2025年情感智能研究熱點回眸

原文發表于《科技導報》2026 年第1 期 《 2025年情感智能研究熱點回眸 》

情感智能（EI）指個體識別、理解、調節與應用情感信息的能力。隨著情感計算技術的迅猛發展，基于其情感健康監測與干預已成為公共健康領域的核心議題之一。《科技導報》邀請電子科技大學計算機科學與工程學院任福繼院士團隊撰文，文章系統回顧了該領域的研究進展及其在心理健康中的垂直應用；討論了面臨的挑戰；提出了基于多模態情感推理與規劃，推動標準化診療與家庭個性化支持，構建以數據治理與監管為核心的倫理框架等未來發展方向。

情感智能（EI）的概念，最早由心理學家Salovey與Mayer于1990年提出，定義為個體識別、理解、調節并運用情感信息的能力。隨后，Goleman進一步擴展了這一理論框架，強調情感在決策、溝通、社會互動和認知加工中的基礎性作用，使情感智能成為理解人類智能的重要組成部分。隨著技術進步，EI這一人類能力概念，正演化成為人工智能領域致力實現的目標之一。為實現此目標，情感計算作為關鍵的跨學科技術領域應運而生，致力于開發能識別、解釋與響應人類情感的計算系統。

全球精神健康危機的嚴峻性凸顯了發展此類技術的迫切需求。在此背景下，情感計算與以大語言模型（LLMs）為代表的生成式人工智能（GAI）技術的融合，為機器感知、理解，乃至參與調節人類情感提供了可能，也為心理健康問題的規?；R別與干預開辟了新的技術路徑。這一技術演進正催生一個飛速增長的市場。

在此基礎上，情感智能技術驅動的心理干預正經歷全面的數字化轉型。干預手段不再局限于傳統線下場景，而是通過智能手機應用、虛擬現實和生成式AI等數字工具，提供持續、個性化的支持。這一趨勢在AI心理健康虛擬代理的興起中尤為顯著。然而，技術的快速發展也伴隨著嚴峻的挑戰，包括數據隱私、算法中的文化偏見與群體性偏差，以及AI心理干預所特有的倫理問題。

綜上所述，2025年，情感智能正處于在心理健康領域從概念驗證邁向規?；瘧玫年P鍵轉折點。2025年情感智能技術在心理健康領域的主要研究熱點見表1。

表1 2025年情感智能在心理健康領域的主要研究熱點

1 心理健康中的情感計算

1.1 多模態情感識別范式躍遷

情感識別作為人機交互與心理健康評估的核心技術，其發展歷經從單一模態到多模態融合的范式變遷，表2顯示了目前情感識別的常見模態信息。

表2 情感識別常見模態信息

為提升模型的魯棒性與識別精度，多模態融合已成為主流技術路徑，其策略主要包括早期融合、晚期融合及混合融合，如圖1所示。2025年，Wang等提出了一種基于多模態時空路由特征的抑郁自動識別方法，并借助集成學習提升模型穩定性。Lu等提出了特定領域時序跨模態網絡（DSTC），通過時序稀疏注意力機制從長時訪談序列中提取關鍵情感片段，并通過跨模態語義對齊增強情感表征的一致性。

圖1 3種多模態融合方法

隨著大語言模型的興起，情感識別在心理健康領域的數據來源與應用場景得到進一步拓展。研究表明，大模型在心理健康護理全流程中均展現出潛力，但其技術成熟度、適用場景與局限性存在明顯差異。

1）在預防與教育階段，大模型能夠以低風險方式提供個性化的心理教育內容，有效提升公眾健康素養，該場景對模型的生成安全性與內容準確性要求高，但對情感識別的實時性與精度要求相對較低。

2）在風險監測與預警階段，以GPT?4為代表的模型在識別自殺意念等危險指標方面已表現出接近臨床水平的準確度。這一場景極度依賴模型的語義理解與上下文推理能力，且對誤報與漏報的容忍度極低，是當前技術應用的關鍵與敏感地帶。

3）在診斷評估與干預支持階段，大模型可通過分析結構化或非結構化數據，輔助進行心理狀況評估（如預測抑郁評分），并能通過分析歷史數據為干預提供持續支持。然而，該場景對模型的可解釋性、專業合規性以及與臨床工作的整合能力提出了更高要求。

2025年9月，斯坦福大學團隊在

npj Digital Medicine

當前，以大模型為驅動的多模態情感計算，正推動該領域從傳統的“特征層融合”向更深層的“語義理解與上下文推理”范式轉變?？傮w而言，情感識別技術正朝著多模態融合、輕量化部署、因果推斷與可解釋人機協作等方向持續演進，為其在精準心理健康領域的深入應用開辟了新的可能性。

