本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜莊崇暉、田偲妤
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

不要再轉傳假訊息了！

「我家親戚群組又在 LINE 傳假訊息了！」這是常在年輕族群中聽到的抱怨，彷彿隨意散播謠言是長輩特有的行為，當你願意了解長輩的數位社交生活，將發現事實並非如此。中央研究院「研之有物」專訪院內民族學研究所李梅君助研究員，在研究 Cofacts 事實查核協作計畫時發現，臺灣民眾對公共議題的關注存在世代衝突，該衝突延伸至日常相處上，卻在事實查核的協作過程中看到正向溝通的曙光。究竟臺灣長輩發展出什麼樣的數位社交生活？如何應用第三方資訊與長輩溝通，甚至邀請長輩加入闢謠打怪行列？

2018 年臺灣地方選舉和公民投票讓存在已久的世代衝突瞬間引爆，面對韓流現象、同性婚姻、性平教育等議題，厭世代年輕人（1990 年代左右出生）和戰後嬰兒潮世代長輩（約 1946-1964 年出生）因經濟與社會生長背景的不同，常發生意見分歧而爭吵不休的情形。

在臺灣最多人使用的 LINE 即時通訊軟體中，出現不實謠言滿天飛的亂象，年輕人紛紛將矛頭指向長輩，批評長輩不先查核資訊真假就亂發文。

中研院民族所李梅君助研究員在研究 Cofacts 事實查核協作計畫時，發覺臺灣世代衝突問題的嚴重性。年輕人認定長輩就是假訊息的傳遞者，但事實上，許多年輕人也常在無意間互傳不實謠言。

「大眾常急著為長輩貼標籤，卻從來不去了解他們怎麼使用數位工具。這樣並無助於解決問題，只會加深彼此的誤會。」研究過程中逐一浮現的問題為李梅君指引出一條研究道路，從事實查核協作行動出發，逐步深入長輩的數位社交生活，探索緩解世代衝突、提升全民媒體素養的可能途徑。

「早安圖」的背後：長輩獨特的數位社交

從了解長輩的數位社交生活做起，應有助於促進不同世代的相互理解，李梅君選擇由長輩們發展出的「早安圖」文化來切入研究。

科技與生活的緊密結合讓人手一機成為常態，再加上疫情造成的人群接觸減少，讓人們日漸習慣將社交重心從實體轉往線上。越來越多長輩靠 LINE 群組維繫親友感情、接收外界資訊，每天一早發布的「早安圖」經常是長輩社交生活的起頭。

然而，早安圖一直有被汙名化的傾向，溫馨圖片配上吉祥文字的簡單排版被貼上具有長輩風格的標籤，甚至還被戲稱為「長輩圖」。李梅君與長輩相處後發現，早安圖的存在對於長輩的社交生活具有深刻意義。

首先，早安圖是長輩證明自己跟的上年輕人腳步的重要象徵！身為晚近才接觸手機、電腦的「數位移民」，長輩常因不會操作數位工具、又害怕晚輩覺得自己笨拙，而感到焦躁不安。因此，當自己好不容易學會用手機拍照、修圖、發早安圖，對長輩來說是自信心的累積，代表自己沒被時代淘汰。

此外，早安圖也是長輩與人互動的敲門磚。李梅君察覺，有些長輩在傳訊息時相當在意社交分寸，不像年輕人想到什麼就 LINE 一下朋友，反而擔心隨意發文會被當成不懂規矩的「老人」。因此，當與新朋友開啟話題時，他們會先禮貌性地試探，這時無害的早安圖就是最好的敲門磚，可以從對方回傳的字句、貼圖或已讀不回，判斷能否進一步交談。

如果我們願意深入體會早安圖對長輩的意義，你將發現早安圖是長輩表達「關懷」的重要媒介。

例如在不方便見面的疫情期間，許多長輩會互相分享充滿溫馨祝福的早安圖、早安短影片，當中包含一些身體保健資訊，即時表達對遠方親友的關心，也讓對方知道自己過的很好。

但是，伴隨著早安圖的問候，群組裡轉傳的文字與圖像影片卻可能含有具爭議性的農場內容，例如每天喝檸檬水可以防疫、常喝地瓜葉牛奶可以防癌等，讓以關懷為出發點的長輩成為散播謠言的代罪羔羊。為此，有越來越多公民團體開始號召民眾一起打擊假訊息，李梅君研究的 Cofacts 就是其中一個針對 LINE 假訊息亂象所發展的計畫。

