AI心理前沿早报｜2026-10-26

BlisseMind Insight AI心理前沿

今日导读

• MIT人文学院75周年研讨：学者称聊天机器人可能削弱人的依恋能力

  这是学术场合的观点表达，不是研究成果，也不构成对任何产品的评测。

• 研究：多模态AI模拟训练让护理学生共情得分提升更多，但仅为单校非随机实验

  该研究把对话式AI与情绪识别、生理监测结合用于共情训练，属于教育技术应用。

• 试点研究：用现成大语言模型从青少年病历识别抑郁症状，最高F1为0.65

  这是摘要级证据，只能说明在单一医院、极小标注集上现成模型具备可行性，不能外推为诊断准确率或临床有效性；Llama召回高、精确低，提示若用于预警，误报成本需单独评估。

今日三项重点

1. MIT人文学院75周年研讨：学者称聊天机器人可能削弱人的依恋能力

这是学术场合的观点表达，不是研究成果，也不构成对任何产品的评测。

依据：MIT News

2. 研究：多模态AI模拟训练让护理学生共情得分提升更多，但仅为单校非随机实验

该研究把对话式AI与情绪识别、生理监测结合用于共情训练，属于教育技术应用。

依据：PubMed（Nurse educator）

3. 试点研究：用现成大语言模型从青少年病历识别抑郁症状，最高F1为0.65

这是摘要级证据，只能说明在单一医院、极小标注集上现成模型具备可行性，不能外推为诊断准确率或临床有效性；Llama召回高、精确低，提示若用于预警，误报成本需单独评估。

依据：JMIR Formative Research（PubMed 摘要）

AI心理行业动态

MIT人文学院75周年研讨：学者称聊天机器人可能削弱人的依恋能力

本期关注｜学术会议｜来源日期：2026-10-24

事件： 据MIT校方报道，研讨会于9月24日至25日举行。校长Sally Kornbluth称，人工智能的出现对研究和教育产生重大影响；教务长Anantha Chandrakasan强调以人为中心的技术路径；教授D.

Fox Harrell表示，人们会把自身特质投射到计算系统，人工智能系统之所以被视为具有意图，部分在于人将其叙述为有意图；Sherry Turkle则对被称作“亲密机器”的聊天机器人持怀疑态度。

为什么重要： 麻省理工学院人文、艺术与社会科学学院举行75周年研讨会，多位讲者在讨论人工智能对教学、研究与社会的影响时谈到人机情感关系。科技与社会研究项目教授Sherry Turkle在会上表示，社交媒体争夺的是注意力，而聊天机器人冲击的是人建立依恋关系的能力，这种影响更深，也更令人担忧；另有学者谈到，人们会把自身的“自我”投射到计算系统上。报道没有提供相关实验数据。

编辑判断： 这是学术场合的观点表达，不是研究成果，也不构成对任何产品的评测。其行业意义在于把“依恋”而非“注意力”列为AI陪伴的核心风险维度，提示陪伴类产品在用户留存设计与伦理审查中需面对情感依赖问题；但该判断目前是学者主张，尚需独立研究检验。

后续观察： 检索Turkle相关著作与后续研究；确认研讨会论文或记录是否公开

来源：MIT News

研究：多模态AI模拟训练让护理学生共情得分提升更多，但仅为单校非随机实验

本期关注｜准实验研究｜来源日期：2026-10-23

事件： 研究纳入68名实验组和66名对照组学生。所有主要指标P<0.001。定性结果提到共情意识、沟通信心和反思性学习有所增强。作者单位为韩国启明大学护理学院（College of Nursing, Keimyung University, Daegu, South Korea）。论文发表于《Nurse educator》，该来源为摘要级证据。

为什么重要： 一项准实验前后测研究以134名本科护理学生为对象，实验组接受整合对话式AI（人工智能）、面部情绪识别、语音分析和生理监测的多模态AI模拟训练，对照组接受传统角色扮演模拟。调整基线分数后，实验组在共情、沟通自我效能和学习投入上的改善更明显，心率变异性（HRV）和皮肤电反应也出现组间差异。研究只在单一院校进行，未随机分组，不能据此推断临床效果。

编辑判断： 该研究把对话式AI与情绪识别、生理监测结合用于共情训练，属于教育技术应用。准实验设计、单中心、依赖自报与模拟情境，均不同于真实临床沟通效果；生理指标差异也不等于情绪能力提升。对AI心理陪伴行业而言，这只能算“多模态反馈用于沟通训练”的早期证据，不足以支持产品疗效表述。

后续观察： 核查该研究是否报告效应量与随访时长

来源：PubMed（Nurse educator）

试点研究：用现成大语言模型从青少年病历识别抑郁症状，最高F1为0.65

持续追踪｜学术研究｜来源日期：2026-10-21

事件： 研究取用美国辛辛那提儿童医院医疗中心15至17岁、共924名抑郁或相关情绪障碍青少年患者的电子健康记录（EHR）自由文本，结合贝克抑郁量表（BDI）与患者健康问卷（PHQ-9）建立16类症状标签，对22名患者病历人工标注。

