大模型时代的心理计算：从预训练到交互式应用的综述

人工智能与心理学的融合领域正在快速扩张，年发文量已由2000年的859篇激增至2025年的29,979篇。不过，这种迅猛发展也导致了方法论上的“碎片化”，即类似的计算技术在不同心理学分支中孤立发展。

本文提出了首个系统性的分类框架，依据计算处理方式而非应用领域重构AI驱动的心理学任务，将其划分为四大类：分类、回归、结构化关系及生成交互式任务。通过对跨越预训练模型与LLM时代的300多项代表性研究进行剖析，我们探讨了计算方法如何从特定任务的特征工程演进至迁移学习及少样本自适应。此外，本文梳理了相关数据集、评估指标与基准测试，并分析了可解释性、标签不确定性、隐私限制及跨文化有效性等核心挑战。

这种计算视角的审视，揭示了以往“以领域为中心”的组织模式所掩盖的可迁移方法论规律，为计算心理学的系统性知识迁移与加速发展提供了契机。

AI已彻底重塑了人类心理学的研究范式。从最初简单的自动化评估，演变为涵盖心理健康诊断、人格分析、认知评估及治疗干预的综合计算手段。这一转型可从出版物数量的爆发式增长中得到印证：该领域发文量从2000年的859篇激增至2025年的29,979篇，实现了35倍的增长。这既反映了AI技术的成熟，也体现了学界共识，即计算方法能解决传统范式难以企及的心理学难题。

这一增长轨迹揭示了三个独特的演进阶段，各有其技术特征与科研方法（如图1所示）。**基础增长阶段（2000-2010）**利用SVM、决策树等传统机器学习方法建立了心理数据分析的基本框架，年发文量从859篇稳步增长至2,687篇。**加速发展阶段（2010-2018）**见证了深度学习架构的崛起，其表示学习能力提升了模式识别水平，发文量增至7,556篇。**指数扩张阶段（2018-2025）**始于BERT、GPT-2等预训练模型的问世，开启了超过20%的持续年增长率。2023年大语言模型的引入进一步加速进程，通过零样本、少样本自适应及自然语言交互，根本性改变了任务处理方式，最终在2025年达到29,979篇。

数量的扩张反映了心理学研究范式的根本转型。图2显示，计算机科学类出版物呈指数级增长（从约12,000篇增至近100,000篇），工程学、数学、神经科学及医学成像地位提升。相比之下，行为科学和精神病学等核心领域增长相对平缓。这种分歧表明研究重心正从“以心理学为中心”转向利用先进AI技术的“以计算为中心”，理解这种区别对组织该领域至关重要。

传统心理评估依赖临床医生面对面的个性化评估，擅长建立治疗关系。然而，日益增长的需求和多源数据涌现，为计算方法补充这些实践创造了机会。如图3所示，AI驱动的方法从四个关键维度增强了传统手段：

自动化高通量评估：能同时对大规模人群评估，几分钟处理批量档案，将服务触达范围扩展至一对一咨询之外。

精准量化：将类别分类转为连续测量（如PHQ-9评分），细粒度追踪症状演变。

多源数据集成：综合社交网络、对话等信息，提供自然情境下的心理状态全景。

随时随地的支持：通过在线平台提供可及干预，补充线下咨询，提供持续监测。

推动转型的技术创新引入了日益强大的能力。早期机器学习证明统计模型能捕捉复杂关系。预训练模型带来迁移学习，利用大规模数据知识解决领域特定问题。最新LLMs（如GPT-4, Claude）仅需极少训练即可处理复杂任务，进行结构化访谈、生成治疗内容及分析语言标记。

然而，快速扩张造就了碎片化的研究格局。例如，开发抑郁症检测Transformer系统的团队，与构建人格评估系统的团队可能使用相同技术（BERT微调、注意力机制），却在不同会议/期刊发表论文，互不知晓。这种孤立模式普遍存在。

提示工程技术本可惠及教育心理学，却被局限；为自杀风险预测开发的注意力可视化方法，在认知评估中被重新发现。不同子领域（抑郁检测、人格评估、认知评估）频繁采用相似架构，但交叉引用极少。领域组织方式掩盖了技术共性。

这种碎片化损害了研究效率和科学进步。方法论进展被局限在狭窄区域，研究人员重复发明相邻领域的技术。缺乏统一框架使得难以识别哪些技术通用、哪些受限。该领域面临持续“巴尔干化”的风险。

本综述通过计算特征而非应用领域组织AI驱动的心理学，应对挑战。提出四大基本计算范式，由其处理信息和生成输出的方式定义。

**分类任务**通过判别式模式识别鉴定离散心理状态（如抑郁检测、性格分类）。挑战在于学习分离高维特征空间中心理构念的决策边界，处理类别不平衡、特征提取及跨群体性能。

**回归任务**通过预测数值量化连续心理测量（如严重程度评分、认知水平）。重心在于学习准确映射输入到连续输出空间且保持可解释性的函数，处理测量不确定性及与临床量表的一致性。

**结构化关系任务**通过提取并建模构念间复杂关系（如症状网络、社会支持图谱）。输出为元组，挑战在于学习反映心理学理论的关系结构和时间动态的表示，采用基于图的架构。

**生成交互式任务**通过动态参与创建个性化心理内容（如解释机制、生成干预、支持）。共享基本机制：合成适应用户状态的上下文相关响应。挑战包括维持交互上下文、生成合适响应及适应用户反馈。

这种分类法揭示了可迁移模式，实现传统孤立社区间的系统知识迁移。为一种任务开发的注意力机制可改编用于其他任务；解决临床数据稀缺的策略可迁移至教育背景。

分析跨越两个变革性技术时代。**预训练模型时代（2018-2022）**通过BERT/GPT-2引入迁移学习，使有限数据复杂分析成为可能。**大语言模型时代（始于2023）**通过零样本和自然语言接口降低了部署门槛。追踪了从特征工程到迁移学习再到自适应能力的演变。

探讨了整合文本、语音、视觉、生理信号的**多模态方法**重要性。人类心理状态通过多渠道表现，评估系统利用此特性。分析了计算机视觉、语音处理及传感器技术如何补充语言模型。

本综述贡献：1）计算分类法；2）跨时代技术分析（300+研究，单模态/多模态）；3）系统性资源调查（数据集、指标）；4）挑战分析与未来方向。

文章其余部分安排：第2节基础，第3节分类法，第4节数据集，第5节技术分析，第6节挑战，第7节未来方向，第8节总结。