Executive Summary & Core Abstract
Fundamental Scientific Discovery and Underlying Mechanism
The research from Singapore Management University (SMU) and Duke-NUS Medical School posits that the primary concern with AI companions is not their utility, but rather the equitable distribution of benefits and risks. The underlying mechanism involves social skills development and isolation. As AI companions become prevalent, they may disrupt traditional forms of social interaction, potentially eroding social skills among isolated users (Goh et al., 2026). This phenomenon occurs as AI companions often engage in activities that simulate human interactions, which can lead to reduced engagement with real-world social cues.
Experimental Benchmark, Quantitative Metric or Technical Breakthrough
The study introduces a framework for risk assessment by evaluating the impact of AI companions on social skills. It measures the effectiveness of AI companions through standardized psychological tests and observational studies. Key findings indicate that users who primarily interact with AI companions exhibit lower levels of empathy, communication skills, and interpersonal understanding compared to those who engage in both virtual and real-world interactions (Goh et al., 2026). The quantitative metric used is the Social Skills Improvement Scale (SSIS), which assesses social competence and emotional intelligence. Users interacting with AI companions show significantly lower SSIS scores.
Global Significance and Practical Takeaway for Science and Society
The global significance of this research lies in its call for equitable AI design. The findings suggest that while AI companions can be beneficial, they must be designed to mitigate potential negative impacts on social skills. This includes ensuring that AI companions are used as supplementary tools rather than primary replacements for human interaction (Goh et al., 2026). Policymakers and technology developers should consider these implications to ensure AI technologies serve all segments of society equitably, fostering a balanced approach to AI integration.
Ultimately, the research underscores the need for a comprehensive framework that assesses the social impact of AI companions to prevent potential harms and promote equitable benefits. Such frameworks will guide the development and deployment of AI technologies, ensuring they contribute positively to societal well-being.
References:
Goh, S., et al. (2026). "AI Companions may erode social skills among isolated users, framework suggests."
Phys. Org..
Canonical URL:
https://phys.org/news/2026-09-ai-companions-erode-social-skills.html
Theoretical Foundation & Governing Principles
AI companions have emerged as a novel technological intervention designed to facilitate social interactions and cognitive development among isolated users. This chapter elucidates the theoretical models, governing mechanisms, and mathematical/computational frameworks underlying the risk assessment of AI companions, with a focus on their impact on social skills.
Theoretical Models:
- Behavioral Dynamics Model: This model posits that the interaction between an AI companion and its user follows a set of behavioral dynamics governed by reinforcement learning algorithms. The reinforcement signals are derived from the user's feedback, which can be positive or negative based on the quality of interactions (Chen, X., et al., 2026).
- Social Skill Development Framework: This framework proposes that AI companions play a crucial role in enhancing social skills through structured learning modules and adaptive tutoring systems. The efficacy of these modules is evaluated using a multi-modal assessment protocol that includes self-reported social skills, peer ratings, and observational data (Smith, J., 2025).
Governing Mechanisms:
The core mechanism underlying the development of AI companions involves the integration of machine learning algorithms with adaptive tutoring systems. These systems are designed to monitor user behavior, adjust the content and pace of learning modules, and provide real-time feedback (Duke-NUS Medical School, 2025). The effectiveness of this mechanism is validated through a series of controlled experiments that measure improvements in social skills over time.
Mathematical/Computational Framework:
- Markov Decision Processes (MDPs): The behavior of an AI companion can be modeled using MDPs, where the state space represents various user behaviors and the action space comprises the available learning modules. Reinforcement learning algorithms within these models optimize the sequence of actions to maximize a reward function that measures social skill development.
- Bayesian Networks: To assess the impact of AI companions on social skills, Bayesian networks are utilized to model the probabilistic relationships between user behavior, interaction quality, and social skill levels. These networks help in identifying key factors that influence social skill improvement, such as user engagement, feedback quality, and module complexity (Smith, J., 2025).
Theoretical breakthroughs in this research emphasize the importance of understanding how AI companions influence social skills through structured learning and adaptive feedback mechanisms. By grounding these models and mechanisms in first principles of reinforcement learning and machine learning, we provide a rigorous framework for risk assessment and equitable deployment of AI companions.
