基于Gross过程模型的大语言模型辅助情绪调节量表开发：一项心理测量学研究

《BMC Psychology》：A multi-model LLM framework for AI-assisted psychological scale development: initial psychometric evaluation of the Emotion Regulation Scale (ERS)

　　

摘要

背景

情绪调节是心理健康中的关键构念，但现有测量工具在概念覆盖范围上存在差异，一些工具仅聚焦于特定策略或调节困难，而非更广泛的情绪认知、行为及情境调节过程。本研究旨在基于格罗斯（Gross）的过程模型开发一套情绪调节量表（ERS），并在既有的心理测量学框架内，将大语言模型（LLMs）作为辅助工具加以应用。

方法

本横断面研究通过便利抽样招募了743名成人。参与者被随机分为两个互不重叠的子样本，其中一个用于探索性因子分析，另一个用于验证性因子分析。多种大语言模型及人工智能工具辅助了题项生成、题项优化与偏差筛查、翻译以及探索性因子分析后的构念解释，整个开发过程均有人类监督。初始生成了25个题项池，经优化后形成最终的17个题项的情绪调节量表。

结果

该情绪调节量表初步呈现四因素结构，探索性因子分析解释了50.85%的方差。验证性因子分析为事后优化后的17题项模型提供了初步支持（χ2/df = 1.95，CFI = 0.934，TLI = 0.918，IFI = 0.935，RMSEA = 0.050）。量表信度在量表开发早期阶段可接受（α = 0.68–0.74；ω = 0.68–0.75）。聚合效度显示，适应性策略与认知重评之间呈正相关（r = 0.522–0.608），非适应性认知与表达抑制之间呈正相关（r = 0.400）。同时效度显示，该量表与抑郁（r = 0.432）、焦虑（r = 0.462）、幸福感（r = -0.330）及生活质量（QOL1 = -0.357；QOL2 = -0.295）存在相关；而适应性策略与抑郁（r = -0.184至-0.239）、焦虑（r = -0.141至-0.211）、幸福感（r = 0.150至0.203）及生活质量（r = 0.211至0.375）相关。已知群体效度表明，在不同抑郁和焦虑水平之间存在显著差异（MCR：F(4, 738) = 39.32；64.49，p < 0.001）。

结论

研究结果为17题项的情绪调节量表提供了初步的心理测量学证据，并表明该量表可通过捕捉更广泛的情绪认知、行为及情境调节过程来补充现有测量工具。本研究展示了在既有心理测量程序框架下，借助大语言模型辅助量表开发并结合人类监督的潜力。未来仍需使用更多样化的样本开展研究，以评估该量表的心理测量学特性、普适性及更广泛的适用性。