国家预印本平台

心理危机干预面临动态监测、精准预测与策略优化的方法挑战，传统方法难以应对心理状态的复杂性和个性化需求。本文探讨把平行智能理论引入心理危机干预，提出一个平行心理危机干预框架的概念。该框架基于ACP方法(Artificial society, Computational experiments, Parallel execution，人工系统+计算实验+平行执行)，试图通过构建人工心理系统实现状态建模，通过计算实验实现心理状态推演与干预策略评估，通过平行执行实现虚实交互的策略优化，旨在为实现可计算、可实验、可迭代的心理危机干预方法提供初步框架。作为该框架的概念验证原型，本文设计了大语言模型驱动的多智能体系统 PsyRescueGPT。该系统构建了覆盖“监测分析与预测—策略生成与评估—平行执行与优化”的全流程，旨在为心理危机干预从经验驱动转向计算驱动探索一条可行的技术路径。

漂移扩散模型被广泛应用于不同领域的反应时分析。然而，当前文献缺少对DDM的数学模型、参数估计算法和工具及如何合理使用的系统阐述。本文首先回顾了DDM的数学基础——首次通过时间函数，强调DDM从统计模型到认知模型这一逻辑“飞跃”中的关键模型预设，简述DDM参数估计的算法及其软件实现；在此基础上强调模型预设对实验任务设计与参数解读的约束，并指出两种可能使用DDM路径：严格使用标准DDM或者对其进行拓展。

本研究基于全国样本数据，本文以父母生育价值观与子代生育价值观为核心变量，系统检验生育价值观的代际传递关系，并考察性别、出生年代、城乡成长背景以及养育条件认知与养育积极感受的调节作用。结果表明：父母生育价值观显著正向预测子代生育价值观。调节分析发现，结构与心理因素均显著影响家庭生育价值观的传递强度。研究揭示传统生育观念在家庭中的延续机制，为理解低生育率社会中的观念变迁及相关政策制定提供了经验依据。

统计学习能力常作为自变量预测个体语言能力的发展，但以组间差异为目标编制的实验任务普遍信度不高，难以满足心理测量学的基本要求。本研究使用混合长度的目标结构合成学习材料，并且使用了二选一迫选和熟悉度评分两种测试任务，本研究设计了听觉语音和视觉图形两种模态，计算了测验的内部一致性系数和分半信度。结果发现使用混合长度目标结构编制实验任务的信度普遍高于以往研究；同时，视觉模态下的信度要高于听觉模态；前者迫选任务的信度也要高于熟悉度评分任务。综上，本研究推荐在视觉模态下，使用混合长度的目标结构合成学习材料，同时以迫选任务考察被试的统计学习能力。

Modern diffusion/flow-based models for image generation typically exhibit two core characteristics: (i) using multi-step sampling, and (ii) operating in a latent space. Recent advances have made encouraging progress on each aspect individually, paving the way toward one-step diffusion/flow without latents. In this work, we take a further step towards this goal and propose "pixel MeanFlow" (pMF). Our core guideline is to formulate the network output space and the loss space separately. The network target is designed to be on a presumed low-dimensional image manifold (i.e., x-prediction), while the loss is defined via MeanFlow in the velocity space. We introduce a simple transformation between the image manifold and the average velocity field. In experiments, pMF achieves strong results for one-step latent-free generation on ImageNet at 256x256 resolution (2.22 FID) and 512x512 resolution (2.48 FID), filling a key missing piece in this regime. We hope that our study will further advance the boundaries of diffusion/flow-based generative models.