摘 要

本文探讨了积极心理学在计算智能快速发展时所面临的具体挑战，分析了机器学习和自发生成数据集在应对这些挑战时的巨大潜力。机器学习可从高维数据中提取与人类认知相关的非线性关系，成为研究人类认知和情感的新途径。自发生成数据集能更真实地反映人类行为和心理过程，为研究者提供高效的研究素材。这些新兴技术为积极心理学提供了全新视角，能更全面地认识人类行为和心理并推动文化差异性研究、理论更新和干预策略评估。未来研究需探索机器学习、自发生成数据集与积极心理学理论的结合，以深入理解人类行为和情感的多样性和复杂性。

关 键 词

积极心理学；机器学习；自发生成数据集（NODS）；计算智能

正 文

。。。。。。

（续前）

三、机器学习及其应用

（一）机器学习介绍

机器学习技术发展经历了三个主要阶段。最早是传统学习阶段，主要以传统的监督式和非监督式学习用于模式识别和数据挖掘，代表性技术有支持向量机和K-均值算法等，这些方法通过构建决策边界实现数据点的分类与回归，从而有效补充了传统的统计方法在预测性中的不足。进入感知智能阶段后，深度学习（即深度神经网络，deep neural network，DNN）算法如卷积神经网络和长短时记忆网络被提出，其中卷积神经网络在图像识别领域特别突出，长短时记忆网络则因其卓越的序列数据的处理能力在自然语言处理中占据主力。现阶段则是认知智能阶段，其关键节点是Transformer架构模型的提出，当前被广泛应用的BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pre-Trained Transformer）均是由Transformer泛化而来。这些技术在理解和生成自然语言方面有重大进展，为促进分析人类的社会和心理行为提供了潜在可能。

感知智能的技术在心理学的应用已非常瞩目，它不仅提升了机器对视觉信息的处理能力，而且在认知心理学领域带来了新的研究途径。深度学习展现的性能和适应性，在某些复杂的任务中超越了人类的认知能力，它们通过深度学习抽取和理解现实世界中复杂刺激的概念，揭示了刺激与概念之间的深层关联。这不仅为技术层面的进步铺平了道路，也为心理学领域的研究开辟了新视角。然而，深度学习的内部表征机制依然复杂难以阐明，评估其与人类感知的相似性具有挑战性。为应对这一挑战，研究人员借鉴认知神经科学，开发了包括激活最大化和反卷积网络在内的技术，用以可视化神经网络对特定概念或模式的理解。此外，模拟心理学实验来分析深度学习模型的“行为”，以更深入地理解刺激-概念之间的联系，进而深度对比人类的感知系统。

在认知智能时期，大型语言模型在处理更为抽象的社会心理概念方面取得了显著进展，它们在理解和预测人类语言反应和决策过程中展现出了与人类认知的对等性。这些模型不仅能够辅助验证现有理论，也为揭示未知的行为模式和趋势带来可能。大型语言模型的这一突破加速了研究方法的创新，正在推动定性与定量方法的交融，开辟了人类行为的复杂性和文化差异的新途径。利用这些机器学习的技术，我们不仅能够利用感知和认知智能技术在积极心理学的理论层面加深对人类感知能力的认识，而且还能够在实践中为积极心理学研究的方法带来创新性的见解，为促进积极心理学理论的自我修正和更新带来机遇。

（二）机器学习在积极心理学中的研究案例

机器学习在评估情感和心理状态方面有巨大潜力，特别是在处理高维数据方面。例如，Seabrook等人于2018年运用机器学习技术，利用社交媒体上被试的消极情感表达的动态变化来预测其抑郁症状。这种方法增强了抑郁症识别的能力，也显示出从社交媒体数据中捕捉心理健康信号的可能性。另外，Matz等人于2017年使用机器学习算法预测个体心理特征，通过用户点赞和言语表达来揭示用户的性格和偏好。这些研究的共同点在于，它们使用机器学习作为分析工具提取和分析社交媒体上丰富的数据，进而使得这些数据成为评估心理状态和特性的数据资源。

应用方面，机器学习技术提高了对积极心理健康干预的效率。例如，Bakker等人于2018年采用智能手机应用程序来执行基于证据的认知行为疗法，帮助用户使用实时的自我监控与反思促进心理成长，并通过增强自我效能感以提高干预成效。此外，机器学习可帮助评估及优化干预方法。Jeong等人在2023年研发了机器人教练，利用机器学习个性化地识别和响应学生需求，进而增强了心理健康策略的精确性和针对性。这些发展不仅提高了干预措施的可访问性和个性化程度，也开辟了积极心理健康领域新的研究和实践路径。

