AI心理前沿早报｜2026-11-01

BlisseMind Insight AI心理前沿

今日导读

• 调查称常用人工智能辅助写作的大学生自评写作与创业能力更强，研究未涉及心理健康

  该研究与人工智能对心理健康的影响没有直接关系，只能作为“人工智能使用与学生能力自我评价”这一更广话题的旁证。

• 研究：多智能体大语言模型能生成心理治疗回应，但帮助患者理解自身经历仍不如人类治疗师

  该研究提示，人工智能心理产品的差异不在于“能否说出治疗性话语”，而在于能否判断何时该用何种干预，以及能否深入帮助患者理解自己的经历。

• 苏州工业园区用人工智能帮企业找政策、办申报，报道只在创业者经历中提到情感陪伴大模型

  这篇报道的实质是地方“人工智能+政务”的落地，与人工智能心理行业只有一处字面关联：创业者背景中提到“情感陪伴大模型”。

今日三项重点

1. 调查称常用人工智能辅助写作的大学生自评写作与创业能力更强，研究未涉及心理健康

该研究与人工智能对心理健康的影响没有直接关系，只能作为“人工智能使用与学生能力自我评价”这一更广话题的旁证。

依据：Journal of Computer Science and Technology Application（摘要）

2. 研究：多智能体大语言模型能生成心理治疗回应，但帮助患者理解自身经历仍不如人类治疗师

该研究提示，人工智能心理产品的差异不在于“能否说出治疗性话语”，而在于能否判断何时该用何种干预，以及能否深入帮助患者理解自己的经历。

依据：PubMed / Journal of Consulting and Clinical Psychology

3. 苏州工业园区用人工智能帮企业找政策、办申报，报道只在创业者经历中提到情感陪伴大模型

这篇报道的实质是地方“人工智能+政务”的落地，与人工智能心理行业只有一处字面关联：创业者背景中提到“情感陪伴大模型”。

依据：新华网

AI心理行业动态

调查称常用人工智能辅助写作的大学生自评写作与创业能力更强，研究未涉及心理健康

持续追踪｜研究发表｜来源日期：2026-10-30

事件： 研究采用定量设计，通过结构化问卷收集大学生数据，用SmartPLS 4进行偏最小二乘结构方程模型（PLS-SEM）分析。摘要称测量模型具有较高信度与收敛效度；结构分析显示，人工智能的应用与创意写作技能、创意写作与21世纪能力之间存在显著正相关。研究还推测，人工智能可能通过影响创意写作，间接关联到学生对创业和能力发展的自我评价，这些均为问卷自评结果。

作者包括Hayatun Nufus、Subyantoro、Hari Bakti Mardikantoro、Rahayu Pristiwati、Henry Zainarthur，发表于《Journal of Computer Science and Technology Application》。

来源表述： 来源为学术摘要，无企业发言人或机构承诺。

为什么重要： 一项期刊摘要中的研究向大学生发放问卷，用统计模型分析后发现：使用人工智能越多，学生对自身创意写作能力的评价越高；学生越认为自己的创意写作能力强，对“21世纪能力”（创造力、批判性思维、协作、数字素养等）的自我评价也越高。摘要还称，创意写作可能在人工智能使用与学生自评的创业和能力发展之间起到间接联系作用。研究不涉及心理健康或情绪结果。

编辑判断： 该研究与人工智能对心理健康的影响没有直接关系，只能作为“人工智能使用与学生能力自我评价”这一更广话题的旁证。摘要未说明调查所在国家和样本规模；统计模型得出的正相关属于相关性分析，不能理解为人工智能能提升写作或创业能力，更不涉及心理或情绪健康结果。摘要未交代研究对象的专业背景，也未提供全文方法细节。

