计算精神病学
Computational Psychiatry
流派用算法模型解码精神症状的数学语言，让心智异常成为可计算的信号系统。
核心定义
计算精神病学是结合计算神经科学与临床精神病学的交叉学科，通过数学模型、机器学习与动力系统理论，量化分析精神疾病的神经机制。它将症状视为多维信号系统中的异常模式，而非单纯的生物化学失衡。核心方法论包括贝叶斯推理模型对感知偏差的建模，以及强化学习框架对决策障碍的解析。
渊源与演变
该领域诞生于21世纪初，受认知神经科学量化革命与人工智能发展的双重推动。早期研究者将预测误差最小化原理应用于精神分裂症的幻觉研究，发现患者大脑的先验信念权重异常。随后默认模式网络的动力学分析为抑郁症提供了新视角，而社会认知的计算模型则重新定义了孤独症谱系障碍。
全人视角
从全人视角看，计算模型揭示了症状的适应性本质——强迫行为可能是 uncertainty intolerance 的极端表达，焦虑则是 threat detection 系统的校准偏移。在身心整合层面，这些数学模型与正念训练的神经可塑性研究形成镜像：两者都通过改变注意力分配权重来重塑经验加工。计算精神病学最终指向的不是“修复故障”，而是理解意识系统的弹性边界。
整合寄语
尝试用算法思维观察自己的情绪波动：当焦虑来袭时，将其视为一个过度敏感的威胁检测算法，而非人格缺陷。通过元认知记录触发条件与强度，你会发现自己正逐步成为内在系统的观察者与调谐师。