该技能面向心理实验中“预测参与者下一选择”的任务，处理人类行为实验的文本转录，其中参与者每次作答以 <<KEY>> 形式记录，风格类似 Psych-101 / Psych-201 数据集。
用途：给定一个条目列表，每项包含 {study, history, options[, options_text]}，history 是截至待预测作答的会话文本（含指导语、先前试次、参与者本人此前的 <<KEY>> 作答与结果），并可额外提供其他参与者的训练会话 {study, text, responses: [{pos, response, options}]}。交付物是按条目顺序排列的字符串列表，每个元素取自该项 options 中的合法键。
主要能力：
- 基线：众数预测，即取合法键中出现频率最高的先前作答（并列时取最近者，无则取第一个键），对应 scilib.psych.mode_prediction。
- 统一接口 fit_predict(items, train_sessions=None, method="auto", extra_items=None, seed=0, return_proba=False, population_prior=True, llm_answers=None, llm_weight=0.35)，支持 mode、last、kernel、qlearn（带 softmax 与 perseveration 的 Q 学习）、wsls、personal（三种历史模型的 BIC 加权混合）、gbdt（基于历史特征的 LightGBM，用训练会话与条目历史拟合）、auto（personal 与 gbdt 各半）、all（返回所有方法键的字典）；操作符为 choice_next_response_predict。
- 交叉验证：cross_validate(sessions, method, n_splits=4, per_session=4, seed=0, extra_methods=()) 按研究给出相对众数基线的折外准确率，操作符 choice_model_cross_validate，并提供 make_pseudo_items、parse_trials、trial_features 等辅助函数。
- 语言模型路线：build_prompts(items, style="transcript" | "long" | "model") 构建提示，在画布上使用 llm 节点（模板 {item}，解析为 text，小 max_tokens；代码节点不能调用模型），再经 parse_answers(replies, items) 解析，最后用 fit_predict(..., llm_answers=[answers]) 把答案占比混入模型概率；操作符为 choice_llm_prompts、choice_llm_answers_parse。语言模型可读取指导语文本，而历史模型不读取。
- 路由建议：对出现在训练会话中的研究，使用按参与者的 qlearn（或经 cross_validate 选出的 qlearn、personal、wsls 中最优者）；对未出现的研究，使用池化的 gbdt：调用 fit_predict(method="all") 并按条目的 study id 是否出现在训练会话中逐条选择方法。仅在可见的 study id 上切换，绝不依据目标值切换。
使用方式：调用 scilib.psych.fit_predict 等接口，按需选择方法或语言模型混合路线；评估使用微平均准确率，非法键计为错误。
适用场景：心理实验行为数据的下一选择预测、方法基线与模型对比、按参与者分组的交叉验证评估，以及结合语言模型读取指导语信息的预测增强。
限制与规则：只使用作答标记之前的文本，不得使用后续试次或记录的目标值；交叉验证的折必须按参与者分组，除条目自身先前历史外不得用被预测条目拟合；输出必须只含合法键，并按要求的顺序与长度。少量条目的准确率噪声较大，建议采用按参与者分组的交叉验证。