計算精神醫學：從心理運算到臨床照護的跨領域知識書庫
計算精神醫學（Computational Psychiatry）以形式模型研究精神健康相關的認知、情緒、學習、決策與神經機制，嘗試把第一人稱經驗、行為任務、神經資料與臨床問題連接起來。本書將它視為一種研究方法與知識計畫，而不是「用 AI 自動診斷精神疾病」的同義詞。
本書的核心主張是：模型的價值取決於它是否提出清楚、可反駁、可重現且對生活與臨床決策有增益的假說。 一個數學上能擬合資料的模型，並不自動成為可靠的個體表型；一個跨診斷的理論，也不表示所有診斷共享同一機制。
全書架構
1. 理論與方法
計算精神醫學由神經科學、心理學、精神醫學、數學與電腦科學交會而成。主要模型家族包括強化學習、貝葉斯推論、預測編碼、主動推論、漂移擴散模型與神經迴路模型。不同方法回答不同問題，應由心理運算與資料特性決定模型選擇。
2. 臨床現象與候選運算
研究焦點逐漸從單一診斷標籤轉向獎賞學習、快感缺失、習慣與目標導向控制、不確定性學習、社會推論及探索／利用決策等維度。這些是候選機制，不是已經確立的病因；證據需逐項評估，並保留研究結果互相矛盾的可能。
3. 測量與臨床轉譯
計算表型需要參數恢復、模型識別、重測信度、構念效度、跨任務泛化與外部驗證。研究還要檢查模型是否真正改善臨床決策，並評估對不同族群的錯誤成本、可及性、隱私與自主權。
4. 全球研究與共同知識
本書收錄英國／歐洲、美國、日本，以及南非、奈及利亞等地生活經驗顧問參與研究的案例。這些材料是可追蹤的起點，而非完整全球盤點。未來應補入更多亞洲、非洲、拉丁美洲與多語言研究，並檢查任務、資料與構念是否具有文化等值性。
建議閱讀路徑
初學者：先建立全貌
- 計算精神醫學入門教材建立跨層次研究地圖
- 計算精神醫學嘗試連接神經機制與臨床問題
- 計算精神醫學的整體研究架構
- 計算精神醫學 Computational Psychiatry、強化學習 Reinforcement Learning、貝葉斯推論 Bayesian Inference、預測編碼 Predictive Coding
方法路徑：理解模型假設
臨床路徑：比較候選心理運算
批判路徑：從研究走向照護
概念地圖（MOC）
靈感筆記（IDEA）
- 以日常探索任務研究習慣彈性而不做自我診斷
- 把內觀觀察轉成可反駁的研究問題而不混同理論
- 以生活經驗共同設計人際信任與社會學習任務
- 建立多語言跨文化任務以檢查計算測量等值性
- 建立從研究文獻到臨床假說的公開知識圖譜
- 用治療前後的機制變化檢驗介入是否作用於預期歷程
- 把計算模型的解釋力與照護資源分配的公平性一起評估
概念筆記（TERM）
- 計算精神醫學 Computational Psychiatry
- 強化學習 Reinforcement Learning
- 貝葉斯推論 Bayesian Inference
- 預測編碼 Predictive Coding
- 主動推論 Active Inference
- 自由能原理 Free Energy Principle
- 獎賞預測誤差 Reward Prediction Error
- 精確度加權 Precision Weighting
- 模型式與模型無關強化學習 Model-based and Model-free Reinforcement Learning
- 探索與利用 Explore–Exploit
- 漂移擴散模型 Drift-Diffusion Model
- 部分可觀察馬可夫決策過程 POMDP
- 研究領域準則 RDoC
- 計算表型 Computational Phenotype
- 快感缺失 Anhedonia
- 不確定性 Uncertainty
- 社會學習 Social Learning
- 跨診斷研究 Transdiagnostic Research
- 重測信度 Test–Retest Reliability
永久筆記（NOTE）
- 計算精神醫學的模型應明確指出它要解釋哪一種心理運算
- 模型可計算不代表它已具備臨床效用
- 診斷類別不能直接當作單一心理機制
- 參數必須先可識別與可重現才能代表個體差異
- 模型比較不能取代外部預測與重複驗證
- 預測誤差的意義取決於任務中的生成結構
- 獎賞學習同時涉及期待、感受、動機與努力成本
- 習慣是學習策略與環境結構互動的結果
