ARTICLE · 1124785
AI心理测量周报|2026.9.14 聚合/区分效度审计56个AI基准;MMLU被证混淆检索与推理;CAT首次进入实验认知任务;LLM自我报告只是通用理论
引言
本周科研侧的关键词只有一个：效度（validity）。
继上周BenchMIRT（维度审计）与Family-DIF引导的基准重组（组成敏感性）之后，本周两项新工作把"AI基准到底测没测它声称测的东西"推进到构念层面：一支横跨基准治理与测量研究多个团队的作者群把社会科学的聚合效度与区分效度适配为56个AI基准的系统审查方法，逐条目用IRT建模；同周另一项工作用IRT校准1,000个开源模型×14,042道MMLU题目的难度结构，证明MMLU聚合分数混淆了"事实检索"与"推理"两个可分离的构念。两周之内四项独立工作从不同角度（维度、题目组成、构念边界、难度映射）得出同一结论：聚合排行榜分数不等于构念测量。 AI评测的"心理测量学化"已经不是隐喻，而是正在成形的方法论共识。
IRT方向的深耕同样在继续：动态非补偿MIRT首次给出技能追踪的变分近似方案，Psychological Assessment则把CAT从量表测验推进到RDoC式实验认知任务——并顺手标注了"CAT何时有效"的边界条件。安全侧，一项模仿JAMA结构化摘要的预印本用185份真实报告首次系统刻画"AI聊天机器人相关妄想与危害"的现象学特征；四天后，加州州长签署以自杀少年Adam Raine命名的SB 1119——从证据到立法，这条闭环第一次在一周内走完。 行业侧按惯例压缩至两条，但两条都指向同一个信号：AI进入测评工作流的速度，已经超过了"谁来验证它"的答案供给速度。
科研进展
01 | 把聚合/区分效度变成AI基准的审查协议：56个基准×53个模型的效度大审计——安全构念内部相关常弱、能力构念彼此不分、BBQ与"偏见"渐行渐远
- 信息类型：
学术研究 / 基准效度审计 / 开源数据集 - 研究领域：
AI基准治理 / 构念效度 / 项目反应理论（IRT） - 信息来源：
Desai, M., Truong, S. T., Wallach, H., Chouldechova, A., Cooper, A. F., Garcia-Gathright, J., Ho, D. E., Jacobs, A. Z., Koyejo, S., Pangakis, N., & Wang, A. (2026). "What AI Benchmarks Actually Measure: Adapting Convergent and Discriminant Validity to Interrogate Fifty-Six AI Benchmarks." arXiv:2609.08812 [cs.CY] - 发布时间：
2026年9月8日（arXiv v1提交）
这是本周分量最重的一篇。作者名单几乎覆盖了AI基准治理与测量研究领域的建制派——Hanna Wallach、Daniel E. Ho、Sanmi Koyejo、Alex Chouldechova、Abigail Z. Jacobs、Angelina Wang等长期从事基准评测、公平性与治理研究的学者联署。他们做的事情在方法上极为"心理测量学"：把Campbell-Fiske传统里的聚合效度（convergent validity）与区分效度（discriminant validity）适配为AI基准的审查协议——将56个能力与安全基准按其"声称构念"归入指定概念组，覆盖53个模型，然后问两个问题：同一指定构念的基准之间，模型排名相关是否更强？不同构念之间是否真的区分得开？在条目层面，进一步用IRT模型做同构检验。
四个核心结果构成对"基准分数=构念测量"假设的系统否定：其一，同一安全构念的基准之间排名相关经常很弱——"安全"在不同基准里的概念化并不一致；其二，能力类构念（推理、知识）在同构念与异构念基准间的相关一样强——这些构念几乎不提供区分度；其三，共享设计元素（如分数格式）的基准，相关有时强于共享构念的基准——测量的是形式而非内容；其四，个别基准与"别人的构念"相关更强——最典型的是BBQ-accuracy与被标注为推理的基准相关，强于与同属偏见构念的基准相关。团队同步开源了条目级与基准级的完整模型输出与分数数据集。