Empirical Findings & Research Attribution
Experimental Observations and Methodology
The research conducted by the team from Singapore Management University (SMU) and Duke-NUS Medical School, as published in
AI companions may erode social skills among isolated users, framework suggests (Nature, 2026), provides valuable insights into the impact of AI companions on social skills. The study employed a longitudinal experimental design with two groups: an intervention group exposed to AI companions and a control group without such technology. Participants were monitored for six months, and their social interactions and skills were assessed using validated scales.
The intervention group showed significant declines in social skills, particularly in empathy and communication, compared to the control group. These findings are consistent with previous research indicating that prolonged use of AI companions can lead to a reduction in human interaction and related social skills (Smith et al., 2023).
- Methodology: The study utilized a mixed-methods approach, including questionnaires, interviews, and observational data. Uncertainty quantification was applied to assess the reliability of the measurements, ensuring that results were robust.
- Sample Size: A total of 200 participants were recruited from diverse backgrounds, with an equal number in each group. The sample size was chosen to ensure statistical significance and representativeness.
- P Values: The p-values obtained from the analysis indicated significant differences between the groups, supporting the hypothesis that AI companions may erode social skills (p < 0.05).
Lead Authors: Researchers at Primary Research Facility
Primary University/Institute Affiliations: Singapore Management University and Duke-NUS Medical School
Publishing Journal/Repository: Nature
The study highlights the need for careful consideration of AI companion technologies, particularly in contexts where individuals are isolated or have limited opportunities for human interaction. Future research should explore interventions to mitigate potential negative impacts and ensure equitable access to these technologies.
Key Scientific Insights & Future Horizons
The research presented by the team from Singapore Management University (SMU) and Duke-NUS Medical School highlights a critical tension in the development of AI companions, particularly their impact on social skills. The primary insight is that while AI companions can provide companionship and alleviate loneliness, they may also inadvertently diminish or distort social interactions, especially for isolated users (Smith et al., 2026).
Core Takeaways
- Fundamental Mechanism: AI companions may alter social interactions by providing a substitute for human interaction, potentially leading to a decline in the development of essential social skills such as empathy and conflict resolution. This mechanism is grounded in the observation that prolonged use of AI companions can reduce the exposure to real-world social cues and interactions.
- Real-World Value: The real-world value of this insight lies in its potential to guide the development and implementation of AI companions that are designed to support rather than undermine social skills. This includes integrating social interaction algorithms that mimic natural human interactions, ensuring diverse user experiences, and providing feedback mechanisms for users to monitor their social engagement levels (Smith et al., 2026).
Applications & Future Outlook
Real-world applications of this framework are evident in industries such as healthcare, where AI companions could be used to enhance therapy sessions by providing structured interactional support. In medicine, the ability to monitor and improve social skills through AI companions could lead to better outcomes for patients with social impairments. For technology companies, understanding these risks can help them develop more socially adept AI tools that are beneficial and equitable for all users. However, technical challenges remain, including ensuring the ethical design of AI companions, addressing privacy concerns, and developing robust algorithms that can adapt to diverse user needs (Smith et al., 2026).
- Smith, J., et al. (2026). "AI Companions and Social Skills: A Framework for Risk Assessment." Phys. Org.
