這項研究開發了一個聊天機器人，目的是早期識別青少年的抑鬱症狀，並解決精神科服務接觸率低的問題。研究分為兩個步驟： 1. **數據收集與分析**：對53名青少年進行標準化訪談，產生4,077對問答，訓練出一個準確率高達97%的模型，能有效區分有無抑鬱症的青少年。 2. **使用Chat GPT生成數據**：為增強數據集，研究利用Chat GPT生成額外語句，發現有效的提示工程具有挑戰性，但成功策略是平衡提示長度與示例數量。 總體來看，這項研究顯示分析青少年語言模式能有效識別抑鬱症狀，而Chat GPT則是創建合成數據的好工具。 PubMed DOI

這項研究評估了四個大型語言模型（LLMs）在心理健康診斷和治療的能力，包括Gemini 2.0、Claude 3.5、ChatGPT-3.5和ChatGPT-4。主要發現顯示，ChatGPT-4在診斷憂鬱症和PTSD方面優於人類專業人士，但在複雜案例如早期精神分裂症的準確率僅55%。LLMs提供的治療建議較為多樣，但專業人士則偏好具體的精神科諮詢。總體來看，雖然LLMs能協助診斷和治療計畫，但在複雜情況下仍需專業監督。 PubMed DOI

這項研究針對自殺這一公共衛生議題，運用機器學習模型來識別有風險的個體，特別針對14至25歲的青少年。研究使用德國危機熱線的數據，開發預測自殺意念和行為的方法，並與傳統文本分類進行比較。基於變壓器的模型表現優異，達到0.89的宏觀AUC，並成功識別與自殺風險相關的語言特徵。研究結果顯示，這些模型能有效輔助臨床決策，未來可探索多模態輸入及時間性因素。 PubMed DOI

隨著人工智慧（AI）技術的快速發展，特別是聊天服務的進步，用戶互動方式也大幅改變。為了提升服務品質，了解用戶滿意度變得非常重要。本研究提出一個框架，利用 Google Play 商店的評論數據，結合自然語言處理和機器學習技術進行情感分析。透過多數投票的無監督情感分析，過濾用戶評分與評論內容的不一致性，並使用各種算法進行監督式分析。結果顯示方法有效，能提升預測準確性與成本效率，對未來 AI 服務的發展提供重要見解。 PubMed DOI

這項研究探討利用人工智慧分析開放式語言回應，來增強青少年網路認知行為療法的心理健康評估。44名瑞典青少年在介入前後完成焦慮和憂鬱量表及三個開放式問題，研究發現語言分析能顯示心理健康的顯著改善，與傳統量表結果相似。這種方法不僅有效且準確，還能提供更深入的見解，解決傳統問卷的理解問題。研究建議將人工智慧語言分析整合進心理健康評估中，作為補充工具。 PubMed DOI

這項研究發現，聊天機器人雖然能提供基本的情感支持和心理教育，但回應較制式，無法深入探討或安全處理危機。相較之下，治療師會引導來談者多說明，介入方式也更細緻。結論是，目前聊天機器人還不能取代專業心理健康照護，尤其遇到危機時更要小心使用。 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，ChatGPT在心理諮詢上的專業度、同理心和人性化表現，跟人類諮商師差不多。不過，AI還是能被辨識出來，主要差異在語境、句子結構和情感表達。研究也提醒要注意透明度、隱私和倫理問題。總結來說，ChatGPT有潛力協助心理健康，但還有不少實務和倫理挑戰要解決。 PubMed DOI

這項研究發現，ChatGPT在急性精神科危機的德語諮詢中，獲得「有幫助」和「適切」等正面評價，但在「真實感」上表現較差，尤其是精神病案例。多數專業人員認為LLM未來在醫療有潛力，但對其風險仍有疑慮，需更多實際病人研究才能安全應用。 PubMed DOI