Page 257 - 急诊医学与精神疾病的临床理论研究

Clinical Theoretical Research on Emergency Medicine and Mental Disorders
急诊医学与精神疾病的临床理论研究

人工智能技术带来的多模态数据处理技术，为进一步理解生理、心理、行为等多
重因素之间的关系提供了可能路径，也为今后更加整体化的教育和心理学理论发
展提供了证据支持。

（三）人工智能时代数据驱动方法面临的挑战与应对策略
1. 数据驱动方法缺乏理论指导
人工智能技术带来丰富的数据收集和数据分析手段，为教育和心理学研究提
供丰富的证据资料，从而推动教育和心理学的理论和应用发展。然而，目前的智

能化教育和心理学研究存在一个较为明显的问题，即研究者经常采用自下而上的
数据驱动方法进行研究，这种缺乏上层理论指导的结果是有风险的。因此，在运
用人工智能带来的丰富的数据来源和数据分析方法时，结合理论驱动的实验设计
应逐渐成为研究重点。目前，在教育和心理学研究中应用的大部分人工智能技术，

是由人工智能工程师团队研发和带领的，缺乏从教育和心理学理论、方法论角度
出发的研究假设和实验设计。在缺乏理论指导的情况下使用机器学习模型可能导
致投入训练的数据不完备，进而无法充分控制相关变量，并最终导致信效度下降。
以 Ginsberg 等通过机器学习研发的病毒传播预测模型为例，因没有控制季节性

流感这一关键变量而被证明无法预测实际流感趋势。由此可见，机器学习模型的
训练需要理论指导，不能单纯地依靠数据驱动。如果缺乏理论指导，研究人员可
能主要基于工具可用性、研究人员自身的经验、对利益相关者的友好度等因素选
择分析技术，并导致研究结论失真。同时，与传统的实验室研究相比，大数据的

异质性可以使研究人员控制更多的理论相关变量，如时间、地点、人口密度等。
因此，在智能化的教育和心理学研究进程中，融合理论驱动与数据驱动的实验设
计是未来发展的重要方向。
2. 数据分析过程面临的挑战与应对策略

在智能化教育和心理学研究中应注重理论指导的另一个主要原因是，人们
对人工智能分析数据的具体过程并不了解。在人工神经网络处理数据的过程中，
所有“神经元”会合作处理数据从而形成最终预测，但人们并不清楚人工神经网
络处理数据的具体过程。因此，人工神经网络被一些研究者称为“黑箱”。De-

Juan-Ripoll 等通过使用卷积神经网络分析多模态数据，提高对人格的预测能力。
然而，由于缺乏具体的分析过程，还无法了解不同模态数据在预测中的具体作用。
人工智能在数据分析方面也受到批评，因为它只能通过推测可能性预测结果。这

240