《Journal of Applied Developmental Psychology》：Pilot Study of an Anxiety Induction Method Applying Generative Artificial Intelligence and Mixed Reality
编辑推荐：
担忧（worry）在理论上被视为一种以言语为主、较为抽象的思维方式，这种方式会抑制生动的心理意象（mental imagery）并削弱情感反应，从而发挥回避功能。为了检验一种绕过此类回避的新方法，研究人员考察了个体化、由人工智能（AI）生成的担忧情境描绘是否能
担忧（worry）在理论上被视为一种以言语为主、较为抽象的思维方式，这种方式会抑制生动的心理意象（mental imagery）并削弱情感反应，从而发挥回避功能。为了检验一种绕过此类回避的新方法，研究人员考察了个体化、由人工智能（AI）生成的担忧情境描绘是否能够诱发焦虑。这些图像被呈现在一个混合现实（mixed reality）担忧画廊中，通过混合现实头戴式显示设备进行空间排列并嵌入物理环境。研究采用被试内重复测量设计（within-subject repeated-measures design），评估了34名健康成人（女性占70.6%，平均年龄24.47岁）的主观状态焦虑和情感，以及生理反应〔心率（heart rate）和皮肤电导水平（skin conductance level, SCL）〕。附加测量指标包括担忧描绘的表征准确性和真实感。多元方差分析（multivariate analyses of variance, MANOVA）显示，与中性图像相比，AI生成的担忧图像引发了更高但仅为中等效应量的焦虑评分。担忧图像呈现后，消极情感增加，积极情感下降。较高的感知真实感和情境匹配度与更强的焦虑相关。生理指标未显示显著升高。结果提示，在混合现实情境中，AI生成的担忧意象能够诱发主观焦虑并调节状态情感。未来研究应提升刺激材料的可靠性，纳入临床样本，并将混合现实与意象性担忧暴露（imaginal worry exposure）等其他呈现方式进行基准比较，以澄清其等效性及增量价值。
这篇发表于《Journal of Applied Developmental Psychology》的论文是一项将生成式人工智能（generative AI）与混合现实（mixed reality）引入焦虑诱发研究的预试验。研究背景建立在广泛性焦虑障碍（generalized anxiety disorder, GAD）及其核心过程“担忧（worry）”的认知理论之上。既有研究认为，担忧通常表现为抽象的言语性加工，而非生动的心理意象（mental imagery）；这种加工方式能够削弱即时情绪体验，从而形成一种经验性回避（experiential avoidance）。在临床治疗中，担忧暴露（worry exposure）要求个体对最坏结果进行鲜明、持续的意象化想象，以激活并加工被回避的焦虑体验。然而，这类方法在实践中存在明显问题：其一，治疗师难以直接监测个体是否真正形成了清晰而持续的意象；其二，不同个体的意象能力差异较大，且部分患者会因年龄、回避倾向或训练不足而难以完成；其三，传统意象暴露对患者吸引力不足，常需耗费额外时间进行意象训练，因而影响治疗接受度与实施效果。基于这些局限，研究人员尝试借助生成式AI与沉浸式界面技术，把原本停留于想象层面的个体化担忧情境转化为可视化刺激，以探索一种辅助性的焦虑诱发途径。
研究的核心问题是：个体化AI生成担忧图像在混合现实环境中能否有效诱发焦虑，并改变主观情感和自主神经反应。研究人员提出“担忧画廊（worry gallery）”程序，将参与者最具个人意义且最难控制的担忧场景，转化为一组AI生成的二维图像，并通过混合现实头戴设备将这些图像以接近真实环境嵌入的方式呈现出来。研究结果表明，这一程序在主观层面具有一定有效性：与中性图像相比，担忧图像显著提高了图像水平焦虑评分和状态焦虑问卷（STAI-S）得分，同时使消极情感上升、积极情感下降，并使图像体验更趋负性、唤醒度更高。与此同时，图像的真实感与表征准确性越高，诱发的焦虑也越强。相对而言，心率和皮肤电导水平等生理指标并未表现出预期中的交感神经激活增强。论文的重要意义在于，它为AI辅助情绪诱发和担忧暴露提供了初步经验性证据，提示在无法有效进行纯意象暴露的人群中，这类技术可能成为辅助或替代性支架工具，但现阶段尚不能替代传统意象暴露。
在方法上，研究采用预注册的被试内重复测量设计，样本来源于德国德累斯顿的便利抽样与滚雪球抽样，共纳入34名健康成年人。研究先在线筛查GAD-7、PHQ-9等指标，排除抑郁高风险、神经系统疾病、心血管疾病、精神障碍、妊娠及视觉问题等对象；随后指导参与者依据认知行为治疗（CBT）框架识别个体化担忧主题，并用文字详细描述最不愉快时刻的画面内容。研究人员利用Stable Diffusion XL生成每位参与者12幅担忧图像，必要时结合个人照片通过低秩适配（low-rank adaptation）增强个体化程度。现场实验中，参与者依次经历熟悉阶段、中性画廊、担忧画廊与强化加工阶段，使用Meta Quest Pro完成混合现实浏览，同时记录状态焦虑、积极/消极情感、图像逐张评分，以及心率和皮肤电导等生理信号，并采用MANOVA、Wilcoxon符号秩检验和相关分析进行统计。
以下为研究结果的主体解读。
3.1. Sociodemographic Characteristics