聽到外面的聲音：「事實查核協作社群」打開群組封閉的大門

LINE 假訊息亂象一直是假新聞議題中非常難處理的一塊，因為 LINE 不像 Facebook、Twitter 或 Instagram 有審查下架機制，LINE 聊天室裡所有的對話都經過加密，就算檢舉了某用戶的言論，LINE 官方也難以遏阻資訊傳播。

李梅君提到：「雖然 LINE 群組相當封閉，在臺灣卻已具有極大的公共性。」很多群組都涉及公共議題的討論，並累積千百人以上的成員，一旦有人惡意散播不實謠言，在缺乏查核機制的情況下，後果可能不堪設想。

因此，自 2016 年起，公民科技社群 g0v 臺灣零時政府的成員推出「Cofacts 真的假的 – 訊息回報機器人與查證協作社群」，邀請民眾主動回報在 LINE 上發現的可疑訊息，再由來自各領域的編輯志工進行事實查核，撰寫有助判斷訊息真假的回應。之後只要有民眾發出相似問題，機器人便會從資料庫中找出相關回應供民眾參考。收到回應的民眾如有不同看法，也可以補充新的回應。

你可能會好奇，當今的「人工智慧」（AI）已可查核假訊息，為何 Cofacts 還在仰賴編輯志工這樣的「工人智慧」？李梅君指出，目前的 AI 僅可以偵查大規模的操弄訊息來源，或者評估影像有無修圖造假。當前要用 AI 來判讀文字內容的真偽還相當困難，因為一則文字訊息通常真假資訊參雜，當中還包括個人意見或情緒用詞，很難明確判定是真是假。

因此，Cofacts 的編輯志工除了指出訊息錯誤之處，也會提醒該則訊息是否含有個人意見，有助民眾從封閉的 LINE 群組接收外界聲音，進而創造一處可以參與討論的公共空間，共同思考謠言是什麼、怎麼跟謠言對話。

和時間賽跑 艱辛的闢謠之路

不過該計畫也有艱辛之處，由於需仰賴大量人力進行事實查核，Cofacts 經常面臨闢謠速度趕不上謠言散播的問題。根據統計，Cofacts 的 LINE 目前有 42 萬名好友，過去 10 週每週傳來約 650 則新謠言；目前登記的編輯志工大約有 2,600 多人，但每週會固定回應訊息者只有 20 人上下，平均澄清一則謠言要花 20 至 30 分鐘。

李梅君分享實際參與事實查核的心得：「一開始你可能很熱血地上線回應訊息，但回應了一、二天後，可能會逐漸失去參與感，畢竟你只是一個沒支薪的志工，而且很多謠言看了又很令人痛苦，還要耐著性子花 30 分鐘回應。」

因此，為了維持志工夥伴的參與熱情，Cofacts 每個月都會辦一次聚會，藉由分組競賽活動，讓志工們培養共同打怪的向心力，也可相互交流查核經驗、結交志同道合的朋友。

至於使用 Cofacts 釐清謠言的民眾又有何回饋呢？李梅君聽過一些年輕志工分享參與事實查核的原因，主要是想透過 Cofacts 的第三方資訊與長輩對話。雖然不確定長輩能否接受，卻可盡量避免家人之間發生正面衝突。

根據李梅君的觀察，在政治議題上，純粹處理謠言無法真正化解世代衝突，因為謠言只是表現形式之一，背後牽涉每個人不同的價值觀與政治立場，需仰賴更多對話空間的產生。

不過，在疫情期間，與防疫相關的健康資訊則明顯受到不同世代的共同關注，Cofacts 的使用人數因此大幅成長，其中增加最多的就是 50 歲以上的使用者。因為健康資訊較不受政治立場影響，再加上全民必須共同面對疫情威脅，世代衝突的問題自然較少。

公民團體的辛勤奔走 努力提升全民媒體素養才是真正的關鍵

ChatGPT 等生成式 AI 問世後，未來可能會出現更多人為操作的假圖文，或是誤信 AI 偏差回覆等狀況。面對上述危機，李梅君認為：

應對關鍵在於，大眾是否具備足夠的「媒體素養」與「思辨能力」去判讀網路訊息。

可惜這在我們過去的教育裡並不受重視，直到近幾年教育部才開始在 108 課綱下推動「媒體素養教育」，要求在不同年級與學科中融入媒體素養課程。例如資訊課會介紹社群媒體用演算法投放廣告的邏輯；理化課會教學生分辨並思考「偽科學」的成因；國文課則透過閱讀不同文本培養思辨能力。

