探讨人工智能技术在心理学研究中的应用前景

心理学同人工智能联系紧密，自1956年人工智能的概念提出以来，心理学家同人工智能研究者进行了很多合作研究。如2018年5月，英国《自然》（Nature）杂志刊登了英国伦敦大学神经科学家和英国DeepMind团队人工智能研究员合作完成的一项研究成果，他们利用深度学习技术成功模拟人类大脑的空间导航能力。此类研究向人们展示了人工智能技术在心理学研究中的应用前景。

应用于心理测量

交互进化计算（Interactive Evolutionary Computation，IEC）属于人工智能领域的一种算法，是一种将人的智能评价同进化计算机有机结合的智能计算方法。目前，交互进化计算在心理测量领域的研究中得到很好的应用。日本学者塔卡西（Hideyuki Takagi）等人将交互进化计算应用于对精神分裂症患者的心理测量和评估中，辅助验证“精神分裂症患者所感受到的情绪表达的动态范围比健康人所感知到的范围更窄”这一假设，该研究是IEC运用于心理测量领域的开创性研究之一。在此之前，精神病学家和心理治疗师认为精神分裂症患者在情感表达方面存在问题，但是由于缺乏定量方法衡量他们的情感表达能力，所以无法以此作为诊断依据。交互进化计算提供了一种定量的测量方法，使得对情绪感知范围的测量成为可能。之后，张琰等人利用交互进化计算技术，以高社交焦虑和低社交焦虑大学生为研究对象，成功地测量并比较了两者在面孔情绪识别的动态感知范围上的差异性。这些研究表明：交互进化计算作为一种智能算法，适用于心理健康测量。

此外，人工智能领域的贝叶斯网络和粗糙集分析方法对心理测量数据的挖掘起到了优于一般心理学统计方法的作用。余嘉元发现，利用贝叶斯网络开发的智能自适应测验可以显著地减少教育和心理测试中题目的数量，并且相对于纸笔测验，这种自适应测验获取的信息更多。他还发现，人工智能中的粗糙集分析方法可以对心理测量数据进行挖掘，得到更准确细致的分析结果。

应用于心理变量预测

近年来，人工智能技术中的表情识别技术被用于心理学人格预测的研究中。以往确定大五人格类型的方法主要是问卷测量，但这需要花费大量时间。加夫里列斯库（Mihai Gavrilescu）在2016年建立了一种新的非侵入性系统，这一系统可以根据面部动作编码获得的面部特征来确定人的大五人格特征。之后，加夫里列斯库和维齐雷努（Nicolae Vizireanu）在2017年提出了一种基于面部动作编码系统的面部特征分析系统，用以预测人们的16PF人格特征。该系统能够在1分钟内准确预测个体的16PF人格，比16PF人格问卷更快速、更实用，适合于短时间内预测人的个性特征。

除了人格量表的预测，人工智能技术中的人工神经网络（Artificial Neural Networks，ANN）、拟最优的贝叶斯学习器（quasi-optimal Bayesian learner）和支持向量回归机（Support Vector Regression，SVR）也被应用于心理学研究中，用以预测个体的认知和心理健康状况。

人的社会认知加工过程同人工神经网络的信息加工过程存在类似性，因此，许多研究者针对社会认知过程中的一些心理变量建立了各具特点的人工神经网络预测模型。此外，人工神经网络技术在心理健康预测中也得到较好应用。比如，塞雷蒂（Alessandro Serretti）等人应用人工神经网络技术成功对临床情绪失调中的抑郁情绪进行了预测。

拟最优的贝叶斯学习器能够模拟在不断变化的环境中人们行为和信念的变化。瓦吉（Matilde M. Vaghi）等人将拟最优的贝叶斯学习器模拟的数据与强迫症及健康人群的行为数据进行比较，以探究两者的行为和信念分别如何随时间变化；并且将贝叶斯学习模型中的不同参数作为预测因子来量化和比较强迫症患者同健康人行为与信念表现上的差异。

支持向量回归机是在计算机统计学习理论基础上发展出来的一种新的、有效的机器学习方法，其原理类似于人工神经网络。相较于人工神经网络，支持向量回归机能够克服前者大样本取样要求的使用局限性。一些研究者使用支持向量回归机技术对研究对象的心理特征进行预测，如黄辛隐等人通过支持向量回归机技术，采用高低特质焦虑组面部表情的识别率，成功地预测了他们的特质焦虑分数。

