原文发表于《科技导报》2026 年第1 期 《 2025年情感智能研究热点回眸 》
情感智能（EI）指个体识别、理解、调节与应用情感信息的能力。随着情感计算技术的迅猛发展，基于其情感健康监测与干预已成为公共健康领域的核心议题之一。《科技导报》邀请电子科技大学计算机科学与工程学院任福继院士团队撰文，文章系统回顾了该领域的研究进展及其在心理健康中的垂直应用；讨论了面临的挑战；提出了基于多模态情感推理与规划，推动标准化诊疗与家庭个性化支持，构建以数据治理与监管为核心的伦理框架等未来发展方向。
情感智能（EI）的概念，最早由心理学家Salovey与Mayer于1990年提出，定义为个体识别、理解、调节并运用情感信息的能力。随后，Goleman进一步扩展了这一理论框架，强调情感在决策、沟通、社会互动和认知加工中的基础性作用，使情感智能成为理解人类智能的重要组成部分。随着技术进步，EI这一人类能力概念，正演化成为人工智能领域致力实现的目标之一。为实现此目标，情感计算作为关键的跨学科技术领域应运而生，致力于开发能识别、解释与响应人类情感的计算系统。
全球精神健康危机的严峻性凸显了发展此类技术的迫切需求。在此背景下，情感计算与以大语言模型（LLMs）为代表的生成式人工智能（GAI）技术的融合，为机器感知、理解，乃至参与调节人类情感提供了可能，也为心理健康问题的规模化识别与干预开辟了新的技术路径。这一技术演进正催生一个飞速增长的市场。
在此基础上，情感智能技术驱动的心理干预正经历全面的数字化转型。干预手段不再局限于传统线下场景，而是通过智能手机应用、虚拟现实和生成式AI等数字工具，提供持续、个性化的支持。这一趋势在AI心理健康虚拟代理的兴起中尤为显著。然而，技术的快速发展也伴随着严峻的挑战，包括数据隐私、算法中的文化偏见与群体性偏差，以及AI心理干预所特有的伦理问题。
综上所述，2025年，情感智能正处于在心理健康领域从概念验证迈向规模化应用的关键转折点。2025年情感智能技术在心理健康领域的主要研究热点见表1。
表1 2025年情感智能在心理健康领域的主要研究热点
1 心理健康中的情感计算
1.1 多模态情感识别范式跃迁
情感识别作为人机交互与心理健康评估的核心技术，其发展历经从单一模态到多模态融合的范式变迁，表2显示了目前情感识别的常见模态信息。
表2 情感识别常见模态信息
为提升模型的鲁棒性与识别精度，多模态融合已成为主流技术路径，其策略主要包括早期融合、晚期融合及混合融合，如图1所示。2025年，Wang等提出了一种基于多模态时空路由特征的抑郁自动识别方法，并借助集成学习提升模型稳定性。Lu等提出了特定领域时序跨模态网络（DSTC），通过时序稀疏注意力机制从长时访谈序列中提取关键情感片段，并通过跨模态语义对齐增强情感表征的一致性。
图1 3种多模态融合方法
随着大语言模型的兴起，情感识别在心理健康领域的数据来源与应用场景得到进一步拓展。研究表明，大模型在心理健康护理全流程中均展现出潜力，但其技术成熟度、适用场景与局限性存在明显差异。
1）在预防与教育阶段，大模型能够以低风险方式提供个性化的心理教育内容，有效提升公众健康素养，该场景对模型的生成安全性与内容准确性要求高，但对情感识别的实时性与精度要求相对较低。
2）在风险监测与预警阶段，以GPT−4为代表的模型在识别自杀意念等危险指标方面已表现出接近临床水平的准确度。这一场景极度依赖模型的语义理解与上下文推理能力，且对误报与漏报的容忍度极低，是当前技术应用的关键与敏感地带。
3）在诊断评估与干预支持阶段，大模型可通过分析结构化或非结构化数据，辅助进行心理状况评估（如预测抑郁评分），并能通过分析历史数据为干预提供持续支持。然而，该场景对模型的可解释性、专业合规性以及与临床工作的整合能力提出了更高要求。
2025年9月，斯坦福大学团队在npj Digital Medicine中首次针对慢性病患者沟通文本进行了大模型优化研究，为上述应用提供了具体范例。值得注意的是，此类方法虽然提升了特定任务的性能与稳定性，但其效果严重依赖于高质量、具有临床标注的领域数据进行微调，这在一定程度上限制了其泛化能力，与通用大模型的“零样本/少样本”学习优势形成对比。
