闲谈 061

近期新闻频繁爆出名人的心理健康问题，大家一定要充分重视自己的心理健康状况、自己的心理资本。这是我们行动力、做事动机的前提，如果「心理健康」出现问题，影响是巨大性的，是直接的「非战斗力减员」。

「非战斗力减员」，就是由于心理问题，导致丧失战斗力的一种表现。比如我们身体方面出了问题，还能一面养病，一面工作。但如果有心理问题，直接后果是行动瘫痪、丧失动机、情绪低迷、精神迟滞、睡眠紊乱。

所以保持心理健康，保持积极的心理状态，是做好工作、做好研究、完成学习的必要前提。

闲谈 060

心理学和教育学在学校来讲，区别不大，联系也一直密切。但在社会上，区别存在云泥之别。教育市场被称为蓝海，教育品牌琳琅满目，教育公司更是如数家珍。教育被视为国之根本，本源是因为需求，大众市场愿意为教育付费，愿意为知识付费。

同样换到心理学领域，目前来讲心理学公司汗牛充栋，但没有任何一家大公司、大企业、大品牌。本质原因是大众市场对于心理学是没有付费意愿的。另一个原因是面向大众市场的心理学产品寥寥无几，近乎于零。被传播最多的是心理咨询，还和疾病挂钩，让普通大众敬而远之。

虽然心理学、应用心理学，或者说心理健康领域目前表现式微，不过从长远来看心理健康领域还是利好的。

闲谈 059

有一段时间没有来更新了，最近工作的事、加上参加一个比赛，忙得不可开交。

之前在【闲谈 044】说过，要基于 GPT 研发「小而美」的产品。目前借助「人格与社会心理计算」的比赛，搭建了一个简单的网站，能够实现大语言模型的「分类」、「生成」和「对话」能力。

纷纷扰扰的世间，用作品社交、让作品说话，显得格外重要。第一个小的 GPT 作品已成型，今天提交了参赛的「技术报告」和「实现代码」。开始奔赴下一场比赛。

闲谈 058

@学叔 工作中经常会有客户来参观拜访，进来一个很大的感触是，如何将心理学知识通俗易懂的给外行讲清楚，真是一大本事。如果还能灵活运用，解释客户的种种疑惑，深入浅出、自圆其说，更是能力。毕竟心理学的一个目标就是要通过心理学视角，解释社会上的种种现象。

很多时候心理学同行有两个特点，一个是不敢轻易下结论，说话时带上「可能」或者「条件」，另一点是过度使用专业术语。

对于其它学科像物理、化学还好，像心理学这种带有哲学基因的学科，是自带科普属性的，就像书店很多畅销书肯定不会少心理学的一席之地。这说明大众是有深入了解心理学的动机和需求的，但是心理学同行们缺少「说人话、对人说」的能力，就造成了牛鬼横行的乱像。

比如解释「生理疲劳」和「心理疲劳」的区别，如果我们说心理疲劳是工作倦怠、是力竭性心理反应，恐怕没几个人能听明白，或者愿意听你吧啦吧啦解释不停。

但如果你说，「生理疲劳：心理想做，但身体无力」；「心理疲劳：身体有力，但心理不想做」，这样是不是就马上懂了。

或者像解释「焦虑」和「抑郁」区别，很多心理学同行都不一定能讲清楚，二者之间到底有什么区别。但如果说「想自杀是抑郁，不想自杀是焦虑」，虽然这样表达不一定中肯严谨，但至少简明扼要的讲清楚了二者的差异。先用「人话」黏住听众耳朵，后面再不断深入探讨，最后还能举例浅出，是谓学透。

闲谈 057

心理学研究生硬技能对照表：

• 能够在不连接学校 IP 的情况下，下载中英文的文献；
• 能够使用技术工具下载百度的付费文档；
• 能够轻易找到大部分问卷量表的原始题本；
• 熟悉绝大多数主流的认知任务，并能用编程软件呈现出来；
• 有稳定的登山工具，掌握 Google / Google Scholar 的快速信息检索方法；
• 可以使用文献管理工具，管理 1000 篇以上的论文；
• 对 OFFICE 软件有着远超一般水平的使用水平和美的标准规范；
• 用过脑电、眼动、生理多导仪等设备，会基本的数据分析。

