這項研究提出了一種新方法，利用E-DAIC數據集自動預測憂鬱症的嚴重程度。研究人員運用大型語言模型（LLMs）從訪談文字中提取憂鬱症指標，並用患者健康問卷-8（PHQ-8）分數訓練預測模型。他們還結合視頻中的面部數據，發展多模態方法。結果顯示，增強文字數據的語音質量能達到最佳表現，平均絕對誤差為2.85，均方根誤差為4.02。整體來看，這項研究強調了自動化憂鬱症檢測的有效性，並建議多模態分析的優勢。 PubMed DOI

這個對話系統的目的是改善機器人與孩子的互動，透過更好地理解孩子獨特的語言特徵，如不完整句子和發音錯誤。現有的大型語言模型在解讀孩子意圖時不如人類準確，因此系統採用微調方法，利用人類對孩子回應的判斷差異來訓練。這樣一來，系統能更自然地理解孩子的語言，並進行適應性的對話。其有效性透過機器人社交屬性量表和合理性指標進行評估，顯示能理解並回應孩子的話語。 PubMed DOI

EmoAtlas是一個情感分析計算庫，能從18種語言的文本中提取情感與詞彙聯想。它運用可解釋的人工智慧進行語法解析，根據Plutchik理論識別八種情感，並在英語和意大利語的情感檢測上表現優於BERT和ChatGPT 3.5。其憤怒檢測準確率達85.6%，速度比BERT快12倍，且無需微調。EmoAtlas還能分析文本中情感的表達，提供如酒店評論等情境下的客戶情感見解，作為獨立資源發布，旨在提取可解釋的見解。 PubMed DOI

這項研究提出了一種方法，旨在為越南語這種低資源語言的醫療資訊創建訓練數據集，以微調大型語言模型（LLMs）。目的是改善醫療資訊的獲取，增強發展中國家的醫療溝通。研究過程中，選擇基礎模型並彙編約337,000對提示-回應對，使用低秩適應技術進行微調。微調後的模型在多項指標上表現優於基礎模型，顯示出其在越南語健康查詢中的潛力。雖然本地部署可提升數據隱私，但高計算需求和成本仍是挑戰，研究呼籲關注醫療差距，促進全球健康公平。 PubMed DOI

這項研究介紹了一種名為MLBispec的新型AI方法，專注於增強對話中的情感識別，特別是情感氣候的識別。MLBispec透過雙頻譜分析提取語音信號特徵，並結合情感動態進行處理。測試結果顯示，該方法在多個數據集上表現優於現有深度學習技術，對喚起的準確率達82.6%，對價值的準確率為75.4%。此外，跨語言實驗證實了其穩健性，顯示MLBispec能有效識別對話中的情感氣候，對醫療保健、人機互動等應用有顯著提升。 PubMed DOI

這項研究發現，經過優化指令後，AI語言模型在辨識故事中的人際情緒調節策略，準確度已接近人工，但在不同情緒和策略上仍有落差。研究強調AI分析敘事資料有潛力，但設計指令和驗證結果時要特別小心。 PubMed DOI

這項研究用大型語言模型分析德文心理治療逐字稿，偵測28種情緒，並預測病人症狀嚴重度和治療聯盟。模型在情緒分類表現普通，但預測症狀嚴重度效果不錯（r=.50），預測治療聯盟則中等（r=.20）。認可、憤怒、恐懼與症狀嚴重度有關，好奇、困惑、驚訝則與治療聯盟有關。結果顯示正負向情緒都很重要，未來應加強情緒資料集並納入更多語境和感官資訊。 PubMed DOI

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 PubMed

這篇論文提出 ExDoRA 框架，透過挑選最相關又多元的 few-shot 範例，結合 LLM 產生的文字解釋，能有效提升 LLM 在新任務上的表現。應用於對話式憂鬱症偵測時，ExDoRA 不僅能穩定給出高品質解釋，還大幅提升召回率和 F1 分數，展現其在數位心理健康篩檢的潛力。 PubMed DOI

這項研究提出一套自適應自我校正框架，專為大型語言模型設計，能有效提升中低資源語言的情感分析表現。透過創新資料增強和遷移學習，11種語言的平均F1分數提升7.35分，顯著縮小高低資源語言的差距，展現出強大的實用性和領域適應力。 PubMed DOI