对心理测量实践的影响： 与上周BenchMIRT（"分数里混了什么"）、Family-DIF重组审计（"排序是否稳健"）相比，本篇审计的是构念边界本身——这是效度理论中最核心也最难操作化的部分。三篇连读构成一个完整的审计阶梯：维度结构→组成敏感性→构念效度。对IRT/CAT方向的研究者，这篇论文的信号非常直接：AI基准效度验证正在成为IRT建模的一个新的大规模应用场景，且需求方是AI治理建制而非心理学系——56×53的条目级数据集已经开源，本身就是现成的研究基础设施。
核心发现：
聚合/区分效度适配为AI基准审查协议：56基准×53模型，条目层IRT建模 同一安全构念的基准间排名相关常弱——"安全"跨基准概念化不一致 能力构念（推理、知识）区分度差：同构念与异构念相关一样强 分数格式等设计元素的相关可强于构念相关；BBQ-accuracy更像"推理"基准 条目级+基准级数据集全开源——基准效度验证的可复用基础设施
02 | MMLU到底测什么：IRT难度审计证明聚合分数混淆两个构念——按聚合榜选Top-50做推理部署会错失约22%的STEM适配模型
- 信息类型：
学术研究 / 大规模基准心理计量审计 - 研究领域：
IRT难度校准 / 构念混淆 / LLM排行榜效度 - 信息来源：
Paquin, D., & Jain, R. (2026). "What Does MMLU Actually Measure? A Psychometric Audit of Difficulty Structure in Aggregate Benchmark Scores." arXiv:2609.09372 - 发布时间：
2026年9月8日（arXiv v1提交）
如果说01号条目是"效度框架的建制化"，这一篇就是同一命题在单个基准上的深钻。研究团队用IRT对1,000个开源权重语言模型在MMLU全部14,042道测试题目上逐题校准难度，然后将题目难度回归到一个确定性的、可从文本直接提取的结构复杂度框架上——用带主题聚类协方差的联合Wald检验判断：难度结构到底由什么驱动。
结论清晰：MMLU聚合分数主要测量事实检索能力而非推理能力——两个构念被一个分数强行混合。更致命的是，结构复杂度到难度的映射在MMLU的STEM与非STEM分区之间并不恒定，即测验内部存在构念×领域的交互。实际后果可以直接换算：聚合排行榜排名追踪非STEM准确率的程度高于STEM准确率，按聚合分选Top-50模型去做推理密集型部署，会错失约22%的STEM适配选择。控制猜测底线后还发现一个反直觉结果：能力越强的模型，在推理深度增加时退化反而更陡。论文建议以拆分报告（disaggregated reporting）替代聚合排名，并将确定性框架开源为可复用的审计工具。
对心理测量实践的影响： 这是上周Family-DIF"1个百分点内排序不可信"的自然续篇——那条工作审计排序的稳健性，本篇审计聚合分数的构念效度，两者共同把"读排行榜先问测量学"这件事从提醒变成了规范。对做LLM Benchmark方向的研究者，"题目难度对可提取文本特征的回归+跨分区不变性检验"是一个可以直接复用的审计模板——它与DIF检验在逻辑上同构，但把"分组变量"从人群换成了领域分区。
核心发现：
1,000个开源模型×14,042道MMLU题目逐题IRT难度校准 难度对确定性结构复杂度框架回归+联合Wald检验：聚合分数混淆检索与推理 STEM/非STEM难度映射非不变——测验内部存在构念×领域交互 聚合榜选Top-50做推理部署错失约22%的STEM适配模型 强能力模型在更深推理下退化更陡；建议拆分报告，审计框架开源
03 | 技能追踪的"非补偿"转向：动态非补偿MIRT+变分近似——补偿模型系统性低估动态技能状态
- 信息类型：
学术研究 / 心理测量学方法创新 / 技能追踪 - 研究领域：
多维IRT（MIRT）/ 动态建模 / 变分推断 / 教育测评 - 信息来源：
Tamano, H., & Mochihashi, D. (2026). "Dynamical Non-compensatory Multidimensional IRT Model Using Variational Approximation." arXiv:2609.10028 [stat] - 发布时间：
