生成式AI赋能心理学元研究：自动化与精确化的探索

斯洛伐克研究项目APVV-24-0278利用大语言模型克服传统人工元研究的高错误率和时间限制，开发精确数据提取的提示工程流程，提升研究严谨性。项目由viktoriagajdosova维护，来源平台为GitHub，原始标题为Enhancing-Meta-Research-in-Psychology-by-Generative-AI，发布时间2026年5月26日，原始链接：https://github.com/viktoriagajdosova/Enhancing-Meta-Research-in-Psychology-by-Generative-AI。关键词：大语言模型, 元研究, 心理学, 系统性综述, 提示工程, 数据提取, 开放科学, 证据综合。

元研究（Meta-research）是科学自我修正机制的核心，通过系统性综述和元分析综合独立研究结果，指导临床实践、政策制定和研究方向。传统人工元研究面临三大挑战：时间成本高（6个月到2年）、人力资源需求大（多名研究者交叉验证）、错误率高（10-30%，含数值抄写、单位混淆等）。心理学领域因复杂实验设计、文献指数增长（PubMed Psychology每年数万篇新文献），人工处理能力逼近极限。

项目采用系统化方法开发LLM数据提取流程：1.语料库构建：收集多心理学子领域文献，建立人工双重编码的金标准数据集；2.提示工程迭代：通过少样本学习和思维链技术设计提示模板，要求LLM输出结构化数据及推理过程；3.验证校准：将LLM结果与金标准比较，计算准确率、召回率等指标，针对性改进提示；4.人机协作探索：LLM标记低置信度案例供人工复核，或作为第二编码员交叉验证。

项目承诺开放共享所有工具：提示模板库（覆盖多种数据类型）、验证数据集、评估脚本、最佳实践指南。计划开发用户友好软件工具（文献管理界面、数据提取工作流等），降低技术门槛。开放科学做法可推动领域进步，避免重复造轮子。

若项目成功，将产生四大影响：1.系统性综述民主化：小型实验室及发展中国家研究者可开展高质量证据综合；2.实时证据更新：支持"活系统综述"，持续监测新文献；3.研究质量提升：减少人为错误，辅助检测原始研究报告不规范；4.开辟新研究问题：分析文献报告质量趋势、地理偏倚等大规模问题。

伦理考量：1.透明度：明确披露LLM参与程度；2.验证责任：LLM输出需人工审核；3.数据隐私：关注灰色文献等场景的隐私保护。技术局限：当前LLM处理表格、数学公式、非英语文献能力不足，项目将跟踪技术发展整合新能力。

该项目是生成式AI在科学方法学的前沿应用，通过严谨验证、透明共享、审慎应用推动技术负责任落地。为心理学研究社区提供可复用的技术基础设施，值得关注与参与。