摘要：Ke, L., Tong, S., Cheng, P., & Peng, K. (2025). Exploring the frontiers of llms in psychological applications: A comprehensive rev

Ke, L., Tong, S., Cheng, P., & Peng, K. (2025). Exploring the frontiers of llms in psychological applications: A comprehensive review. Artificial Intelligence Review58(10), 305.https://doi.org/10.1007/s10462-025-11297-5

6 大语言模型作为心理学的研究工具

在第 2–5 节探讨了 LLMs 在认知与行为心理学中的理论基础与实践应用，并强调其在推动心理学研究方法发展中的作用之后，本节将重点关注 LLMs 在研究中最重要的应用之一：其在系统综述与元分析自动化与优化方面的潜力。这一部分凸显了 LLMs 作为基于认知与行为原理的工具，如何能够革新证据综合（evidence synthesis）过程，并为心理学家提供可操作的洞见。换句话说，尽管前文主要聚焦于 LLMs 作为心理学研究中客观性工具的作用，但本节将关注点转向心理学家自身的科研工作流程。与第 5 节中讨论的生产力提升类似，LLMs 也能够在心理学家工作的各个环节提升效率。具体而言，LLMs 作为科学研究工具，可以帮助心理学家完成从文献综述、假设生成、实验设计、实验被试、数据分析到促进学术交流的全链条任务（见表 5）。

表5.大语言模型（LLMs）作为心理学研究工具的应用

6.1 自动化文献综述和元分析

进行文献综述与元分析是一项复杂而繁重的工作，需要大量时间与专业知识（Michelson & Reuter, 2019）。《Nature》曾报道，研究人员已开始使用 GPT 作为科研助理来总结文献（Dis 等，2023）。在一项研究中，研究人员利用 GPT 完成了部分系统性文献综述任务（Qureshi 等，2023）。在另一项研究中，作者借助 GPT 撰写了一篇关于数字孪生在健康领域应用的文献综述，结果显示，在 LLMs 的帮助下，知识汇编与表达得到了加速，但其学术有效性仍需进一步验证（Aydın & Karaarslan, 2022）。此外，研究人员还专门训练 LLMs 以支持科学研究的实际需求（Taylor 等，2022），包括执行系统性文献综述的能力。

近期研究进一步强调了 LLMs 在支持元分析方面的高效性。例如，Luo 等（2024）证明，LLMs 可以对文献进行筛选、数据提取，并生成用于元分析的统计代码，在显著减少工作量的同时，保持了与人工整理相当的召回率。类似地，Tong 等（2024）使用 LLMs 从 43,312 篇心理学文章中提取因果对，通过自适应提示实现了 86.98% 的提取成功率。正如第 3 节所述，LLMs 在从大型文本数据集中提取因果关系方面表现出很强的能力，这凸显了其在简化系统综述与元分析的证据综合过程中的潜力。然而，尽管 LLMs 在整理定性数据与识别概念模式方面表现优异，但在提取元分析所需的精确数值数据时仍存在挑战。例如，虽然基于 LLM 的工具可以检索并总结结果指标，但在处理复杂图表或数据表时，人工验证仍然必不可少，以确保准确性。

总之，LLMs 可以加快文献综述与元分析的进程。研究人员可以利用此类模型系统性地回顾与整合现有研究，从而提高循证心理学的研究效率。

6.2 假设生成和实验设计

假设驱动型研究是科学活动的核心。LLMs 能够从科学文献中生成假设、基于数据进行推断，并通过解释来澄清结论（Banker 等，2024；Zheng 等，2023）。尽管 LLMs 具备成为“假设生成机器”的潜力，但其逻辑推理与数学推导能力仍需提升，以消除事实性错误、快速检验假设并从错误中学习（Y. J. Park 等，2024）。作为创新性工具，LLMs 在心理学实验中具有巨大应用潜力，尤其是其能够为实验设计提供基于文本的材料，从而优化研究流程并降低实验复杂性。研究人员可以利用此类模型轻松创建实验刺激、设计测试题目，甚至在受控环境中模拟交互环节（Aher, Arriaga, & Kalai, 2022；Akata 等，2023），从而在实验过程中实现高度的可控性与精确性。