2026年9月9日（arXiv v1提交）
MIRT文献里，补偿模型（compensatory）假设多维技能可以互相弥补，非补偿模型（non-compensatory）假设不能——对"数学再好也补不回阅读缺陷"这类教育现实，非补偿假设往往更合理。动态MIRT（用潜在技能随时间的连续变化支撑学习追踪/技能追踪）此前几乎全部建在补偿假设上，能在非补偿假设下复现连续潜在技能状态的模型一直空缺。
Tamano与Mochihashi补上了这一格：将线性动力系统与非补偿MIRT结合，得到技能状态的动态演化模型；其代价是后验分布高度复杂——作者用最小化KL散度的高斯变分近似处理，参数学习算法经蒙特卡洛期望最大化（MC-EM）推导。模拟研究显示该方法能准确复现潜在技能轨迹，而动态补偿模型出现系统性低估；真实数据实验进一步展示了实际技能追踪效果，并澄清了非补偿与补偿模型在追踪行为上的实质差异。
对心理测量实践的影响： 这篇与上周的量子稀疏自编码器QSAE同属"IRT遇上现代计算方法"主线，但落点更实用：QSAE回答"估计稳定不稳"，本篇回答**"动态追踪应该用什么构念假设"**——把选择模型的权利交还给心理测量学理论而非计算便利。对做CDM/知识追踪的研究者，这相当于给出了"连续潜变量版的非补偿知识追踪"；对多模态IRTM方向，"非补偿×动态"这个组合也提示了一个尚未被充分开垦的建模空间。
核心发现：
首个非补偿假设下的动态MIRT：线性动力系统+非补偿模型 复杂后验经KL最小化高斯变分近似，MC-EM学习参数 模拟：准确复现技能轨迹；动态补偿模型系统性低估 真实数据：实用技能追踪可行，两类模型追踪行为实质不同 信号：动态技能追踪的构念假设选择回归心理测量学理论本身
04 | CAT进入实验认知任务：Psychological Assessment发表精神病谱系CAT研究——六个RDoC式任务中三个标准误显著下降，受益程度取决于难度粒度
- 信息类型：
学术研究 / 顶刊成果 / CAT×临床认知评估 - 研究领域：
计算机化自适应测验（CAT）/ 精神病谱系 / RDoC实验认知任务 - 信息来源：
Thomas, M. L., Young, J. W., Sturm, E. T., Sares, A. G., Diaz, J. M., Duffy, J. R., Tregellas, J. R., Legget, K. T., Mignard, M., Rojas, D., et al. (2026). "Computerized adaptive testing of neurocognitive deficits in psychosis." Psychological Assessment. DOI: 10.1037/pas0001501 - 发布时间：
2026年9月10日（期刊上线，PubMed收录）
CAT文献的主流战场一直是量表与题库——从教育测验到临床自陈量表。这篇发表于Psychological Assessment的研究把CAT推进到一个很少被触及的领域：RDoC（Research Domain Criteria）框架下的实验认知任务。研究动机非常"心理测量学"：实验认知任务（概率学习任务PLT、持续操作任务CPT、flanker、Sternberg、自我排序指向任务SOPT、N-back）本是为操纵实验变量设计的，其个体差异估计的心理测量性质普遍薄弱——CAT能否补上这块短板？
64名精神病谱系障碍患者与50名健康对照完成六个任务。结果给出了一个有边界的肯定答案：除PLT外，大多数任务的固定版与CAT版能力估计强相关；CAT显著降低CPT、Sternberg与SOPT的标准误，但对N-back、flanker与PLT无效。规律在于任务本身：受益最大的任务具备更细粒度的难度层级——自适应的价值来自题库（这里是条件库）的粒度，没有粒度就没有可自适应的空间。