最终样本为34人，其中女性24人，占70.6%，平均年龄24.47岁，标准差为4.58。该样本总体较年轻，且以学生及受过较高教育者为主。这一构成说明研究主要是在非临床、健康青年成人中检验该程序的可行性与初步效应，为后续推广到临床样本提供基础参数。
3.2. Feasibility Check: Depiction Accuracy and Realism
研究首先检验担忧图像生成程序的可行性，即AI图像是否足够真实、是否与参与者的担忧描述一致。对408张担忧图像的分析显示，图像真实感评分的中位数显著高于理论中值50，说明整体上参与者认为这些图像具有中等以上真实感；但表征准确性中位数并未显著高于50，表明图像与原始担忧描述的吻合度仅达到有限水平，存在较大个体差异。进一步回归分析显示，真实感与准确性的交互作用能够显著预测焦虑评分：当图像既真实又高度匹配参与者担忧内容时，其诱发的焦虑最高。这一结果说明，仅有“逼真”并不足以稳定地产生焦虑，个体化匹配程度同样是关键条件。
3.3. RQ1: Anxiety Induction
3.3.1. Image Ratings and Physiological Reactions
通过比较熟悉阶段、中性画廊与担忧画廊三种图像暴露条件，研究发现担忧画廊中的图像显著提高了主观焦虑评分，且相较熟悉阶段与中性画廊均表现出大效应量。这说明AI生成的担忧图像在混合现实环境中能够可靠地诱发主观焦虑。
然而，生理指标结果并不一致。心率在总体条件间存在差异，但主要表现为熟悉阶段高于担忧画廊，而担忧画廊与中性画廊之间差异不显著；皮肤电导水平则在三种条件之间没有显著差异。研究据此认为，初始混合现实暴露的新奇性可能引发了较高的心率，而担忧图像本身未带来明确的交感激活增强。
3.3.2. Questionnaire Data (STAI-S)
状态焦虑量表（STAI-S）结果进一步支持主观焦虑诱发效应。与中性画廊相比，参与者在担忧画廊后以及强化加工后，状态焦虑均显著升高，且效应量较大。这表明，除逐张图像的即时评分外，在阶段性自我报告层面，担忧图像同样能够稳定提升个体的焦虑状态。
3.4. RQ2: Further Affective Reactions
3.4.1. Image Ratings
在情绪效价（valence）和唤醒度（arousal）方面，担忧图像相较熟悉阶段和中性画廊，显著引发更负性的情绪体验和更高的唤醒水平。这说明该程序不仅诱发“焦虑”这一单一体验，也改变了更广义的核心情绪维度。
3.4.2. Questionnaire Data (PANAS)
积极与消极情感量表（PANAS）结果显示，担忧画廊和强化加工之后，消极情感显著上升，而积极情感显著下降。由此可见，AI生成担忧图像对情绪状态的影响具有方向一致性，即推动负性情感增强并压低正性情感，说明其具备较明确的情绪调节效应。
3.5. RQ3: Correlates of Anxiety Induction
研究还分析了个体差异变量与担忧图像反应之间的关系。结果显示，图像层面的平均焦虑与特质性担忧程度呈正相关，与情绪效价呈负相关，意味着本身更易担忧的个体，在面对这些图像时体验到更强焦虑，并倾向于给予更负性的情绪评价。此外，特质焦虑、担忧过度性、不确定性不耐受、负性元认知等量表之间总体呈现预期的正相关模式，支持所选心理构念具有一定构念效度。生理指标方面，心率与特质焦虑、担忧过度性、经验性回避及负性元认知呈负相关，提示可能存在某些抑制性或回避性加工过程；但由于研究未在暴露过程中直接测量言语性担忧，这一解释仅被谨慎提出。
3.6. exRQ1: Trajectory of Anxiety Ratings, and Sympathetic Activation during Intensified Processing
在强化加工阶段，参与者持续5分钟观看自己最易引发焦虑的一张担忧图像。结果显示，主观焦虑随时间变化存在显著效应，且各分钟评分均高于基线，但个体间变化轨迹差异较大，没有统一的中心趋势。生理方面，心率在后期时间窗上升，而皮肤电导水平则逐渐下降。该结果提示，延长并聚焦于单一高强度图像时，可能更容易观察到某些自主神经反应，但这种反应并不完全符合经典的同步性交感激活模式。
3.7. exRQ2: Use of Avoidance Strategies
强化加工结束后，约30.3%的参与者报告使用了某种回避策略，经分类后9人被视为回避者。探索性分析显示，回避报告并未显著调节主要情绪和生理结果：无论是否使用回避策略，担忧画廊和强化加工相对中性画廊的焦虑与情感变化模式基本一致。这表明，显性自我报告的回避行为不足以解释主要结果，但也提示实际影响生理反应的机制可能更复杂，尚需后续研究进一步识别。
讨论部分指出，本研究最重要的发现是：在混合现实环境中呈现个体化AI生成担忧图像，能够有效诱发主观焦虑并改变情感状态，但并未稳定提高交感神经生理反应。研究人员据此认为，该程序在情绪诱发层面具有可行性，尤其克服了既往AI心理干预中图像抽象、个体化不足、情绪参与不稳定等问题。不过，图像准确性与真实感仍有明显波动，说明刺激材料的一致性与可靠性仍需提高。论文同时强调，当前获得的焦虑水平总体仅为中等，因此AI辅助担忧暴露更适合被理解为传统意象暴露的辅助工具或后备方案，而非替代方案。对于焦虑症状更重、担忧更突出的临床或类临床样本，这种方法可能表现出更高实用价值，但这一点仍需进一步验证。
研究结论部分可译为：本项预试验表明，在混合现实中呈现的AI生成担忧意象能够在健康成人中诱发主观焦虑并改变情感状态。然而，预测中的交感神经唤醒并未观察到。这些发现为在情绪诱发中使用生成式人工智能提供了初步支持，并有望推动未来研究进一步提高刺激材料的可靠性与效力，同时开展临床试验。
