中国预印本研究提出框架：大语言模型的“心理化”解释分三类实践，并提示偏倚与拟人化风险
一篇发布在中国预印本平台（ChinaXiv）、尚未经同行评审的论文，从物理立场、设计立场与意向立场出发，构建了连接研究目的与大语言模型（LLM）类人输出解释层级的分析框架，识别出工具性、功能性、类主体三类心理化实践及其局限，并提示偏倚、不稳定性和拟人化风险。
适合AI（人工智能）心理从业者用于判断“把模型输出当作心理现象”的适用边界。
论文认为，围绕以大语言模型（Large Language Models, LLMs）为代表的“硅基智能”能否纳入心理学与行为科学研究的争议，根源不只是研究方法差异，更深层是对LLM（大语言模型）类人行为解释立场的系统性分化。
作者以个体解释与预测系统行为的不同立场（物理立场、设计立场、意向立场）为理论基础，构建连接研究目的与LLM类人输出解释层级的理论分析框架，识别工具性、功能性、类主体三类实践的方法与局限，并讨论LLM心理化实践背后的偏倚、不稳定性与拟人化等潜在风险。
展望包括：提升LLM作为认知工具的效度、拓展多模态心理测量形式、建立LLM与人类认知机制的可比性路径、发展基于LLM主动交互心智模块的智能化软件新范型。 作者来自北京航空航天大学经济管理学院、数据智能与智慧管理工信部重点实验室、低碳治理与政策智能实验室、北京航空航天大学人文社会科学学院。
这是一项理论框架型研究，不是临床或产品验证：它提供的是“解释层级”这一分析工具，用来区分把模型输出当工具、当功能系统还是当类主体来解读。 对行业的意义在于，AI（人工智能）心理产品在描述模型能力时若跨用这三类立场，容易把拟人化表达写成心理机制结论； 偏倚与不稳定性的提示也说明同一模型输出不宜作为稳定心理测量的前提。
需要强调：来源仅为ChinaXiv摘要，本刊未阅读全文，无法核验框架细节与适用条件。
后续观察信号
- 查找该论文全文，核验三类实践的定义与判定标准
- 追踪作者团队后续多模态心理测量研究
- 观察同类预印本是否形成“LLM（大语言模型）心理化”术语共识