近年来,大语言模型表现出媲美人类的语言理解和生成能力,成为人工智能领域的重大突破。在大语言模型的发展历程中,心理学与其存在深厚的历史渊源。首先,作为模型架构基础,人工神经网络早期被心理学家用于模拟人类认知过程;其次,计算机科学与心理学在词汇语义表征方面的学科交叉推动了词嵌入技术的发展;第三,大语言模型和人类在实时语言加工中存在相似特点;此外,跨领域的人员交集与学术传承构成了推动人工智能研究的重要力量。因此,心理学在语言加工与认知建模方面的耕耘及其与计算机科学的深入合作为语言智能的突破做出重要贡献。这为科研人员提供重要启示：跨学科合作与基础研究的深耕是推动创新和实现突破的关键。

AI价值观对齐是AI安全领域的核心问题之一,现有对齐方法存在诸多不足,心理学理论的引入有助于解决AI价值观对齐问题。文章首先梳理了AI价值观对齐的主流技术方法,总结了AI价值观对齐失败的表现与原因。其次,分析了心理学中关于价值观形成、道德决策的理论,并指出这些理论给AI价值观对齐带来的启示。最后从对齐目标、动机机制、认知能力机制与社会行为演化机制四个层面分析了将心理学理论用于AI价值观对齐的实现路径。文章强调将心理学机制嵌入AI设计架构中,以构建更可信、更贴合人类价值的智能系统。

随着信息技术和人工智能的迅速发展,心理信息学逐渐成为心理学与信息科学之间的重要交叉领域。文章梳理了心理信息学的历史发展脉络,回顾从信息加工理论到大语言模型的关键进展,指出当代人工智能的核心特征——“计算认知”,既是识别和提取自然发生数据中认知信息的重要工具,也可作为建模和理解特定认知心理过程的研究对象。综述进一步分析了数据来源的自然化、机器学习方法的演变以及数据与理论驱动结合的趋势。在此基础上,文章探讨计算认知模型在临床、教育、文化心理学等领域的应用潜力,以揭示其对心理学研究在深度与广度上的影响。最后,结合人机协作与伦理治理,展望了心理信息学未来的发展方向,以期为该领域的理论与实践探索提供启示。

大语言模型（LLMs）的社会化渗透正在重塑人类社交图景,如何系统研究人-LLM协同进化的心理机制已成为前沿课题。为此,需要聚焦LLM技术对心理学实验带来的影响,通过汇总认知机制、被试模拟和多主体人机交互三个不同层次的实验现状进行分析,并说明对应的挑战和局限性。该研究总结了融入LLM的心理学实验设计流程,包含12项核心任务,并分析了现有实验平台的优劣。未来需要构建LLM原生实验框架及平台,以应对人机融合实验范式带来的技术挑战和伦理问题。

面孔识别是人类社会交往中的核心认知能力。近年来,深度卷积神经网络（deep convolutional neural network,DCNN）在模拟和理解面孔加工中展现出强大的能力,为探究人类面孔识别的行为表现和神经机制提供了新的视角。因此,围绕识别能力、行为效应与神经机制三个方面,本文系统综述了DCNN与人类在面孔识别中的异同：（1）首先,DCNN是否具备与人类相当的面孔识别能力?从面孔身份、性别、情绪等特征方面出发,评估DCNN在面孔识别任务中的表现;（2）其次,尽管DCNN在识别准确性上表现优异,其加工策略是否与人类的行为机制一致?基于经典的面孔加工效应（如倒置效应、种族效应、熟悉性效应等）分析DCNN与人类加工策略上的相似性与差异性;（3）进一步,DCNN的内部表征是否与人类面孔加工的神经机制相类似?从结构层级性和功能专门化两个方面,比较其表征方式与人类面孔识别系统的神经基础之间的对应关系。当前模型在鲁棒性与泛化性、结果解释力、生物视觉系统模拟等方面仍存在一定局限性,未来研究也可进一步探索其与多模态网络及生成对抗网络的融合潜力。

认知建模是量化和理解人类心智过程的重要方法,但目前该方法多集中于简单实验任务和数据结构。在试图构建复杂模型以解释复杂认知过程时,能否确定其似然并完成参数推断成为一项严峻的挑战。基于神经网络的模拟推断方法结合了模拟推断与分摊技术,无需计算似然函数,直接利用模拟数据进行参数推断并通过神经网络训练控制计算成本,可快速稳健地进行参数推断。该方法已成功应用于证据积累模型框架下的大规模数据、动态潜变量以及联合建模等场景,并开始扩展到强化学习和贝叶斯决策模型。未来的研究可以进一步验证神经模拟推断的有效性,运用该方法扩大认知模型的应用范围,推动理论与模型发展,增进对人类复杂认知加工规律的理解。

