💻 computer science

A Survey of Large Language Models for Perception and Measurement of Human Psychology

本文对大语言模型作为人类心理测量工具进行了系统性综述，并提出了一个三维框架，旨在分析其在评估人格和心理健康等构念方面的理论合理性、方法论路径及实际有效性。

原作者： Yudong Li, Xiaoyi Chen, Jiawei Cai, Zehao Zhong, Haoyang Yang, Huajin Tang, Linlin Shen

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Yudong Li, Xiaoyi Chen, Jiawei Cai, Zehao Zhong, Haoyang Yang, Huajin Tang, Linlin Shen

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一位超级聪明、博学多才的机器人图书管理员。这位图书管理员读过几乎所有被写下来的书籍、文章和推文。现在，想象一下你想利用这位图书管理员来理解人类的心智——具体来说，就是通过阅读某人的文字，来弄清楚一个人的性格、情绪，或者是否正面临心理健康问题。

这篇论文是对这一构想的大规模综述。它在问：这个机器人图书管理员真的能胜任测量人类心理的工作吗？

以下是该论文内容的拆解，使用了简单的类比：

1. 核心问题：这个图书管理员是“真实的”吗？

在我们让机器人来测量我们之前，我们必须先问：机器人是真的“理解”了我们，还是仅仅是一个模仿大师？

争论： 有些人认为机器人只是一个“统计学鹦鹉”。它没有情感或灵魂；它只是根据在其训练数据中看到的模式来预测下一个词。
证据： 然而，论文显示，当你给机器人一个“心理理论”（Theory of Mind）测试（比如询问它猜测故事中某个角色在想什么）时，它通常能答对，表现得像一个 6 到 9 岁的儿童甚至成年人一样。
结论： 机器人已经发展出了“功能性”理解。它表现得像是理解人类思想一样，尽管我们并不清楚它是如何做到的。这使它成为一个充满前景的工具，但我们不应将其视为人类。

2. 我们如何使用这个机器人？（三种工具）

论文将研究人员使用这些模型的方式归纳为三种主要的“工具”：

工具 A：主动访谈者（聊天机器人）
- 运作方式： 机器人向你提问，就像治疗师或求职面试官一样。如果你的回答很模糊，它可以进行追问。
- 类比： 把这想象成一个非常快速、不知疲倦的面试官，它可以同时与成千上万的人交谈。它使用“提示词”（指令）来决定下一步问什么。
工具 B：被动观察者（社交媒体追踪者）
- 运作方式： 机器人阅读你已经写下的内容——比如你的日记、推文或 Facebook 帖子——而无需你直接与其对话。
- 类比： 想象一位侦探通过阅读你的旧信件来了解你的性格。它寻找你用词中的隐藏模式，以推测你是快乐、悲伤还是压力巨大。
工具 C：多感官侦探（融合技术）
- 运作方式： 机器人不仅阅读文本；它还会同时观察图片、聆听语音录音并检查心率数据。
- 类比： 这就像一位医生，在阅读病历的同时，还在倾听你的声音、观察你的面部表情，从而获得全貌，而不是仅仅看一张表格。

3. 机器人目前测量了什么？

论文回顾了这项技术在哪些领域进行了测试：

人格： 机器人通过你的文字来猜测“大五人格”特质（如你是外向还是内向）的能力正在提高。在某些测试中，它的猜测与人类对自身的描述吻契合得相当好。
心理健康： 它能识别出文本中抑郁、焦虑甚至自杀念头的迹象。它正在成为一种有用的“预警系统”，可以标记出那些可能需要帮助的人。
“虚拟受试者”： 有趣的是，研究人员也在利用机器人来“扮演”人类。他们告诉机器人：“扮演一个压力很大的 30 岁女性”，然后机器人会生成相应的回应。这有助于科学家在不需要真实人类志愿者的情况下进行实验，从而节省时间和成本。

