朱仕浩 劉芯伶

近年來，隨著計算機(jī)技術(shù)的進(jìn)步，機(jī)器學(xué)習(xí)（machine learning）研究也得到飛速發(fā)展。機(jī)器學(xué)習(xí)，顧名思義就是讓機(jī)器像人類一樣產(chǎn)生學(xué)習(xí)的行為，這種行為在人類身上表現(xiàn)為知識獲取與能力改善，在機(jī)器上就表現(xiàn)為一個不斷重復(fù)且有反饋的信息處理與控制過程。目前，機(jī)器學(xué)習(xí)已在許多領(lǐng)域得到廣泛應(yīng)用，如圖像處理、模式識別、自然語言理解、語音識別、信號處理和專家系統(tǒng)等，并同樣以其強(qiáng)大的魅力吸引著廣大心理學(xué)研究者們，在機(jī)器學(xué)習(xí)的帶動下，心理學(xué)研究必將迎來一片新天地。

自20世紀(jì)50年代以來，機(jī)器學(xué)習(xí)主要?dú)v經(jīng)了以下四個階段。第一階段，20世紀(jì)50年代到20世紀(jì)60年代，屬于熱烈期。此時研究者們主要研究目標(biāo)是各類自組織系統(tǒng)和自適應(yīng)系統(tǒng)，但其結(jié)果遠(yuǎn)不能滿足人們對機(jī)器學(xué)習(xí)的期望;第二階段，20世紀(jì)60年代到20世紀(jì)70年代，屬于冷靜期。此時的研究目標(biāo)是模擬人類概念學(xué)習(xí)的過程。第三階段，20世紀(jì)70年代到20世紀(jì)80年代，屬于復(fù)興期。此時，人們從學(xué)習(xí)單個概念變?yōu)閷W(xué)習(xí)多個概念，尋找不同的學(xué)習(xí)策略和學(xué)習(xí)方法，并與各種應(yīng)用結(jié)合起來獲得很大成功。第四階段，20世紀(jì)80年代至今，這個時期機(jī)器學(xué)習(xí)已成為新的邊緣學(xué)科，它綜合應(yīng)用于心理學(xué)、生物學(xué)、計算機(jī)科學(xué)等領(lǐng)域知識，形成機(jī)器學(xué)習(xí)自身的理論基礎(chǔ);并融合多種學(xué)習(xí)方法，形成多種多樣的集成學(xué)習(xí)系統(tǒng);又有效地與商業(yè)結(jié)合，極大的加速了機(jī)器學(xué)習(xí)的發(fā)展。因此，在這個機(jī)器學(xué)習(xí)空前活躍的時代，心理學(xué)研究也不能固步自封，應(yīng)當(dāng)用于接收新事物，并將其融入自身的研究中去。

在這個信息爆炸的時代，研究缺少的不再是數(shù)據(jù)，而是如何有效且快速分析數(shù)據(jù)的方法，心理學(xué)研究同樣擁有這一問題。傳統(tǒng)心理學(xué)研究主要通過觀察法、訪談法、問卷法以及實驗法等，得到少量但準(zhǔn)確的數(shù)據(jù)。分析這些數(shù)據(jù)的方法一般包括T檢驗、F檢驗、方差分析、回歸分析、結(jié)構(gòu)方程模型等。因收集的數(shù)據(jù)量較少，實驗數(shù)據(jù)要求必須真實可靠，實驗對象也必須具有充分代表性。但收集數(shù)據(jù)過程中，研究人員的無意行為或環(huán)境變化都可能對結(jié)果產(chǎn)生干擾，從而導(dǎo)致外部效度下降，這一問題一直困擾著心理學(xué)研究。如今，機(jī)器學(xué)習(xí)的發(fā)展為此提供了解決方案，它不僅可以分析結(jié)構(gòu)化數(shù)據(jù)，也可以分析非結(jié)構(gòu)化數(shù)據(jù)，為研究提供了另一個視角。在機(jī)器學(xué)習(xí)的輔助下，心理學(xué)研究不僅分析實驗結(jié)果，同時分析實驗的過程數(shù)據(jù)，并以數(shù)據(jù)驅(qū)動的方式得到分析結(jié)果。結(jié)合機(jī)器分析結(jié)果與實驗結(jié)果雙向驗證，排除無效實驗樣本，提高外部效度。結(jié)合機(jī)器學(xué)習(xí)，心理學(xué)研究可以從微觀與宏觀兩個角度加以分析。微觀上，使用傳統(tǒng)心理學(xué)研究方法分析實驗結(jié)果數(shù)據(jù);宏觀上，使用機(jī)器學(xué)習(xí)方法分析實驗過程數(shù)據(jù)，也可對樣本人口學(xué)變量分析。這樣不僅可以保證數(shù)據(jù)的可靠性，還可以從多個角度判斷結(jié)果。