后续观察： 摘要级证据，需核对全文方法细节；研究主题与心理健康无直接关联，谨慎引用

来源：Journal of Computer Science and Technology Application（摘要）

研究：多智能体大语言模型能生成心理治疗回应，但帮助患者理解自身经历仍不如人类治疗师

本期关注｜同行评审研究（摘要级）｜来源日期：2026-10-29

事件： 研究纳入300段会谈片段，每段同时含人类与大语言模型生成的回应，由专家临床评审评估典型性与质量。大语言模型一侧由四个分别代表不同治疗维度的专门智能体组成，另有一个负责挑选干预的评判大模型。结果显示，大语言模型与人类治疗师所用干预类型大体相似，但使用时机不同；人类干预总体更有帮助，具体在意义建构类干预上质量更高，支持性、指导性、探索性干预无差异。

结论仅适用于本次测试的本地部署多智能体配置。

来源表述： 无公司口径。研究作者来自Bar-Ilan大学心理学系、达姆施塔特工业大学赫森人工智能中心计算机科学系和Ariel大学计算机科学系，文章发表于《Journal of Consulting and Clinical Psychology》，本条仅见摘要。

为什么重要： 《咨询与临床心理学杂志》刊出的一项摘要级研究，用300段抑郁症心理动力治疗会谈，比较多智能体大语言模型系统与人类治疗师。两者选用的干预类型大体相似，但人类治疗师在帮助患者梳理内心意义、形成理解的“意义建构”类干预上质量更高；支持性、指导性和探索性干预未见差异。作者认为，大语言模型目前只能作为有人监督的辅助工具，不能替代治疗师。

编辑判断： 该研究提示，人工智能心理产品的差异不在于“能否说出治疗性话语”，而在于能否判断何时该用何种干预，以及能否深入帮助患者理解自己的经历。多智能体架构可作设计参考，但摘要未披露模型、提示与评审细节，不能据此推断临床疗效。

后续观察： 获取全文确认评审量表与评分者一致性；跟踪同类研究是否覆盖青少年人群

来源：PubMed / Journal of Consulting and Clinical Psychology

苏州工业园区用人工智能帮企业找政策、办申报，报道只在创业者经历中提到情感陪伴大模型

持续追踪｜政策与政务应用报道｜来源日期：2026-10-29

事件： 据新华网2026年10月29日报道，“十五五”规划纲要提出“深化拓展‘人工智能+’，赋能经济社会发展和治理能力提升”。苏州工业园区企业发展服务中心推出“企小服”人工智能服务体，拆解各级政策条目，并与企业工商、研发、经营数据生成的“数字画像”匹配；园区行政审批局推出政务数字管家“小易”，可拆解申报要求、整合数据并生成申报材料框架。

报道称苏州鼎级数字技术有限公司创始人陈敬卫已通过“企小服”申报10余项惠企项目；他5年前进入人工智能领域，组织团队开发情感陪伴大模型。原文未披露该情感陪伴产品的功能、用户数据或临床与心理健康用途。

来源表述： 无企业就情感陪伴产品作出效果或资质表述；文中发言人为苏州鼎级数字技术有限公司创始人陈敬卫，其表述限于借“企小服”获得政策申报提醒，不涉及产品性能。

为什么重要： 新华网报道苏州工业园区用人工智能优化政务服务，推出“企小服”人工智能服务体和数字管家“小易”，帮企业匹配惠企政策、拆解申报要求并生成材料框架。原文只在介绍创业者经历时提到其团队开发情感陪伴大模型，没有说明产品形态、用户规模或心理健康用途，不能据此判断其属于人工智能心理行业。

编辑判断： 这篇报道的实质是地方“人工智能+政务”的落地，与人工智能心理行业只有一处字面关联：创业者背景中提到“情感陪伴大模型”。原文未给出该产品的服务对象，也未说明它是否提供情绪支持或心理干预、有无安全与伦理机制，因此不能把它当作人工智能心理健康应用案例，也不能由政务申报成功推断产品成熟度。

