From Pre-trained Models to Large Language Models: A Comprehensive Survey of AI-Driven Psychological Computing

Probleemstelling

De snelle groei van kunstmatige intelligentie (KI) in de psychologische wetenschap heeft geleid tot een opmerkelijke toename in publicaties (van 859 in 2000 naar bijna 30.000 in 2025). Echter, deze snelle evolutie heeft een methodologische fragmentatie veroorzaakt. Onderzoekers binnen geïsoleerde psychologische domeinen (zoals klinische psychologie, onderwijspsychologie en persoonlijkheidsresearch) ontwikkelen vergelijkbare computationele technieken onafhankelijk van elkaar.

• De kernproblemen:
  • Gebrek aan kennisoverdracht tussen domeinen: Technieken die effectief zijn voor therapeutische dialogen worden niet toegepast op onderwijspsychologie, en vice versa.
  • Organisatie rond applicaties in plaats van computationele kenmerken: Dit verbergt technische gemeenschappelijkheden die de vooruitgang zouden kunnen versnellen.
  • Unieke uitdagingen in psychologische data: In tegenstelling tot standaard AI-toepassingen, kent psychologische data lasten zoals labelonzekerheid (subjectiviteit van diagnoses), ethische beperkingen, privacyproblemen, en de noodzaak voor cross-culturele validiteit.

Methodologie

De auteurs introduceren een systematische taxonomie die AI-gedreven psychologische taken organiseert op basis van computationele verwerkingspatronen in plaats van applicatiedomeinen. Deze taxonomie is gebaseerd op een formeel raamwerk $T = \langle X, Y, F \rangle$, waarbij $X$ de input (multimodaal), $Y$ de output (psychologisch construct) en $F$ de computationele functie is.

De auteurs analyseren meer dan 300 representatieve werken uit twee technologische era's:

1. Het Pre-trained Model (PLM) tijdperk (2018-2022): Kenmerkend voor transfer learning en fine-tuning van modellen zoals BERT en GPT-2 op specifieke taken.
2. Het Large Language Model (LLM) tijdperk (2023-heden): Kenmerkend voor zero-shot learning, few-shot adaptatie en natuurlijke taalinterfaces die de drempel voor implementatie verlagen.

De analyse omvat zowel unimodale als multimodale benaderingen (tekst, spraak, visueel, fysiologisch) en bespreekt datasets, evaluatiemetrics en benchmarks.

De Vier Fundamentele Computatiele Taken

De taxonomie classificeert alle psychologische AI-taken in vier hoofdcategorieën:

1. Classificatietaken (Classification):

   • Doel: Discrete psychologische toestanden identificeren (bijv. depressie vs. geen depressie, persoonlijkheidstypen).
   • Techniek: Discriminatieve patroonherkenning in hoog-dimensionale ruimtes.
   • Voorbeelden: Detectie van angststoornissen, ADHD, suïcidaliteit en Big Five persoonlijkheidskenmerken.

2. Regressietaken (Regression):

   • Doel: Continue numerieke waarden voorspellen om de ernst of intensiteit van een construct te kwantificeren.
   • Techniek: Het leren van functies die inputs afbeelden op continue outputruimtes (bijv. PHQ-9 scores, stressniveaus).
   • Voorbeelden: Voorspellen van depressieschwere, cognitieve vermogens en emotionele intensiteit.

3. Gestructureerde Relationele Taken (Structured Relational):

   • Doel: Complexe relaties tussen psychologische constructen modelleren.
   • Techniek: Extractie van gestructureerde tuples (entiteit-relatie-entiteit), netwerken of tijdsreeksen.
   • Voorbeelden: Symptoomnetwerken, sociale steungrafieken, kennisgrafieken voor mentale gezondheid en het volgen van behandeltrajecten.

4. Generatieve Interactieve Taken (Generative Interactive):

   • Doel: Gepersonaliseerde psychologische content creëren en dynamische interactie onderhouden.
   • Techniek: Synthese van contextueel geschikte antwoorden die zich aanpassen aan de veranderende staat van de gebruiker.
   • Voorbeelden: Therapeutische chatbots, crisisinterventie-systemen, gepersonaliseerd onderwijs en emotionele ondersteuning.

Belangrijkste Resultaten en Bevindingen

• Evolutie van Methoden: De studie toont aan dat de veld verschuift van handmatige feature engineering naar transfer learning (PLM) en nu naar adaptatie met minimale training (LLM). LLMs maken complexe taken mogelijk met weinig domeinspecifieke data.
• Multimodaliteit: Effectieve systemen integreren steeds vaker tekst, spraak, video en fysiologische signalen om een vollediger beeld van de psychologische staat te krijgen.
• Data en Evaluatie: Er is een kritisch gebrek aan gestandaardiseerde benchmarks en grote, cross-culturele datasets. Bestaande datasets lijden vaak onder bias (Westers, Engelstalend) en labelonzekerheid.
• Technische Verschillen: Psychologisch computing vereist andere evaluatiemetrics dan traditionele AI. Accurate voorspelling is niet genoeg; modellen moeten constructvaliditeit (meten wat ze moeten meten), klinische bruikbaarheid en theorie-georiënteerde interpretatie bieden.

Uitdagingen (Challenges)

De auteurs identificeren vier fundamentele uitdagingen die de klinische toepasbaarheid beperken:

1. Interpreteerbaarheid: "Black-box" modellen zijn problematisch in de kliniek. Artsen moeten de redenering achter een diagnose kunnen begrijpen en koppelen aan theoretische constructen, niet alleen statistische patronen.
2. Labelonzekerheid: Psychologische labels zijn vaak subjectief en afhankelijk van de annotator. Het afdwingen van één consensuslabel verwijdert waardevolle informatie over de ambiguïteit van het fenomeen.
3. Privacy: Psychologische data is extreem gevoelig. Bestaande privacytechnieken (zoals federated learning) moeten worden verfijnd om te voldoen aan strenge reguleringen (HIPAA, GDPR) zonder de nauwkeurigheid te verliezen.
4. Cross-culturele Validiteit: Modellen getraind op Westerse data falen vaak in andere culturen omdat symptomen en expressies cultureel bepaald zijn. Er is een gebrek aan diversiteit in datasets.

Betekenis en Toekomstperspectief

Deze survey biedt een fundamentele verschuiving in hoe het veld van computationele psychologie wordt georganiseerd. Door te focussen op computationele gemeenschappelijkheden in plaats van domeingrenzen, wordt kennisoverdracht mogelijk gemaakt die de vooruitgang versnelt.

Toekomstige richtingen omvatten:

• Ontwikkeling van multimodale modellen die intrinsieke correlaties tussen signalen leren.
• Integratie van causale ontdekking en symbolische kennisstructuren (zoals kennisgrafieken) met neurale netwerken voor betere redenering.
• Creëren van digitale mentale gezondheidstweelingen voor langdurige gepersonaliseerde modellering.
• Ontwikkeling van gesloten-lus interventiesystemen die interventies dynamisch aanpassen op basis van realtime uitkomsten.
• Verbetering van cross-culturele validatie en ethische richtlijnen voor AI in de geestelijke gezondheidszorg.

Kortom, dit artikel legt de basis voor een gestructureerde, schaalbare en ethisch verantwoorde integratie van AI in de psychologische wetenschap en praktijk.