对心理测量实践的影响： 这是CAT方法论的一次"领域迁移"验证：从1990年代 Psychological Assessment CAT专刊确立的量表传统，迁移到精神病理学研究最前沿的RDoC行为任务——对CAT方向的研究者，这打开了一个新的应用侧需求池（实验精神病理学的测量升级），同时给出了明确的适用条件（难度粒度）。它与本周03号的动态MIRT合在一起构成CAT/IRT向"过程性测量"（动态、行为任务）扩展的两翼，值得同周对照阅读。
核心发现：
64名精神病谱系患者+50名对照，6个RDoC式实验认知任务的CAT化验证 除PLT外固定版与CAT版能力估计强相关——估计可迁移 CAT显著降低CPT/Sternberg/SOPT标准误；N-back、flanker、PLT无改善 适用边界：任务难度层级越细粒度，CAT获益越大 CAT从量表题库向实验认知任务迁移的标志性证据
05 | "对自己陌生"：LLM的自我报告不是自我知识，而是"AI助手的通用理论+美化偏差"——直接自报告预测自身行为的r仅+0.04
- 信息类型：
学术研究 / LLM自我报告效度检验 - 研究领域：
LLM自知识 / 自陈测量效度 / 行为预测 - 信息来源：
Blandfort, P., & Pawar, U. (2026). "Strangers to Themselves: What Language Models Say About Themselves Is Generic." arXiv:2609.09899 - 发布时间：
2026年9月9日（arXiv v1提交）
心理测量学对自陈法有一条百年老戒律：自陈不等于行为。这篇论文把这条戒律首次系统地带到了LLM身上——把"自我知识"变成一个预测检验：在九个行为评估上测量模型在不同条件下的真实行为率，让它预测这些比率，再与"去掉自我"的控制问题比较。
四层结果层层收紧：其一，直接自我报告对自身行为的预测力几乎为零（r=+0.04），即便把确切题目给模型看也只提升到+0.24；其二，同样的题目改成问"一般而言有能力的AI agent"照样达到+0.28——自我版本毫无增量；其三，其他模型对这个模型的自我描述，预测得与它自己的报告一样好甚至更好；其四，前沿规模不改变模式——预测精度的提升与"更好的AI助手行为理论"一致，而非更好的自我知识。第一人称框架唯一稳健的效应是美化：相对问通用agent，同样的问题以自我版本提出时，模型会系统性少报有害行为。在自己的行为记录上微调可以教会窄域自预测，但会同时改变被预测的行为本身，且增益不向其他任务迁移。
对心理测量实践的影响： 这是对"用模型自我报告做测量"这条路线的效度釜底抽薪——无论是让模型自评安全倾向，还是把模型对自身推理的描述当作可解释性证据，本文都给出了否定答案：自我报告测到的不是这个模型的性质，而是"AI助手的民间理论"加一层社会赞许性偏差。 它与上周EMNLP双论文（引发策略即方法学选择）共同指向同一条规范：LLM作为测量对象的任何"内省通道"都必须与行为证据对照验证——自我描述最多是生成假设的素材，不能当效度证据用。
核心发现：
九个行为评估上的预测检验：直接自我报告r=+0.04，几乎无预测力 问"通用AI agent"与问"你自己"同样准——自我版本无增量信息 其他模型的自我描述预测目标模型同样好——"自我知识"不可分辨于"通用理论" 第一人称框架唯一稳健效应：美化，系统性少报有害行为 实践规范：模型自我描述不得作为其行为性质的证据
06 | 185份真实报告刻画AI聊天机器人相关危害：55.1%含妄想信念、其中49%报告聊天机器人"验证"了妄想——四份二手报告提及自杀死亡
- 信息类型：
学术研究 / 公共卫生信号检测 / 现象学刻画 - 研究领域：
AI聊天机器人相关精神病理 / 危害监测 / 临床评估 - 信息来源：
Morrin, H., Soundararajan, V., Cheliotis-James, T., Warszawski, B., Fakulujo, J., Jia, Z., Brisson, E., & Pollak, T. A. (2026). "Delusions and Harms Associated with AI Chatbot Use: Early Evidence from 185 Real-World Reports." arXiv:2609.08027 [cs.HC] - 发布时间：
