面向神经发育评估的神经多样性感知型多模态情感计算：从常模参照分类到情境敏感型决策支持

自动化神经发育评估日益结合计算机视觉、语音、眼动追踪、生理信号和机器学习，但多模态性与判别能力并不能证明构念效度、临床实用性或对行为差异的适当解释。我们提出一种可检验的、具备神经多样性感知能力的多模态情感计算架构，其中，相对于总体的偏离不被视为功能受损的充分证据。本文是一篇概念性文章，既未报告新的参与者层面研究，也未训练预测系统，且不主张任何预测或临床优越性。该框架在整个推理过程中始终区分可观测信号、模态质量与可用性、情境、相对于总体的信息、合并的个体内参照，以及在证据充分时采用的情境条件化个体内参照和预测不确定性。框架定义了结构化的决策支持输出，并提出了针对目标效度、时间完整性、情境泄漏、缺失模态鲁棒性、校准、亚组评估、可解释性、隐私保护和人工决策边界的可审计要求。本文的贡献在于架构而非算法：它规定了可通过实证检验的约束条件，这些约束可采用不同的多模态学习方法加以实现。自闭症构成本文的主要动机性证据基础，但不预设这些结论能够不加改变地迁移至其他神经发育状况。