当前，以大模型为驱动的多模态情感计算，正推动该领域从传统的“特征层融合”向更深层的“语义理解与上下文推理”范式转变。总体而言，情感识别技术正朝着多模态融合、轻量化部署、因果推断与可解释人机协作等方向持续演进，为其在精准心理健康领域的深入应用开辟了新的可能性。
1.2 基于大模型的心理架构
随着情感识别基础技术成熟，研究前沿正逐步从浅层的情感状态判别，迈向深度的情感推理与心理状态建模。
实现深度情感推理的首要前提是超越模态割裂与浅层关联。当前研究通过多模态深度融合机制协同分析文本、语音及视觉信息，以捕捉被忽视的副语言线索与微表情。此外，还可以使用自动化提示优化框架，以及内置校准功能的标准化提示模板。这类方案不仅能减少繁重的人工标注负担，还可将心理学理论深度融入模型指令之中，从而在确保情感解读一致性与稳定性的同时，提升模型的垂直应用价值。
大模型的长期记忆能力是支持持续的互动、追踪关键信息和建立稳固性的关键。目前长期记忆系统主要分为2类：存储于外部的非参数记忆和嵌入模型本身的参数记忆。然而，人工智能系统仍难以有效模拟类人记忆机制并确保心理治疗过程的连续性。
可解释的推理机制可以有效增强系统决策的可信度，有效推理焦虑、抑郁、压力、疲惫和孤独等心理状态。其中，心理状态链式推理是一项关键技术。2025年，Teng等提出了基于链式思维提示（CoT）抑郁识别增强框架，该研究属于早期系统探索CoT在心理健康推理任务中的应用，为构建可解释、可追溯、临床友好的心理健康LLMs提供了新的方向。
针对高阶心理特质的评估及在复杂场景中的应用，还需考虑心理韧性、压力恢复力等维度的量化。Sazzed针对自杀倾向的自闭症谱系障碍（ASD）个体在社交媒体上的心理社会挑战和物质使用问题开展研究。该研究利用LLMs辅助生成关键词，并结合人工精炼方法，提高了心理健康相关信息的识别效率与准确性。Qin等提出了基于大模型评估儿童语言能力的框架。该框架的评估结果与早期学习穆伦量表（MSEL）语言发展商之间存在强烈相关性，皮尔逊相关系数为0.8（p<0.001）。
总的来说，情感推理与心理状态建模的技术路径，是一个从多模态感知到因果归因，再到长期记忆支持下的时序建模，并通过链式推理实现可解释决策，最终完成对复杂心理特质量化的递进过程。
2 情感调节与干预
2.1 心理干预的数字化转型
认知行为疗法（CBT）是目前广泛应用的循证心理干预方法之一。深度学习与大语言模型等人工智能技术的快速发展，为实现实时、客观的情感评估与干预提供了全新路径。2025年，Shen等提出了一种基于人工智能生成内容（AIGC）的闭环音乐干预系统示范，显著提升了情感音乐生成的准确性与多样性，为实现个性化、自适应音乐干预提供了潜在的技术方案。
总体而言，情感计算为数字心理健康干预开辟了前景广阔的发展方向。借助智能手机应用、GAI与虚拟现实等数字工具，心理健康服务能够提供更持续、个性化且精准的支持，从而显著提升其包容性、响应能力与整体效能。
2.2 数字心理健康新进展
1）智能手机应用与数字表型分析。通过内置传感器，手机可生成反映行为模式（如睡眠、久坐）与环境暴露（如温度、光照、绿地覆盖率）的指标，从而为理解个体精神疾病体验提供个性化情境与动态轨迹，即数字表型分析。该技术在对青少年及成人的研究中已显示出临床有效性的积极信号。然而，该领域目前面临标准缺失的挑战：数据采集、处理与特征生成缺乏统一规范，不同手机品牌与型号所采集的数据流也存在差异。此外，部分基于可穿戴设备的研究也被纳入数字表型分析范畴。
2）虚拟现实。作为心理健康干预的新兴技术路径，虚拟现实在多种心理问题中展现出良好疗效，尤其在增强认知行为疗法方面，VR−CBT在焦虑症、精神病性障碍、创伤后应激障碍与特定恐惧症中的效果已被证实与传统CBT总体相当。此外，虚拟现实还被用于支持心理社会与功能康复，通过构建安全的模拟环境帮助患者适应日常场景。新兴证据表明，虚拟现实能够借助其沉浸式视觉呈现与情感状态调控能力，有效整合多种治疗模式。该技术还有力地推动了“第三波”认知行为疗法的发展。
3）基于大语言模型的生成式人工智能。由大模型驱动的新一代GAI技术，正日益广泛地应用于数字心理健康领域。初步研究显示，大语言模型在心理健康的预防、筛查、诊断、干预及复发管理等各个环节均展现出潜力，可通过分析历史治疗记录持续提供咨询支持，并优化现有心理健康服务流程。2025年，Google团队在Nature Medicine发表研究，提出个人健康大模型PH−LLM，见图2。该工作展示了大模型在多模态健康监测与个性化反馈中的技术潜力，为智能健康系统的发展提供了重要参考。