然而，社會上多數人沒有上過相關課程，很多還是不太熟悉數位工具的長輩，幸好現在有 Cofacts 以及多家臺灣公民團體在做媒體素養教育。他們主動走進長輩的生活圈，教長輩怎麼使用手機、如何確認訊息真假，甚至鼓勵長輩善用發早安圖的習慣，成為謠言破除推手。

李梅君目前的研究正在觀察這些公民團體怎麼採取行動。例如 NGO 組織「假新聞清潔劑」會前進廟口、菜市場或老人服務中心等長輩聚集地，舉辦街頭宣講活動。在宣講過程中，一開始不會直接跟長輩講假訊息，因為假訊息在臺灣的脈絡裡很容易被導向敏感的政治議題，誤以為要聊網軍。

因此，宣講的切入點通常會先問長輩是不是常收到詐騙訊息？接著，志工會分享一些受騙案例，例如有人買了網路一頁式廣告的保養品，結果臉爛掉；或是吃了來路不明的保健食品，最後弄壞身體。藉由生活化、無政治立場、令人感同身受的案例，讓長輩意識到學會辨別訊息真假很重要！

另一個事實查核的組織「MyGoPen｜麥擱騙」會製作一則則精美的謠言澄清圖文，吸引長輩像發早安圖一樣，將這些闢謠圖文大量轉發到各個群組。如此一來，長輩本身既可釐清謠言，還可幫助更多長輩遠離詐騙，更證明自己擁有不輸給年輕人的知識與能力。

「我覺得這是很令人感動的事情，因為這個題目很難，可是有很多人願意用不同的角度去介入，而且大部分都是志工。」李梅君有感而發的說。

臺灣長期被國際視為境外假訊息泛濫的國度，如今一個提升全民媒體素養的生態圈正在形成，因假訊息而延伸出的世代衝突問題有待長時間相互理解溝通，但公民社群的力量讓人們看見改變的契機。

延伸閱讀

• 中研院民族所李梅君老師個人網頁
• Mei-chun Lee (2022). “Checking Facts by a Bot: Crowdsourcing Facts through LINE Chatbot in Post-Truth Taiwan.” Current Anthropology.
• Sam Robbins, Mei-chun Lee (2022). “Elderly Care: Taking the Good Morning Image Seriously.” A Broad and Ample Road.
• 【g0v 演講】 「沒有人」的運動：黑客、鄉民、與資料行動主義

智慧型手機的功能日趨全面，幾乎就要包辦日常生活大小事，當然也包含我們的健康。有些人拿它來記錄每天的運動狀況，也有人搭配應用程式，監測自己的心肺功能。

但這還不夠，科學家總是能想到更奇葩的需求：未來，你的手機也有機會變身「大麻檢測器」了！羅格斯大學健康暨健康政策與高齡研究所（Rutgers Institute for Health, Health Care Policy and Aging Research）研究團隊，調查大麻使用者的「嗨度」，並將其與機器學習技術做結合，試圖打造能準確判斷大麻中毒程度的日常小工具。

研究發表於《藥物與酒精依賴》（Drug and Alcohol Dependence）期刊^[1]。

大麻何以讓人愉悅？

法國喜劇劇集《大麻咖啡館》（Family Business）中，年輕企業家喬瑟夫．亞贊（Joseph Hazan）乘著法國大麻合法化的順風車，決定將老父親傑哈德．亞贊（Gérard Hazan）的肉鋪改造成大麻咖啡館。雖說父親一開始很反對，但在偶像安瑞可．馬西亞斯（Enrico Macias）的循循善誘下，父親最終也體驗了呼麻的快感，並開始積極面對他們的咖啡館事業。

大麻為何能讓人快樂到放棄執著？一個叫四氫大麻酚（Tetrahydrocannabinol, THC）的傢伙扮演著關鍵角色。由於 THC 的化學結構與人體的內源性大麻「花生四烯乙醇胺」（anandamide）十分相似，它能與大麻素受體（cannabinoid receptors）結合，並啟動大腦的獎勵系統，讓我們感到身心愉悅^[2]。

