基于语言的评估可以预测心理和主观幸福感

为什么词语能揭示我们的真实状态

我们大多数人都填写过关于幸福或心理健康的勾选式调查问卷。但我们的情绪与目标感通常通过叙述来表达：我们如何讲述自己的生活、目标和人际关系。本文探讨现代人工智能能否倾听这些书面或口述的叙事，并估计我们的满足感和充实感，从而为在日常生活中监测幸福感提供一种新途径。

两种“状态良好”的含义

心理学家通常区分两种广义的幸福感。一种是主观或“享乐式”幸福感：感觉良好，正面情绪多于负面情绪，并对生活总体感到满意。另一种是心理或“德谟尼亚式”幸福感：感觉生活有意义，感到在成长、自主并按照自己的价值观生活。尽管人工智能工具已显示出能从简短文本回答中估计生活满意度，但是否也能检测到更深层的品质，如自主性——即我们在做选择时的自我感——以及心理健康的其他方面，尚不明确。

倾听人们的反思

在三项研究中，成年人和大学生被要求就自己的生活回答开放式问题。有些提示关注生活满意度（例如，“总体上，您对自己的生活满意吗？”），另一些则探究心理幸福感的方面，如自主性（“在什么程度上，他人的行为会或不会影响您的决策？”）、个人成长、人际关系和人生目标。参与者要么以段落形式书写回答，要么至少讲话一分钟；他们的音频被转录为文本。每位参与者还完成了标准评分量表的问卷，用于衡量生活满意度和心理幸福感，作为对照基准。

人工智能如何将叙述变为分数

研究人员将这些反思的文本输入基于Transformer技术的高级语言模型，这些模型将每个回答表示为高维的数值模式。通过统计方法，他们训练模型从这些模式预测受试者的问卷得分，并检验预测与实际的匹配程度。在前两项研究中，模型表现尚可：基于语言对自主性和生活满意度的预测与人们的实际得分呈中等相关，并且在某种程度上能够泛化到相关特质，如感到有能力、与他人相连或有目标感。然而，这些相关性明显低于早期使用更短、关键词式回答而非叙事时报告的结果。

生活满意度比自主性更容易被听到

第三项也是规模最大的研究使结果更为清晰。在这里，关于生活满意度的书面回答使模型能够较好地预测问卷得分，而对自主性的预测则明显较弱。当研究团队将其系统与最先进的AI模型（GPT-3.5和GPT-4）比较时，较新的系统在从语言中读取生活满意度方面表现得更好，但在读取自主性方面仅有适度提升。为了解原因，作者检查了高分与低分回答中常出现的词语。高生活满意度往往伴随积极情绪和社交词汇——如“爱”、“感恩”、“配偶”和“朋友”等词。相反，低满意度的回答则倾向于使用不确定和问题导向的措辞，如“认为”、“似乎”和“也许”。

为何内在自由更难读懂

与自主性相关的语言呈现出不同的特征。自主性评分较低的人使用了许多认知和评估类词汇，表明他们有担忧、反复推敲并试图迎合外界期望。自主性较高的人也使用反思性语言，但同时夹杂行动与能动性的表达——与选择、行动和朝目标前进相关的词语。与其说存在少数共同的关键词，不如说自主性以高度个性化的方式表达，取决于每个人的生活语境。这使得即便是非常强大的AI模型也难以捕捉到这一更深层心理特质的简单语言特征。

对现实应用的意义

总体而言，文章得出的结论是：基于语言的工具在估计人们是否对生活感到满意方面已经相当有效，尤其是在使用最先进的AI时。但它们在处理更微妙、更个人化的幸福维度（如自主性以及其他关于意义和成长的方面）时仍然较为吃力。目前，这些工具或许可作为对传统调查的低负担、富含情境的信息补充——帮助研究人员从日常写作或言语中追踪幸福感的整体趋势。然而，当需要理解人们体验生活的更复杂、内在层面并据此做出决策时，它们尚不足以替代谨慎、多方法的心理健康或临床评估。

引用: Mesquiti, S., Cosme, D., Nook, E.C. et al. Language-based assessments can predict psychological and subjective well-being. Commun Psychol 4, 33 (2026). https://doi.org/10.1038/s44271-026-00400-3

关键词: 幸福感, 生活满意度, 自主性, 语言分析, 人工智能