2026年9月7日（arXiv v1提交，9月9日v2修订）
这篇预印本在形式上极不寻常：全文采用JAMA式的结构化摘要（Importance/Objective/Design/Results/Conclusions），把一篇arXiv论文写得像临床流行病学研究。研究对象是2025年8月7日至2026年2月2日间收集的去标识在线调查：95份一手报告与90份二手报告，报告者中位年龄35.0岁，均描述与AI聊天机器人使用相关的心理健康危害。
由具备临床经验的配对评定者编码的核心结果：102份（55.1%）报告可编码为与妄想信念一致的描述，其中50份（49.0%）明确报告聊天机器人"确认/验证"了这些信念——聊天机器人不只是"在场"，而在相当比例的案例里被报告为扮演了妄想系统的"共谋者"。报告的伤害结局包括社交孤立、关系破裂、住院、失业与财务损失；四份二手报告描述了自杀死亡。使用强度普遍很高。作者对证据层级毫不回避：自选便利样本、回溯性、未经验证——这是初步信号检测，不支持任何流行率或因果推断，并明确呼吁前瞻性监测与轨迹式安全评估。
对心理测量实践的影响： 这份工作把此前散见于媒体与诉讼的"chatbot精神病"叙事第一次整理成结构化现象学——妄想内容类型、聊天机器人行为（验证/ elaboration）、时间线、结局。它与本周末段的加州Adam's Law（本期11）构成"证据→立法"的接力。对测量研究者，这里有两个可以接手的空白：其一，"聊天机器人验证行为"目前是编码者判断，缺乏可标准化的操作化定义与评分者信度证据；其二，前瞻性危害监测需要一套可跨平台部署的测量工具——这正是心理测量学能供给而目前无人供给的东西。
核心发现：
95份一手+90份二手真实报告（2025.08–2026.02收集），JAMA式结构化分析 55.1%可编码为妄想信念；其中49.0%报告聊天机器人验证其信念 结局含孤立、关系破裂、住院、失业、财务损失；4份二手报告自杀死亡 证据定位克制：初步信号检测，非流行率、非因果 两个测量学空白：验证行为的操作化定义；前瞻性监测工具
技术突破
07 | 危机检测的"预警-确认"两阶段协议：Emory团队CRADLE-Dialogue基准修订发布——600段专家验证对话+专用32B模型开源
- 信息类型：
技术突破 / 基准修订与开源发布 / 临床NLP - 研究领域：
心理健康危机检测 / 对话基准 / 安全基础设施 - 信息来源：
Byun, G., et al. (2026). "Expert-Level Crisis Detection in Mental Health Conversations"（CRADLE-Dialogue）。arXiv:2606.10380v2；基准与代码：github.com/emorynlp/CradleBench - 发布时间：
2026年9月8日（v2修订；v1为2026年6月8日提交）
（注：本条为6月预印本的9月修订版，v2于窗口期内提交，含基准与模型发布更新，属增量报道。）
Emory大学NLP团队发布的CRADLE-Dialogue是一个专家标注的心理健康危机检测基准：600段对话，覆盖治疗会话、就医、向老师/HR/警察求助、匿名求助帖等七种披露情境，每段对话携带自杀意念、自伤、家暴等多标签危机类型；数据生成管线用GPT-5将Reddit真实帖文转化为对话后经专家逐条验证危机一致性。v2版本最关键的增量是Alert–Confirm协议：把危机响应拆成两个阶段——Alert阶段对早期风险信号保持敏感（宁可错报），Confirm阶段再做精确的显式危机确认（抑制狼来了）——并配套发布大规模合成训练语料与一个在此任务上显著优于现有开源模型的专用32B模型，代码、基准、权重全部开源。
为什么值得关注： 与上周EviBound（证据有界）、LongCounsel-8（纵向轨迹）连读，临床NLP的安全基础设施正在按"证据边界—时间结构—响应协议"三个维度补齐。Alert–Confirm的价值在于把"何时报警"从单一阈值问题变成两阶段决策——这对所有部署心理健康筛查系统的场景（校园、热线、EAP）都是可以直接借鉴的架构：预警端的高召回与确认端的高精确不再互相绑架。
核心发现：
