东北大学应用心理学助理教授兼心理健康研究员乔舒亚·卡蒂斯正在探索利用机器学习预测人类未来情绪的可能性。这一研究旨在解决当前心理健康干预手段往往“一刀切”的弊端，因为个体的痛苦成因差异巨大，通用方案未必有效。卡蒂斯通过计算机临床心理学实验室开展了一项初步试点研究，选取了 34 名确诊情绪障碍的参与者，要求他们在两周内每天五次报告其“满足感”、“快乐”、“悲伤”和“焦虑”程度。 研究将数据输入多种机器学习模型，包括基于个人历史平均值的模型和模拟大脑处理数据的神经网络模型。结果显示，不同情绪和个体的最佳预测模型各异。例如，预测满足感和快乐感时，基于过去表现的模型误差最小；而预测悲伤和焦虑时，综合多个模型结果的集成模型更为准确。总体而言，个体化模型的预测能力优于基于全体参与者平均值的基准线，能够较好地预测参与者约一天后的情绪状态。 该研究仍处于概念验证阶段，尚未投入实际应用。卡蒂斯指出，由于性格、想法及不可控的外部事件（如突发的健康或工作新闻）影响，情绪预测无法像天气预报那样完全精准，甚至存在“蝴蝶效应”导致的不确定性。他主张预测应设定合理的目标，例如提前一至两周的预判，而非试图精确预测一年后的感受。 尽管存在挑战，但同行评估认为，若能通过技术手段实现更个性化的情绪预警，将极大提升心理健康支持的有效性，帮助个体提前调整心态或培养习惯以应对潜在挑战。目前，研究团队计划扩大样本规模，并尝试结合智能手机和可穿戴设备的数据，进一步丰富预测维度，同时强调在追求精准预测的同时，必须对结果保持谨慎和负责任的态度。