機(jī)器學(xué)習(xí)自20世紀(jì)50年代發(fā)展至今，分類繁多?；趯W(xué)習(xí)策略可分為模擬人腦的機(jī)器學(xué)習(xí)（符號學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)）與統(tǒng)計機(jī)器學(xué)習(xí);基于學(xué)習(xí)方法可分為歸納學(xué)習(xí)（符號歸納與函數(shù)歸納）、演繹學(xué)習(xí)、類比學(xué)習(xí)與分析學(xué)習(xí);基于學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)與強(qiáng)化學(xué)習(xí);基于數(shù)據(jù)形式可分為結(jié)構(gòu)化學(xué)習(xí)與非結(jié)構(gòu)化學(xué)習(xí);基于學(xué)習(xí)目標(biāo)可分為概念學(xué)習(xí)、規(guī)則學(xué)習(xí)、函數(shù)學(xué)習(xí)、類別學(xué)習(xí)與貝葉斯網(wǎng)絡(luò)學(xué)習(xí)。其中基于數(shù)據(jù)結(jié)構(gòu)的非結(jié)構(gòu)化學(xué)習(xí)尤其適用于對大量且無結(jié)構(gòu)的數(shù)據(jù)進(jìn)行分析，可以與心理學(xué)研究很好的結(jié)合，多方面多角度的對同一研究問題進(jìn)行分析。

為了實現(xiàn)機(jī)器自我學(xué)習(xí)，還需要給機(jī)器賦予某些學(xué)習(xí)策略。主要可以分為三種：基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)、進(jìn)化學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)。基于神經(jīng)網(wǎng)絡(luò)（neural network）的學(xué)習(xí)是一種高度復(fù)雜的非線性動力學(xué)系統(tǒng)，單個神經(jīng)元的結(jié)構(gòu)十分簡單，但當(dāng)大量神經(jīng)元相互連接成為一個復(fù)雜網(wǎng)絡(luò)時，就會體現(xiàn)出強(qiáng)大的學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)的模型主要可分為四種，分別是神經(jīng)元層次模型、組合式模型、網(wǎng)絡(luò)層次模型、神經(jīng)系統(tǒng)層次模型，根據(jù)神經(jīng)元之間的連接方式又可分為前向網(wǎng)絡(luò)、反饋網(wǎng)絡(luò)、相互結(jié)合型網(wǎng)絡(luò)與混合型網(wǎng)絡(luò)，一些簡單的神經(jīng)元經(jīng)過不同的模型、不同的連接方式可以生成不能性能的神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)就可以適用于各個不同的場景，解決不同的問題。

進(jìn)化學(xué)習(xí)主要是模擬自然界“自然選擇，物競天演”的一類隨機(jī)搜索型計算方法，主要包括遺傳算法（genetic algorithm）、進(jìn)化策略（evolutionary strategy）、進(jìn)化規(guī)劃（evolutionary programming）以及分布估計算法（estimation of distribution algorithm）。遺傳算法是建立在自然選擇和群體遺傳學(xué)基礎(chǔ)上的，具有廣泛適用性的搜索方法。它先將搜索結(jié)構(gòu)編碼為字符串形式，以每個字符串結(jié)構(gòu)為個體，然后對一組群體進(jìn)行循環(huán)操作，類似于自然進(jìn)化;進(jìn)化策略是一種效仿進(jìn)化規(guī)律以解決參數(shù)優(yōu)化問題的方法，其主要特點(diǎn)為，第一，以n維實數(shù)空間上的優(yōu)化問題作為處理對象。第二，每個個體都含有隨機(jī)擾動的因素。第三，每個個體的適應(yīng)度就是個體對應(yīng)目標(biāo)的函數(shù)值。第四，以個體的變異運(yùn)算為主要搜索技術(shù)，輔以個體間的交叉運(yùn)算。第五，選擇運(yùn)算時，選擇最優(yōu)幾個個體保留到下一個群體中;進(jìn)化規(guī)劃的基本思想也源于對生物進(jìn)化中的一種模仿，它直接用搜索空間中的一個點(diǎn)來表示群體中個體的適應(yīng)度，個體適應(yīng)度由目標(biāo)函數(shù)經(jīng)過某種比例變換得到，即保證適應(yīng)度為正值，又維持了個體之間的競爭，變異算子與選擇算子也在其中發(fā)揮著必要的作用。分布估計算法與傳統(tǒng)進(jìn)化算法不同，其框架為，第一步，初始化種群，對每個個體估值。第二步，從種群中選取較優(yōu)個體。第三步，根據(jù)這些個體生成一個概率分布模型。第四步，隨機(jī)抽樣出下一代個體，并進(jìn)行估值。第五步，滿足停止條件時停止，未滿足跳至第二步。

