✅实战案例1：自然语言处理与心理学的交叉研究。
✅实战案例2：机器学习与心理学的交叉研究。
1. 热场引入（15min）
①互动提问：听众认为人工智能有哪些方向？机器学习能做什么？计算机视觉能做什么？
②耳熟能详的例子：深度强化学习的阿尔法-Go，深度学习+自然语言处理=ChatGPT，计算机视觉+深度强化学习=自动驾驶等。
③心理学应用介绍（10min）：特征提取（文本分析、微表情）；模式识别（人格识别；情绪识别；精神疾病诊断与预测）。
2. 实战案例（50min）
①实战1：自然语言处理与心理学的交叉研究（25min）
研究问题：大五人格的外向性是否可靠地预测了一个人面对陌生人时的言语表现？
研究困难：传统心理学的行为指标通常是反应时、正确率。认知神经科学的指标为脑活动指标。本研究中，如何量化一个人的言语表现？例如，说得更多？句子更长，还是复杂？如何量化。这几乎是无法被具体量化，无法操作的。
解决方案：自然语言处理方法，通过预训练的深度模型对文本信息提取特征。转化为我们心理学人熟悉的方法（t检验或回归分析）。
实操展示（10min）：使用Python语言调用预训练深度模型（LTP）提取文本中的词汇水平特征、句法水平特征和语义水平特征。然后便可对这些特征指标做统计分析。
②实战2：机器学习与心理学的交叉研究（25min）
研究问题：如何通过言语表现评估一个人的外向性水平？
研究困难：首先，与实战1类似，如何量化的问题。其次，这种评估问题是工程问题，我们关注的绝对不是仅在本次实验中的参与者有效，而是应该泛化到未来的新参与者上，仍然有效的泛化性问题。传统心理学的解决方案是，先收集一批，然后再独立收集一次。这不仅费时费力，而且不能有效地进行评估。
解决方案：机器学习与模式识别是一套成熟且标准化地解决方案。通过交叉验证方法对数据集划分，以有效评估外向性。
实操展示（10min）：使用scikit-learn工具包实现多模型（逻辑回归、线性判别分析、朴素贝叶斯分类器、随机森林、支持向量机）的训练与评估。
🎓 欢迎预约心理学人直播