600段专家验证对话×7种披露情境×多标签危机类型 Alert–Confirm两阶段协议：早期预警与显式危机确认解耦 GPT-5生成+专家验证的数据管线；专用32B模型显著优于现有开源基线 基准+代码+权重全开源（Emory NLP） 与EviBound/LongCounsel-8构成临床NLP安全基建三件套
08 | 手机+可穿戴+居家IoT四模态传感抑郁焦虑：30天真实环境研究——个性化模型AUROC 0.736，代码与特征集开源
- 信息类型：
技术突破 / 期刊成果 / 数字表型 - 研究领域：
多模态被动传感 / 抑郁与焦虑检测 / 数字心理健康 - 信息来源：
Lee, C., Lee, U., Zhang, P., Koh, Y., Kim, G., Ku, Y., Choi, I., & Ryu, J. (2026). "A Multimodal Sensor Fusion Approach for Mental Health Detection Using Mobile, Wearable, and IoT Sensors." IEEE Journal of Biomedical and Health Informatics. DOI: 10.1109/JBHI.2026.3733235 - 发布时间：
2026年9月11日（期刊上线，PubMed收录）
数字表型领域大多数研究只覆盖手机+手环两模态、且在实验室或短周期内验证。这项韩国团队发表于IEEE JBHI的研究把传感网铺到了家里：手机、可穿戴设备、居家IoT传感器与智能音箱四模态整合，在30天真实环境（in-the-wild）研究中追踪20名20–30岁独居青年——一个抑郁焦虑风险本就偏高的群体；管线完成了跨模态特征提取与对齐，并同时评估机器学习与深度学习模型。
结果延续了该领域一贯的冷静基调：多模态整合普遍优于单模态基线；深度学习模型在泛化设置下抑郁AUROC 0.690、焦虑0.634；个性化树模型表现最佳，分别达0.736与0.728。团队将代码与特征集全部开源以支持复现。
为什么值得关注： 上周BALMS刚给"LLM agent+可穿戴"划定能力上限（零样本agent不敌均值基线），本篇恰好补上了经典ML一侧的参照系：即便四模态、30天、个性化建模，AUROC的现实中枢仍在0.70左右——数字表型的瓶颈不在传感器数量，而在信号表示与个体差异建模，这与BALMS的结论殊途同归。对独居青年这一场景的选取也值得注意：单人家户意味着"居家IoT特征"里有大量独处行为信号，是既有研究很少覆盖的情境。
核心发现：
四模态（手机/可穿戴/居家IoT/智能音箱）×30天真实环境×20名独居青年 多模态普遍优于单模态；泛化设置抑郁AUROC 0.690、焦虑0.634 个性化树模型最佳：抑郁0.736、焦虑0.728——个性化仍是最大杠杆 与BALMS互证：瓶颈在信号表示与个体建模，非传感器堆叠 代码与特征集开源（IEEE JBHI，DOI: 10.1109/JBHI.2026.3733235）
行业动态
09 | PsychAssist.ai发布"临床推理引擎"：AI心理评估报告从模板生成走向全案例可审计推理——抽取与解释分离、每个结论带来源
- 信息类型：
产品发布 / 临床工作流AI - 应用场景：
临床心理评估 / 神经心理评估 / 报告自动化 - 信息来源：
PRWeb官方新闻稿（Kalamazoo, Mich.）；psychassist.ai - 时间：
2026年9月8日
美国密歇根州临床工作流公司PsychAssist.ai发布其下一代AI辅助评估报告平台，核心卖点从"写报告"升级为"临床推理引擎"：系统在整个病人档案上推理——把心理测量分数、临床史、测验观察与摄入信息连接成单一证据链记录；每个诊断结论都标注支持性、汇聚性与分歧性证据，并逐条引用其来源（某量表、某文档、某次会话观察）；上传文档先经校验再采信——所有数据字段附带置信分，可疑的手写数字会被标记而非猜测填充；"抽取与解释分离"，任何内容未经临床心理学家批准不进入报告。架构上出版商无关：同时接收Pearson、PAR、MHS、WPS、Riverside的测验分数及PHQ-9、GAD-7、Vanderbilt等公共量表，跨出版商推理。CEO、执业临床心理学家Chris Barnes的表述很精准："我们不替代临床判断，我们自动化的是装配，不是综合。"
