MIT 研究：人工神经网络能否自组织出学习机制
MIT 麦戈文研究所与 ICoN 中心科学家 10 月 9 日在 PNAS 发文提出，判断人工神经网络对大脑学习是否有参考价值，关键看它能否在没有开发者干预下自我组织。他们构建的随机连接网络仅凭“同时激活的神经元连接增强”等简单规则，便自组装出功能回路，学会识别模式与分类图像，性能与依赖反向传播训练的网络相当。作者称自组织是迈向生物合理性的第一步，并不代表该网络与大脑学习方式相同。
#AI研究与测量
搜索与计数仅限六个 AI × 心理学议题。全部收录不等同于精选；普通心理学内容可从背景主题继续阅读。
MIT · 认知与脑科学AI 评分2222
Nature Human BehaviourAI 评分4141 大型语言模型模拟人类经济偏好：74国调查显示文化差异捕捉不足
一项发表于 Nature Human Behaviour 的研究模拟了74个国家的全球经济偏好调查，发现大型语言模型能复现人类偏好中的部分人口统计模式，却无法捕捉文化差异，在低收入国家尤为明显。
Pew Research Center · AI与工作学习AI 评分00 Pew Research Center 方法：用合成样本复现三轮 ATP 调查
Pew Research Center 发布方法说明，介绍将合成民调结果与真人基准调查进行对比的做法。研究先搭建用于实施合成调查的自定义架构，再选取其 American Trends Panel 的第 185、190、192 三轮调查，在合成样本上复现。
Pew Research Center · AI与工作学习AI 评分00 合成民调结果如何随 AI 模型不同而变化：Opus 4.6 与 GPT-5.1 给出不同美国民意图景
皮尤研究中心的调查实验显示，用 Opus 4.6 和 GPT-5.1 生成的合成民调结果描绘出差异明显的美国公众舆论图景，且两者都不反映现实。
Pew Research Center · AI与工作学习AI 评分00 Pew Research Center：合成民调如何捕捉公众舆论的多样性
Pew Research Center 探讨合成民调能否捕捉公众舆论的多样性。其指出，AI 受访者比人类受访者更倾向于对某一选项达成一致，或完全避开某个回答选项。
Pew Research Center · AI与工作学习AI 评分00 Pew Research Center：合成调查未能复现2026年初公众对时事议题的看法
Pew Research Center 指出，合成调查未能复现2026年初公众对时事议题的看法，涉及总统支持率和对数据中心的看法。
Pew Research Center · AI与工作学习AI 评分00 Pew Research Center：AI合成受访者如何表达确定性与事实知识
Pew Research Center 比较了AI合成受访者与人类在调查中的作答差异，发现AI受访者选择“不确定”或给出事实性错误答案的可能性远低于人类。
Pew Research Center · AI与工作学习AI 评分1111 Pew Research Center：合成样本如何复现公众舆论
Pew Research Center 探讨合成样本对公众舆论的复现程度。材料显示，合成受访者往往夸大不同人口统计子群体之间的差异，并把部分回答呈现为近乎普遍。
Pew Research Center · AI与工作学习AI 评分4242 皮尤研究中心：AI 数字孪生能替代人类受访者吗？恐怕不能
皮尤研究中心指出，用数字孪生开展的合成调查难以准确估计公众情绪，在部分子群体中尤其容易出错，包括共和党人和黑人成年人。
Wiley期刊历史署名 家庭冲突中的应对方式，是一项青少年行为评分预测研究的重要线索
研究以242个家庭的资料，比较8种算法，用一年前测得的15项家庭及儿童指标预测之后的行为问题量表得分。作者报告支持向量回归表现最佳，冲突中的脱离反应是重要预测变量。 变量重要性不能证明因果，也不能用于给孩子贴标签。当前核到原始摘要，数据分割、外部验证与校准尚未核清。 完整作者资金和利益披露尚未逐项核验，不据此推定无利益冲突。
MIT · 认知与脑科学精选AI 评分7878 MIT研究用对话文本估计危机情境中的自杀风险
MIT 团队基于约1.6万组去标识的危机咨询对话，开发用词表和轻量模型估计风险等级的工具。研究关注特定咨询场景，词表也可能遗漏语境与近义表达；作者强调临床使用前仍需进一步验证和专业人员参与，不能据此对普通聊天中的个人作出诊断。
推荐理由：研究基于危机短信热线约1.6万段去标识对话，风险等级由该机构评估划分；工具尚未用于临床，作者强调需更多验证。
SAGE期刊历史署名 一次数字干预的个性化匹配，未在保留测试样本中显示优势