心理学研究生软技能对照表：

• 认知、统计、实验、测量几个学科 + 专业领域方向的统合知识；
• 建构自己对于整个心理学一级学科的独特知识结构和知识品味；
• 具备较强的信息检索、信息分析、信息整理的能力；
• 具备高阶的「听说读写」能力，擅长写文章、做汇报，进行高密度知识输出。

闲谈 056

对于一些特种行业，心理学的测评筛查服务就是一种「政治性任务」，是对「公权力」的响应。并非出自市场真实需求，所以市场能够给予的反哺有限，无法给出切实的结果反馈，就不能形成有效的迭代正循环。所以很多心理学产品，都是外强中干，花活多，真材实料少，表面花里胡哨，其实底层理论都站不住脚。

对于这种作秀，其实做起来也要非常慎重，因为测评结果往往涉及到「标签问题」。这个测评结果，一旦落定，监管者很难不给测评对象贴上标签。尤其是心理筛查工作在很多行业，仍然是被污名化的，所以测评的等级、出具的风险名单，变相成为受测对象的「终身标签」，进一步影响其职业发展，更严重的还会酿成悲剧。

闲谈 055

面对当下的信息洪流，牛鬼横行，培养足够能量的心理资本就显得格外重要。心理资本有别于社会资本、物质资本，它指的是一种积极的心理发展状态，解决人生发展中的「不忧、不惑、不惧」。

作为情绪能量的心理资本蓄水池，核心维护的是我们的「心力、心气」，也就是还在坚持真理与热爱，坚持做自己确认正确的事情，没有泯于众人。现在社会的躺平现象，其实是年轻人看不到奋斗的念头，心气被浇灭了。没有心气的能量支撑，怎会有面对狂风暴雨仍有「此心不动」的定气，淡定从容的洒脱，怎能达到「宠辱不惊，悲喜不动」的状态。

那么在这个操蛋的时代，如何保护自己的心气呢？

• 保持信息钝感。不要陷在信息的洪流中，刻意保持信息的不灵敏，没必要知道社会上的每一条新闻热点。尤其是现在热点充斥负面消息，没丝毫价值可言。尽量远离信息过载的 App，对信息主动降噪。
• 培养内感受网络。充足的睡眠，健康的饮食，定期的锻炼，去看山观海，亲近大自然。让身心皆处于稳定状态。
• 建立积极情绪体验。每日体验到心流，利用成功者效应，让积极情绪进行自我的扩展建构。

闲谈 054

我们一生能读的书有限，大部分人不会超过 100 本，少部分人超过 1000 本，极少数人能看 10000 本。

读书，读好书，是最值得投资的一件事。买书，不计成本的买好书，@学叔 下一阶段争取实现「买书自由」。

6 年时间收藏 400 余本好书，为自己个人图书室达到 500 本藏书努力。买书不可不多，读书不可不知所择。

闲谈 053

现在新型科研设备层出不穷，问卷量表作为心理学最早的技术研究手段，仍是不可或缺的。最近使用问卷量表较多，发现即便是信效度良好，发表在优质期刊上的这些问卷，仍有不少问题。

1）问卷题项的描述压根不尊重测试对象的文化水平，比如监狱犯人或者 JUN 队战 SHI，这些特殊人群的文化程度并没有想象的高，很多题目的描述方式很难理解词意，就必然会影响问卷的数据结果。尤其是一些题目能够直接描述，非要进行反而，或者否定句，这种方式不太能被很好理解。比如「非自愿入伍」。
2）题项的描述用词并非这些群体的通用话语，缺少内部针对性。很多用词都是偏社会的用词，并不是这些群体通常使用的交流内容，也会造成理解上的偏差。同时很多问卷都是上个世纪编制的，到了现代化社会，很多情境已然发生较大转变，题项的描述的情况已经不存在了。
3）如果问卷量表连最基本的「说人话」、「对人说」，都无法达到的话，那么结果可想而知。