4. 症结所在：为什么我们还不能信任它

论文非常谨慎地指出，虽然机器人令人印象深刻，但它尚未准备好取代人类医生或心理学家。以下是主要的问题：

“反复无常的朋友”问题（可靠性）： 如果你两次询问机器人同一个问题，它可能会给出两个不同的答案。它对你提问的方式非常敏感。措辞的微小变化可能会彻底改变结果。这对于需要一致性的医疗测试来说是很糟糕的。
“幻觉”问题： 有时机器人会编造事实。它可能听起来既自信又逻辑严密，但它可能正在捏造事实或误读一场危机。在心理健康场景中，错误的判断可能是危险的。
“偏见”问题： 机器人的学习素材主要来自英语母语的西方互联网数据。如果你用它来对待来自不同文化或背景的人，它可能会误解他们或产生不公平的判断，因为它并不“理解”其文化背景。
“黑箱”问题： 当人类医生做出诊断时，他们可以解释自己的推理过程。而当机器人做出判断时，人们往往很难知道它为什么会那样决定。医生需要知道“为什么”才能信任结果。

5. 总结

论文的结论是，大语言模型就像是功能强大的高科技助手，而非人类专家的替代品。

它们的优势在于： 它们速度快、成本相对较低，并且可以处理海量数据。它们非常适合用于大规模人群的筛查，或帮助研究人员进行实验。
它们的劣势在于： 它们不够稳定、不够透明，也不具备足够的文化敏感性，无法独立做出关乎生死的医疗决策。

最终类比：
把机器人想象成一名非常有天赋的实习医生。它读过所有的教科书，并且能迅速发现症状。但它缺乏资深医生所拥有的经验、一致性和伦理判断力。目前，机器人的作用应该是辅助资深医生更好地完成工作，而不是完全接管这份工作。

技术摘要：大型语言模型在人类心理感知与测量中的综述

1. 问题陈述

大型语言模型（LLMs）的快速发展引发了人们对其在心理学领域应用的极大兴趣。然而，一个核心且悬而未决的问题仍然存在：LLMs 是否能够准确地感知和测量复杂、潜在的人类心理构念（例如人格特质、情绪状态、认知风格），并达到科学或临床应用所需的可靠性和有效性？

尽管 LLMs 在生成类人文本和执行类人认知任务方面表现出卓越能力，但它们究竟是“真正的理解者”还是“复杂的统计模仿者”仍存在争议。现有的综述往往侧重于“LLMs 的心理学”（评估模型自身的特质）或通用应用。目前缺乏系统性的综述来专门分析 LLMs 作为心理测量工具在测量人类心理方面的理论可行性、方法论框架及实际有效性。

2. 研究方法

本文提供了一个系统性的综述，围绕一个基于三个关键维度的综合分析框架进行组织：

理论可行性（测量为何可能）： 作者探讨了 LLMs 是否具备心理测量所需的认知属性。这包括分析：
- 心理理论（Theory of Mind, ToM）： 研究 LLMs 是否能通过诸如错误信念任务（False Belief Task）和奇异故事测试（Strange Stories Test）等基准测试来推断他人的心理状态（信念、感受）。
- 虚拟受试者（Virtual Subjects）： 评估 LLMs 模拟特定心理特征（如人口统计学特征、人格特质）以作为研究中“硅基样本”的能力。
测量方法论（如何测量）： 本文对基于 LLMs 评估的操作化范式进行了分类：
- 主动与对话式评估（Active and Conversational Assessment）： 通过交互式对话，使 LLMs 扮演访谈者或咨询师的角色（例如使用思维链提示词、智能体架构）。
- 被动自然语言分析（Passive Natural Language Analysis）： 从非结构化文本（社交媒体、日记）中推断状态，无需主动交互。
- 多模态融合评估（Multimodal Fusion Assessment）： 整合文本、语音、面部表情和生理信号，以模拟临床多通道感知。
应用有效性（测量了什么）： 本综述综合了两个核心领域的证据：
- 人格特质评估： 涵盖大五人格（Big Five）、MBTI 和 HEXACO 等框架，以及复杂的障碍（如黑暗人格三联征）。
- 心理健康评估： 包括抑郁/焦虑的自动化检测、情绪分析以及危机预警系统。

