心理所开发出新型的生活满意度评估方法

生活满意度评估是心理健康研究和社会福祉监测的重要工具。传统评估方法主要依赖问卷调查和专家评分，在大规模研究或需要快速评估的场景中面临效率和资源投入的挑战。随着人工智能技术的发展，特别是大语言模型（LLMs）在自然语言处理领域的突破，生活满意度评估出现了新的可能性。

近期，中国科学院心理研究所朱廷劭研究员团队开展了一项研究，将大语言模型与机器学习方法相结合，开发出一种新型的生活满意度评估方法，其预测性能显著超越了传统的机器学习和人类专家评分方法。

该研究设计了一套完整的评估流程（图1）。研究人员首先邀请参与者填写生活满意度量表，并收集其自我陈述文本；随后运用优化后的大语言模型从自陈文本中提取特征；最后基于大语言模型提取的文本特征进行机器学习建模预测。该方法既能捕捉个体表达中的细微差异，又能通过机器学习实现更加准确的预测。

图1. 研究流程

研究结果表明，“大语言模型+机器学习”的新型评估方法与自我报告量表的相关系数达到0.542，高于此前研究中传统机器学习方法的0.36，也优于单独使用大语言模型(r=0.491)和专家评分(r=0.455)。效应量分析进一步显示，新方法与人类专家评分之间存在显著的中等效应量差异(Cohen's d=0.499)。

图2. 不同评估方法的预测效果对比

该方法具有广泛的应用前景。在科研领域，可提升大规模心理健康调查的效率；在临床实践中，可为专业人员提供更加客观的心理评估工具；而在服务国计民生层面，能够实时评估民众心理福祉，有望促进智能化民生服务建设。

该研究获得了北京自然科学基金项目（IS23088）的资助。

相关成果已在线发表于IEEE Transactions on Computational Social Systems。心理所博士研究生黄峰和硕士研究生孙霞为论文共同第一作者，心理所朱廷劭研究员为通讯作者。

论文信息：

Huang, F., Sun, X., Mei, A., Wang, Y., Ding, H., & Zhu, T. (2024). LLM Plus Machine Learning Outperform Expert Rating to Predict Life Satisfaction from Self-Statement Text. IEEE Transactions on Computational Social Systems. https://doi.org/10.1109/TCSS.2024.3475413