1.2 基于大模型的心理架構

隨著情感識別基礎技術成熟，研究前沿正逐步從淺層的情感狀態判別，邁向深度的情感推理與心理狀態建模。

實現深度情感推理的首要前提是超越模態割裂與淺層關聯。當前研究通過多模態深度融合機制協同分析文本、語音及視覺信息，以捕捉被忽視的副語言線索與微表情。此外，還可以使用自動化提示優化框架，以及內置校準功能的標準化提示模板。這類方案不僅能減少繁重的人工標注負擔，還可將心理學理論深度融入模型指令之中，從而在確保情感解讀一致性與穩定性的同時，提升模型的垂直應用價值。

大模型的長期記憶能力是支持持續的互動、追蹤關鍵信息和建立穩固性的關鍵。目前長期記憶系統主要分為2類：存儲于外部的非參數記憶和嵌入模型本身的參數記憶。然而，人工智能系統仍難以有效模擬類人記憶機制并確保心理治療過程的連續性。

可解釋的推理機制可以有效增強系統決策的可信度，有效推理焦慮、抑郁、壓力、疲憊和孤獨等心理狀態。其中，心理狀態鏈式推理是一項關鍵技術。2025年，Teng等提出了基于鏈式思維提示（CoT）抑郁識別增強框架，該研究屬于早期系統探索CoT在心理健康推理任務中的應用，為構建可解釋、可追溯、臨床友好的心理健康LLMs提供了新的方向。

針對高階心理特質的評估及在復雜場景中的應用，還需考慮心理韌性、壓力恢復力等維度的量化。Sazzed針對自殺傾向的自閉癥譜系障礙（ASD）個體在社交媒體上的心理社會挑戰和物質使用問題開展研究。該研究利用LLMs輔助生成關鍵詞，并結合人工精煉方法，提高了心理健康相關信息的識別效率與準確性。Qin等提出了基于大模型評估兒童語言能力的框架。該框架的評估結果與早期學習穆倫量表（MSEL）語言發展商之間存在強烈相關性，皮爾遜相關系數為0.8（

p

總的來說，情感推理與心理狀態建模的技術路徑，是一個從多模態感知到因果歸因，再到長期記憶支持下的時序建模，并通過鏈式推理實現可解釋決策，最終完成對復雜心理特質量化的遞進過程。

2 情感調節與干預

2.1 心理干預的數字化轉型

認知行為療法（CBT）是目前廣泛應用的循證心理干預方法之一。深度學習與大語言模型等人工智能技術的快速發展，為實現實時、客觀的情感評估與干預提供了全新路徑。2025年，Shen等提出了一種基于人工智能生成內容（AIGC）的閉環音樂干預系統示范，顯著提升了情感音樂生成的準確性與多樣性，為實現個性化、自適應音樂干預提供了潛在的技術方案。

總體而言，情感計算為數字心理健康干預開辟了前景廣闊的發展方向。借助智能手機應用、GAI與虛擬現實等數字工具，心理健康服務能夠提供更持續、個性化且精準的支持，從而顯著提升其包容性、響應能力與整體效能。

2.2 數字心理健康新進展

1）智能手機應用與數字表型分析。通過內置傳感器，手機可生成反映行為模式（如睡眠、久坐）與環境暴露（如溫度、光照、綠地覆蓋率）的指標，從而為理解個體精神疾病體驗提供個性化情境與動態軌跡，即數字表型分析。該技術在對青少年及成人的研究中已顯示出臨床有效性的積極信號。然而，該領域目前面臨標準缺失的挑戰：數據采集、處理與特征生成缺乏統一規范，不同手機品牌與型號所采集的數據流也存在差異。此外，部分基于可穿戴設備的研究也被納入數字表型分析范疇。

2）虛擬現實。作為心理健康干預的新興技術路徑，虛擬現實在多種心理問題中展現出良好療效，尤其在增強認知行為療法方面，VR?CBT在焦慮癥、精神病性障礙、創傷后應激障礙與特定恐懼癥中的效果已被證實與傳統CBT總體相當。此外，虛擬現實還被用于支持心理社會與功能康復，通過構建安全的模擬環境幫助患者適應日常場景。新興證據表明，虛擬現實能夠借助其沉浸式視覺呈現與情感狀態調控能力，有效整合多種治療模式。該技術還有力地推動了“第三波”認知行為療法的發展。

3）基于大語言模型的生成式人工智能。由大模型驅動的新一代GAI技術，正日益廣泛地應用于數字心理健康領域。初步研究顯示，大語言模型在心理健康的預防、篩查、診斷、干預及復發管理等各個環節均展現出潛力，可通過分析歷史治療記錄持續提供咨詢支持，并優化現有心理健康服務流程。2025年，Google團隊在