应用于心理症状识别与诊断

神经网络技术是人工智能领域的技术之一。陈冰梅等人利用神经网络技术开发了一套儿童心理障碍诊断系统，这一系统可以诊断95％以上的儿童心理障碍，包含17大类、61种常见的儿童心理障碍，如多动症、品行障碍、精神发育迟滞、抑郁症、焦虑症、强迫症、抽动障碍、普遍性发育障碍等。此外，该诊断系统还能够对每种障碍提出处理意见。

表情识别技术和声音检测技术在心理症状的识别和诊断中也得到了广泛运用。简（Asim Jan）等人在2014年通过对抑郁症患者的自然面部表情特征的提取，开发了一种自动化识别系统来计算他们的贝克抑郁量表的得分，以辅助抑郁症的诊断；科恩（Jeffrey F. Cohn）等人通过面部识别和声音检测技术来自动识别抑郁症。此外，简等人又于2017年提出了一种人工智能系统来辅助诊断抑郁症，这一系统可以通过个体声音和面部表情的变化来计算他们的贝克抑郁量表的得分。

还有一些研究利用动作识别技术或表情识别和动作识别技术相结合的方法进行心理症状的识别。阿尔霍沃宁（Sharifa Alghowinem）等人利用澳大利亚、美国和德国进行的抑郁症临床访谈视频记录，通过对参与者的目光注视和头部姿势信息的提取进行抑郁识别。此外，一些研究者将手势动作和身体动作也纳入分析识别系统。乔西（Jyoti Joshi）等人对抑郁症患者和正常个体在访谈视频中的表情、手势和头部动作进行提取分析，以进行自动化的抑郁识别。拉贾戈帕兰（Shyam Sundar Rajagopalan）等人在自然环境中收集并标注了一组儿童自我刺激行为视频数据集，该数据集可以作为一个很好的参考基准来识别儿童在日常活动中的自我刺激行为，并辅助开发出早期的诊断和干预技术，方便临床医生、父母和照护者的诊断与照料。

目前，在人工智能技术应用于心理症状识别与诊断的研究中，利用多模型（如视觉和听觉模型相结合）、多种信息融合（如面部表情和身体动作信息融合）的方法进行心理症状的识别和诊断已初具成果。

未来发展方向

心理学研究以对人类行为的预测和控制为目标，通过对研究对象外显行为的探究来描述、解释心理现象的一般规律。人工智能作为一种重要的辅助方法，对心理学变量的测量和预测发挥了重要作用，并可以辅助一些心理症状的识别诊断和心理干预。未来两个学科的研究可以结合当前的时代特点，在以下三个方面进行更多研究。

1.结合大数据技术，利用人工智能中的机器学习技术建立心理特征预测模型。人工智能技术与大数据技术的结合可以对大规模的心理数据进行分析和建模，基于此，就能对大范围群体的心理特征进行及时感知。具体步骤为：通过数据标注对研究对象的心理特征进行标记；通过转换、特征提取等方法进行数据处理；利用人工智能技术中的机器学习技术建立模型；通过分类和回归分析进行模型评估并投入应用。

2.深入人工智能和认知神经心理学的交叉研究，加强人工智能体方面的研究。目前，深度神经网络在人工智能体方面的研究才刚刚起步，未来可以借助认知神经心理学对人脑神经系统的结构、信息加工、记忆和学习机制的研究成果，利用深度神经网络技术从人脑工作的机理上进行仿真。这不仅可以推动人工智能模型的改进，还能为心理学研究提供突破性的研究工具。

3.加强情感培养的机器算法和情感机器人的研究。一些学者认为，未来人工智能的研究应加强对“情绪”和“情感”的了解，而“情绪”方面的研究也是心理学领域近年来备受关注的研究领域。未来两个学科的研究在这一领域的结合，将会使两个学科领域的研究碰撞出更具社会应用价值的火花。

综上所述，人工智能及相关技术的发展，为心理学研究提供了突破性的研究方法和工具；心理学对大脑机制的研究成果运用于人工智能领域，也推动着人工智能研究的进步。通过结合人工智能和心理学两个领域的最新研究成果开展交叉研究，可以更好解决两个学科领域的科学问题，这两个学科也将在相互结合中推动彼此的发展，并提升各自的社会应用价值。