总之，从假设生成到实验设计，LLMs 为心理学研究提供了功能强大且灵活多样的工具，能够帮助研究人员实现更精准、高效的科研目标。

6.3 大语言模型作为心理学实验的受试者

尽管大语言模型（LLMs）能够模拟某些人类行为和反应——这为检验有关人类行为的理论与假设提供了机会（Grossmann 等, 2023）——但关于 LLMs 是否可以作为心理学研究中人类被试的替代者仍存在争议。尽管研究者认识到仍有一些问题存在（例如偏差和训练数据不足），一些学者建议，LLMs 可以作为人类被试的替代方案，以节省时间和成本，并可应用于不适合人类参与的实验（Hutson, 2023）。还有研究者提出，根据其在特定研究主题、任务和样本等因素下的表现，在合适的情况下可以将 LLMs 作为研究被试的一种替代方法（Dillion 等, 2023）。然而，也有人认为，尽管 LLMs 可能会对科学研究产生重大影响，但它们不太可能以任何有意义的方式取代人类被试（Harding 等, 2023）。与此同时，一些关于将 LLMs 作为被试的研究表明，LLMs 的表现与人类相似（Orru 等, 2023；P. S. Park 等, 2024），这可能意味着 LLMs 在一定程度上有潜力取代人类被试。

总之，虽然 LLMs 能够模拟人类的判断，但其对人类思维的模拟仍然有限，因此在将其作为心理学被试时，其输出结果应谨慎验证和解读。

6.4 数据分析的工具

各种形式的人工智能（AI）早已被用于分析心理学数据，例如用于飞行员选拔的飞行数据分析（Ke 等, 2023）。机器学习算法能够促进大规模数据集的处理，识别原本可能被忽视的模式和相关性。然而，大语言模型（LLMs）将这一能力提升到了新的水平；它们能够以前所未有的规模高效分析海量文本数据，从而获得有关人类行为和情绪的洞察（Patel & Fan, 2023）。对于心理学研究而言，这意味着更快速且更全面的数据分析，从而产生更加可靠和细致的研究发现。LLMs 可以分析多种语言的文本数据，准确识别其中的心理结构（Rathje 等, 2023），并能基于社交媒体数据生成心理画像（Peters & Matz, 2023）。LLMs 还在医学领域展现出一定的能力，例如，它们能够针对特定的临床表现预测最优的神经影像学检查方式。然而，LLMs 仍无法超越经验丰富的神经放射科医生，这表明在医学应用中仍需持续改进（Nazario-Johnson 等, 2023）。这些研究结果表明，LLMs 在数据评估与分析方面具有巨大潜力。

6.5 促进学术交流

学术交流是学术研究的基石，涵盖了知识的创造、评估与传播过程。这包括撰写研究论文、开展同行评审，以及确保研究成果的透明与合伦理传播。在心理学领域，由于其理论框架和方法路径的多样性——从实验研究到质性研究——这一过程尤其复杂。该学科关注人类行为，并与技术产生交叉，因此对精确且合乎伦理的交流实践有着更高的要求。

有观点认为，当前的大语言模型（LLMs）尚不能完全取代人类写作，而只能回答问题并生成自然流畅且信息丰富的内容，但缺乏真正的智能——即基于先前所见词汇模式生成的文本（Stokel-Walker, 2022）。一项研究中，学生在写作时使用了 GPT 作为辅助工具。结果发现，使用 GPT 的实验组在写作质量、速度和真实性方面与对照组相似；作者认为，这可能是因为有经验的研究人员能够更好地引导 GPT 生成高质量的信息。相比之下，写作经验不足的学生发现 GPT 的表现不够理想（Bašić 等, 2023）。另一篇文章讨论了 GPT 在学术写作中的前景与潜在威胁，并强调在学术研究中使用 GPT 时应优先依赖经过同行评议的学术来源。同时，该文也指出了 GPT 在学术研究中的潜在优势，包括处理海量文本数据、自动生成摘要和研究问题（Dergaa 等, 2023）。此外，LLMs 还可在同行评审中发挥潜在作用（Van Dis 等, 2023）。在一项文本评估任务中，LLMs 的判断结果与人类专家保持一致（Chiang & Lee, 2023）。

