从李克特量表到大型语言模型：验证一种用于心理评估未来自我连续性的计算方法

《Journal of Personality Assessment》：From Likert Scales to Large Language Models: Validating a Computational Approach to Psychological Assessment of Future Self-Continuity

心理评估中大型语言模型的应用研究。通过Claude 3.5 Sonnet处理164名参与者的访谈录音，构建自然语言处理（NLP）未来自我连续性（FSC）评估体系，验证其与FSCQ的收敛效度（r=0.57），并发现对自杀意念（SBQR）的独特预测能力。

　　

摘要

大型语言模型（LLMs）的最新进展为评估方法提供了新的途径，有助于克服传统李克特量表在测量复杂主观构念时的局限性。为了证明这一点，我们引入并验证了一种基于LLM的心理评估新方法，将其应用于“未来自我连续性”（Future Self-Continuity, FSC）的评估中，即当前自我与未来自我之间的感知联系，包括相似性、生动性和积极情感。我们使用LLM（Claude 3.5 Sonnet）对15个基于理论的访谈问题的音频回答进行了自然语言处理（NLP）。来自164名MTurk参与者的数据（其中93人有自杀意念史，这些样本被过度采样以检验其临床应用价值）显示，NLP-FSC评分与“未来自我连续性问卷”（FSCQ）的结果显著相关（相关系数r = 0.57），从而支持了该方法的一致性有效性。Bland-Altman分析也表明该方法具有可接受的一致性。使用一个较旧版本和两个更新版本的LLM进行重复实验后，该方法的一致性得到了进一步验证（模型间总评分相关系数分别为r = 0.91、0.88和0.84）。通过使用“修订版自杀行为问卷”（Suicidal Behaviors Questionnaire–Revised, SBQR）进行的探索性分析发现，NLP评估能够捕捉到FSCQ无法解释的未来自杀尝试可能性的独特信息，这具有潜在的临床意义。这种经过验证的NLP方法为FSC提供了更为细致的评估，推动了心理学测量方法在研究和临床实践中的应用。