可以确认的行业信号是，已有地方创业者把情感陪伴类大模型作为人工智能方向提出；但政策支持指向企业申报服务，而非这类产品的行业准入。

后续观察： 追踪苏州鼎级数字技术有限公司情感陪伴大模型的公开产品信息；追踪苏州工业园区“人工智能+”政策对情感陪伴类人工智能应用的具体条款

来源：新华网

评论文章：军队心理健康人工智能须先证明能读懂军人，用民用数据训练的系统易误判军人表达

持续追踪｜评论文章（摘要级）｜来源日期：2026-10-28

事件： 评论称，主要基于民用数据训练的系统可能准确转写军人表达痛苦的话语，却误读其临床含义，例如把道德伤害归为恐惧型创伤、把被轻描淡写的自杀倾向判为低风险、把日常军事用语标记为威胁。评论还指出，HIPAA（美国健康保险携带与责任法案）隐私规则中的军事指挥部例外，以及美国国防部第6490.08号指示下的指挥部通报，可能使为治疗生成的信息进入部署、安全许可与行政决定。该文为评论，并非实证研究。

来源表述： 无公司口径。作者Hina Tahseen隶属英国Somerset NHS Foundation Trust（英国国民保健署萨默塞特信托）、卡迪夫大学医学院与英国皇家精神科医学院，文章发表于《Military Medicine》，本条为摘要级评论。

为什么重要： 《Military Medicine》的一篇评论文章指出，预测模型已用于筛查退伍军人自杀风险，生成式人工智能被用于分诊和低强度心理干预，但美国国防部与北约的人工智能治理框架都没有针对治疗场景作出专门规定。

作者提出“行为效度”要求，即系统须经证实能安全处理其服务人群的行为表现，并列出四项使用条件：部署前接受临床监督评估、将治疗信息与人事用途隔离、具备道德伤害与文化胜任力、保持有意义的人类控制。

编辑判断： 该文虽针对军事场景，但其“人群适配”思路可迁移到校园人群：用普通成人或民用数据训练的情绪识别，未必适合学生语境。评论未提供实证数据，四项条件属于规范建议。

后续观察： 检索是否有青少年人群的同类行为效度研究

来源：PubMed / Military Medicine

范围综述：癌症患者的人工智能心理支持多集中在信息与症状管理，安全评估和身份披露报告不足

背景研究｜范围综述｜来源日期：2026-10-19

事件： 研究依据JBI（乔安娜布里格斯研究所）方法与PRISMA-ScR（范围综述报告规范）检索13个数据库及登记平台，截至2026年5月5日，纳入24篇报告、25个研究单元、23个项目。大语言模型（LLM）或生成式人工智能系统占39.1%（9/23）。信息或教育功能覆盖23/23（100%），症状或自我管理支持20个（87%），但统计含已交付、计划、模拟、共同设计和参与者自述功能。

结构化心理或行为成分占21.7%（5/23）；明确理论或概念框架见6/24篇报告（25%）。评估可接受性或用户体验的报告或计划17/24（70.8%），参与度13/24（54.2%），心理社会临床结局8/24（33.3%），安全与不良事件4/24（16.7%）。人工或专家监督15/24（62.5%），危机升级或转介8/24（33.3%），向用户披露人工智能身份3/24（12.5%）。

研究未做正式质量评价。

来源表述： 无企业声明。作者为中南大学湘雅三医院血液科与护理部研究者，结论为报告模式梳理，不确立有效性或安全性，并建议未来前瞻性评估心理社会获益与安全、明确专业监督与转介责任。

为什么重要： 发表于《Journal of Medical Internet Research》（《医学互联网研究杂志》）的范围综述（系统梳理研究范围，但不评价质量）汇总24篇报告、23个项目，梳理面向癌症患者的对话式人工智能心理支持。信息或教育功能覆盖全部23个项目，结构化心理或行为成分仅占21.7%；报告安全与不良事件的项目占16.7%，向用户披露人工智能身份的项目仅占12.5%。

作者明确表示，这只是报告模式的分布图，不证明有效性或安全性。

编辑判断： 该综述的价值在于把“人工智能心理支持”拆成可核对的功能、评估与治理三层，并指出重心偏向信息与症状管理。报告率低不等于实际缺失，但说明临床与安全评估、理论依据、人群代表性和监督责任披露不足，难以判断项目成熟度。区域按研究团队所在中国大陆填写；本文为摘要级证据，未阅读全文，不能据此推断临床效果。