這不免讓人感到好奇：究竟，人們是如何攝入大麻的呢？

一般來說，大麻被攝取的途徑有二：吸食，或直接拿起來嗑（沒啦，是摻在食物裡面服用）。當人們吸食大麻時，裡頭的化學物質會從肺部進入血液，進而將它們運送到身體各處，包括大腦。但如果是用吃的，由於是透過消化系統吸受，因此大麻所帶來的影響通常會晚個 30 分鐘到 1 小時出現。

大麻中毒將導致「定向感」降低

對大麻使用者來說，它最迷人的地方大概就是使用後欣快的放鬆感受。此外，有些人也會體驗到感官放大的飄忽景象，但也有部分人認為，大麻會讓他們感到焦慮、恐懼、不信任和恐慌。雖然目前較少有因純粹吸食大麻而死亡的案例，然而，若是使用過量，便會引發大麻中毒（cannabis intoxication）^[3]。

大麻中毒的人，輕則產生飢餓與嗜睡等症狀，嚴重的話，會導致認知與對人事時地物的定向感降低，甚至會出現急性精神病（acute psychosis）^[4]。其他典型、可預測的症狀，還包括口乾舌燥、紅眼、短期記憶受損，以及知覺和動作的影響等⁵。

部分大麻中毒者，會因為大麻在精神上的影響，對外界反應時間過慢，造成工作或學校表現低落，甚至在開車、駕駛時形成干擾，最終導致交通事故與傷亡等憾事。

雖說如今有血液、尿液或唾液等測試，能針對大麻中毒進行檢測，但若要實現日常生活中的時刻監測，恐怕還是有些限制的。

過去曾有研究，以現代人形影不離的「智慧型手機」裡的感測器，來探測高風險的飲酒者，準確率高達 90%^[6]。有鑑於此，羅格斯大學健康暨健康政策與高齡研究所團隊開始研究，想知道在機器學習模型的協助下，手機是否能發揮檢測「大麻中毒」的作用，即時探測那些可能因大麻中毒引發的危機。

如何檢測嗨不嗨？關鍵是「使用後的行為」

團隊首先從美國賓州匹茲堡（Pittsburgh, PA）找來 57 位年齡介在 18~25 歲的年輕人，透過自我報告，得知他們每週至少使用大麻兩次。之後，團隊透過「手機回傳調查」搭配「手機內感測器數據」等方法，每日收集受試者使用大麻的相關數據持續至多 30 天，以掌握他們在大麻中毒後的狀況。

其中，回傳調查每日三次，包含開始與結束使用大麻的時間、用量，以及主觀感受的自我評分——依據「嗨」的程度，評分標準為 1~10分，其中 10 分為「敲級嗨」。後來回傳的 451 起大麻使用事件中，平均「嗨度」為 3.77 分。

而手機則搭配應用程式，收集了 102 種手機感測器的數據，如 GPS、加速度計（accelerometer）、撥出的電話數量以及平均移動距離等。有些人聽到這裡可能坐不住了。等等⋯⋯GPS 這類定位工具與加速度計，到底能做什麼？是這樣的，GPS 可用來偵測大麻使用者陷入「自我陶醉」時的行進範圍（travel boundary），而加速度計則是用來監測他們的步態與身體活動量。

在對照受試者的回傳調查及手機數據後發現，當使用者回報他們「正嗨」時，透過 GPS 的數據分析可知，他們的移動範圍並不遠。另外，此時加速度計的資料也顯示，主觀報告大麻中毒者，雖然活動多樣性下降，但身體的活動程度卻比較劇烈。

考慮時間點的監測，精確度大提升！

最後，他們在演算法的幫助下^[7][註1]，盼能瞭解上述方法，是否能區別無中毒和中毒（輕度或中度）的情形。透過各種中毒時的行為特徵，加上機器學習技術的檢核，智慧型手機就可以變成如假包換的「大麻使用監測器」啦！

為了探究這個組合的準確性，團隊企圖在不同的時間點（例如：一周中的某一天，或是某一天的幾點幾分）下做排查，找出與大麻使用行為與特定時間點的關係，以進一步確認大麻中毒的具體指標。