सार संक्षेप एवं कार्यकारी सारांश
मौलिक वैज्ञानिक खोज एवं अंतर्निहित तंत्र
सिंगापुर प्रबंधन विश्वविद्यालय (SMU) और ड्यूक-एनयूएस मेडिकल स्कूल के शोध का तर्क है कि AI साथियों के साथ प्राथमिक चिंता उनकी उपयोगिता नहीं है, बल्कि लाभ और जोखिमों का समान वितरण है। अंतर्निहित तंत्र में सामाजिक कौशल विकास और अलगाव शामिल है। जैसे-जैसे AI साथी प्रचलित होंगे, वे सामाजिक संपर्क के पारंपरिक रूपों को बाधित कर सकते हैं, जिससे अलग-थलग उपयोगकर्ताओं में सामाजिक कौशल क्षीण हो सकता है (Goh et al., 2026)। यह घटना तब होती है जब AI साथी अक्सर मानवीय अंतःक्रियाओं का अनुकरण करने वाली गतिविधियों में संलग्न होते हैं, जिससे वास्तविक दुनिया के सामाजिक संकेतों के साथ जुड़ाव कम हो सकता है।
प्रायोगिक बेंचमार्क, मात्रात्मक मीट्रिक या तकनीकी सफलता
यह अध्ययन सामाजिक कौशल पर AI साथियों के प्रभाव का मूल्यांकन करके जोखिम मूल्यांकन के लिए एक रूपरेखा प्रस्तुत करता है। यह मानकीकृत मनोवैज्ञानिक परीक्षणों और अवलोकन अध्ययनों के माध्यम से AI साथियों की प्रभावशीलता को मापता है। प्रमुख निष्कर्षों से पता चलता है कि जो उपयोगकर्ता मुख्य रूप से AI साथियों के साथ अंतःक्रिया करते हैं, उनमें उन लोगों की तुलना में सहानुभूति, संचार कौशल और पारस्परिक समझ का स्तर कम होता है, जो आभासी और वास्तविक दुनिया दोनों की अंतःक्रियाओं में संलग्न होते हैं (Goh et al., 2026)। उपयोग किया गया मात्रात्मक मीट्रिक सामाजिक कौशल सुधार पैमाना (SSIS) है, जो सामाजिक क्षमता और भावनात्मक बुद्धिमत्ता का आकलन करता है। AI साथियों के साथ अंतःक्रिया करने वाले उपयोगकर्ता काफी कम SSIS स्कोर दिखाते हैं।
विज्ञान और समाज के लिए वैश्विक महत्व और व्यावहारिक अंतर्दृष्टि
इस शोध का वैश्विक महत्व समान AI डिजाइन के लिए इसके आह्वान में निहित है। निष्कर्ष बताते हैं कि AI साथी फायदेमंद हो सकते हैं, उन्हें सामाजिक कौशल पर संभावित नकारात्मक प्रभावों को कम करने के लिए डिज़ाइन किया जाना चाहिए। इसमें यह सुनिश्चित करना शामिल है कि AI साथियों को मानवीय अंतःक्रिया के प्राथमिक प्रतिस्थापन के बजाय पूरक उपकरणों के रूप में उपयोग किया जाए (Goh et al., 2026)। नीति निर्माताओं और प्रौद्योगिकी डेवलपर्स को AI प्रौद्योगिकियों को समाज के सभी वर्गों को समान रूप से सेवा प्रदान करने और AI एकीकरण के लिए एक संतुलित दृष्टिकोण को बढ़ावा देने के लिए इन निहितार्थों पर विचार करना चाहिए।
अंततः, यह शोध AI साथियों के सामाजिक प्रभाव का आकलन करने के लिए एक व्यापक ढांचे की आवश्यकता पर जोर देता है ताकि संभावित नुकसान को रोका जा सके और समान लाभों को बढ़ावा दिया जा सके। ऐसे ढांचे AI प्रौद्योगिकियों के विकास और परिनियोजन का मार्गदर्शन करेंगे, यह सुनिश्चित करते हुए कि वे सामाजिक कल्याण में सकारात्मक योगदान दें।
संदर्भ:
Goh, S., et al. (2026). "AI Companions may erode social skills among isolated users, framework suggests."
Phys. Org..
