剥离词汇干扰：AIPsy-Affect为语言模型情感可解释性研究提供纯净实验场

本文介绍AIPsy-Affect数据集，该数据集包含480个无关键词情境叙述，通过匹配中性对照组设计，帮助研究者区分语言模型对情感概念的理解与对情感词汇的表面识别，解决情感可解释性研究中的方法论困境。

当前情感研究普遍采用含明确情感词汇的文本刺激，导致混淆变量：无法判断模型激活是源于情感概念理解还是词汇表面识别。现有控制条件常仅替换词汇未保持情境一致，仍无法排除词汇混淆。此问题影响基础研究价值，还直接关系AI安全——基于缺陷设计的结论可能导致错误安全策略。

AIPsy-Affect含192个情感唤起情境（覆盖8种基本情感，无直接情感词汇）和192个匹配中性对照（保持角色、场景等结构，移除情感内容），还有强度分层与跨情感测试。三重NLP防御验证：词袋分析无显著差异、情感词典无法区分、上下文分类器能检测情感但无法识别类别，确保刺激纯净性。

数据集支持多种可解释性研究：线性探针分析（检验各层级情感表征）、激活修补实验（识别情感承载神经元/方向）、稀疏自编码器特征分析（寻找情感概念编码特征）、因果消融与引导向量（建立特征与功能因果联系）。

AIPsy-Affect是团队先前96项刺激数据集的四倍扩展，提升统计检验力并支持跨情感比较。与其他情感数据集相比，其独特性在于严谨的对照设计，填补了方法论空白。

AIPsy-Affect以MIT许可证开源，推动方法标准化（基准测试集）、降低研究门槛（无需构建复杂刺激）、促进发现（大规模设计揭示遗漏模式）。

AIPsy-Affect代表AI可解释性研究方法论成熟的一步，强调实验设计严谨性的重要性。它帮助研究者剥离表面混淆，触及深层认知机制，是构建可信赖AI系统的必要基础。