后续观察： 核实纳入项目的癌种与阶段分布及人群代表性；追踪OSF登记项目（UM65W）后续更新；关注全文是否细分大语言模型与规则型系统的安全报告差异

来源：Journal of Medical Internet Research（PubMed 摘要）

研究：IT员工把人工智能看作机会还是失业风险，与心理健康的关联不同

背景研究｜学术研究｜来源日期：2026-10-12

事件： 研究发表于《Work (Reading, Mass.)》，对象为伊斯兰堡和拉瓦尔品第201名专业人士，采用便利抽样与结构方程模型（SPSS、SmartPLS）分析。作者基于守恒资源理论提出：对人工智能的乐观与希望可能支持心理韧性；对失业的担忧与员工心理健康呈负相关，认知重评困难可能在其中起作用。作者称研究扎根特定情境，但具更广泛启示。摘要未披露效应量、抽样偏差控制及因果设计。

来源表述： 无企业声明。作者机构包括哈尔滨工业大学管理学院、SZABIST大学、科特利大学、约翰内斯堡大学、华为技术有限公司、西北工业大学及约翰·冯·诺依曼大学博士项目等；上述结论为作者研究表述，不代表所在机构立场。

为什么重要： 一项针对巴基斯坦伊斯兰堡和拉瓦尔品第201名信息技术（IT）从业者的横断面研究，用结构方程模型区分员工对人工智能的两种认知：把人工智能视为机会者报告更好的职场心理健康，把人工智能视为失业风险者则更难调整想法、心理健康更差。研究仅基于摘要，采用便利抽样，不能推断因果或外推。对人工智能心理和组织服务来说，这是“人工智能焦虑”可作为职场心理支持切入点的初步线索。

编辑判断： 该研究把“人工智能焦虑”放进职业心理健康框架，价值在于区分“机会感知”与“替代恐惧”两条心理路径，而非笼统讨论人工智能好坏。但便利抽样、横断面设计及摘要级证据意味着只能作为假设生成：组织在部署人工智能时同步了解员工情绪与想法，或可成为员工支持议题，尚需纵向和干预研究验证。

后续观察： 检索作者团队后续关于人工智能感知与员工心理健康的追踪研究；关注职场人工智能焦虑测评工具是否形成标准化量表

来源：PubMed 题录：Artificial intelligence at work: Balancing opportunity and fear in shaping employee well-being in the IT sector.

沙特研究者用多个人工智能大模型辅助开发17条目情绪调节量表，仅获初步证据

背景研究｜学术研究（摘要级）｜来源日期：2026-10-11

事件： 研究为横断面设计，通过便利抽样纳入743名成人，样本随机分为两个不重叠子样本，分别用于探索性因子分析和验证性因子分析。初始生成25个条目，最终保留17个条目。探索性因子分析解释方差50.85%；验证性因子分析对事后精炼的17条目模型给出初步支持：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。聚合效度方面，适应性策略与认知重评相关r=0.522–0.608，适应不良认知与表达抑制相关r=0.400。

同时效度方面，与抑郁r=0.432、焦虑r=0.462、幸福感r=-0.330、生活质量r=-0.357与-0.295相关；适应性策略与抑郁r=-0.184至-0.239、焦虑r=-0.141至-0.211、幸福感r=0.150至0.203、生活质量r=0.211至0.375相关。

已知组效度显示不同抑郁与焦虑水平组间存在显著差异（F(4, 738)=39.32与64.49，p<0.001）。作者单位为沙特阿拉伯吉达阿卜杜勒阿齐兹国王大学心理系。以上为摘要可见内容，未获取论文全文。

来源表述： 不适用：来源为学术论文摘要，研究者表述为“大语言模型辅助量表开发在既有心理测量程序和人工监督下具有潜力”，并明确需要进一步研究评估量表属性、可推广性与更广泛用途；未涉及企业产品或商业声明。

为什么重要： 一项发表于BMC Psychology（《BMC心理学》）的横断面研究，以743名成人样本开发基于Gross情绪调节过程模型的17条目情绪调节量表（ERS），在条目生成、精炼、偏差筛查、翻译和因子解释环节使用多个大语言模型（LLM）辅助，并全程保持人工监督。摘要报告四因子结构初步成立、信度处于量表早期开发的可接受区间；作者明确结论为初步证据，需更多样化样本验证。

