從預訓練模型到大語言模型：AI 驅動心理計算之全面綜述
arXiv - Computers and SocietyHuiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang
本文透過計算處理模式而非應用領域，首次為 AI 驅動的心理學任務建立了系統性的分類架構。
AI 幫你先抓重點
AI 重點 1
從「應用領域導向」轉向「計算模式導向」的分類邏輯。
滑鼠懸停看 AI 判斷理由
過去心理學研究常受限於特定領域（如情緒或人格），導致技術無法跨領域遷移。透過計算模式分類，研究者能發現不同心理任務間共通的技術模式，加速知識轉移與技術創新。
AI 重點 2
關注 AI 心理計算中的解釋性、標籤不確定性與跨文化效度。
滑鼠懸停看 AI 判斷理由
心理學對精準度與公平性要求極高。理解這些挑戰能幫助開發者在設計 AI 心理評估工具時，不僅追求模型性能，更要兼顧臨床解釋力與文化適應性，避免技術偏見。
核心研究發現
- 1
AI 與心理科學的交集成長極快，相關論文數量從 2000 年的 859 篇激增至 2025 年的 29,979 篇。
- 2
研究提出四種基礎計算任務類型：分類、回歸、結構化關係以及生成式互動任務，用以解決領域間的方法論碎片化問題。
- 3
計算方法已從早期的特定任務特徵工程，演進至目前的遷移學習與少樣本適應（few-shot adaptation）階段。
- 4
文章系統性地梳理了從預訓練模型到大語言模型時代的數據集、評估指標、基準測試及面臨的挑戰。
對教育工作者的啟發
對於教育科技開發者而言，這篇文章提供了將 AI 應用於學習者心理狀態分析（如情緒監測、學習動機評估）的技術藍圖。建議在設計學習分析系統時，不應僅專注於單一心理特質的預測，而應思考如何利用生成式互動任務（Generative Interactive Tasks）來建立能與學生進行心理互動的 AI 導師，並在開發過程中特別注意模型在不同文化背景下的解釋性與公平性，確保評估結果的有效性。
原始文獻資訊
- 英文標題：
- From Pre-trained Models to Large Language Models: A Comprehensive Survey of AI-Driven Psychological Computing
- 作者：
- Huiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。