【AI 捕捉到精神分裂的 “社交断裂“：患者为何对快乐 “免疫“？】—— 首项自然场景研究揭示情感互动的神经密码

精神分裂症不仅表现为幻觉、妄想和思维紊乱等阳性症状，还伴随显著的社会与职业功能下降。这种功能下降与社交技能、社会知觉、情绪认知及情绪共感(interaffectivity)缺陷密切相关。情绪共感指的是情绪的循环性，其核心是身体共振与对互动对象情绪的相互响应。既往研究表明，精神分裂症患者的情绪识别与面部表情表达普遍受损，但有关面部模仿(facial mimicry)与社交同步性的结果不一致，而且大多实验在高度控制且缺乏情境真实性的条件下进行(如静态图片、演员视频、虚拟形象等)，难以反映真实的动态交互过程。因此，研究“AI-enhanced analysis of naturalistic social interactions characterizes interaffective impairments in schizophrenia”旨在在接近真实情境的互动环境中，利用人工智能(AI)辅助分析，探讨精神分裂症患者的双人情绪互动特征及其与情感淡漠(blunted-affect)的关系。

本研究共纳入精神分裂症谱系障碍患者20例，其中包括偏执型18例、青春型1例及抑郁型情感分裂障碍1例；另招募精神健康对照者20例。两组在性别比例上无显著差异，但精神分裂症组的平均年龄显著高于对照组。实验任务选用禁止言语交流的合作类桌游Magic Maze，该游戏在限时条件下要求玩家通过非言语方式完成任务，易引发紧张、兴奋和挫败等情绪反应。

实验包括“试玩轮次”(允许言语交流)与“静默轮次”(禁止言语交流)，分析基于“静默轮次”的录像资料。互动过程由三机位同步拍摄，并采用Affdex算法进行AI面部表情识别，情绪分类涵盖六种基本情绪及情绪价度(valence)。随后，将AI提取的情绪编码导入Mangold INTERACT软件，以进行3秒反应窗内的情绪反应时间匹配分析以及状态空间(state space)分析。为全面评估参与者的精神与情绪状态，研究还使用阳性与阴性症状量表(PANSS)、积极与消极情绪量表(PANAS)、简短压力状态问卷(SSSQ)及游戏体验问卷(GEQ)，并由临床医师依据录像对精神分裂症组进行情感淡漠(SANS)评分。考虑到两组存在显著年龄差异，统计分析中采用协方差分析(ANCOVA)对年龄进行调整，确保了结果的准确性与可比性。

Mangold INTERACT(Mangold，德国)；实验室设置

研究结果

主观体验

在GEQ、社交临场感、PANAS及SSSQ等主观评价方面，两组均未表现出显著差异。然而，精神分裂症组的游戏时长显著长于对照组。游戏结束后，两组参与者均表现为积极情绪增加、消极情绪降低，以及情绪参与度的提升和痛苦、担忧水平的下降，这些变化在组间并无显著差异，提示两组对游戏情境的主观感受较为一致。

面部表情特征

在整体情绪特征上，健康对照在互动中最常见且最强烈的情绪为快乐，而精神分裂症组更多表现为厌恶、悲伤和愤怒，整体情绪价度显著更负。在未调整年龄的情况下，精神分裂症组的快乐表情频率与强度均显著低于对照组，而悲伤表情的频率与强度显著更高。年龄调整后，这些差异多数不再显著，仅保留愤怒表情持续时间的差异，提示年龄因素对情绪表现结果具有一定影响。

表1 游戏期间的面部表情相关数据

情绪模仿(Mimicry)

精神分裂症组的平均情绪模仿比例显著低于健康对照。在对方呈现快乐表情时，精神分裂症组的模仿率显著更低，且该指标与情感淡漠程度呈负相关。在未调整年龄的条件下，精神分裂症组更常用愤怒表情回应对方的快乐表情，但在调整年龄后，这一差异不再显著。这一结果表明，精神分裂症患者在面对积极情绪信号时的情绪共振能力存在显著减弱。

状态空间分析

状态空间分析结果显示，健康对照与互动伙伴的情绪状态更倾向于保持同步的快乐状态，而精神分裂症组的互动则更多落入与快乐不同步的情绪状态。在整体互动模式上，两组在状态空间的离散度(dispersion)和熵值(entropy)方面无显著差异，但在未调整年龄时，精神分裂症组的情绪状态稳定性显著低于对照组，该差异在年龄调整后不再显著。

状态空间网格(State Space Grid, SSG)分析

相关分析

情感淡漠程度与愤怒和厌恶表情频率呈显著正相关，与整体情绪价度以及对快乐表情的同步反应呈显著负相关。这表明情感淡漠程度越高，患者越倾向于表现负性情绪，且对正性情绪线索的模仿与共情反应越弱。

本研究证明，在自然化的互动情境中，精神分裂症患者的主观情绪体验与健康人无显著差异，但其情绪表达模式、情绪模仿能力及正性情绪同步性明显受损。这种对快乐情绪的反应性降低及相互积极情绪状态的吸引力下降，可能是其社会功能障碍的重要机制。AI辅助的面部表情与互动分析为精神分裂症的社会认知与情感障碍研究提供了新的方法路径，并有潜力用于未来的数字化表型分析。