強(qiáng)化學(xué)習(xí)（reinforcement learning）主要是讓一個能感知環(huán)境的自治智能體（Agent）在行為-評價的環(huán)境中獲取知識，改進(jìn)行動方案以適應(yīng)環(huán)境。主要可以分為基于離散化方法的連續(xù)空間強(qiáng)化學(xué)習(xí)與基于函數(shù)逼近法的連續(xù)空間強(qiáng)化學(xué)習(xí)。兩種方法各有優(yōu)勢，需要根據(jù)現(xiàn)有問題對應(yīng)選擇。

以上三種策略各有側(cè)重，在心理學(xué)研究中，較多使用到基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)。無論是圖形、聲音、視頻，還是實驗數(shù)據(jù)，均可通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得出一個模型，該模型可以處理所有這類結(jié)構(gòu)的數(shù)據(jù)，為心理學(xué)研究提供方便且可靠的結(jié)果。進(jìn)化學(xué)習(xí)與強(qiáng)化學(xué)習(xí)同樣在心理學(xué)研究中也可以得到應(yīng)用。

在心理學(xué)研究中，以往都是簡單的使用SPSS、excel亦或是amos等軟件分析數(shù)據(jù)，傳統(tǒng)的心理學(xué)研究較多的采用了問卷，數(shù)據(jù)量并不多，在這種情況下以往的方法，工具還可以得到有效使用。但現(xiàn)在，隨著信息技術(shù)的發(fā)展，許多特定的工具被研發(fā)，比如腦研究中的數(shù)據(jù)，情緒研究中的情緒數(shù)據(jù)，以及在許多研究場景都需要使用到的圖片處理數(shù)據(jù)，這些數(shù)據(jù)用以往的方法，工具很難充分利用其內(nèi)部信息，大部分信息被虛化，而隨著機(jī)器學(xué)習(xí)方法的引入，其強(qiáng)大的計算能力，可以有效的處理大批量的數(shù)據(jù)，并且對這些數(shù)據(jù)做出合理的處理。數(shù)據(jù)的大量涌現(xiàn)讓我們不能一直站在原有的方法上，必須改變現(xiàn)有的方式，采用更為先進(jìn)的技術(shù)。

當(dāng)然機(jī)器學(xué)習(xí)目前也是一個正在發(fā)展中的學(xué)科，在不考慮特殊領(lǐng)域的情況下，若是想要找到一個一勞永逸的機(jī)器學(xué)習(xí)方法，用于解決所有我們面臨的問題，這必然是徒勞的。不同的領(lǐng)域有適合的方法，機(jī)器學(xué)習(xí)的方法如此多種，每種下面又有許多細(xì)分，若可以對每一種都有所了解，在處理不同問題時自然就可以得心應(yīng)手。如在處理心理學(xué)情緒研究時，就可以采用神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)對圖片進(jìn)行識別，識別出每一張圖片中的情緒狀態(tài)，以往這些最枯燥的實驗步驟可以完美的讓機(jī)器替代，并且其分類結(jié)果甚至?xí)糜谝酝姆诸惙绞?。在處理問卷?shù)據(jù)時，以往較多的會采用結(jié)構(gòu)方程模型，得到問卷的分析結(jié)果，如果加入機(jī)器學(xué)習(xí)，我們使用數(shù)據(jù)的輸入與輸出對模型進(jìn)行訓(xùn)練，我們可能無法得知模型內(nèi)部具體的迭代過程，但我們可以得到一個預(yù)測性遠(yuǎn)遠(yuǎn)好于其他方法的模型，對于中間的這個黑箱想要深入理解可能比較困難，但是得到的模型卻是遠(yuǎn)遠(yuǎn)好于以往的模型。還有心理學(xué)研究中的認(rèn)知診斷領(lǐng)域，以往較為常用的是復(fù)雜的參數(shù)方法和簡單的非參數(shù)方法，現(xiàn)在有了機(jī)器學(xué)習(xí)方法，將其應(yīng)用于其中，以往碰到的許多問題都會迎刃而解。

總的來說，心理學(xué)作為一門研究人類心理活動及其規(guī)律的學(xué)科，必然有其復(fù)雜性。以往研究為便于分析必須對實驗進(jìn)行簡化，而如今，機(jī)器學(xué)習(xí)的引入可以對復(fù)雜數(shù)據(jù)進(jìn)行分析，研究數(shù)據(jù)不再僅限于傳統(tǒng)的問卷、實驗等方法，也可以通過網(wǎng)絡(luò)、APP等渠道收集大量的心理過程數(shù)據(jù)。這不僅彌補(bǔ)了傳統(tǒng)心理學(xué)研究依賴小樣本的不足，同時還在更大的空間上為實驗者提供參考，開拓了心理學(xué)研究視野并促進(jìn)心理學(xué)研究的發(fā)展。