結果顯示，僅出動手機內的感測器偵測這群人是否使用大麻，準確度為 67 ％；但若結合「個人呼麻時間點」與 GPS 和加速度計等資料，則準確度高達 90％。

用手機偵測大麻使用？得再等等⋯⋯

面對如此結果，研究團隊認為，以手機結合機器學習預測大麻中毒程度，是相當可行的。不過，未來還需要加入更多資料，以完備這項工具。

首先，由於該研究對大麻中毒的判定，主要建立在「受試者主觀判斷和自我（ㄕㄡˇ）報告」的基礎上，因此在物質使用和生理反應的識別上，不如執法部門的檢驗工具那般客觀。此外，像是大麻使用者的使用史、攝入身體的途徑、劑量，以及使用者對大麻的耐受性，都會影響他們報告身體狀況的結果。

不僅如此，像是不常使用大麻者在中毒時，他們的行為與身體反應和那些「老司機」們相比，是否有明顯差異？該研究受試者多為白人，其他人種在同劑量的條件下，會不會產生相應的數據？這裡不是要戰種族，但光是「喝酒」這件事，每個人種的反應也多少帶有一些差異，像亞洲人普遍就很難代謝酒精^[8]。

以上種種，都是這個工具可能被泛用的關鍵。最後，假設這個大麻偵測小工具，有朝一日被推到應用程式的市場上，你會想下載嗎？又，我們是否能因為大麻使用者的敏感身份與風險，而逕自對他們搜集資料、加以監控？作為一旁拍手叫好等待好用產品問世的小老百姓，在引頸期盼的同時，也必須深思這樣的問題。

註解

• 註 1：該研究所使用的技術為「Light Gradient Boosting Machine」，是微軟公司以「決策數演算法」（decision tree algorithms）為基礎，於二〇一七年釋出 LightGBM 演算法，用於排序、分類和其它機器學習的任務。

參考文獻

1.  Sang Won Bae et al. (2021) Mobile phone sensor-based detection of subjective cannabis intoxication in young adults: A feasibility study in real-world settings. Drug and Alcohol Dependence. 
2.  How does marijuana produce its effects? National Institute on Drug Abuse, 2020.
3.  What are marijuana’s effects? National Institute on Drug Abuse, 2020.
4.  Helen Okoye. Cannabis Intoxication DSM-5 292.89 (F12.12). Theravive.
5.  Marijuana intoxication. U.S. National Library of Medicine.
6.  Bae et al. (2018) Mobile phone sensors and supervised machine learning to identify alcohol use events in young adults: Implications for just-in-time adaptive interventions. Addictive Behaviors
7.   LightGBM. Wikipedia.
8.  Hui Li et al. (2009) Refined Geographic Distribution of the Oriental ALDH2*504Lys (nee 487Lys) Variant. Annals of Human Genetics.

「這段時間，我們一直納悶控制的方法在哪裡……」
「沒想到就是我們自己。」

——《人生複本》 Blake Crouch

有沒有注意自己的日常用語會跟自己經常接觸的朋友們越趨接近？像是辦公室有人開始講：「是在哈囉？」身旁會也越來越多人在不經意間說出：「是在哈囉？」我們跟某個朋友聊天時，如果對方原本都沒有在用貼圖，但是突然有一天他/她開始用了貼圖，我們也開始跟著用貼圖來回應對方。

用語上的一致性 （lexical alignment / lexical entrainment）能夠讓人跟人之間距離更靠近，增加彼此的信任感。不僅在語言上，行為上一致性（姿勢、動作等）也能在兩個溝通越來越順暢的人們身上觀察到，而且人們在沒有察覺的情況下，對於那些語言與行為跟自己一致的人也展現較多好感。

語言一致性的涵蓋範圍廣泛，包含用詞選擇、腔調、語速，甚至是修辭結構。

舉例來說，當我們在跟朋友描述自己所在的位置時：「我在地下室一樓」此時，對方比較有可能回應「我在地下室二樓」，而不是「我在 B2」。

但人與人之間對話時的用語一致性跟語音助理設計有什麼關係呢？

無論與人或電腦對話，我們都會配合對方的用語

我們可以透過瞭解人跟電腦對話的時候，是否也會出現這樣的用語一致性。在這個實驗當中，研究者們會讓使用者分別跟三個不同的角色語音對話對話，分別是：

• 真人
• 較舊版本的電腦
• 較新版本的電腦

而且使用者們會明確地被告知即將對話者的身分。如果是舊版電腦，就會看到一個螢幕開機畫面上寫著是 1987 年的作業系統版本；如果對話的是新版電腦，就會在螢幕上看到 2003 年的作業系統版本。