总之，像 GPT 这样的大语言模型是心理学学术交流的有力工具，能够处理海量文本数据，并自动化完成原本需要人工进行的任务。它们可以用于扫描学术论文并提取关键信息，生成客观且无偏的摘要，并在社会心理学中提出研究问题（Banker 等, 2023；Tong 等, 2024）。然而，研究人员在使用它们时必须保持谨慎，因为它们也可能将虚假或有偏见的信息引入论文，从而导致无意的抄袭或概念的错误归属（Van Dis 等, 2023）。

7 挑战与未来方向

7.1 挑战与局限性

大语言模型（LLMs）在模拟复杂认知过程方面具有巨大潜力，为研究者提供了全新的工具，以探索人类认知与行为的机制，并在临床与咨询心理学、教育与发展心理学、社会与文化心理学等多个领域广泛应用。然而，LLM 的输出不应被误认为具备思维，而应视为基于概率建模的复杂模式匹配（Floridi & Chiriatti, 2020）。尽管 LLM 的表现令人印象深刻，但这与意识或真正的理解不同。对 LLM 能力的解读必须建立在对其局限性和运行机制本质的理解之上，而这些可能与人类认知存在根本差异。因此，必须在关注 LLM 在心理学研究潜力的同时，正视可能出现的技术与伦理挑战。

首先，尽管 LLM 的能力不断涌现（Wei 等, 2022），但从认知与行为心理学的角度，其内部工作机制仍是“黑箱”。例如，LLM 在需要形式语言能力（包括对特定语言规则与模式的掌握）的任务中表现优异，但在需要功能性语言能力（理解并在真实世界中使用语言所需的认知能力）的测试中却屡屡失利（Mahowald 等, 2023）。它们在类比推理与道德推理任务中表现出色，但在空间推理任务中表现不佳（Agrawal, 2023）。

其次，虽然 LLM 加速了人工智能在临床与咨询心理治疗中的应用，但也可能带来隐私与伦理问题（Graber-Stiehl, 2023）。例如，守门人、患者，甚至使用 GPT 评估自杀风险或辅助决策的心理健康专业人员，可能会收到低估风险的不准确评估（Elyoseph & Levkovich, 2023），或在临床决策中受到偏见影响，从而导致医疗不公平（Pal 等, 2023）。此外，在精神病学研究与实践中，LLM 的使用还可能带来潜在的偏差与隐私侵犯风险（Zhong 等, 2023）。

第三，LLM 在教育、发展以及社会与文化心理学等领域的应用同样面临挑战。在教育应用中，LLM 可能出现输出偏差与被滥用的风险（Kasneci 等, 2023）。有研究发现，GPT 生成的文本并不总是一致或逻辑自洽，有时甚至相互矛盾（Stojanov, 2023）。在社会与文化心理学中，LLM 展现出与人类相似的认知偏差（Talboy & Fuller, 2023）与文化偏差（Atari 等, 2023），并隐含更为负面的个性特征（X. Li 等, 2022）。Bender 等（2021）指出，LLM 的训练数据可能反映并延续社会偏见，这些偏见可能在研究环境中被进一步固化。

最后，LLM 作为科学研究的辅助工具也存在一定局限。例如在写作方面，当前的 LLM 尚不能完全替代人类，而是通过回答问题与生成自然流畅、信息丰富的内容来辅助，但并不具备真正的智能（Stokel-Walker, 2022）。尽管宏语言模型在作为实验被试时可以模拟人类判断，但它们对人类思维的“理解”仍有限（Dillion 等, 2023）。Van Dis 等（2023）指出，LLM 可能加速创新、缩短发表周期，并提升科研的多样性与公平性，但也可能降低研究的质量与透明度，并从根本上改变科学家作为研究者的自主性。

综上所述，LLM 在心理学研究中具备非凡能力，但同时也伴随偏差、伦理问题、数据安全、透明度以及技术能力等方面的挑战。研究人员在使用 LLM 时应充分认识到这些挑战，并在研究项目中采取负责任的应对措施。表 6 总结了 LLM 在心理学应用中的挑战与局限性。