Nature Medicine

圖2 PH?LLM的架構與性能

盡管LLMs在直接面向患者的應用中仍存在不確定性，但其在輔助臨床醫生方面已發揮重要作用。這些創新不僅優化了工作流程，更帶來了人力資源配置與專業培訓模式的范式變革。

3 AI 心理健康虛擬代理

3.1 情感對話代理興起

情感對話代理是基于大模型的虛擬交互系統，其核心目標是通過自然語言處理與情感計算技術，生成具有共情與同理心的響應，從而在與用戶的對話中維持情感一致性，實現更自然、舒適且人性化的互動。

2025年5月，

npj Digital Medicine

當前，共情聊天機器人的設計方法主要分為2類。第1類是基于大模型的訓練與微調，以生成更具情感敏感性與適應性的回應。第2類方法側重于多步驟情感對話處理，從而更精準地調節情感互動。此外，“思維鏈提示”（CoT）也被用于引導基礎大模型進行情感推理。

情感一致性是這類系統的關鍵屬性，指代理在與用戶交互過程中保持情感表達與調節的一致性。為實現這一目標，虛擬代理需分析用戶輸入中的情感線索（如語言內容、語氣、行為模式等），并運用AI生成的共情反應進行有效回應。

盡管如此，現有系統在共情能力與情感一致性方面仍面臨一系列挑戰，包括如何保持高效穩定的情感響應、適配多樣化個性化需求，以及避免情感偏差或誤導性輸出。

3.2 虛擬代理應用角色邊界

虛擬代理在心理健康干預中的應用正不斷拓展，其功能不僅限于提供情感支持，還延伸至多種治療場景的輔助角色。如圖3所示，大語言模型在心理治療中的功能可根據“自主性”與“情感介入程度”2個維度進行角色劃分。在實際應用中，明確虛擬代理的自主性邊界至關重要，這直接關系到其在治療過程中的風險控制與責任歸屬。

圖3 大語言模型在心理治療中的角色框架： 基于自主性與情感介入度的劃分

低自主性的大語言模型通常作為響應式工具，高自主性系統能主動引導對話、生成治療策略，并在較少人工干預的情況下管理互動進程。隨著自主性提升，系統更側重于個性化功能的實現。雖然高自主性有助于擴大服務覆蓋范圍，但也可能加劇倫理與臨床風險。在臨床設置中，虛擬代理可作為治療師的輔助工具，用于記錄會談內容、分析患者情感變化，并為治療評估與方案調整提供數據支持。個人完全依賴聊天機器人而非尋求專業幫助，可能面臨一系列風險。

3.3 虛擬人陪護系統

虛擬人陪護系統是情感支持型虛擬角色的另一重要應用，這些系統通過AI和生理數據結合，能夠為孤獨、老年人或患有慢性精神疾病的患者提供情感支持。隨著技術的不斷進步，虛擬數字人作為一種新興的陪護技術，正在成為虛擬人陪護系統中的核心組成部分。當前，數字人技術的研究與應用圍繞數字人外形建模、數字人驅動以及數字人大腦3個關鍵技術展開，如圖4所示。

圖4 構建數字人的核心技術概覽

通過語音合成、面部表情生成、姿態控制等技術，數字人的語言表達能力和動作流暢度得到了有效提高。新一代系統通過整合心理學理論和上下文語義理解，能夠提供結構化的交互。在多模態表達方面，當前研究聚焦于語音、表情及肢體動作的跨模態協同建模。

然而，當前的虛擬人技術仍面臨行為驅動的機械性強和情感動態適配不足等問題。雖然數字人能夠在某些情境下表現出自然的語音與面部表情，但在應對情感變化時，仍缺乏足夠的靈活性和適應性。

4 情感智能在心理健康中的關鍵應用回顧

隨著人工智能技術的不斷突破，情感智能作為其重要分支，在心理健康領域展現出變革性的應用前景。該技術通過融合分析語音、表情及其他多模態信號，能夠深入解讀用戶情感狀態，進而為心理健康的風險評估、個性化干預與輔助治療提供關鍵支持。情感智能在心理健康領域的具體應用場景見表3。

表3 情感智能在心理健康領域的應用

5 情感智能在心理健康領域的挑戰與研究方向

5.1 目前面臨的挑戰

1）群體差異與識別準確性挑戰。首先，這一挑戰根植于情感表達與識別的文化差異性。這導致模型傾向于輸出代表主流文化的觀點，可能忽略或誤解少數文化背景下的情感表達。其次，特定人群的情感表達模式對識別技術構成了額外挑戰。老年人因面部肌肉與皮膚狀態變化、青少年因使用特定的網絡語言與情感符號、高風險人群（如具有自傷或自殺傾向者）因識別誤差可能引發嚴重后果，以及殘障群體（如自閉癥譜系或失語癥患者）因其情感表達方式常偏離常規模式，均要求情感識別技術具備更高的適應性與魯棒性。