- 不確定性既可能推動探索也可能促發迴避
- 跨診斷研究不是假定所有疾病共享同一種機制
- 生態效度要求研究任務回到真實生活的情境結構
- 患者參與是知識品質的一部分而不是禮貌程序
- 文化情境會改變同一計算參數的意義
- 臨床模型應提供可協商的假說而不是固定病人標籤
- 主動推論把知覺更新與行動選擇放在同一模型中
- 模型式與模型無關強化學習是操作性區分而非人格分類
- 社會學習把人際互動拆解成可檢驗的推論過程
文獻筆記（DATA）
- 計算精神醫學入門教材建立跨層次研究地圖
- 計算精神醫學嘗試連接神經機制與臨床問題
- 機制導向模型與資料導向模型必須使用不同的臨床評估標準
- 預測腦與精神病理的自由能觀點提供統一但待檢驗的框架
- 精神健康研究可以從診斷類別轉向跨診斷功能維度
- 憂鬱中的快感缺失可以拆解為獎賞預測與努力學習問題
- 強迫症與強迫行為研究檢視目標導向和習慣系統的互動
- 焦慮可以被研究為不確定性學習與迴避決策的問題
- 社會學習模型可以跨診斷比較人際推論差異
- 探索利用決策是候選跨診斷機制但現有證據仍不一致
- 計算表型必須經過構念效度與縱向信度檢驗
- 患者與生活經驗顧問能改變研究問題及結果解釋
- 日本已建立計算論精神醫學研究室與跨機構研究網絡
- 主動推論與腦影像可用來研究計算表型的時間變動
- 預測編碼研究需要從統一理論走向可區辨的實證預測
- 精神健康人工智慧倫理必須包含患者參與與權力分析
重要研究與書籍入口
- Seriès（編），《Computational Psychiatry: A Primer》（MIT Press, 2020）：Peggy Seriès（編）《Computational Psychiatry: A Primer》（2020）。
- Redish、Gordon（編），《Computational Psychiatry: New Perspectives on Mental Illness》：A. David Redish、Joshua A. Gordon（編）《Computational Psychiatry: New Perspectives on Mental Illness》（2016／平裝版 2022）。
- Huys、Maia、Frank（2016），計算精神醫學作為神經科學到臨床應用的橋梁：Huys、Maia、Frank（2016），Computational psychiatry as a bridge from neuroscience to clinical applications。
- Friston（2023），由突觸到感知的計算精神醫學觀點：Friston（2023），Computational psychiatry: from synapses to sentience。
- 《The promise of a model-based psychiatry》（2022）：The promise of a model-based psychiatry: building computational models of mental ill health（2022）。
- NIMH 的 RDoC 研究框架：美國 NIMH，Research Domain Criteria（RDoC）FAQ。
- Lloyd 等（2024）探索／利用跨診斷回顧（含生活經驗顧問）：Lloyd 等（2024），Reviewing explore/exploit decision-making as a transdiagnostic target for psychosis, depression, and anxiety。
- NCNP 日本計算論的精神医学研究室：日本國立精神・神經醫療研究中心（NCNP）計算論的精神医学研究室。
使用與維護原則
data/保存來源摘要、書目資訊、研究設計、主要發現與限制。note/一張卡只保留一個可重組的主張，並在正文中連到相鄰卡片。idea/保存尚待檢驗的延伸問題與實際行動，不把假說寫成已證實結果。term/提供概念定義、互相連結及中英文維基百科搜尋入口。moc/提供領域地圖、Mermaid 關係圖與閱讀導航。
此書庫是研究導讀與知識組織工具，不提供個人診斷或治療建議。任何臨床用途都需要合格專業人員、可靠測量、外部驗證與患者共同決策。