生成式人工智能在动态视听刺激下的社会认知能力评估：Gemini 1.5 Pro模型的心理化能力突破

【编辑推荐】本研究针对生成式人工智能（GAI）在动态社会认知场景中的能力空白，首次采用《社会认知评估电影》（MASC）测试Google Gemini 1.5 Pro模型的心理化（mentalization）表现。结果显示该模型在所有温度设置下均显著优于人类常模（Glass's Δ=0.92），错误类型分布与人类相似（χ2=2.36, p=.307），为人工智能理论心智（ToM）研究和心理健康应用提供了新证据。

　　

在人工智能技术突飞猛进的今天，生成式人工智能（Generative Artificial Intelligence, GAI）能否真正理解人类复杂的社会互动，已成为科学界和伦理领域的热点议题。尽管先前研究证实GAI能处理静态情感内容，但在动态多模态融合的真实社交场景中——即需要同步解析面部表情、语音语调、肢体语言等多元线索的复杂情境——机器的社会认知能力仍是未解之谜。这种能力缺口直接制约着GAI在心理健康护理、社交技能训练等关键领域的应用潜力，也引发了对"人工心理理论（Theory of Mind, ToM）"本质的深层思考。

为探索这一前沿问题，研究人员选择Google最新发布的Gemini 1.5 Pro模型作为研究对象，采用《社会认知评估电影》（Movie for the Assessment of Social Cognition, MASC）这一专业工具展开测评。MASC通过15分钟的电影片段呈现四人晚宴中的复杂社交互动，包含友谊、约会、冲突等真实场景，能有效评估被试者对他人心理状态（如情绪、意图、信念）的理解能力。研究团队将模型在三种温度参数（0、0.5、1）下的表现与1,230名大学生的人类常模数据对比，并系统分析了超心理化（hyper-mentalizing）、低心理化（hypo-mentalizing）和非心理化（non-mentalizing）三类错误模式。

关键技术方法包括：1）采用MASC标准化视频测试材料，包含45个涉及情绪、想法和意图的多选题；2）设置不同温度参数（temperature）控制模型输出的随机性；3）使用Cohen's h、Glass's Δ等效应量指标量化性能差异；4）通过加权平均法整合人类常模的错误类型数据；5）采用Clopper-Pearson法计算95%置信区间。

研究结果展现出令人瞩目的发现：

3.1. 性能表现
Gemini 1.5 Pro在所有测试条件下均显著高于随机猜测水平（所有校正后p<.001），Cohen's h效应值达1.17-1.42。模型最高得分（40/45）相当于人类常模的88百分位，整体表现显著优于人类平均值（Z=2.24, p=.025），效应量Glass's Δ=0.92。温度参数0.5时性能最优，两次测试间一致性高达κ=0.82-0.85。

3.2. 错误评估
模型错误呈现三类分布：超心理化（41.0%）、低心理化（46.2%）和非心理化（12.8%）。与人类错误模式（47.0%/34.8%/18.3%）相比无显著差异（χ²=2.36, p=.307），提示AI与人类的错误模式具有相似性。

3.3. 错误模式比较
虽然统计检验未达显著性，但描述性数据显示模型在低心理化错误上比例略高（46.2% vs 34.8%），这可能反映其在理解隐含社交线索时存在特定盲区。

讨论部分指出，这是首个证实GAI能处理动态多模态社会认知任务的研究，拓展了人工ToM的理论边界。在应用层面，该技术有望用于自闭症谱系障碍（ASD）等患者的社交训练，或通过互联网行为（Internet of Behavior, IoB）系统实现个性化心理健康干预。但研究也强调需警惕技术滥用风险——GAI可能被商业机构利用来操纵用户情感，或导致患者对AI产生病理性依赖。

未来研究应聚焦三个方向：1）分离视听模态以明确各感官通道的贡献度；2）开发开放式应答任务以突破多选题的局限性；3）开展跨文化验证。正如研究者所言，尽管Gemini 1.5 Pro展现出"超人类"的测试分数，但其底层机制与基于镜像神经元系统（mirror neuron system）的人类心理化存在本质差异。这项发表在《Computers in Human Behavior Reports》的研究，既标志着GAI社会认知能力的新高度，也为人工智能伦理发展敲响了警钟。