政府与市场关系是经济学的世界性难题，也是中国特色社会主义市场经济的核心问题。在政府政策制定与实施过程中，经济主体会基于自己掌握的信息和认知能力，学习、解读政策含义，形成对政策影响的预期，并基于自身利益最大化原则做出最优决策，从而影响宏观经济运行。因此，研究政府政策背景下各类经济主体的预期等心理因素的产生原因与形成过程，以及经济主体心理因素对经济运行与政策效应的影响机制，是深刻认识政府与市场关系的一个重要视角。本文提出利用人工智能特别是机器学习方法，从海量非结构化大数据提取政府政策变化与各类经济主体对政策变化的反应等信息，从理论和实证两个层面分析经济政策与经济主体的互动关系，以及经济主体心理因素如何影响经济运行与政策效应，并探讨发展非结构化大数据计量经济学，推动形成分析经济政策背景下经济主体心理因素及其影响的实证研究范式，以深入研究政府与市场关系。...
语言相对性论 (Linguisitic Relativity)也叫萨丕尔-沃尔夫假说 (Whorfian Hypothesis)， 该假说认为不同的语言能否决定母语者的思维。语言不仅反映了我们对世界的认知，还会影响我们对世界的感知和思考方式。对于用某个单词表示的某个事物，使用不同语言的人会有不同的理解，而这种看待现实世界的方式之所以不同，证实由于语言本身的差异。 与该假说形成息息相关的学者依次有洪堡特、鲍阿斯、萨丕尔、沃尔夫等。...
”可复现研究的数量远远低于科学界期望，我们创建了一个基于文本数据的机器学习模型，估计了自2000年以来心理学六个子领域中发布的超过14,000篇文章的可复现性分析。此外，我们还调查了可复现性与不同的研究方法、作者的生产力、引用影响力和机构声誉、论文的引用增长和社交媒体覆盖率有关的变化。我们的研究结果有助于建立大规模的经验模式，以便为推进复现研究提供依据。The number of manually replicated studies falls well below the abundance of important studies that the scientific community would like to see replicated. We created a text-based machine learning model to estimate the replication likelihood for more than 14,000 published articles in six subfields of Psychology since 2000. Additionally, we investigated how replicability varies with respect to different research methods, authors 'productivity, citation impact, and institutional prestige, and a paper’s citation growth and social media coverage. Our findings help establish large-scale empirical patterns on which to prioritize manual replications and advance replication research.“...
在《逻辑哲学论》中，维特根斯坦（1961）著名地写道：我的语言的限制意味着我的世界的限制（The limits of my language mean the limits of my world!）”（第23页）。作为表达思想和感情的符号系统，语言和词语揭示了我们的重要信息。我们如何表达自己反映了我们是谁，我们如何感受，我们如何处理信息以及我们关心什么。例如，经历积极情绪的人使用更多的积极情感词汇和感叹号（Hancock等人，2007），而那些处于痛苦中的人则倾向于关注自己并使用更多的第一人称单数代词（Rude等人，2004）。因此，语言和词语的研究可以帮助理解人类心理。...
词嵌入是自然语言处理的一项基础技术。 其核心理念是根据大规模语料中词语和上下文的联系, 使用神经网络等机器学习算法自动提取有限维度的语义特征, 将每个词表示为一个低维稠密的数值向量(词向 量), 以用于后续分析。 心理学研究中, 词向量及其衍生的各种语义联系指标可用于探究人类的语义加工、认知判断、发散思维、社会偏见与刻板印象、社会与文化心理变迁等各类问题。 未来, 基于词嵌入技术的心理 学研究需要区分心理的内隐和外显成分, 深化拓展动态词向量和大型预训练语言模型(如 GPT、BERT)的应用, 并在时间和空间维度建立细粒度词向量数据库, 更多开展基于词嵌入的社会变迁和跨文化研究。 As a fundamental technique in natural language processing (NLP), word embedding quantifies a word as a low-dimensional, dense, and continuous numeric vector (i.e., word vector). Word embeddings can be obtained by using machine learning algorithms such as neural networks to predict the surrounding words given a word or vice versa (Word2Vec and FastText) or by predicting the probability of co-occurrence of multiple words (GloVe) in large-scale text corpora. Theoretically, the dimensions of a word vector reflect the pattern of how the word can be predicted in contexts; however, they also connote substantial semantic information of the word. Therefore, word embeddings can be used to analyze semantic meanings of text. In recent years, word embeddings have been increasingly applied to study human psychology, including human semantic processing, cognitive judgment, divergent thinking, social biases and stereotypes, and sociocultural changes at the societal or population level. Future research using word embeddings should (1) distinguish between implicit and explicit components of social cognition, (2) train fine-grained word vectors in terms of time and region to facilitate cross-temporal and cross-cultural research, and (3) apply contextualized word embeddings and large pre-trained language models such as GPT and BERT. To enhance the application of word embeddings in psychology。