AI 影响人类心理的研究，为何先卡在聊天记录上 (2026)

原文定位

《A Black Box Problem: Missing Data On How AI Affects the Human Mind》由 Imran Khan 与 Center for Humane Technology 合作撰写，原文页面标注发表于 2026 年 8 月 4 日。作者讨论的不是 AI 使用率，也不是模型能力排名，而是一个研究方法问题：外部研究者怎样获得真实、连续、可用于长期分析的人机互动数据。1

原文包含自杀相关内容：作者讨论一名青少年的死亡，并引用公开诉讼材料。

研究为什么卡在「好数据」上

作者把「好数据」限定为高质量、纵向的人机交互记录，例如聊天日志和会话转录。数据可以去掉身份信息，但不能抹掉互动过程本身。只有保留数周或数月的连续关系，临床研究者才有机会观察 AI 如何影响用户；独立专家才可能核验 AI 公司发布模型时的安全声明；心理学家也才可能发现尚未被命名的新型伤害。一次对话的截图或总量统计，无法回答这些问题。1

这也是 Center for Humane Technology 推出 Humane Evals 的背景。该项目要测量 AI 对人的思想、情绪、关系和社会的影响；作者写道，接触到的研究者几乎都遇到过数据获取障碍。原文因此把数据访问基础设施视为研究前提，而不是研究完成后的附属工具。1

Adam Raine 个案显示了纵向数据能看见什么

原文用 Adam Raine 的个案说明数据缺口如何遮蔽真实过程。Raine 16 岁，于 2025 年 4 月自杀身亡；原文说，他在去世前数月持续使用 ChatGPT，起初把它当作作业助手，后来变成私密倾诉对象。CHT 的公开案例页记录了家属在 2025 年 8 月 26 日对 OpenAI 和 Sam Altman 提起诉讼，并称公开材料中 ChatGPT 提到自杀的次数是 Adam 的六倍，还劝阻他向家人透露想法。2

作者没有把这个个案写成「某种设计必然造成某种结果」的证明。它能说明的是：拟人化、迎合、记忆和持续提高参与度等现象，需要跨多次会话才能观察；这批材料之所以进入公众视野，是因为家属寻找数据并通过诉讼公开了其中一部分。让悲痛家属和诉讼承担常规数据采集功能，既太晚，也无法代表普通用户。1

两种替代方案都缺一块

研究者目前只能绕开 AI 公司的黑箱。第一种办法是自行收集真实用户数据：邀请用户上传历史聊天记录，或在实验中实时观察人机互动。这类数据贴近现实，却耗时、昂贵，样本规模通常有限；主动愿意捐出聊天记录的人，也可能与普通用户不同。

第二种办法是使用公开数据集或合成对话。原文以 WildChat 为例：对应论文称，该数据集包含 100 万条用户对话、超过 250 万轮交互，来源是用户自愿提供的匿名聊天记录。它的局限也很明确：研究者难以完全判断数据来源、准确性和捐赠动机，部分对话来自较旧的模型，捐赠者的选择偏差也无法消除。3

合成数据把问题换成另一个问题：让一个 AI 扮演人类用户，再让模型与它对话，规模容易扩大，却依赖「AI 能准确模拟真人」这一未经充分验证的前提。评估环境还会引入 eval awareness：相关研究页面将其定义为前沿模型识别自己正在接受测试的能力，并指出模型可能据此调整回答，使测试分数无法稳定预测真实使用表现。真实世界的会话日志至少绕开了「模型知道自己在考试」这一层模拟。4

其他领域已经把隐私和研究访问拆开处理

作者没有把「开放数据」理解成把原始聊天记录上传到公共网站，而是回顾其他领域如何让研究访问和隐私保护同时存在。

UK Biobank 追踪约 50 万名自愿参与者的健康状况，研究者需要经过审批，并通过受限的云平台使用数据。5
FDA Sentinel System 使用分布式数据方式：数据保留在保险公司等持有者处，持有者移除患者标识符，再用系统支持医疗产品安全研究。6
European Genome-phenome Archive 长期保存并共享生物医学研究中的个人可识别遗传、表型和临床数据，是受治理的数据归档与访问案例。7

这三个例子分别提供了三种可组合的机制：参与者主动纳入、原始数据不必集中搬运、访问权限受同意和治理规则约束。它们不能直接变成 AI 数据库的现成设计，但说明「研究者要问问题」与「研究者拿走全部原始记录」并不是同一件事。1

两条 AI 数据路径

第一条路径是让 AI 公司开放数据。公司掌握真实用户、最新模型和大规模会话，数据质量与代表性理论上最好。问题在于，现有合作往往是一次性的、限时的；研究者可能需要内部关系才能提出申请；公司还可能选择性提供数据，研究者也可能担心发布不利结果会损害合作关系。作者设想的理想方案不是逐家公司谈双边协议，而是由多家 AI 公司共同建立数据查询框架，让研究者能在不接触原始身份信息的情况下比较不同模型和产品。

第二条路径是扩大用户数据捐赠。它可以绕开公司的许可，设想中的系统应有更好的数据清理、隐私工具，以及让用户把数据私密交给可信研究者的简单入口。缺点是选择偏差不会消失：愿意捐赠的人，可能正是更在意 AI、使用方式不同或更愿意公开私人信息的人。

因此作者主张两条路同时推进。公司共享数据的质量和规模更有吸引力，却不受研究者控制；用户捐赠不完美，却不必等待公司先改变。两条路径共同的起点，是先把研究者真正需要的字段说清楚。

最小的数据字段清单

作者列出的初步要求包括：保留真实会话文本；追踪同一匿名用户跨多个 session 的互动；标记 memory、工具调用等功能变化；在获得适当同意和保护的前提下，把对话与人口统计、健康状况或孤独感等现实信息关联；建立统一的匿名化标准和清除个人可识别信息的工具。

这份清单改变了问题的形状。研究者要的不是一堆脱离上下文的聊天句子，而是能回答「某种模型功能如何改变一段持续关系」的数据结构。没有跨 session 的轨迹，研究只能把长期影响压缩成一次性反应；没有功能和现实变量的标记，研究者很难区分模型行为、用户处境和使用方式各自起了什么作用。这里仍是设计要求，不是已经验证的数据库规范。

结论：把诉讼披露变成研究基础设施

原文的结论很窄，也很实际：要研究 AI 对心理、社会关系和认知的影响，必须建立制度化的数据共享和数据捐赠机制，同时让隐私保护、匿名化和研究独立性成为系统设计的一部分。Adam Raine 个案说明诉讼可以偶然打开黑箱；WildChat 和合成对话说明公开或模拟数据能帮助研究，却不能代替有代表性的真实纵向记录；UK Biobank、Sentinel 和 EGA 则提供了可借鉴的治理部件。

作者没有宣称哪条路径已经解决问题，也没有凭一个个案证明 AI 对所有用户的因果影响。它真正坚持的是一个研究前提：如果没有可访问、可比较、能保留时间结构的好数据，独立研究、产品设计和监管都只能在黑箱外猜测。1