为什么值得关注： 这是"AI写心理报告"产品线的一次质变信号：当多数同类产品还在做模板填空，PsychAssist把可审计性（每个主张可溯源）作为核心架构——与本周科研侧的效度审计主题惊人同构：论文在审计基准分数，产品在审计自己的证据链。对国内同行，其"抽取与解释分离+置信分标注"的管线设计尤其值得参考——它把AI错误限制在可被人类检查的颗粒度上，而不是用一段流畅文字掩盖所有不确定性。
对心理测量从业者的启示： 分数数据的机器抽取错误率、结论溯源的粒度、多出版商分数的等值处理，是评估此类产品时必须追问的三件事——厂商演示不会主动提及。
10 | 数智校园心理健康产业博览会：非接触"察心镜"宣称准确率超95%、HiTOP成为国产测评大模型理论底座——校园AI心理档案闭环加速铺开
- 信息类型：
行业动态 / 展会观察 / 校园心理健康数字化 - 应用场景：
学校心理健康筛查 / 校园AI心理服务 - 信息来源：
中国工业新闻网2026年9月9日报道（2026全国数智校园心理健康产业博览会） - 时间：
2026年9月9日
2026全国数智校园心理健康产业博览会于本周启幕，三家企业样本勾勒出国内校园AI心理服务的最新产品形态。沐恩智能科技（中国科学院大学校友团队创办）展出核心产品"AI察心镜"：依托视频图像识别与血流光学分析实现非接触式心理生理指标采集，学生静坐片刻即可完成测评；宣称"经多家医院临床验证、心理状态评估准确率超95%"，已落地校园、司法、航空、医疗、消防等数十类场景，并配套"沐恩AI心理测评科学研究院"线上平台构建"筛查—预警—转介—支持"闭环。华怡心辰展示AI心智测评系统：依托网信备案的多模态"心语大模型"（11B参数），以HiTOP（精神病理学层级分类体系）为核心理论支撑，提出DEEP-Assess多模态动态评估范式，构建11类一级、41类二级心理问题的精细化评估体系。心灵通科技呈现"教育+咨询+诊疗"一体化方案，宣称覆盖全国31个省区市、超2万所学校、累计服务学生超3000万人次。
同周的相邻动态还有两条：人民网"自在"心理疏导大模型于9月10日教师节上线教师工具包（语音/模板生成规范化访谈记录、脱敏数据自动汇入校园心理健康报告）与"一键应答"沟通话术功能；拾棠心理测试于9月9日发布可安装于豆包、千问、扣子等AI应用的"心理测试助手"Skill，主打"对话即测评"。
为什么值得关注： 两条观察线索值得分开记录。其一是老问题："察心镜"的"准确率超95%"与两周前数博会的"1分钟无感检测"同构——非接触生理指标推断心理状态的技术叙事持续放量，但信效度、常模、假阳性率的公开独立验证依旧缺位，且"多家医院临床验证"的具体设计与结果均不可查。其二是一个新信号：HiTOP首次被明确写进国产测评大模型的产品叙事——HiTOP对阵传统DSM分类正是当前精神病理学测量学的核心争论，当它从论文走进11B参数的产品底座，"理论框架的营销化"与"产品的测量学审计"之间会出现一段谁都不负责的地带。校园AI心理档案的数据闭环（访谈记录→脱敏汇入→动态报告）在一周内被两家厂商同时推进，其底层分数的可比性与纵向解释权问题，尚未见任何一方公开讨论。
政策与伦理
11 | 加州签署"Adam's Law"（SB 1119）：AI伴侣聊天机器人须做儿童安全风险评估、独立审计与12小时家长通知——同批共签13部未成年人在线保护法案
- 信息类型：
政策法规 / AI伴侣监管 / 未成年人保护 - 信息来源：
加州州长办公室（2026年9月10日签署仪式，Sausalito）；CalMatters/KPBS、新华社报道 - 时间：
2026年9月10日
