人工智慧有潛力改變研究，尤其在自動化數據分析和產生新見解方面。研究指出，人工智慧對公共衛生的影響很大。雖然GPT-3模型在科學研究中有貢獻，但需注意其生成的文本可能虛構。因此，使用人工智慧需謹慎，並建立相關指引。 PubMed DOI

研究使用ChatGPT等人工智慧技術支援戒菸，從Reddit選取真實戒菸問題作為ChatGPT提示，分析回應主題如戒斷、自我調節和同儕支持。五位專家評估回應的準確性、清晰度和同理心。在專家指導下，ChatGPT可成為設計個人化戒菸干預措施的重要工具，包括戒煙。 PubMed DOI

研究利用人工智慧辨識反對電子煙的Instagram貼文，發現警示標誌和教育內容等特徵與高互動有關。討論電子煙風險的貼文比戒菸的獲得更多迴響。強調在社群媒體上傳達反對電子煙訊息的重要性，特別是對年輕人。 PubMed DOI

研究指出，社群媒體可幫助監控HPV疫苗疑慮。透過語言模型分析超過653,000則推文，發現不良反應、個人經驗及疫苗強制接種等議題。2020年後，推文中出現個人經驗及父母同意和透明度的討論。這方法有助於針對性干預、揭露錯誤資訊，並改善公共衛生宣導。 PubMed DOI

使用大型語言模型（LLMs）如ChatGPT、OPT-13B和OPT-30B可以幫助自動生成高品質的戒菸干預訊息，這些訊息模仿專家的寫作風格。研究顯示，這些由LLM生成的訊息在品質、準確性、可信度和說服力方面符合臨床標準，使它們成為增強戒菸干預的寶貴工具。 PubMed DOI

這項研究探討了使用GPT-3.5語言模型，從MIMIC-III數據集中提取有關煙草、酒精和藥物使用的資訊，特別是病人出院摘要。研究強調了解行為因素對改善健康結果的重要性。雖然傳統自然語言處理方法面臨挑戰，但大型語言模型顯示出潛力。研究採用零樣本和少樣本學習技術，結果顯示零樣本學習在提取藥物使用提及方面有效，而少樣本學習則在評估使用狀態上表現更佳，雖然精確度有所下降。這強調了AI在電子健康紀錄中的應用潛力，有助於提升病人護理的個性化與有效性。 PubMed DOI

這項研究評估大型語言模型（LLMs）在社交媒體健康相關文本分類的表現，並比較了不同模型的效果。結果顯示，基於人類標註數據的模型如RoBERTa和BERTweet表現優於基於GPT-3.5和GPT-4的模型。雖然LLM可用於數據增強，但僅依賴LLM標註數據訓練效果不佳。研究指出，LLM作為零樣本分類器能有效減少假陰性，並減輕手動標註負擔，顯示其在特定領域自然語言處理的潛力。 PubMed DOI

這項研究探討生成性大型語言模型（LLMs）在分析公共健康相關社交媒體內容的可行性，特別是疫苗言論。研究發現，LLMs通常能有效識別人類專家所關注的主題，且錯誤信息出現率較低。雖然LLMs的分析深度不及人類專家，但專家認為其生成的主題仍然合理且相關。總體來看，LLMs在處理健康相關社交媒體內容方面展現出顯著潛力，未來可能有助於公共健康策略的制定與社區關注的理解。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析社交媒體貼文，評估公眾對疫苗接種態度的應用。研究人員比較了不同LLMs的表現，包括GPT模型和開源替代品，並與基於規則的情感分析工具進行對比。結果顯示，使用表現最佳的LLMs進行少量提示能獲得最佳效果，而其他方法則有較高的誤分類風險。研究強調LLMs在公共衛生領域的潛力，建議將其納入公共衛生監測，以提升對健康政策公眾意見的評估能力。 PubMed DOI

這項研究強調生成式人工智慧（AI）在健康照護中，特別是針對2型糖尿病患者用藥遵從性方面的潛力。研究提供了一個透明的提示設計和內容生成過程，並附上1,150則由GPT-3.5模型生成的訊息，這些訊息符合可讀性和簡訊標準。研究指出生成訊息的多樣性，並建議這種方法能提升健康內容開發的效率與透明度。未來需評估這些介入措施對行為改變的倫理影響和有效性。 PubMed DOI