西班牙样本研究：AI（人工智能）语言模型在亲密关系叙事中识别情绪，与关系幸福度相关性高于词典法
一项西班牙横断面探索研究让112名成年人填写伴侣繁荣量表并自由描述亲密关系，再用词典法与基于Transformer（一种神经网络架构）的模型分别提取情绪信号。
结果显示两种方法都与关系幸福度显著相关，Transformer模型在正向与负向情感上相关更强，但并非所有情绪类别一致。 研究属摘要级证据，不能说明可用于诊断或临床干预。
研究发表于JMIR AI，作者机构包括西班牙加泰罗尼亚开放大学心理与教育科学学院及哥伦比亚Konrad Lorenz大学心理学系。 112名西班牙成年人完成Couple Flourishing Measure（CFM，伴侣繁荣量表）并提供开放式关系描述。
Pysentimiento（Transformer模型）与NRC Emotion Lexicon（词典法）分别生成情绪与情感指数，与量表得分做Pearson相关，并用Steiger Z检验比较模型间差异。 Transformer模型正向情感r=0.66（95% CI 0.54-0.76）、负向情感r=-0.74（95% CI -0.82至-0.65）；
厌恶P=.04、喜悦P=.01、悲伤P=.004、惊讶P=.03及正负情感P<.001存在模型间显著差异，愤怒与恐惧无显著差异。 原文指出临床落地前仍需进一步验证。
研究比较了两种计算范式在同一批112名西班牙成年人自然语言叙述上的表现，并以理论驱动的伴侣繁荣量表作为外部效标，这比仅做内部一致性检验更能说明模型输出与心理构念的关联强度。 对情绪记录类产品而言，可提炼的具体启示是：同一段用户文本经不同方法处理可能得到不同情绪画像，词典法在负向情绪上关联较弱，提示仅依赖关键词匹配可能遗漏语境信息。
但研究为横断面相关设计，样本仅112名西班牙成年人，Transformer模型在正向与负向情感上的相关系数较高并不等于能准确分类个体情绪，更不能推出模型可评估关系质量或预测心理状态； 愤怒与恐惧两类未见显著模型差异，说明优势并非全类别一致。 摘要未披露量表信度、招募方式和语料语言细节，产品团队不宜据此做中文场景的等效假设。
后续观察信号
- 查找该论文全文以核对样本招募方式与量表信度
- 关注Pysentimiento在中文语料上的适用性研究