作者还批判性地评估了技术挑战（可靠性、稳定性、计算成本）以及伦理考量（安全性、隐私、偏见、监管约束）。

3. 核心贡献

统一的分析框架： 本文提出了一个结构化分类法（理论可行性、方法论、有效性），用以组织碎片化的基于 LLM 的心理测量领域。
研究场景的区分： 文中明确了以下概念差异：(1) 使用 LLMs 来测量人类；(2) 使用 LLMs 来模拟人类；以及 (3) 测量 LLMs 本身，并指出这些场景需要不同的评估标准。
全面的范式综述： 文中详细介绍了具体的实现技术，包括提示策略（零样本、少样本、思维链）、模型适配（指令微调、微调）以及智能体架构（如 PsyChat、CaiTI）。
关键差距分析： 综述指出，虽然 LLMs 在特定任务中展现出潜力，但它们缺乏传统心理测量工具的重测信度（通常低于高风险决策所需的 0.70 阈值）和可解释性。同时强调许多研究依赖于英语语言和西方中心的数据，限制了跨文化有效性。
数据集与基准测试汇编： 本文汇总并总结了不同范式下使用的关键数据集（如 PsyQA、PANDORA、E-DAIC、CMACD），并追踪了性能随时间的变化趋势。

4. 结果与发现

理论基础： 证据表明，LLMs 展现出功能性的心理理论（ToM）能力，在结构化基准测试中表现与儿童或成人相当（例如 GPT-4 在错误信念任务中的准确率达到 93%）。然而，这些能力往往具有上下文依赖性，并在对抗条件下显得脆弱。
测量表现：
- 人格： LLMs 与大五人格的自评量表显示出中度到强度的相关性（例如在某些研究中 $r \approx 0.443$ ）。指令微调和思维链提示可以提高稳定性和可解释性。
- 心理健康： 在检测抑郁和焦虑方面，LLMs 的表现与监督学习基准模型相当，尤其是在经过微调或使用多阶段流水线时。
- 局限性： LLMs 受到提示词敏感性的影响（细微的措辞变化会显著改变结果）以及时间不稳定性的影响（重复测量时结果不一致）。此外，它们表现出向社会期望回答偏移的偏见，并且在处理反向计分问卷项时存在困难。
对比分析： 传统方法在可靠性、可解释性和已建立的心理测量验证方面仍具有显著优势。基于 LLM 的方法则在自动化、可扩展性和成本效率方面表现出色（尽管大规模部署时的 API 成本依然较高）。
伦理与监管现状： 目前尚无基于 LLM 的心理评估工具获得临床使用的正式监管许可（如 FDA）。在数据隐私、算法偏见（针对 WEIRD 群体）以及对治疗联盟可能产生的干扰等方面仍存在重大担忧。

5. 重要性与主张

本文主张，应将 LLMs 视为辅助工具，旨在增强而非取代传统的心理测量工具和临床判断。

现状： 由于可靠性和可解释性不足，LLMs 目前还不能作为高风险情境下（如临床诊断）人类施测工具的可靠替代品。
未来潜力： 最具前景的路径是开发混合系统，将 LLM 驱动的自动化与经过验证的心理测量框架的严谨性相结合。
行动呼吁： 作者强调需要：
- 严格的心理测量验证（侧重于重测信度和跨文化不变性）。
- 开发稳健、可解释且保护隐私的部署框架。
- 心理学家、计算机科学家和伦理学家之间的协作，以建立负责任使用的标准。

文章结论指出，尽管 LLMs 为扩展心理学研究和筛查提供了变革性的潜力，但其融入临床实践仍需克服重大的技术和伦理障碍，才能被视为安全有效的独立工具。