在积极心理学领域的最新研究里，深度学习技术大大拓宽了基础认知和情感认知的研究视野。2021年，Tong等人使用了DNN解析人类对面部吸引力的知觉机制。该模型从自然的瞬态面孔中提取出人类面孔审美的“共同模式”，且其内部活动模式与人类观察的行为结果高度匹配。这表明深度学习模型有能力学习并模拟与人类面部吸引力感知相关的复杂过程。更深入的，Seligman、彭凯平等人于2023年，发现大语言模型（如GPT-4和GPT-3.5）表现出与人类情感体验相匹配的认知偏差。研究显示，当GPT-4模拟积极情绪状态时，在金融决策中表现出更高的风险偏好；在负面情绪状态下，则趋向于更为保守的选择。另外，在亲社会行为方面，GPT-4在积极情绪的激发下表现出更多的社交参与度，而在模拟负面情绪时参与度降低。这些结果不仅强调了大语言模型在模拟复杂的人类情绪反应方面的高度适用性，还为积极心理学研究提供了全新的视角。

四、NODS及其应用

（一）NODS介绍

在心理学中，NODS（自然发生的数据）被定义为自然环境下无意中产生的数据，它们提供了一个跨文化和多场景的数据收集平台。与传统的实验室生成数据相比，NODS更加真实、更贴近个体的日常生活。这类数据的来源广泛，种类丰富，包括例如微博、Twitter上的图文记录，也包括TripAdvisor上用户提供体验的评分、评论和图片，最重要的是，这些海量数据更贴近人类的真实日常体验。心理学者在关注NODS时，特别重视这些数据的真实性和多样性，与传统的大数据概念（关注数据量、多样性、价值、速度和真实性）相比，NODS在数据量上的要求相对较低。尽管在过去，这类数据因其“野生”性，即源自非科学目的的人类行为或事件的观察，而被忽视。但近年来，研究开始重视通过互联网上的自然发生数据辅助补充传统心理学实验的结论，以增强心理学理论的深度和广度。这些数据由于其自然产生且与个体的日常生活紧密相关，可以显著减少由社会期望和实验者效应所带来的实验偏差。对积极心理学发展来说，NODS能够透露在多文化背景和真实情境中人们的行为和情感模式，这些往往是在控制严格的实验室条件下难以捕捉的。因此，积极心理学研究者利用NODS，不仅可以评估和优化跨文化干预策略的效果，还可以开发出更符合文化敏感性要求的评估工具。

利用NODS开展积极心理学研究主要有两大类挑战：（1）在收集NODS时，兼顾数据偏差最小化和研究主效应；（2）分析并处理NODS时，使其具有清晰结构以及有力的理论支撑。为此，研究者需采取理论驱动的方法，明确目标行为，并选择性地确定数据源。计算建模可为数据不完整性和误差提供有效补充，方法包括但不限于机器学习和深度神经网络模型。这些模型能从复杂的数据中提取出有意义的模式，增进主效应的理解，并限制混杂变量的影响。此外，研究者可以通过开发新的应用程序来收集数据，这既保留了数据的日常真实性，也增加了数据的组织性。这些方法极大地促进了在跨文化环境下，对积极心理学干预措施有效性的评估。

（二）NODS在积极心理学中的应用

在积极心理学的研究实践中，NODS已被用于深入探讨自我披露和情感支持等心理行为，以及通过机器人、智能手机应用和聊天机器人等工具，评估并干预个体的心理健康。在上一章节所述研究案例中，Seabrook等人采取了自然语言观察策略，通过分析大学生在社交媒体上发布的消极情绪动态词汇，来追踪情感波动并预测心理健康状况。同样，Bakker等人开发了“MoodMission”智能手机应用，同时基于NODS的原理，运用日常行为数据进行实时监测和即时干预，为用户提供个性化干预策略，从而为心理健康研究和临床实践提供了新的动态数据来源。此外，Jeong等人通过机器人辅导员这一工具，通过NODS方法收集了大学生在与机器互动时的自然心理健康数据，这不仅为机器提供情感支持的可能性奠定了理论和应用的基础，也彰显了交互式心理支持的潜在工具。由Greer等人开发的“Vivibot”聊天机器人，通过积极心理学技巧支持年轻癌症幸存者，研究表明这种非传统评估的干预手段在减轻焦虑上显现出积极效果，凸显了NODS在自然、实用方面具有独特的优势。同时，Alghowinem等人的研究通过分析个体与机器人互动中的非语言披露行为，诸如声音、头部姿势和身体姿态等，揭示了这些行为在自我披露中的准确性和诊断价值，开辟了实时多模态交互分析的新途径，提供了更个性化、实时的积极心理干预方式。这也证明了NODS在积极心理学应用领域中的巨大潜力。

在积极心理学的理论发展方面，Tong等人探讨了拓展与建构理论在旅行体验中的实际应用。依据拓展与建构理论，积极情绪与扩展注意力两者相互推动，可能促使人们偏好拍摄视野更开阔的照片。利用深度神经网络模型对图像视野范围的评估测量，研究者发现喜好广角摄影的游客更倾向于对其旅行体验感到满意。这项研究通过NODS揭示了人类情感体验的复杂性，并为拓展与建构理论提供了行为数据支持。同时，该研究也拓展了文化差异在积极心理学研究的理解。

（未完待续）

彭凯平公众号

责任编辑 | 吴卫国