FLAN-T5平均F1-score 0.65、精确率0.78，识别睡眠问题F1 0.92、自我厌恶F1 0.80；Phi精确率0.44、召回率0.60；Llama 3召回率0.90但倾向过度泛化。表现最好的模型F1比词匹配基线高0.43。作者称结果需更广人群和其他心理健康状况进一步验证。

来源表述： 无公司口径；研究由伦敦玛丽女王大学、伦敦大学学院与辛辛那提儿童医院医疗中心等机构作者完成，结论属研究团队表述，非企业声明。

为什么重要： 一项发表于《JMIR Formative Research》的摘要级试点研究，用Llama、FLAN-T5、Phi三种现成大语言模型（LLM）识别15至17岁患者病历中的抑郁症状。三种模型都优于关键词匹配基线，FLAN-T5在精确率与召回率之间较为均衡，但研究只人工标注了22份病历，作者明确表示结论需在更广人群和其他心理疾病中进一步验证，筛查不等于诊断。

编辑判断： 这是摘要级证据，只能说明在单一医院、极小标注集上现成模型具备可行性，不能外推为诊断准确率或临床有效性；Llama召回高、精确低，提示若用于预警，误报成本需单独评估。对校园场景，意义在于验证“从自然语言文本中结构化症状线索”这条路可行，而非直接采用某一模型。

后续观察： 获取论文全文核对标注协议与提示词设置；跟踪FLAN-T5在小样本之外的泛化表现

来源：JMIR Formative Research（PubMed 摘要）

精神科医生撰文：AI秒回答案，或让医生失去在不确定中等待的能力

持续追踪｜学术评论｜来源日期：2026-10-21

事件： 来源为PubMed收录的《BJPsych Bulletin》文章《The intoxication of immediacy: psychiatrist's reflections on algorithmic psychiatry.》，出版日期证据标注为2026年10月21日（ISO时间），作者Benjamin Sünkel-Laing，机构为英国伦敦Central and North West London Mental Health NHS Foundation Trust（英国国民健康服务体系下属信托机构）下属Westminster South Community Mental Health Hub。

摘要可见内容为：作者以“认知债务”为切入，论述精神科会诊的“萎缩”；认为AI（人工智能）通过压缩时间性、以即时信息饱和不确定性，干扰医生容忍矛盾情感与停留于未知的能力；引用Jaspers的“不可理解的虚空”和Laing的“本体性不安全”，提出当前“即时性的沉醉”可能使精神科医生沦为算法的执行者；认为精神分析提供一种识别与抵抗临床自我侵蚀的框架。本次仅取得摘要，未阅读全文。

来源表述： 无公司口径。作者Benjamin Sünkel-Laing（英国伦敦Central and North West London Mental Health NHS Foundation Trust下属社区心理健康机构）以个人观点形式提出上述判断，属学者评论，非机构立场声明或经同行验证的结论。

为什么重要： 《BJPsych Bulletin》刊出一篇精神科医生的观点文章（摘要级证据），讨论人工智能进入精神科实践后对临床能力的影响。作者借用“认知债务”概念，称AI（人工智能）压缩了时间感、用即时信息填满不确定之处，可能削弱医生容忍矛盾、停留于未知的能力，并担忧精神科医生被变成算法的执行者。文章主张借精神分析框架识别和抵抗这种对临床自我的侵蚀；这是观点论述，不是实证研究或疗效验证。

编辑判断： 该文属观点/评论文章（摘要级证据），没有样本、干预或结局数据，不能据此推断AI在精神科的实际效果或危害。其价值在于提出一个可检验的机制问题：即时信息供给是否改变临床访谈中的等待、沉默与容纳不确定性的行为。对面向校园与个人的心理健康产品而言，这提示“快速给出答案”的产品设计与临床式探索性对话之间存在张力，但原文并未涉及任何具体产品、青少年或校园场景。

后续观察： 追踪该文全文发表后的引用与专业回应；检索是否有测量“AI使用与临床不确定性容忍度”关系的实证研究；核对是否有针对校园场景的类似评论或指南

来源：BJPsych Bulletin（PubMed摘要）

范围综述：癌症患者的对话式AI心理支持研究，多只报用户体验、少报安全与临床结局

持续追踪｜范围综述｜来源日期：2026-10-19

事件： 该综述依据JBI方法与PRISMA-ScR规范，检索13个数据库及补充登记平台至2026年5月5日，纳入24份报告，对应25个研究单元、23个底层项目。

结果显示：大语言模型或生成式AI系统占项目的39.1%（9/23）；信息或教育功能覆盖全部23个项目，症状或自我管理支持20个（87%），但计数包含已交付、计划、模拟、共同设计与参与者自述的功能；结构化心理或行为组件仅在21.7%（5/23）的项目中实际交付；24份报告中仅25%（6/24）报告了明确的理论或概念框架。