图2 PH−LLM的架构与性能
尽管LLMs在直接面向患者的应用中仍存在不确定性，但其在辅助临床医生方面已发挥重要作用。这些创新不仅优化了工作流程，更带来了人力资源配置与专业培训模式的范式变革。
3 AI 心理健康虚拟代理
3.1 情感对话代理兴起
情感对话代理是基于大模型的虚拟交互系统，其核心目标是通过自然语言处理与情感计算技术，生成具有共情与同理心的响应，从而在与用户的对话中维持情感一致性，实现更自然、舒适且人性化的互动。
2025年5月，npj Digital Medicine上发表的研究，评估了癌症患者在与医生和人工智能聊天机器人互动时对共情的感知差异。结果表明，患者对聊天机器人所提供的回复在共情评估上的评分，甚至高于医生的回复，这表明了聊天机器人在情感支持、可读性和用户接受度等方面的巨大潜力。
当前，共情聊天机器人的设计方法主要分为2类。第1类是基于大模型的训练与微调，以生成更具情感敏感性与适应性的回应。第2类方法侧重于多步骤情感对话处理，从而更精准地调节情感互动。此外，“思维链提示”（CoT）也被用于引导基础大模型进行情感推理。
情感一致性是这类系统的关键属性，指代理在与用户交互过程中保持情感表达与调节的一致性。为实现这一目标，虚拟代理需分析用户输入中的情感线索（如语言内容、语气、行为模式等），并运用AI生成的共情反应进行有效回应。
尽管如此，现有系统在共情能力与情感一致性方面仍面临一系列挑战，包括如何保持高效稳定的情感响应、适配多样化个性化需求，以及避免情感偏差或误导性输出。
3.2 虚拟代理应用角色边界
虚拟代理在心理健康干预中的应用正不断拓展，其功能不仅限于提供情感支持，还延伸至多种治疗场景的辅助角色。如图3所示，大语言模型在心理治疗中的功能可根据“自主性”与“情感介入程度”2个维度进行角色划分。在实际应用中，明确虚拟代理的自主性边界至关重要，这直接关系到其在治疗过程中的风险控制与责任归属。
图3 大语言模型在心理治疗中的角色框架： 基于自主性与情感介入度的划分
低自主性的大语言模型通常作为响应式工具，高自主性系统能主动引导对话、生成治疗策略，并在较少人工干预的情况下管理互动进程。随着自主性提升，系统更侧重于个性化功能的实现。虽然高自主性有助于扩大服务覆盖范围，但也可能加剧伦理与临床风险。在临床设置中，虚拟代理可作为治疗师的辅助工具，用于记录会谈内容、分析患者情感变化，并为治疗评估与方案调整提供数据支持。个人完全依赖聊天机器人而非寻求专业帮助，可能面临一系列风险。
3.3 虚拟人陪护系统
虚拟人陪护系统是情感支持型虚拟角色的另一重要应用，这些系统通过AI和生理数据结合，能够为孤独、老年人或患有慢性精神疾病的患者提供情感支持。随着技术的不断进步，虚拟数字人作为一种新兴的陪护技术，正在成为虚拟人陪护系统中的核心组成部分。当前，数字人技术的研究与应用围绕数字人外形建模、数字人驱动以及数字人大脑3个关键技术展开，如图4所示。
图4 构建数字人的核心技术概览
通过语音合成、面部表情生成、姿态控制等技术，数字人的语言表达能力和动作流畅度得到了有效提高。新一代系统通过整合心理学理论和上下文语义理解，能够提供结构化的交互。在多模态表达方面，当前研究聚焦于语音、表情及肢体动作的跨模态协同建模。
然而，当前的虚拟人技术仍面临行为驱动的机械性强和情感动态适配不足等问题。虽然数字人能够在某些情境下表现出自然的语音与面部表情，但在应对情感变化时，仍缺乏足够的灵活性和适应性。
4 情感智能在心理健康中的关键应用回顾
随着人工智能技术的不断突破，情感智能作为其重要分支，在心理健康领域展现出变革性的应用前景。该技术通过融合分析语音、表情及其他多模态信号，能够深入解读用户情感状态，进而为心理健康的风险评估、个性化干预与辅助治疗提供关键支持。情感智能在心理健康领域的具体应用场景见表3。
表3 情感智能在心理健康领域的应用
5 情感智能在心理健康领域的挑战与研究方向
5.1 目前面临的挑战
1）群体差异与识别准确性挑战。首先，这一挑战根植于情感表达与识别的文化差异性。这导致模型倾向于输出代表主流文化的观点，可能忽略或误解少数文化背景下的情感表达。其次，特定人群的情感表达模式对识别技术构成了额外挑战。老年人因面部肌肉与皮肤状态变化、青少年因使用特定的网络语言与情感符号、高风险人群（如具有自伤或自杀倾向者）因识别误差可能引发严重后果，以及残障群体（如自闭症谱系或失语症患者）因其情感表达方式常偏离常规模式，均要求情感识别技术具备更高的适应性与鲁棒性。