一项828名成人随机试验比较COMET数字单次干预与等待名单，并用机器学习估计谁更适合干预。在预留20%的测试数据中，匹配指标未显著预测两周后的相对治疗收益。 只说明这次匹配算法未显示预期优势，不等于干预本身无效或所有个性化方法不可行。依据原始摘要；完整模型及外部验证未核。 完整作者资金和利益披露尚未逐项核验，不据此推定无利益冲突。
Wiley期刊历史署名精选 精神医学大数据综述：样本更大仍不能替代测量质量与临床问题
World Psychiatry综述梳理登记资料、队列、电子病历、数字表型、脑影像和基因组等研究。作者指出，更大数据集能推进发现，但样本量不能自动保证准确；可靠测量、方法严谨及与临床问题的连接仍是关键。综述/观点整合，不是一项疗效试验；不支持AI已经实现个体化精准诊疗。
推荐理由：综述/观点整合，不是一项疗效试验；不支持AI已经实现个体化精准诊疗。
APA期刊历史署名 AI能识别青少年手机文本中的负面语言，但还不是抑郁诊断工具
一项8月发表的研究，用223名青少年的手机文本检验语言模型。模型在情感分类任务上取得较高表现，负面自我语言与之后情绪有关；但抑郁发作关联在敏感性分析中不稳健。 F1是文本情感分类指标，不是抑郁诊断；敏感性分析未稳定支持抑郁发作关联，也未验证干预App。 F1=.84衡量文本情感分类，并非抑郁诊断准确率。研究不证明干预产品有效；原始文本和微调模型受隐私限制，且作者披露相关企业及研究资助关系。 作者披露Ksana Health、Snap等企业关系；另有提交研究后获得的OpenAI资助，不能称无利益冲突。
MIT · 认知与脑科学精选AI 评分6767 大脑如何进行视觉学习：动物与类脑网络对比
MIT麦戈文研究所与约克大学团队将动物与类脑人工神经网络训练识别同类物体，发现模型性能提升时其内部重组方式与动物大脑中检测到的变化高度平行，论文7月8日发表于《自然通讯》。
Elsevier期刊历史署名 疼痛影像预测整合脑与脊髓信号，临床适用性仍待验证
研究以92名健康学生的热痛影像开发脑—脊髓联合预测模型，并在39名热痛/瘙痒参与者与50名电痛参与者中检验跨样本表现。模型输出与主观痛强度有关，但这不意味着能够客观替代一个人的疼痛报告。 单次试验内相关较弱，低痛强度表现有限。临床扩展只有一种慢性疼痛人群且样本较小，不能将健康学生的影像数据当成同等数量的患者，更不能据此推荐电刺激或针灸治疗。 论文列明国家重点研发计划、国家自然科学基金等支持，作者声明无利益冲突；这不是独立验证利益无关的证明。
Springer Nature期刊历史署名 A reporting checklist for large language models in behavioural science
一份共识报告提出心理学研究中使用大语言模型的报告清单，强调透明、可复现和伦理说明。它提供研究报告的方法建议，不是对某个模型有效性或临床安全性的认证。 这是发布信息或作者陈述，不等于新的独立实验证据。 完整作者资金和利益披露尚未逐项核验，不据此推定无利益冲突。
arXiv预印本历史署名 AI识别心理防御机制：基准分数揭示能力边界
一项预印本整理了AI识别支持性对话中防御层级的公开评测。最佳系统宏平均F1为0.420，少数类别仍容易被误判。这是英语小语料上的分类任务，标签与分数都不等于读懂一个人的内心或临床诊断；作者也明确将用途限于研究。 本条只发布已核材料支持的限定短摘要，不能由此证明普遍因果、诊断或治疗效果。 完整作者资金和利益披露尚未逐项核验，不据此推定无利益冲突。
Springer Nature期刊历史署名 穿戴数据配合人工教练：PerMA仍是无对照先导研究
PerMA把穿戴与日记数据、机器学习和人工健康教练结合，用于选择生活方式行动目标。50人入组，40人完成全部6次教练会谈；这40人的PHQ-9抑郁评分前后平均下降3.5分。干预结束后6周、12周分别有28人和22人提供随访。 这是无对照先导研究，不能将前后变化归因于AI，也不能代表全部入组者持续改善。 本条只发布已核材料支持的限定短摘要，不能由此证明普遍因果、诊断或治疗效果。 NIMH和Hope for Depression Foundation支持。C.T.T.披露近3年药企有偿咨询及UpToDate编辑报酬；其他作者声明无利益冲突。另有BrainE商业版权及机器学习流程发明披露。披露本身不证明结论有偏差。
Springer Nature期刊历史署名 嘈杂环境中听不清，不只是“不够专心”
为什么我们有时能从嘈杂人声中听清目标说话者，有时又会听错？研究者构建的听觉模型重现了人类在多种条件下的成功与失败，并提出了随后在人类实验中得到支持的预测。结果涉及特定提示和词语辨认任务，并不意味着听不清只是“不够专心”，也不是已经可用的听力治疗。 本条只发布已核材料支持的限定短摘要，不能由此证明普遍因果、诊断或治疗效果。 NIH R01 DC017970资助，资助方未参与设计、数据、发表；作者声明无利益冲突。