生成式AI赋能心理学元研究：用大语言模型提升科研严谨性与效率

该项目探索利用大语言模型（LLM）解决传统人工元研究中的高错误率和时间限制问题，核心目标包括开发精确数据提取的提示词流程、提升研究严谨性及开源工具赋能科研社区。项目聚焦心理学领域，通过AI辅助推动元研究方法创新与开放科学实践。

元研究（元分析/系统综述）是心理学领域整合知识的关键环节，但传统流程存在两大痛点：

1. 高错误率：人工数据提取易出现疏漏与偏差，影响结果可靠性；
2. 时间约束：人工处理数百篇文献需数月至数年，限制研究更新频率与规模。 项目APVV-24-0278针对这些问题探索LLM的应用潜力。

项目设定三个核心目标：

1. 开发精确提示词流程：实现结构化数据提取、多维度编码及质量控制；
2. AI集成提升严谨性：增强一致性、扩大覆盖度、改善可复现性；
3. 开源共享赋能社区：开放工具、模板与数据集，加速领域进展并建立行业标准。

提示词管道

• 领域知识嵌入：融入心理学方法学专业知识；
• 多阶段处理：分阶段提取研究类型、方法细节与结果数据；
• 少样本学习：提供高质量示例引导模型理解规范；
• 链式思考：引导模型展示推理过程提升准确性。

验证与校准

• 人工审核抽样：随机验证提取结果计算误差率；
• 一致性检验：多提示词/模型对比结果一致性；
• 边界案例识别：测试改进提示词应对复杂场景；
• 置信度评分：优先审核低置信度输出。

1. 大规模文献综述：缩短周期至数月，提升更新频率；
2. 实时证据综合：为快速演进领域（如数字心理健康）提供及时决策支持；
3. 方法学审计：识别领域方法学趋势与问题（如样本量不足）；
4. 跨学科整合：促进心理学与神经科学、教育学等领域知识融合。

1. 数据隐私与版权：遵守文献数据库使用协议，关注事实性信息提取边界；
2. 模型偏见与公平性：需识别校正训练数据中的理论/方法/文化偏见；
3. 人机协作必要性：研究质量评估等判断仍需人类专业知识；
4. 可解释性挑战：需提升模型决策透明度以确保结果可信度。

1. 动态元分析：持续更新的活系统自动纳入新研究；
2. 个性化证据综合：根据用户需求生成定制化报告；
3. 跨语言元研究：多语言模型减少英语中心主义偏倚；
4. 方法学创新：释放研究者资源专注高层次设计与解释。

APVV-24-0278项目为心理学元研究现代化提供可行路径，AI辅助是应对数据爆炸、确保研究严谨性的必要手段。其开源承诺推动社区协作，值得元研究方法学及心理学研究者关注与参与。