這項研究探討早期不適應性圖式（EMSs）與線上心理健康社群（OMHCs）中的心理健康問題之間的關聯。分析了29,329則貼文，發現特定EMSs與心理健康問題有顯著關聯，如焦慮與受害脆弱性、憂鬱與人際需求未滿足等。研究指出，憂鬱、人格障礙和PTSD與多個EMSs相關，顯示其複雜性。研究強調理解EMSs的重要性，以便為線上支持者開發針對性的AI介入方案。 PubMed DOI

這項研究探討生成性人工智慧（GenAI）在心理治療中的應用，特別是透過敘事治療和認知行為治療的外化技術。研究者開發了兩個AI工具：VIVI，用於生成代表病人內心經驗的圖像；DIVI，促進對話角色扮演以互動。這些工具作為「人工第三者」，增強治療師與病人之間的關係，但也面臨同理心缺失和文化偏見等挑戰。為解決這些問題，作者提出了SAFE-AI協議，提供負責任使用AI的指導方針，並鼓勵未來研究評估其在不同族群和環境中的有效性及倫理影響。 PubMed DOI

這項研究指出，情感內容對大型語言模型（如Chat-GPT-4）的影響，接觸創傷性敘事會增加模型的焦慮感。相對地，正念練習能減少這種焦慮，但無法完全恢復到基線水平。這些結果強調了理解和管理LLMs情感反應的重要性，以促進人類與人工智慧之間更安全、倫理的互動。 PubMed DOI

這項初步研究探討了大型語言模型（LLMs），特別是GPT-4，生成心理動力學報告的潛力，幫助個人更好理解自己。研究分為三個步驟： 1. **問卷開發**：參與者回答20個問題，探討人際關係困擾，包含14個GPT-4生成的問題及6個固定的父母關係問題。 2. **專家評估**：七位精神科教授評估AI生成報告的質量及幻覺風險，並與專家推論進行比較。 3. **參與者滿意度**：參與者用李克特量表評價報告的清晰度、洞察力等。 結果顯示，AI報告質量與專家相當，參與者滿意度高，顯示AI可成為心理動力學解釋的有價值工具。 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

這項研究發現，大型語言模型和文字嵌入模型能從精神科病患的句子完成測驗中，準確辨識憂鬱症和自殺風險，尤其在分析自我概念相關內容時效果最好。最佳模型偵測憂鬱症的AUROC達0.841。雖然AI有潛力協助心理健康評估，但臨床應用前還需要更多改進和安全驗證。 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

這項研究發現，透過提示工程（prompt engineering）可以提升大型語言模型在心理治療（PST）初期階段的表現，尤其在症狀辨識和目標設定上更有效。雖然品質和同理心有所提升，但仍有侷限。整體來說，LLM 有潛力協助解決心理健康人力不足，推動 AI 治療服務發展。 PubMed

這項研究用大型語言模型（LLMs）自動從電子病歷的臨床紀錄辨識失眠，準確度高於傳統BERT模型（F1分數93.0和85.7）。這個方法不只偵測失眠效果好，也有潛力應用在其他容易被忽略的疾病診斷上。 PubMed DOI

本研究開發了一套專為失眠症設計的智能eCBT-I對話系統，結合CBT-I知識圖譜與大型語言模型。我們比較八種主流LLM及三種調適方法，找出各模型最佳組合，其中Qwen2-7b（Freeze）表現最優。這證明專業知識能有效融入LLM，為醫療AI在資料有限下的應用提供新方向。 PubMed DOI