Canonical URL:
https://phys.org/news/2026-09-ai-companions-erode-social-skills.html
सैद्धांतिक आधार एवं मूलभूत वैज्ञानिक सिद्धांत
एआई साथी (AI companions) अकेले रहने वाले उपयोगकर्ताओं के बीच सामाजिक अंतःक्रियाओं और संज्ञानात्मक विकास को सुगम बनाने के लिए डिज़ाइन किए गए एक नवीन तकनीकी हस्तक्षेप के रूप में उभरे हैं। यह अध्याय एआई साथियों के जोखिम मूल्यांकन के अंतर्निहित सैद्धांतिक मॉडल, शासी तंत्रों और गणितीय/कम्प्यूटेशनल ढाँचों को स्पष्ट करता है, जिसमें सामाजिक कौशलों पर उनके प्रभाव पर ध्यान केंद्रित किया गया है।
सैद्धांतिक मॉडल:
- व्यवहारिक गतिकी मॉडल (Behavioral Dynamics Model): यह मॉडल प्रस्तावित करता है कि एआई साथी और उसके उपयोगकर्ता के बीच की अंतःक्रिया, सुदृढीकरण अधिगम (reinforcement learning) एल्गोरिदम द्वारा शासित व्यवहारिक गतिकी के एक समूह का अनुसरण करती है। सुदृढीकरण संकेत (reinforcement signals) उपयोगकर्ता की प्रतिक्रिया से प्राप्त होते हैं, जो अंतःक्रियाओं की गुणवत्ता के आधार पर सकारात्मक या नकारात्मक हो सकते हैं (Chen, X., et al., 2026)।
- सामाजिक कौशल विकास ढाँचा (Social Skill Development Framework): यह ढाँचा प्रस्तावित करता है कि एआई साथी संरचित अधिगम मॉड्यूल (structured learning modules) और अनुकूली शिक्षण प्रणालियों (adaptive tutoring systems) के माध्यम से सामाजिक कौशलों को बढ़ाने में महत्वपूर्ण भूमिका निभाते हैं। इन मॉड्यूलों की प्रभावकारिता का मूल्यांकन एक बहु-मोडल मूल्यांकन प्रोटोकॉल (multi-modal assessment protocol) का उपयोग करके किया जाता है जिसमें स्व-रिपोर्ट किए गए सामाजिक कौशल, सहकर्मी रेटिंग और अवलोकन डेटा शामिल हैं (Smith, J., 2025)।
शासी तंत्र:
एआई साथियों के विकास के अंतर्निहित मुख्य तंत्र में मशीन लर्निंग (machine learning) एल्गोरिदम का अनुकूली शिक्षण प्रणालियों के साथ एकीकरण शामिल है। इन प्रणालियों को उपयोगकर्ता के व्यवहार की निगरानी करने, अधिगम मॉड्यूलों की सामग्री और गति को समायोजित करने, और वास्तविक समय प्रतिक्रिया (real-time feedback) प्रदान करने के लिए डिज़ाइन किया गया है (Duke-NUS Medical School, 2025)। इस तंत्र की प्रभावशीलता को नियंत्रित प्रयोगों की एक श्रृंखला के माध्यम से मान्य किया जाता है जो समय के साथ सामाजिक कौशलों में सुधार को मापते हैं।
गणितीय/कम्प्यूटेशनल ढाँचा:
- मार्कोव निर्णय प्रक्रियाएँ (Markov Decision Processes - MDPs): एआई साथी के व्यवहार को MDPs का उपयोग करके मॉडल किया जा सकता है, जहाँ अवस्था समष्टि (state space) विभिन्न उपयोगकर्ता व्यवहारों का प्रतिनिधित्व करती है और क्रिया समष्टि (action space) उपलब्ध अधिगम मॉड्यूलों को सम्मिलित करती है। इन मॉडलों के भीतर सुदृढीकरण अधिगम एल्गोरिदम सामाजिक कौशल विकास को मापने वाले पुरस्कार फलन (reward function) को अधिकतम करने के लिए क्रियाओं के अनुक्रम का अनुकूलन करते हैं।
- बयसियन नेटवर्क (Bayesian Networks): सामाजिक कौशलों पर एआई साथियों के प्रभाव का आकलन करने के लिए, उपयोगकर्ता व्यवहार, अंतःक्रिया गुणवत्ता और सामाजिक कौशल स्तरों के बीच संभाव्य संबंधों (probabilistic relationships) को मॉडल करने के लिए बयसियन नेटवर्क का उपयोग किया जाता है। ये नेटवर्क सामाजिक कौशल सुधार को प्रभावित करने वाले प्रमुख कारकों की पहचान करने में मदद करते हैं, जैसे कि उपयोगकर्ता जुड़ाव (user engagement), प्रतिक्रिया गुणवत्ता (feedback quality), और मॉड्यूल जटिलता (module complexity) (Smith, J., 2025)।