表6.大语言模型（LLMs）在心理学应用中的挑战与局限

7.2 未来方向与新兴趋势

目前，大语言模型（LLMs）已被应用于心理学的不同领域，包括认知与行为心理学、临床与咨询心理学、教育与发展心理学，以及社会与文化心理学。随着 LLM 能力的不断提升，其在心理学中的潜在应用将持续发展。

首先，在认知与行为心理学领域，随着多模态 LLM 的出现（OpenAI, 2023），有可能将视觉、听觉信息与文本数据相结合，更好地理解和建模情绪、行为与心理状态，以促进认知研究。此外，神经影像数据可用于优化 LLM 的架构与参数，并与传统文本数据相融合，从而构建更为准确且符合生物学原理的人类语言与思维模型。

其次，在临床与咨询心理学领域，一方面，可以利用个人数据（如社交媒体发布内容、病历记录或可穿戴设备数据）来创建个性化的 LLM，从而更精准、更具针对性地洞察个体心理状态。同时，将人类临床与咨询专业知识的优势，与 LLM 的可扩展性和计算能力相结合，有望开发出新的诊断、治疗与干预工具。此外，在教育与发展心理学以及社会与文化心理学领域，构建具备伦理性的 LLM 至关重要，并需确保其设计与应用过程尊重隐私、合理且负责任地使用数据。

归根结底，LLM 是一项系统性工程，其未来发展离不开心理学、计算机科学、语言学等多个领域研究者的跨学科协作。对于心理学研究者而言，易于获取的开源 LLM 框架与工具或将成为未来科研工作的重要组成部分。表 7 总结了 LLM 在心理学应用中的未来发展方向与新兴趋势。

表 7. 大语言模型（LLMs）在心理学应用中的未来方向与新兴趋势

8 结论

随着人工智能技术的快速发展，尤其是大语言模型（LLMs）的不断进步，机器学习已能够识别人类语言并生成自然语言。这一发展不仅是心理学领域的技术突破，更为一系列潜在应用打开了大门。

首先，在认知与行为心理学领域，LLMs 在多种认知任务中表现优异。尽管在因果认知与规划方面仍存在一定局限，这些模型复兴了“联想”这一原理，展现出跨距离联想和复杂推理的能力。同时，将 LLMs 与认知模型相结合的能力，是心理学研究的一大优势，使得研究者能够对人类认知与行为加工机制展开新的探索。

其次，在临床与咨询心理学领域，LLMs 可用作心理健康的初步诊断工具。传统心理健康诊断依赖专业人员的经验以及与患者的直接交流，而 LLMs 可以通过分析个体的语言表达与文本内容，快速识别潜在的心理健康问题，如抑郁和焦虑。需要强调的是，这类诊断不能完全取代专业心理评估，但可作为一种有效的辅助手段，帮助心理学家更快了解患者的状况，或在基础心理健康干预中发挥作用。同时，个性化心理干预也是 LLMs 的重要应用方向之一。通过结合个体的健康数据与生活习惯信息，这些模型能够提供定制化的心理建议与干预方案。这种个性化路径有望显著提升心理干预的有效性。

第三，LLMs 在教育与发展心理学，以及社会与文化心理学领域也具有广阔的应用潜力。例如，LLMs 可以提供互动式、个性化的学习体验，或基于真实情境生成研究任务，从而提升学习动机并促进学习效果。此外，通过分析海量社交媒体数据，这些模型还能帮助研究者追踪与分析公众情绪变化，更好地理解社会心理动态。

最后，在心理学研究中，LLMs 能够显著提升研究效率。研究人员可以利用这些模型快速整理与分析大量文献，从而节省时间；它们还可辅助实验设计、数据分析，甚至推动学术交流，使心理学研究更高效、更精准。

综上所述，LLMs 在心理学中具有广阔的应用前景，包括科研支持、认知建模、个性化干预以及个性化学习等。它们还有潜力显著加深我们对人类交流、思维过程与行为的理解，从而推动更为全面的心智理论与认知科学的发展。然而，也必须正视相关的风险与挑战，确保遵守伦理规范，尤其是在涉及个人隐私与数据安全时。同时，我们应认识到，无论技术多么先进，LLMs 也只能在一定程度上替代人类专业人员的判断与经验。因此，这类模型应被视为辅助工具，而非一体化的解决方案。

（完结）

来源：彭凯平教授一点号1