最近大型語言模型（LLMs）在自動化健康輔導方面的進展，特別是其零樣本學習能力，提供了重要機會。本研究比較了健康輔導員與RAG啟用的LLaMa-2-7b-chat模型在睡眠問題回答的質量。使用去識別化數據集，100對問答由專家、一般使用者和GPT-4評估，根據準確性、可讀性等五個標準進行評分。結果顯示，LLM的回答在62.25%的評估中被偏好，尤其在有幫助性上更受一般使用者青睞。這顯示LLM在健康輔導中具潛力，建議進一步探索臨床應用。 PubMed DOI

這項研究評估了多種大型語言模型（LLMs）在心理健康預測任務中的表現，測試的模型包括Alpaca、FLAN-T5、GPT-3.5和GPT-4。研究探討了不同的提示技術，結果顯示指令微調能顯著提升模型能力，尤其是Mental-Alpaca和Mental-FLAN-T5在準確率上超越了GPT-3.5和GPT-4。此外，研究也強調了模型的推理能力及其在實際應用中的倫理問題與偏見考量。這些發現為改善LLM在心理健康領域的應用提供了指導。 PubMed DOI

這項研究分析了四種人工智慧大型語言模型（LLMs）對有學習障礙和沒有學習障礙學生的反饋、挫折感、同情心及未來失敗期望的評估。結果顯示，LLMs對有學習障礙的學生表現出較低的挫折感和較高的同情心，且對未來失敗的期望也低於實習教師。特別是ChatGPT4對兩組學生提供了更多正面反饋。整體而言，LLMs可能促進對有學習障礙學生的包容態度，但仍需調整以增強文化和情感的敏感性。 PubMed DOI

這份報告探討了使用大型語言模型（LLMs）進行教育情感分析的初步結果。我們分析了學生報告中的質性描述，以評估他們對學業表現的情感狀態和態度。情感分析揭示了學生參與度的重要見解，並指出需要改進的地方。研究顯示，LLMs能有效分析文本數據，提供比傳統方法更深入的情感理解，顯示出在改善教育評估和干預方面的潛力。 PubMed DOI

這份報告探討了將大型語言模型（LLMs）與可穿戴技術結合的初步成果，目的是提供個性化建議，提升學生的福祉與學業表現。我們分析了學生的數據，包括可穿戴設備的指標和學術報告的質性反饋，進行情感分析以評估情緒狀態。研究顯示，LLMs能有效分析文本數據，提供實用見解，幫助了解學生的參與度並找出改進空間，顯示出LLMs在教育上的潛力，能更深入理解學生需求。 PubMed DOI

這項研究介紹了一種新的個人化大型語言模型（PLLM）代理，旨在提升大型語言模型在人體與機器人及人機互動中的整合能力。雖然現有研究多集中於技術層面，但在適應個別用戶情境上仍面臨挑戰。我們提出利用特定領域數據來個人化模型，並透過NeuroSense EEG數據集進行驗證。研究結果顯示，PLLM在醫療、教育及輔助技術等領域具有效用，並探討了相關的倫理考量，如數據隱私問題。這標誌著人工智慧在適應性和個人化上的重要進展。 PubMed DOI

大型語言模型在醫學教育應用越來越普遍，不只幫助老師設計課程、製作教材，也能給予學生回饋，提升語言和寫作能力。這篇綜述分析實際案例，說明LLMs對師生的好處，並討論遇到的挑戰及解方。研究建議醫學教育應更廣泛運用LLMs，以提升學習成效和病人安全。 PubMed DOI

這篇回顧整理了大型語言模型在心理健康領域的應用現況，發現LLMs主要用於心理疾病篩檢、治療支援和心理健康諮詢，特別聚焦在憂鬱症偵測和自殺風險預測。整體來說，LLMs在資訊分析和回應生成上表現優於傳統方法，但不同模型各有優缺點。未來應持續技術發展並重視倫理議題。 PubMed DOI

一份針對健康資料科學碩士生的調查發現，84%學生會用ChatGPT等大型語言模型來寫程式、debug等工作，超過一半每天都用。大家覺得LLMs很方便又省時，但也擔心太依賴、資料隱私和引用正確性。研究建議老師課程要結合LLMs，並加強學生的問題解決和批判思考能力。 PubMed DOI

這項研究發現，大型語言模型（LLMs）在有明確、結構化提示下，能準確且一致地評分醫學生臨床紀錄，但如果只給簡單指示，結果會不穩定。LLM有時會算錯總分，需要外部協助。整體來說，經過優化後，LLM有潛力成為醫學教育自動評分工具，但針對更複雜的評分系統還需進一步研究。 PubMed DOI