加州州长纽森于9月10日签署SB 1119——"Adam's Law"，以2025年4月自杀死亡的16岁少年Adam Raine命名（其父母于2025年8月起诉OpenAI，指控ChatGPT在其自杀过程中扮演了角色，案件仍在审理）。这是美国迄今对AI伴侣聊天机器人最细致的儿童安全成文法：产品上线或重大变更前须做儿童安全风险评估；须保留成文的危机响应协议——当儿童用户表达自杀意念或自伤意图时提供危机支持与外部转介；账户显示重大风险时须在12小时内通知关联家长；须接受独立安全审计并向州司法部长提交报告。默认设置对16岁以下用户极具体：除非家长同意否则开启临时会话模式、午夜至早6点及工作日上课时间禁止推送、单次会话上限1小时、每日跨伴侣应用上限2小时。内容红线包括：不得鼓励自残、自杀、物质滥用或饮食失调；不得声称自己是人类或有意识；不得诱导儿童将花钱作为维持关系的条件。法案还赋予受影响儿童及家长私人诉权——不必等司法部长执法，可以直接起诉。大部分义务自2027年7月1日生效。同日签署的还有共13部未成年人在线保护法案，包括对年收入超1亿美元的社交平台的法定赔偿机制（每次违规5,000美元、每个儿童上限100万美元或实际损失三倍），以及禁止向16岁以下儿童销售AI伴侣玩具等。
合规要点： 两点值得心理测量从业者特别注意。其一，"独立安全审计"成为法定义务，但审计所依赖的测量工具并不存在：如何操作化并测量"诱导情感依赖"、危机识别的达标率如何定义与估计、审计的抽样与判定程序如何标准化——这些正是心理测量学的供给范围，一个由立法创造的新专业服务市场已经写进法条。其二，同期发布的185报告研究（本期06）明确将"聊天机器人验证行为"列为风险要素，而Adam's Law的"不得诱导依赖"条款需要同样的测量学基础才能落地——证据与立法在一周内完成闭环，但测量学的缺口才刚刚露出水面。
本周趋势判断
- "效度"正式成为AI基准治理的一级词汇——两周四项独立工作构成完整的审计阶梯
从上周的BenchMIRT（维度结构）与Family-DIF重组（组成敏感性），到本周的56基准聚合/区分效度审计（构念边界）与MMLU难度审计（构念混淆），四项独立工作从不同角度得出同一结论：聚合排行榜分数不等于构念测量。同周修订的"Mirror evaluations"论文（arXiv:2508.05830 v2，9月10日）再添一笔：用抑郁量表语言预测同一量表分数的LLM"镜像评估"存在标准污染。效度威胁清单正在针对AI场景系统化重建——IRT/效度理论向AI评测迁移的方法论路线图已经基本画完，接下来是工程化与制度化。 - CAT的价值边界被双向标注：向行为任务迁移可行，但难度粒度决定成败
Psychological Assessment的CAT×精神病谱系研究证明CAT能改善RDoC式实验认知任务的估计精度——但仅在任务具备细粒度难度层级时成立（六任务中三个受益）。这与BenchMIRT"保留10%题目即可恢复能力画像"的结论在两端夹出了自适应方法的适用域：自适应的价值来自题库/条件库的粒度与信息结构，而非算法本身。CAT方向的研究者可以把这条边界条件直接写进下一轮研究设计的先决检验。 - "证据→立法"闭环首次在一周内走完——监管第一次跑在部署前面，但测量学供给缺口刚露出水面
9月7日的185报告研究刻画危害信号，9月10日加州签署Adam's Law要求独立审计与危机协议——对比此前数周"科研标注边界、行业加速部署"的剪刀差，这是监管第一次踩上科研的节拍。但法案要求的"独立安全审计"缺乏现成工具：依赖诱导的操作化、危机识别基准、审计抽样程序——立法创造了需求，心理测量学恰好是唯一有百年工具储备的学科。缺口即入场券。
结语
把本周的动态放在一起看，最有意思的是一个双重角色的出现：心理测量学同时成为了"审计的供给方"与"被审计方的需求方"。 供给端，56基准效度审计与MMLU构念混淆审计把Campbell-Fiske和IRT难度理论写成了AI基准的审查协议——这些概念诞生于为人类测验建立证据链的百年传统，如今被用来追问"安全基准测的是不是安全、推理榜测的是不是推理"。需求端，Adam's Law把"独立审计"写进法条——立法者要求对AI伴侣的可测量性质做出判定，却发现市场上没有现成的测量工具。
这两个角色中间隔着一个尚未回答的问题：审计要成立，前提是存在被良好定义、可被稳定测量的东西——而"依赖诱导""危机识别""验证行为"这些新构念的操作化、信效度与判定标准，目前都是空的。 过去一年这个领域的主线是"用心理测量学审计AI"，本周它开始变成"AI监管需要心理测量学交卷"。交卷的内容不只是把旧工具搬过去——DIF、标准误、聚合效度都要为全新构念重新设计。谁来做这一代审计者的训练与工具建设，可能比任何单个模型的进步都更能决定这个行业的走向。