编辑判断： 这项研究的可核查价值不在于“人工智能能造量表”，而在于展示了人工智能在心理测量开发流程中的具体分工：条目生成与精炼、偏差筛查、翻译、因子解释，且人工监督贯穿全程。信度系数处于早期量表开发的偏低区间，样本来自便利抽样且仅涉及单一国家，摘要层面的验证性因子分析针对的是事后精炼的模型，因此尚不能认为量表已经定型。

对行业的含义是：人工智能可以进入心理测评工具的上游研发环节，但实际使用或临床使用仍需独立样本与外部验证。

后续观察： 获取论文全文，核对人工智能辅助各环节的具体做法与人工监督方式；追踪作者团队或第三方对该量表的独立验证研究

来源：BMC Psychology（PubMed摘要）

土耳其调查：医卫学生对人工智能了解越多，焦虑越轻；实际操作人工智能反而与焦虑升高相关

背景研究｜学术研究｜来源日期：2026-10-10

事件： 发表于《Work (Reading, Mass.)》的横断面描述性-预测性研究，邀请800名大专医卫学生，最终样本545人（应答率68.12%）。参与者平均年龄20.41±4.07岁；55.6%自报对人工智能有部分了解，仅44.4%自报积极使用人工智能支持的工具。

单变量分析中，性别（p=.005）、既往人工智能知识（p=.002）和主动使用人工智能应用（p=.007）与焦虑水平差异显著。人工智能素养总分与人工智能焦虑弱负相关（r=-0.20，p<.001）。

多变量回归模型显著预测焦虑（F7,537=10.387，p<.001），解释总方差11.9%（R2=.119，调整后R2=.108）；觉察（β=-.143）、评估（β=-.116）、伦理（β=-.093）与较低焦虑相关，操作使用（β=.106）与较高焦虑相关，男性性别（β=-.188）与较低焦虑相关。

作者单位为土耳其马尼萨杰拉尔·拜亚尔大学卫生服务职业学院（Manisa Celal Bayar University Health Services Vocational School）。

来源表述： 无公司口径；论文作者为Pınar Arpacı，所属机构为土耳其马尼萨杰拉尔·拜亚尔大学卫生服务职业学院（Manisa Celal Bayar University Health Services Vocational School），研究结论由作者提出，非企业声明。

为什么重要： 一项针对土耳其一所卫生服务职业学院545名大专医卫学生的横断面研究，用人工智能素养量表和人工智能焦虑量表测量发现，人工智能素养总分与人工智能焦虑仅呈弱负相关（r=-0.20）；在多变量模型中，认知层面的觉察、评估、伦理素养与较低焦虑相关，而操作层面的人工智能使用与较高焦虑相关。研究仅为摘要级证据（模型解释约11.9%的方差），不能推断因果，也不涉及人工智能心理干预效果。

编辑判断： 摘要只报告总量表相关与回归系数，未披露人工智能素养量表、人工智能焦虑量表的条目、维度定义、抽样细节与混杂控制，因此无法核对“认知素养”与“实际操作”两类各自具体测了什么。11.9%的解释方差意味着大部分焦虑差异来自模型之外的因素。

认知素养与低焦虑、实际操作与高焦虑的对比，可作为人工智能教育内容分层设计的假设来源，但横断面设计不能支持“操作导致焦虑”或“认知素养缓解焦虑”的因果表述，也不能用于评估任何人工智能心理干预。

后续观察： 核对论文全文的量表维度、条目与抽样方法；查找中国学生人工智能素养与焦虑的本地数据

来源：Work (Reading, Mass.)（PubMed摘要）

未来 7–30 天观察清单

• 摘要级证据，需核对全文方法细节

• 研究主题与心理健康无直接关联，谨慎引用

• 获取全文确认评审量表与评分者一致性

• 跟踪同类研究是否覆盖青少年人群

• 追踪苏州鼎级数字技术有限公司情感陪伴大模型的公开产品信息

• 追踪苏州工业园区“人工智能+”政策对情感陪伴类人工智能应用的具体条款