斯皮尔曼（Spearman）秩相关系数作为非参数统计方法，近期在AI与心理学交叉研究中频繁出现，主要用于评估变量间的单调关联。其优势在于不要求数据正态分布，适用于非线性关系检测。
- 近期主要进展：
- 心理幸福感预测：研究利用LLM从自发语音预测心理幸福感，报告Spearman相关性高达0.8，表明语言特征与主观幸福感存在强单调关联（LLM从自发语音预测心理幸福感，相关性达0.8）。
- 代码质量评估：FASE方法提出“快速自适应语义熵”，用于代码质量评估，其有效性可能涉及Spearman相关性的应用（FASE：快速自适应语义熵提升代码质量评估）。
- 激活值分析：在探究激活值与样本质量关系时，研究指出MLP输出与样本质量无显著相关，暗示Spearman相关性可能不适用于该场景（激活值主动学习在上下文学习中失效：MLP输出与样本质量无显著相关）。
当前焦点：Spearman相关系数在AI可解释性中的应用，尤其是在评估特征与目标变量之间的非线性关联时。未来观察点：该指标在稀疏自编码器、异常检测等领域的适用性，以及其与Pearson相关系数的对比评价。