自2019年以來，使用自然語言處理（NLP）在心理健康干預研究領域快速成長。研究指出趨勢包括運用大型語言模型和探討多樣臨床類別。然而，仍存在語言多樣性和可重現性的挑戰。為此，提出了NLPxMHI研究框架，以引導未來填補缺漏，提升NLP在心理健康干預上的應用。 PubMed DOI

大型語言模型（LLM）應用廣泛，包括心理健康領域。然而，使用LLM強化的對話人工智慧（CAI）協助抑鬱症患者面臨人性化和情境韌性挑戰。觀點論文探討這些挑戰，提出跨學科解決方案，結合哲學、心理學和計算機科學。為了負責地設計和應用LLM增強的CAI支援抑鬱症患者，提出建議。 PubMed DOI

像ChatGPT這樣的大型語言模型(LLMs)在精神醫學領域有潛力搭起人工智慧與人類認知過程之間的橋樑。它們可以協助診斷心理健康問題、管理憂鬱症、評估自殺風險，並支援教育。然而，存在一些限制，例如處理複雜案例的困難和低估自殺風險。未來的研究可能會探索LLMs如何重塑精神健康照護。 PubMed DOI

全球心理健康問題日益嚴重，現有的照護模式無法滿足需求。大型語言模型（LLMs）被視為解決方案，能在心理健康教育、評估和介入上提供幫助。本文回顧了LLMs的應用，並指出其潛在的正面影響與風險，強調需採取策略來降低風險。平衡心理健康支持的需求與LLMs的負責任開發至關重要，確保這些模型符合倫理標準，並讓有經驗的人參與開發，以減少傷害並增強其正面影響。 PubMed DOI

這項研究探討簡短書面回應的情感與抑鬱症狀變化的關係，招募了467名參與者，並使用PHQ-9評估抑鬱症狀。研究發現，人類評審和大型語言模型（如ChatGPT）的情感分析能有效預測三週內的抑鬱症狀變化，而語言查詢工具（LIWC）則無法。研究還指出，語言情感與當前情緒有關，但能獨立預測抑鬱症狀變化，顯示結合AI工具的情感分析可作為預測精神症狀的有效方法。 PubMed DOI

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

自然語言處理（NLP）是人工智慧的一個重要領域，專注於理解和生成自然語言，尤其在醫療領域的應用越來越普遍。這篇回顧分析了2018至2023年間的27篇相關論文，探討NLP如何改善病患溝通、篩選電子健康紀錄，並自動化臨床試驗的候選者識別。研究顯示，NLP技術能有效處理大型非結構化數據，提升公眾情感分析和風險預測模型的準確性，並幫助醫療提供者縮短與病患的溝通距離，進而提升醫療服務品質。 PubMed DOI

這篇系統性回顧探討大型語言模型（LLMs）在心理健康領域的應用，特別是在早期篩檢、數位介入和臨床應用的有效性。回顧分析了2017年到2024年期間的40篇文章，結果顯示LLMs能有效識別心理健康問題並提供電子健康服務，但也存在文本不一致、幻覺現象及缺乏倫理框架等風險。主要挑戰包括需要多語言專家標註的數據、內容可靠性及數據隱私等倫理問題。雖然LLMs不應取代專業服務，但作為輔助工具的潛力值得進一步研究。 PubMed DOI

這項研究系統性回顧了生成式人工智慧在精神科和心理健康領域的應用，強調語言在診斷和治療中的重要性，並指出其潛力改變這個領域。研究人員從三個資料庫篩選出40篇主要在2023年發表的文章。結果顯示，雖然生成式人工智慧如ChatGPT在提升心理健康方面有潛力，但大多數研究集中於一般應用，特定心理疾病的探討較少，物質使用障礙是最常見的主題。儘管表現良好，仍需注意安全和倫理問題，未來研究應改善方法論透明度，並納入使用者意見。 PubMed DOI

抑鬱症是全球重要的公共健康議題，雖然已有研究探討人工智慧在心理健康的應用，但針對大型語言模型（LLMs）的深入分析仍不多。本系統性回顧評估了LLMs在抑鬱症診斷與管理的有效性，並探討其在臨床環境中的整合潛力。從2018年到2024年，回顧了34項研究，發現像RoBERTa和BERT等模型在早期檢測和症狀分類上表現優異。不過，LLMs的臨床應用仍需解決數據隱私和倫理問題，才能安全有效地整合進醫療實務中。 PubMed DOI