诸多研究者认为,大脑对物理世界的感知是一种基于不确定性证据的统计推理。据此,研究人员提出了不同的计算模型来揭示视知觉的计算过程。研究系统总结了基于贝叶斯推理框架的经典贝叶斯观察者模型、高效编码约束贝叶斯观察者模型、 整体贝叶斯观察者模型和层级贝叶斯观察者模型,这些模型在解释不同物理特征的知觉行为表现方面表现出各自的优势和局限。在此基础上,研究提出了一个同时考虑自上而下与自下而上知觉交互过程以及运动控制系统的统一贝叶斯观察者模型,进而揭示了一个相对完整的视知觉计算机制。最后,研究提出了未来亟待解决的研究问题,这些问题的答案将为新模型提供扎实的实证支持,从而提升研究者对视知觉计算机制的理解。

以往研究表明,个体在波动反馈环境中通常涉及联结学习和波动学习,且这些学习策略通常通过强化学习或贝叶斯推理来描述。然而,目前尚缺乏对多种学习模型的比较研究,尚未解决的问题是个体在联结学习与波动学习过程中到底采取何种策略,亦不清楚不同联结之间的概率差异如何影响这些策略。论文结合波动反转学习任务与针对学习策略的计算建模,探讨个体在波动反馈环境中的学习策略并考察联结概率差对策略的影响。结果表明,个体在波动反转学习任务中倾向于采用结合了启发式思维的贝叶斯学习策略。重要的是,这一策略在不同联结概率差异下保持一致。论文通过对波动反馈环境下人脑学习策略的研究,对理解人脑学习和决策的动态性和灵活性具有显著意义。

预测编码被认为是实现高效、准确言语理解的核心机制。随着自然范式的发展和大语言模型的应用,研究者得到得以在具有高生态效度的语境中对语言预测过程进行探索。用于探索自然言语理解中预测编码机制的计算与建模方法近年来快速发展,包括基于语言模型的预测编码计算、脑际视角下的预测编码计算以及预测编码的动态机制建模等。这些方法在三个层面推动了预测编码机制的实证研究和理论进步：在现象层面,预测加工在语言理解中普遍存在,且在复杂环境中具备稳健性;在计算层面,大脑能够并行整合多层级语境,生成多尺度预测输出;在神经机制层面,多频带神经振荡协同参与预测编码。对上述方法与进展的系统梳理有助于深化对语言理解中预测机制的认识。

大语言模型（LLM）已广泛用于内容生成与审核,但LLM对虚假信息的辨别并非总是可靠,并且自身也时常表现出“幻觉”。探索准确性是否提示以及如何有效提高LLM信息辨别力,可以为理解LLM的类人行为及机制提供依据,也关系到如何以最简单有效的方式提升模型在真实世界中的信息审核与内容呈现。本研究系统探讨了准确性提示能否有效提升GPT对虚假信息的辨别能力。三个研究依次使用经典新闻材料、高推理负荷的TruthfulQA材料和未学习的新材料,均发现准确性提示显著提高了LLM的分享辨别力。结果表明,提示策略可能将LLM的注意转移到真实性维度,并激发模型内部认知机制切换至慎思模式、提高模型表现。研究结果为心理学干预方法与LLM认知机制的整合提供了理论与实证基础。

