探讨大学生人工智能（AI）使用动机的异质性、影响因素及其与心理健康的关系。研究1于2024年9月对5760名大学生进行问卷调查。潜在剖面分析结果发现,大学生AI使用动机可划分为工具动机主导型（28.09%）、高工具-娱乐动机型（30.57%）、中等多元动机型（36.02%）、全面高动机型（5.31%）四种亚类型。不同亚类型在心理健康指标上的表现也显著不同。研究2于2024年9月与2025年3月对221名大学生进行为期半年的追踪研究,探究AI使用动机与心理健康之间的双向关系。结果仅发现心理健康对AI使用动机的短期效应,表现为焦虑情绪增加AI使用中的逃避动机和社交动机,抑郁情绪增加逃避动机,而拥有意义感可预测工具动机。研究结果揭示了大学生AI使用动机的群体异质性及其与心理健康的关系模式,为个性化干预和心理健康促进提供实证依据。

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。