接著，請使用者在實驗過程中分別跟三個不同的角色互相看著圖片描述一個物品，例如：看一張電燈的圖片。不過「電燈」的另一個稱呼也可以是「檯燈」，這時候研究者就讓他們輪流向對方說出照片裡的物品，進而讓研究者們分析使用者會不會因為對方用了某個詞彙，後續再看到同樣的圖片時也用同樣的詞彙。

結果發現，是的！使用者不但會配合另一個人的用詞方式，也會配合電腦的用詞。

即便使用者知道自己在跟電腦對話，當電腦一直用固定的詞彙描述圖中物品時，使用者的描述用詞也會配合電腦，就如同配合人一樣，用同樣的詞彙來描述物品。

但是這種用同樣詞彙的配合程度不同，當使用者知道自己在跟一個舊版本的電腦對話時，配合的程度就高於最新版本的電腦或是人類。也就是說，當我們知道電腦可能「比較笨」的時候，我們就更容易去配合它的用語。而這個效果透過很表面的知覺操弄就可以做到，就像實驗中讓使用者看到不同版本作業系統就會達到配合程度不同的效果。

不只用詞，在句子結構上也會配合語音助理

除了看字彙選擇是不是會有一致性，研究者們也發現當請使用者分別跟另一個真人、另一個發出機器音的語音助理、另一個擬人聲的語音助理對話，無論和誰對話，使用者自己的句子結構都會有配合對方的傾向。

研究者們邀請使用者向三個不同的角色互相描述圖片中的畫面，從中我們可以發現兩個不同的描述方式：

• 左圖：「大明給小王一張卡片」＝「大明把卡片給小王」；
• 右圖：「一個藍色的圓圈」＝「一個圓圈是藍色的」。

接著讓使用者分別跟三個角色輪流描述多長不同的圖片給對方聽。結果發現，如果對方一直用「A 把（物品）給 B」或是「形容詞 + 名詞」這種結構來描述圖片的話，自己後續描述圖片的方式也會趨向這個方式。

所以，無論跟自己對話的是人，或是機器音的語音助理，還是擬人聲的語音助理都有同樣的效果。

利用人們「一致性」本能，互動設計讓語音助理更好用

從我們與語音助理的互動經驗中可以發現，只要語音助理無法辨識我們說出來的內容，就無法給出符合期待的回應，所以自然語言處理（Natural language processing, NLP）的專家們持續發展語音辨識的技術。然而在新技術尚未推出之前，我們其實可以從人機互動的角度來修正語音助理的設計。

以本次回顧的系列研究的結論來說，人會隨著溝通對象而改變語言使用習慣，包含用語、句構。尤其當人認為電腦越不聰明時，配合程度越強。因此，設計師們不妨根據現有技術，先讓語音助理講出一些簡單的句子結構來開啟對話，再引導使用者也使用相似的簡單結構來回覆，而不是一定要專注在設計出能夠進行複雜對話的語音助理。

例如：當我們透過 Hey, bot 喚醒語音助理後，先讓語音助理說出：「嗨，下指令」這個簡單的句子結構，進而引導使用者說出：「好，播音樂」。

從系統設計角度來看，這麼做能在一開始就讓使用者在不知不覺中說出系統比較容易辨識的指令。就像我們在跟小小孩對話的時候，當他對我們說：「我要車車～」的時候，自己也會很自然的回應：「車車給你～」。

如此一來，使用者就不會因語音助理辨識錯誤而太失望了，不是嗎？

延伸閱讀

• 語音助理在不同情境下的設計考量
• 我們應該要設計「對話」還是設計「系統回應」？

感謝沈奕超、張元嘉提供編輯建議

參考資料

1. Cowan, B. R., Branigan, H. P., Obregón, M., Bugis, E., & Beale, R. (2015). Voice anthropomorphism, interlocutor modeling and alignment effects on syntactic choices in human-computer dialogue. International Journal of Human-Computer Studies, 83, 27-42.
2. Branigan, H. P., Pickering, M. J., Pearson, J., McLean, J. F., & Brown, A. (2011). The role of beliefs in lexical alignment: Evidence from dialogs with humans and computers. Cognition, 121(1), 41-57.