随着人工智能技术的飞速发展,大语言模型（LLMs）在文本生成、翻译、问答等诸多领域展现出惊人的能力。然而,这些模型是否像人类一样容易受到认知偏差的影响,是一个亟待解决的关键问题。理解人工智能模型是否存在类似的认知偏差,对于评估其可靠性、改进其性能以及预测其潜在的社会影响至关重要。研究旨在探究谷歌的Gemini 1.5 Pro和DeepSeek这两款大语言模型对框架效应和确认偏误的易感性。框架效应指人们对相同信息的不同表述方式做出不同反应的现象,而确认偏误则考察模型在处理信息时是否存在系统性偏好。为评估这些偏误,研究设计了一系列实验信息的比例和呈现顺序。
在框架效应实验中,研究构建了基因检测的决策场景,控制积极信息和消极信息的比例（如积极信息占20%、50%或80%）,并变换信息呈现的先后顺序,记录模型对是否进行基因检测的倾向。在确认偏误实验中,研究提供了关于"萝卜快跑"自动驾驶汽车的积极性和消极性两篇报道,系统改变了报道中错误信息的比例（10%,30%和50%）,并同样测试了不同信息呈现顺序下模型对报道的支持倾向。
研究结果表明,Gemini 1.5 Pro和DeepSeek均表现出对框架效应的易感性。具体而言,在基因检测场景下,两者的决策态度主要受到所呈现积极信息和消极信息比例的影响：当积极信息占比较高时,模型更倾向于选择进行基因检测;反之,当消极信息占比较高时,则更倾向于不进行或持谨慎态度。而信息呈现的先后顺序对框架效应的实验结果没有显著影响。
在确认偏误的实验中,Gemini 1.5 Pro并未表现出对积极或消极报道的整体偏好,其判断更多地受到信息呈现顺序的显著影响,表现出"近因效应",即更倾向于支持后呈现的报道,而报道中错误信息的比例对其影响不显著。DeepSeek在确认偏误实验中则表现出对正面报道的整体偏好,其支持正面报道的比例显著更高。尽管如此,DeepSeek的决策同样也受到了信息呈现顺序的显著影响,而错误信息比例无显著影响。
这些发现揭示了先进大语言模型中存在类似人类的认知脆弱性。Gemini 1.5 Pro对信息呈现顺序的敏感性以及DeepSeek对正面信息的偏好和对顺序的敏感性,都对人工智能在决策过程中的可靠性和客观性提出了挑战。这也提示在开发和应用人工智能时,需更加审慎地评估其潜在的认知偏误并采取有效措施以避免可能带来的负面社会影响。未来的研究应考虑纳入更多不同类型的模型进行对比,并探索更复杂的交互场景。

研究旨在评估大语言模型（DeepSeek）仅基于人口统计特征条件下,模拟群体心理特征的能力。基于与中国家庭追踪调查（2018年）人口学特征相匹配的样本（N = 2943）,构建人工智能生成的“虚拟被试”,比较其与真实人群在大五人格与幸福感区域分布上的一致性。研究发现,模拟数据在幸福感和大五人格的区域分布趋势上与真实数据总体一致,仅在细节上表现出特异性,主要体现在模型易捕捉并放大外显特质（如神经质）及受区域刻板影响下对幸福感的估计偏差。这表明,以DeepSeek为代表的大语言模型模拟区域心理结构方面的潜力,但其应用需要注意文化敏感性和细粒度特质模拟方面的局限,以避免过度解读。研究为评估大语言模型在人群心理特征建模的有效性提供了实证支持。

随着人工智能的飞速发展,如何建立人智信任成为亟需解决的重点问题。已有研究通过问卷调查或单次互动任务揭示了影响人智信任的因素,但人智信任建立过程的动态行为模式及内在机制仍不明晰。通过重复信任博弈任务及强化学习计算建模,研究发现在任务开始时,成人参与者对人工智能和对人类的信任水平无显著差异;但在重复博弈时,参与者面对人工智能时的投资水平更高,投资失败后更愿意继续投资,对人工智能的负反馈学习率更低。这些结果表明个体对人工智能的不合作行为敏感性较低,人智信任建立过程的韧性更强。研究为理解人智信任的建立机制提供了行为与计算层面的依据,为人工智能的交互设计提供了理论参考。

人机协作决策在各领域广泛应用,但其效能表现出显著异质性——既可能提升也可能降低决策质量与效率。为解释效能异质性的来源,本研究基于人机共生理论视角,聚焦人类主体性,构建了一个人机协作决策的四阶段过程影响模型。该模型揭示了人机协作效能形成于四个相互关联的动态环节：（1）人机优劣势与偏见的识别;（2）基于任务特性与情境的动态任务分配;（3）对AI建议质量的辨别与信任校准;（4）合理人机依赖模式的形成与调整。在深入探讨了人机协作面临的核心挑战,并重点剖析了人类主体性与决策能力弱化的风险后,本研究展望了未来构建人机共享认知以实现深度协同的前景,从而为理解和优化人机协作决策提供了新的理论框架与思考维度。