报告或计划评估可接受性/用户体验的17份（70.8%）、参与度的13份（54.2%），明显多于评估心理社会临床结局的8份（33.3%）与安全及不良事件的4份（16.7%）。人工或专家监督见于62.5%（15/24）的报告，危机升级或转介见于33.3%（8/24），向用户披露AI身份见于12.5%（3/24）。该综述未进行正式质量评价，作者声明结果不确立有效性与安全性。

来源表述： 无企业声明。该综述作者来自中南大学湘雅三医院血液科与护理部（Zhiying Shen、Shuangjiao Shi、Lian Mao、Chengyuan Li、Jianfei Xie），研究发表于《医学互联网研究杂志》（Journal of Medical Internet Research，JMIR），属于研究者表述，不代表任何公司立场。

证据范围限于PubMed题录与摘要，未获取论文全文。

为什么重要： 一项发表于《医学互联网研究杂志》的范围综述，梳理了面向癌症患者的对话式AI（人工智能）心理支持研究：23个底层项目中约39%采用大语言模型或生成式AI，信息与教育、症状管理类功能最常见；而报告或计划评估心理社会临床结局的仅占33%、安全与不良事件仅占17%。作者强调，上述结果只反映研究报告了哪些内容，不能据此判定有效性或安全性。

编辑判断： 综述揭示的落差在于：多数项目把资源投向信息提供与参与度指标，而非心理社会结局与安全监测；结构化心理干预组件与理论框架的缺失，意味着部分项目更接近“教育工具”而非心理干预。AI（人工智能）身份披露比例偏低、危机转介路径覆盖不足三分之一，是监管与伦理讨论中最应先补齐的环节。

需注意，纳入研究涵盖模拟与共同设计阶段，报告模式不等于实际部署水平；该综述亦未做正式质量评价，不能据此推断任何项目的临床效果或因果关系。

后续观察： OSF登记方案UM65W所列的后续研究计划；纳入的9个LLM/生成式AI项目的具体形态与开发阶段；5个已交付结构化心理或行为组件项目的理论框架来源

来源：Journal of Medical Internet Research（经PubMed索引，题录与摘要）

沙特研究：用多个大语言模型辅助编制情绪调节量表，743人样本只提供初步证据

背景研究｜学术研究｜来源日期：2026-10-11

事件： 摘要显示：该横断面研究以便利抽样纳入743名成年人，随机分为两个不重叠子样本，分别做探索性因子分析（EFA）与验证性因子分析（CFA）。多个大语言模型与AI（人工智能）工具参与条目生成、精炼、偏差筛查、翻译及EFA后的构念解释，全过程有人工监督。初始25个条目精炼为最终17条。

EFA解释50.85%方差；17条目模型CFA提供初步支持（χ²/df=1.95，CFI=0.934，TLI=0.918，IFI=0.935，RMSEA=0.050）。信度α=0.68–0.74，ω=0.68–0.75。聚合效度：适应性策略与认知重评r=0.522–0.608，非适应性认知与压抑r=0.400。

同时效度：与抑郁r=0.432、焦虑r=0.462、幸福感r=-0.330、生活质量QOL1=-0.357、QOL2=-0.295相关。已知组效度在不同抑郁、焦虑水平间差异显著（MCR：F(4,738)=39.32；64.49，p<0.001）。作者单位为沙特阿卜杜勒阿齐兹国王大学心理系，论文发表于BMC Psychology。以上均为摘要级信息，未阅读全文。

来源表述： 无公司口径。作者结论称，在既有心理测量程序与人工监督下，研究展示了LLM（大语言模型）辅助量表开发的潜力；量表可能通过覆盖更广的认知、行为与情境性情绪调节过程，对现有测量工具形成补充；并明确需要更多样本人群来评估其心理测量属性、可推广性与更广泛用途。

为什么重要： 沙特阿卜杜勒阿齐兹国王大学团队在既有心理测量框架与人工监督下，用多个大语言模型（LLM）辅助生成、精炼和偏差筛查条目，再经翻译与因子分析解释构念，形成17条目的情绪调节量表（ERS）。743名便利样本成年人被随机分为探索性因子分析与验证性因子分析两个子样本，结果呈初步四因子结构，信度处于早期量表开发的可接受水平。作者明确需在更多样本人群中进一步检验。

编辑判断： 这是“AI（人工智能）辅助科研工具”而非“AI治疗工具”的案例：LLM介入的是条目生成与筛查等编制环节，量表效度仍由传统因子分析与效标关联判定。其行业价值在于提供了一个可核查的流程模板，明确区分了AI介入点、人工监督与分样本验证。但743人便利样本、单一国家、信度0.68–0.74偏低、四因子结构为初步结果，均不足以支持临床使用或替代现有工具的主张。

摘要未披露完整条目内容与外部验证。

后续观察： 获取论文全文，核实条目内容与偏差筛查的具体做法；追踪是否有独立团队对该17条目量表开展验证性复制

来源：BMC Psychology（PubMed 摘要）

未来 7–30 天观察清单

• 检索Turkle相关著作与后续研究

• 确认研讨会论文或记录是否公开

• 核查该研究是否报告效应量与随访时长

• 获取论文全文核对标注协议与提示词设置

• 跟踪FLAN-T5在小样本之外的泛化表现