闲谈 052

今天把这个问题，给大家讲透一下，这个是 @学叔 去年拿到的一份「心理特质」检测报告。同样是摄像头的心理识别，只需要 30min。我们一起看下报告的几个问题：

• 「信息来源与报告有效性」部分，它强调「本报告所载的资料、意见及预测仅反映本公司专业人员基于发布本报告当日的专业判断，本报告所指称的相关事项均存在有重大突变的可能。」这句话基本上就是免责声明。等于说测评的变异性非常大，所以不准也是你们自己的问题。

• 它的测评「性格体质状况、心理健康状况、心理动力状况、心理能力状况、心因行为状况」这些维度，有非常多是稳定的特质和因素，所以这些测评因素是不应该有较大变异的。应该每次测评结果都是一样的才对，这样才能做基本的重复性验证。同时如果它对自己算法自信的话，可以提供一个标准的验证方法，比如怎么拍视频，什么类型的样本，就能得到特定的结果。如果能给出这个的话，信度还是能有一点保证的，信度其实就是稳定性对吧。如果这个都无法验证，并且测量两次，得到的结果偏差较大，尤其是在稳定特质上，那基本就是假的。

• 报告中提到它的算法「结合了生物统计学、生物测定学、生物热力学、生理心理学、机器视觉、机器学习等多学科理论」，这个其实核心的还是通过机器视觉来分析表情、面部的血流量情况（透皮血氧成像法）、面部图像的能量值，这几个特征来反映心理状态，其实科研领域也有这样做的。但是科研领域一般通过「面部表情」能够识别疲劳，像眨眼次数、瞳孔直径、打哈切次数等来定量分析，这个是比较成熟的方法。目前的科研成果也就在这个基础上进步一些，但他们这么丰富的指标，远远超出了科研领域能提供的基础成果支撑。说白了，可能没有太多理论研究成果和实际应用成果的支撑。同时它的问题还在于，没有「明确的场景、明确的任务」，如果脱离这两个就会让测评失去联系，可解释就变成了泛泛的结果而已。怎么解释、怎么说都对，无法进行明确的验证。所以情境化测评，就变得异常重要。这就是「生理」和「心理」的区别，「生理指标」比如医院体检，是不需要考虑情景的，直接测即可。但是「心理」的状态，非稳定的部分，和所处情境有非常大关系。

• 另一个严重问题是，机器学习算法需要有明确标签才能进行模型训练的，它的这些测评维度，其实很难得到真实、准确的标签，比如这个人焦虑情况下的表情、非焦虑情况下的表情，需要积累大量的面部表情数据，才能训练一个泛化能力强的模型。它这个报告测评维度这么多，每一项都需要单独得到真实标签，才能进行机器学习模型的构建，标签必须是独立的，不能重合。但是看它的【算法模型】部分，压根没有提到这个问题。

• 再就是基于一个维度数据（视频数据），很难得到这么丰富的测评指标，它是 25 项。这就类似你的一个验血结果，有 25 种解读的方法。但我们都知道验血的结果，是需要和其它检查结果、报告，相互辅助解读的。然后即便可以识别出这么多维度，识别的颗粒度其实也是比较粗糙的，就是压力大、压力小这种二分类的识别结果。从机器学习的角度，基本上不可能得到这份【分析报告】这么丰富、颗粒度这么详细的数值结果。

• 这套「智能算法」的做法 @学叔 猜测先收集一堆问卷数据，然后拍摄视频，用视频的特征和问卷数据做相关。这是比较通用的一种方法，倒也没问题，只是问卷结果本身就比较主观，然后再用视频结果做对应，如同空中楼阁，结果可想而知。如果他们问卷数据都没收集，直接对视频数据进行标签标定的话，可信度会更差。

所以你们看外人看起来很「高大上」的方案报告，在内行人眼里一文不值。这就是「精致的专业主义」。专业本质是「限制与精致」。专业人士在自己的领域掌握足够多的「条件化因素」，清楚每个结论的限制条件和前置条件；同时又可以在深度与广度上呈现求真之美，是为精致。外行与内行的区别是，外行的知识体系是没有限制的，任意使用、任意复用、任意滥用。