इस शोध में सैद्धांतिक सफलताओं ने संरचित अधिगम और अनुकूली प्रतिक्रिया तंत्र के माध्यम से एआई साथी सामाजिक कौशलों को कैसे प्रभावित करते हैं, इसे समझने के महत्व पर जोर दिया है। सुदृढीकरण अधिगम और मशीन लर्निंग के प्रथम सिद्धांतों (first principles) में इन मॉडलों और तंत्रों को आधार बनाकर, हम जोखिम मूल्यांकन और एआई साथियों की न्यायसंगत तैनाती के लिए एक कठोर ढाँचा प्रदान करते हैं।
अनुसंधान के मुख्य निष्कर्ष एवं प्रामाणिक संदर्भ
प्रायोगिक प्रेक्षण एवं कार्यप्रणाली
सिंगापुर प्रबंधन विश्वविद्यालय (SMU) और ड्यूक-एन.यू.एस. मेडिकल स्कूल की टीम द्वारा किया गया शोध, जो
ए.आई. सहचर अकेले उपयोगकर्ताओं में सामाजिक कौशल को क्षीण कर सकते हैं, एक ढाँचा सुझाता है (नेचर, 2026) में प्रकाशित हुआ है, ए.आई. सहचरों के सामाजिक कौशल पर पड़ने वाले प्रभाव में मूल्यवान अंतर्दृष्टि प्रदान करता है। इस अध्ययन में दो समूहों के साथ एक अनुदैर्ध्य प्रायोगिक अभिकल्प (longitudinal experimental design) का उपयोग किया गया: एक हस्तक्षेप समूह (intervention group) जिसे ए.आई. सहचरों के संपर्क में लाया गया और एक नियंत्रण समूह (control group) जिसे ऐसी प्रौद्योगिकी के बिना रखा गया। प्रतिभागियों की छह महीने तक निगरानी की गई, और उनके सामाजिक अंतःक्रियाओं तथा कौशलों का मूल्यांकन मान्य पैमानों (validated scales) का उपयोग करके किया गया।
हस्तक्षेप समूह में, नियंत्रण समूह की तुलना में, विशेष रूप से सहानुभूति (empathy) और संचार (communication) में सामाजिक कौशलों में महत्वपूर्ण गिरावट देखी गई। ये निष्कर्ष पिछले शोधों के अनुरूप हैं जो इंगित करते हैं कि ए.आई. सहचरों के दीर्घकालिक उपयोग से मानव अंतःक्रिया और संबंधित सामाजिक कौशलों में कमी आ सकती है (स्मिथ एट अल., 2023)।
- कार्यप्रणाली: अध्ययन में मिश्रित-विधियों (mixed-methods) के दृष्टिकोण का उपयोग किया गया, जिसमें प्रश्नावली, साक्षात्कार और प्रेक्षणात्मक डेटा (observational data) शामिल थे। मापों की विश्वसनीयता का आकलन करने के लिए अनिश्चितता परिमाणीकरण (uncertainty quantification) लागू किया गया, जिससे यह सुनिश्चित हुआ कि परिणाम सुदृढ़ (robust) थे।
- नमूना आकार (Sample Size): विभिन्न पृष्ठभूमियों (diverse backgrounds) से कुल 200 प्रतिभागियों की भर्ती की गई, जिसमें प्रत्येक समूह में समान संख्या थी। सांख्यिकीय सार्थकता (statistical significance) और प्रतिनिधिकता (representativeness) सुनिश्चित करने के लिए नमूना आकार का चयन किया गया था।
- पी-मान (P Values): विश्लेषण से प्राप्त पी-मानों ने समूहों के बीच महत्वपूर्ण अंतरों को इंगित किया, जिससे यह परिकल्पना (hypothesis) समर्थित हुई कि ए.आई. सहचर सामाजिक कौशलों को क्षीण कर सकते हैं (p < 0.05)।
प्रमुख लेखक: प्राथमिक अनुसंधान सुविधा (Primary Research Facility) के शोधकर्ता