2）AI心理干預的倫理與效力挑戰。AI心理干預在標準化任務中展現出一定應用潛力的同時，也面臨過度干預、情感依賴和強制干預等深層倫理挑戰。這些挑戰與當前技術，特別是大語言模型的能力局限直接相關。如圖5所示，盡管LLMs能在心理教育與示范干預等結構化任務中發揮作用，但其尚不具備人類治療師所必需的復雜臨床判斷與深度共情能力，因此，難以在動態互動中把握精準的干預邊界。

圖5 LLM的臨床能力實例

3）情緒數據隱私與治理挑戰。情感數據因其常與生理信號等敏感信息結合而具有高度隱私性，其泄露或濫用可能直接損害用戶權益。此外，通過算法對情感數據進行反向推斷，可能進一步揭示用戶的性格傾向、行為習慣，乃至心理脆弱點，使得數據保護的范圍超越傳統隱私范疇。當前，盡管全球已開始建立情感AI的相關監管框架，但整體仍處于初級階段，在數據分級保護、跨境流動規范、使用透明度等方面尚存空白，亟需建立更為完善且具備全球協同性的治理體系。

5.2 未來研究方向

1）基于多模態情感推理與規劃。跨模態預訓練模型正推動多模態情感理解從淺層特征對齊邁向深層的全局語義關聯。隨著任務框架的逐步統一，情感識別、生成與推理有望實現多任務協同優化，從而推動構建通用的情感智能模型。此類模型預計將廣泛應用于輿情分析、個性化推薦及心理健康監測等多個領域，最終實現從被動的情感感知到主動的健康預見與管理的跨越。

2）推動標準化診療與家庭個性化支持。未來首先應致力于在心理健康領域建立基于情感計算的醫療標準化評估與干預框架，以保障技術在精神疾病早期篩查與情感管理中的有效性、安全性與合規性。其次，可引入“情感膠囊”等前沿概念，可將離散的情感狀態整合為時序化、結構化的個人情感檔案，實現對個體情感數據的長期、安全存儲與分析，形成動態的個人情感歷史軌跡，在此基礎上AI系統能夠為用戶提供更精準、適應性的干預方案，實現真正意義上的個性化情感支持。

3）構建以數據治理與監管為核心的倫理框架。當前，全球情感智能治理呈現“倫理先行、法律托底技術適配”的協同態勢，未來跨區域、跨文化的標準協調將是平衡技術創新與社會福祉的關鍵。

6 結語

我們的研究梳理了2025年情感智能技術在心理健康領域從基礎技術、核心應用到發展挑戰的全景進展?？傮w而言，該領域已超越單純的概念驗證，正通過多模態感知、大模型驅動的情感推理以及人機交互設計的融合，向規?；€性化應用階段邁進。然而，其發展路徑清晰地表明，技術進步的價值必須置于“以人為中心”的框架內方能真正實現。未來應當著力構建符合“人本智能”理念的情感智能發展戰略體系。

該戰略體系的構建，首先，要求技術研發以“可信理解”為基石，以確保對人類情感復雜性的可靠解讀。其次，應用部署需緊扣“場景融合”與“個性賦能”主線，實現標準化干預與高度個性化支持的有機統一。最后，面對數據隱私、算法偏見及干預倫理等嚴峻挑戰，必須建立前瞻性、跨學科且全球協同的治理框架，確保技術創新始終服務于增進人類心理福祉的根本目標。

綜上所述，情感智能在心理健康領域的未來發展，關鍵在于能否將快速演進的技術能力，系統性地融入一個以人為本的應用與治理體系，確保其發展始終服務于增進人類心理福祉這一根本目標。這不僅是我國把握新一輪人工智能科技浪潮的重要機遇，更是應對全球精神健康挑戰、提升全民心理健康水平的必然路徑。

本文作者：陶雪、鄧佳文、任福繼

作者簡介：陶雪，電子科技大學計算機科學與工程學院，博士研究生，研究方向為情感分析、大模型技術等；任福繼（通信作者），電子科技大學計算機科學與工程學院、電子科技大學深圳高等研究院，教授，日本工程院院士、歐盟科學院院士、俄羅斯工程院外籍院士，研究方向為先進智能、情感計算、智能機器人等。

文章來 源 ： 陶雪, 鄧佳文, 任福繼. 2025年情感智能研究熱點回眸[J]. 科技導報, 2026, 44(1): 78?90 .

本文有刪改，

內容為【科技導報】公眾號原創，歡迎轉載
白名單回復后臺「轉載」

《科技導報》創刊于1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策咨詢建議。常設欄目有院士卷首語、科技新聞、科技評論、本刊專稿、特色專題、研究論文、政策建議、科技人文等。