随着人工智能（artificial intelligence,AI）技术的快速发展和AI伴侣的广泛出现,人智交互已从工具性使用逐渐演变为准社交互动,并可能进一步发展为情感依恋。文章系统梳理了近20年心理学与人智交互领域的相关研究,构建了人智依恋形成的理论模型。研究发现：（1）人智关系呈现从工具性使用到准社交互动再到情感依恋的动态演进过程;（2）AI依恋的形成受个体因素（如孤独感、使用动机、情绪特质）和AI特征（如拟人性、自主性、反应性）的双重影响;（3）这种新型情感关系面临情感泡沫、隐私安全等伦理争议。已有研究存在样本单一（偏重年轻群体）和缺乏长期追踪等局限,未来需采用纵向设计和多模态测量方法深化研究。AI系统的发展需要平衡技术创新与伦理考量,以促进人智关系的健康发展。

在人工智能、心理和神经科学等领域,研究者致力于探索智能体如何从复杂信息提取关键特征,以实现不同任务中的灵活决策,这类关于抽象与泛化的研究多集中于非社会领域。然而社会决策更为复杂和独特,深入研究多智能体在互动中如何理解、使用和泛化相关信息显得尤为重要。在社会互动中,智能体不仅需要过滤无关细节,抽象出影响决策的核心信息（如概念、观点和策略等）,还需要推测其理解与抽象是否与其他智能体一致。这种社会性抽象和泛化是通用社会智能的核心。文章举例回顾非社会决策领域的成果有助于展望社会决策领域的关键研究问题,并且进一步强调,理解人脑如何从复杂社交信息文章中提炼通用模式是阐明通用社会智能的神经与类脑计算机制的核心环节。

AI健康新闻在促进传递健康知识、提升医疗服务等健康传播领域存在巨大潜力,但目前缺乏直接探究公众接受AI健康新闻及其心理机制的实证证据。通过两项被试间实验检验了公众对AI健康新闻的信任与接受以及负向预期违背这一心理因素的调节作用。结果发现,相比人工新闻,公众对AI健康新闻的信息接受意愿更低,并且对AI健康新闻的感知信任中介了新闻代理类型（AI vs. 人类）影响信息接受意愿的作用。此外,负向预期违背调节了新闻代理类型与感知信任之间的关系,即公众的负向预期违背越高,对AI健康新闻与人工健康新闻的感知信任差距越大。

元认知能力指个体对自身思维过程的察觉、反思与调节,有助于学习者自主监测学习过程。启发式提问被认为是提升元认知的有效手段,但传统课堂中实施难度大,结合大语言模型后仍面临模板化、缺乏逻辑递进与评估机制不足等问题。为此构建了基于错因的启发式问题库,并设计多种策略引导大模型提问,推动其从“问题百科”转变为“提问导师”。同时引入人工与大模型双重评分机制评估提问效果。结果显示：（1）基于错因的问题库能有效提升学习者的元认知能力;（2）多种提问策略中,半自由提问策略（即基于错因提问,其余自由发挥）表现优于完全自由或严格策略;（3）通过多维度评价,证明提出的智能启发式提问机制能有效促进学习者元认知发展。

研究以国家刻板印象为例,提出了一种以人工智能技术中的大语言模型（large language model, LLM）为核心的心理测量方法,实现从心理特征的维度构建到自动化测量的完整流程。研究1利用人工智能提取自由描述文本中的国家刻板印象内容,结合文本挖掘方法归纳出国家刻板印象跨文化核心维度;研究2构建了基于LLM的自动化测量（LLM-rating）模型并检验性能。研究结果显示：（1）利用人工智能技术,提取出国家刻板印象的五个跨文化核心维度：文化丰富性、发达进步、权力影响、社会平等、集中管理;（2）LLM-rating模型具有良好的人机评分一致性和评分结果的跨时间稳定性。研究结果表明,人工智能为复杂心理特征的自动化建构与评估提供了新的跨学科角度,展示了其在社会认知研究中的潜在应用价值。

非常规突发事件下,网络亲社会行为是帮助整合资源、恢复现实世界秩序的重要渠道。研究探究风险情境下风险感知是否会驱动人们更倾向于做出网络亲社会行为及其如何进一步影响非常规突发事件的走向。研究1采用问卷法,结合恐惧管理理论,验证了风险感知经由本体安全感对网络亲社会行为的影响以及健康自我效能感的调节作用;研究2采用基于主体的建模技术（agent based model, ABM）建模预测了网络亲社会行为通过调节医疗资源有效分配,有效减少疫情峰值人数、缩短疫情持续时间。研究拓展了对网络亲社会行为动因的理解以及对影响非常规突发事件走向的预测,启示人们通过增进网络亲社会行为对风险事件施加正向的影响。