2）AI心理干预的伦理与效力挑战。AI心理干预在标准化任务中展现出一定应用潜力的同时，也面临过度干预、情感依赖和强制干预等深层伦理挑战。这些挑战与当前技术，特别是大语言模型的能力局限直接相关。如图5所示，尽管LLMs能在心理教育与示范干预等结构化任务中发挥作用，但其尚不具备人类治疗师所必需的复杂临床判断与深度共情能力，因此，难以在动态互动中把握精准的干预边界。
图5 LLM的临床能力实例
3）情绪数据隐私与治理挑战。情感数据因其常与生理信号等敏感信息结合而具有高度隐私性，其泄露或滥用可能直接损害用户权益。此外，通过算法对情感数据进行反向推断，可能进一步揭示用户的性格倾向、行为习惯，乃至心理脆弱点，使得数据保护的范围超越传统隐私范畴。当前，尽管全球已开始建立情感AI的相关监管框架，但整体仍处于初级阶段，在数据分级保护、跨境流动规范、使用透明度等方面尚存空白，亟需建立更为完善且具备全球协同性的治理体系。
5.2 未来研究方向
1）基于多模态情感推理与规划。跨模态预训练模型正推动多模态情感理解从浅层特征对齐迈向深层的全局语义关联。随着任务框架的逐步统一，情感识别、生成与推理有望实现多任务协同优化，从而推动构建通用的情感智能模型。此类模型预计将广泛应用于舆情分析、个性化推荐及心理健康监测等多个领域，最终实现从被动的情感感知到主动的健康预见与管理的跨越。
2）推动标准化诊疗与家庭个性化支持。未来首先应致力于在心理健康领域建立基于情感计算的医疗标准化评估与干预框架，以保障技术在精神疾病早期筛查与情感管理中的有效性、安全性与合规性。其次，可引入“情感胶囊”等前沿概念，可将离散的情感状态整合为时序化、结构化的个人情感档案，实现对个体情感数据的长期、安全存储与分析，形成动态的个人情感历史轨迹，在此基础上AI系统能够为用户提供更精准、适应性的干预方案，实现真正意义上的个性化情感支持。
3）构建以数据治理与监管为核心的伦理框架。当前，全球情感智能治理呈现“伦理先行、法律托底技术适配”的协同态势，未来跨区域、跨文化的标准协调将是平衡技术创新与社会福祉的关键。
6 结语
我们的研究梳理了2025年情感智能技术在心理健康领域从基础技术、核心应用到发展挑战的全景进展。总体而言，该领域已超越单纯的概念验证，正通过多模态感知、大模型驱动的情感推理以及人机交互设计的融合，向规模化、个性化应用阶段迈进。然而，其发展路径清晰地表明，技术进步的价值必须置于“以人为中心”的框架内方能真正实现。未来应当着力构建符合“人本智能”理念的情感智能发展战略体系。
该战略体系的构建，首先，要求技术研发以“可信理解”为基石，以确保对人类情感复杂性的可靠解读。其次，应用部署需紧扣“场景融合”与“个性赋能”主线，实现标准化干预与高度个性化支持的有机统一。最后，面对数据隐私、算法偏见及干预伦理等严峻挑战，必须建立前瞻性、跨学科且全球协同的治理框架，确保技术创新始终服务于增进人类心理福祉的根本目标。
综上所述，情感智能在心理健康领域的未来发展，关键在于能否将快速演进的技术能力，系统性地融入一个以人为本的应用与治理体系，确保其发展始终服务于增进人类心理福祉这一根本目标。这不仅是我国把握新一轮人工智能科技浪潮的重要机遇，更是应对全球精神健康挑战、提升全民心理健康水平的必然路径。
本文作者：陶雪、邓佳文、任福继
作者简介：陶雪，电子科技大学计算机科学与工程学院，博士研究生，研究方向为情感分析、大模型技术等；任福继（通信作者），电子科技大学计算机科学与工程学院、电子科技大学深圳高等研究院，教授，日本工程院院士、欧盟科学院院士、俄罗斯工程院外籍院士，研究方向为先进智能、情感计算、智能机器人等。
文章来 源 ： 陶雪, 邓佳文, 任福继. 2025年情感智能研究热点回眸[J]. 科技导报, 2026, 44(1): 78−90 .
本文有删改，
内容为【科技导报】公众号原创，欢迎转载白名单回复后台「转载」
☟
《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、本刊专稿、特色专题、研究论文、政策建议、科技人文等。
|
