابزاری مفید برای افزایش رضایت بیماران در تعاملات سلامت باشد. پزشکان هوش مصنوعی، اما نه پزشکان انسانی، زمانی که با بیمار هم‌ترازی زبانی نداشتند، مورد قضاوت منفی قرار گرفتند، حتی با وجود اینکه دقیقاً همان مشاوره پزشکی را ارائه دادند. همچنین، در طیف وسیعی از سنجه‌ها، شرکت‌کنندگان به طور کلی ادراک منفی‌تری نسبت به پزشکان هوش مصنوعی در مقایسه با پزشکان انسانی داشتند. در مجموع، این نتایج نشان می‌دهد که افراد استانداردهای متفاوتی برای هوش مصنوعی قائل هستند و در محیط‌های پزشکی نسبت به هوش مصنوعی قضاوت سخت‌گیرانه‌تری دارند.
Immersive virtual reality (VR) and neurofeedback (NF) are increasingly promoted to enhance mindfulness meditation, yet it remains unknown whether these externally engaging technologies confer lasting benefits for trait mindfulness over sustained practice. This longitudinal randomized controlled trial compared three conditions over a 4-week program (eight sessions) with a three-month follow-up: screen-based audio-guided mindfulness (Non-VR), mindfulness in an immersive VR environment (VR), and mindfulness in VR with real-time EEG neurofeedback (VR-NF). Ninety-four meditation-naïve participants completed the study. Trait mindfulness (Five Facet Mindfulness Questionnaire, FFMQ) was assessed at six time points, EEG signal was recorded during all sessions, and subjective presence (Igroup Presence Questionnaire, IPQ) in VR was measured. Linear mixed models and Bayesian analysis revealed comparable FFMQ increases across all three groups, indicating that VR and VR-NF did not confer added behavioral benefit for trait mindfulness development. Higher IPQ presence scores showed a modest negative correlation with long-term FFMQ gains at three-month follow-up. Exploratory EEG analyses described a numerically steeper theta trajectory in the Non-VR group relative to the VR and VR-NF groups, whereas alpha trajectories were comparable across groups. However, because the two EEG systems were not equivalent across conditions and recordings were obtained from frontopolar sites, these patterns are descriptive only and cannot be interpreted as evidence of group differences. Taken together, these findings suggest that VR and VR-NF did not confer added benefit for trait mindfulness in long-term mindfulness training.
واقعیت مجازی فراگیر (VR) و نوروفیدبک (NF) به طور فزاینده‌ای برای ارتقای مدیتیشن ذهن‌آگاهی تبلیغ می‌شوند، اما هنوز مشخص نیست که آیا این فناوری‌های برانگیزاننده‌ی بیرونی، منافع پایداری برای ذهن‌آگاهی صفتی در طول تمرین مستمر فراهم می‌کنند یا خیر. این کارآزمایی تصادفی‌شده‌ی کنترل‌شده‌ی طولی سه وضعیت را در طول یک برنامه‌ی ۴ هفته‌ای (هشت جلسه) با پیگیری سه‌ماهه مقایسه کرد: ذهن‌آگاهی مبتنی بر صفحه‌نمایش با راهنمایی صوتی (Non-VR)، ذهن‌آگاهی در محیط واقعیت مجازی فراگیر (VR)، و ذهن‌آگاهی در واقعیت مجازی با نوروفیدبک EEG زمان واقعی (VR-NF). نود و چهار شرکت‌کننده بدون سابقه مدیتیشن مطالعه را به پایان رساندند. ذهن‌آگاهی صفتی (پرسشنامه ذهن‌آگاهی پنج‌وجهی، FFMQ) در شش نقطه زمانی ارزیابی شد، سیگنال EEG در تمام جلسات ثبت گردید و حضور ذهنی ذهنی (پرسشنامه حضور Igroup، IPQ) در واقعیت مجازی اندازه‌گیری شد. مدل‌های خطی آمیخته و تحلیل بیزی افزایش‌های FFMQ مشابهی را در هر سه گروه نشان دادند که بیانگر آن است که VR و VR-NF سود رفتاری افزوده‌ای برای توسعه ذهن‌آگاهی صفتی ایجاد نکردند. نمرات بالاتر حضور IPQ همبستگی منفی اندکی با افزایش‌های بلندمدت FFMQ در پیگیری سه‌ماهه نشان داد. تحلیل‌های اکتشافی EEG، شیب تتا عددی تندتری را در گروه Non-VR نسبت به گروه‌های VR و VR-NF توصیف کردند، در حالی که شیب‌های آلفا در میان گروه‌ها مشابه بود. با این حال، از آنجا که دو سیستم EEG در شرایط مختلف معادل نبودند و ثبت‌ها از نواحی فرونتوپولار انجام شد، این الگوها صرفاً توصیفی بوده و نمی‌توان آن‌ها را به عنوان شواهدی از تفاوت گروهی تفسیر کرد. در مجموع، این یافته‌ها نشان می‌دهند که VR و VR-NF سود افزوده‌ای برای ذهن‌آگاهی صفتی در آموزش طولی ذهن‌آگاهی ایجاد نکردند.