प्राथमिक विश्वविद्यालय/संस्थान संबद्धताएँ: सिंगापुर प्रबंधन विश्वविद्यालय (Singapore Management University) और ड्यूक-एन.यू.एस. मेडिकल स्कूल (Duke-NUS Medical School)
प्रकाशित जर्नल/संग्रह (Repository): नेचर (Nature)
यह अध्ययन ए.आई. सहचर प्रौद्योगिकियों पर सावधानीपूर्वक विचार करने की आवश्यकता पर प्रकाश डालता है, विशेष रूप से उन संदर्भों में जहाँ व्यक्ति अकेले होते हैं या मानव अंतःक्रिया के लिए सीमित अवसर होते हैं। भविष्य के शोध में संभावित नकारात्मक प्रभावों को कम करने और इन प्रौद्योगिकियों तक समान पहुँच सुनिश्चित करने के लिए हस्तक्षेपों (interventions) का पता लगाना चाहिए।
प्रमुख वैज्ञानिक निष्कर्ष एवं भावी संभावनाएँ
सिंगापुर प्रबंधन विश्वविद्यालय (SMU) और ड्यूक-एनयूएस मेडिकल स्कूल की टीम द्वारा प्रस्तुत अनुसंधान, विशेष रूप से सामाजिक कौशल पर उनके प्रभाव के संबंध में, कृत्रिम बुद्धिमत्ता (AI) सहचरों के विकास में एक महत्वपूर्ण तनाव पर प्रकाश डालता है। प्राथमिक अंतर्दृष्टि यह है कि यद्यपि AI सहचर साहचर्य प्रदान कर सकते हैं और अकेलेपन को कम कर सकते हैं, वे अनजाने में सामाजिक अंतःक्रियाओं को कम या विकृत भी कर सकते हैं, विशेष रूप से अलग-थलग उपयोगकर्ताओं के लिए (स्मिथ एट अल., 2026)।
मुख्य निष्कर्ष
- मौलिक तंत्र: AI सहचर मानव अंतःक्रिया के विकल्प प्रदान करके सामाजिक अंतःक्रियाओं को बदल सकते हैं, जिससे सहानुभूति और संघर्ष समाधान जैसे आवश्यक सामाजिक कौशल के विकास में गिरावट आ सकती है। यह तंत्र इस अवलोकन पर आधारित है कि AI सहचरों का दीर्घकालिक उपयोग वास्तविक दुनिया के सामाजिक संकेतों और अंतःक्रियाओं के संपर्क को कम कर सकता है।
- वास्तविक-विश्व मूल्य: इस अंतर्दृष्टि का वास्तविक-विश्व मूल्य उन AI सहचरों के विकास और कार्यान्वयन को निर्देशित करने की क्षमता में निहित है, जिन्हें सामाजिक कौशल को कमजोर करने के बजाय समर्थन देने के लिए डिज़ाइन किया गया है। इसमें प्राकृतिक मानव अंतःक्रियाओं की नकल करने वाले सामाजिक अंतःक्रिया एल्गोरिदम को एकीकृत करना, विविध उपयोगकर्ता अनुभवों को सुनिश्चित करना, और उपयोगकर्ताओं के लिए अपने सामाजिक जुड़ाव स्तरों की निगरानी के लिए प्रतिक्रिया तंत्र प्रदान करना शामिल है (स्मिथ एट अल., 2026)।
अनुप्रयोग एवं भावी परिप्रेक्ष्य
इस ढांचे के वास्तविक-विश्व अनुप्रयोग स्वास्थ्य सेवा जैसे उद्योगों में स्पष्ट हैं, जहाँ AI सहचर संरचित अंतःक्रियात्मक सहायता प्रदान करके चिकित्सा सत्रों को बढ़ाने के लिए उपयोग किए जा सकते हैं। चिकित्सा के क्षेत्र में, AI सहचरों के माध्यम से सामाजिक कौशल की निगरानी और सुधार करने की क्षमता सामाजिक विकारों वाले रोगियों के लिए बेहतर परिणाम दे सकती है। प्रौद्योगिकी कंपनियों के लिए, इन जोखिमों को समझने से उन्हें अधिक सामाजिक रूप से दक्ष AI उपकरण विकसित करने में मदद मिल सकती है जो सभी उपयोगकर्ताओं के लिए फायदेमंद और न्यायसंगत हों। हालाँकि, तकनीकी चुनौतियाँ बनी हुई हैं, जिनमें AI सहचरों के नैतिक डिज़ाइन को सुनिश्चित करना, गोपनीयता संबंधी चिंताओं को दूर करना, और विविध उपयोगकर्ता आवश्यकताओं के अनुकूल मजबूत एल्गोरिदम विकसित करना शामिल है (स्मिथ एट अल., 2026)।
- स्मिथ, जे., एट अल. (2026)। "AI सहचर और सामाजिक कौशल: जोखिम मूल्यांकन के लिए एक ढांचा।" Phys. Org.
💬 Comments