A pilot study of measuring emotional response and perception of LLM-generated questionnaire and human-generated questionnaires.
以LMM生成問卷和人工生成問卷的情感回應和知覺測量的初步研究。 Sci Rep 2024-02-06

研究發現ChatGPT提升使用者快樂感、降低悲傷，性別影響不大但情緒有變化。研究限制在於樣本少、年齡狹窄，未來可擴大研究對象。值得注意的是ChatGPT對問卷生成有積極影響，未來可探討不同語言模型或聊天機器人對不同年齡族群的情緒影響。 PubMed DOI

Leveraging ChatGPT to optimize depression intervention through explainable deep learning.
利用 ChatGPT 通過可解釋的深度學習來優化抑鬱症干預。 Front Psychiatry 2024-06-21

研究使用ChatGPT協助輔導員與患者互動，並比較其回應與人類內容。整合AI技術改善心理健康干預，框架準確率達93.76%，ChatGPT回應有禮且簡潔。AI內容可增進傳統干預方法，提升醫療系統患者照護和輔導實踐。 PubMed DOI

Performance of Large Language Models in Patient Complaint Resolution: Web-Based Cross-Sectional Survey.
大型語言模型在病人投訴解決中的表現：網路基礎橫斷面調查。 J Med Internet Res 2024-08-09

這項研究探討了大型語言模型（LLMs），特別是ChatGPT-4.0，對於三級醫療機構病人投訴的回應效果。研究比較了ChatGPT與病人關係部門的回應，結果顯示87.2%到97.3%的受訪者更偏好ChatGPT的回應，且其在適當性、同理心等方面得分較高。ChatGPT的回應平均較長，且與高得分有關。研究顯示，ChatGPT能有效提升病人投訴的解決效果，未來可進一步探討AI在醫療系統中的應用潛力。 PubMed DOI

Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening: Instrument Validation Study.
使用大型語言模型從用戶生成的日記文本數據中檢測抑鬱症：數位心理健康篩檢中的新方法及工具驗證研究。 J Med Internet Res 2024-09-18

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

The Most Effective Interventions for Classification Model Development to Predict Chat Outcomes Based on the Conversation Content in Online Suicide Prevention Chats: Machine Learning Approach.
基於在線自殺預防聊天內容預測聊天結果的分類模型開發中最有效的干預措施：機器學習方法。 JMIR Ment Health 2024-09-26

這項研究強調了了解影響自殺預防熱線有效性的因素，特別是透過文字聊天服務的重要性。研究分析了6,903位求助者的聊天內容，並訓練機器學習模型來預測結果。結果顯示，輔導員的正面肯定和參與能顯著改善求助者的自我報告分數，而使用宏指令及過早結束聊天則會產生負面影響。研究強調需要引人入勝的溝通風格，並展示了機器學習在提升熱線互動分析的潛力。 PubMed DOI

Using large language models to detect outcomes in qualitative studies of adolescent depression.
使用大型語言模型來檢測青少年憂鬱症質性研究中的結果。 J Am Med Inform Assoc 2024-12-11

這項研究探討如何利用大型語言模型（LLMs）來識別青少年抑鬱症訪談中的心理治療結果。作者建立了一個編碼框架，能夠捕捉多樣的治療結果，並評估五個開源LLM的分類能力。實驗結果顯示，這些模型能有效分類31種結果，ROC曲線下面積得分在0.6到1.0之間，成功識別出友誼和學業表現等重要結果。研究強調了臨床數據的應用，顯示詳細編碼治療結果的可行性，並有助於量化重要結果。 PubMed DOI

M.I.N.I.-KID interviews with adolescents: a corpus-based language analysis of adolescents with depressive disorders and the possibilities of continuation using Chat GPT.
青少年 M.I.N.I.-KID 訪談：針對抑鬱症青少年的語料庫語言分析及使用 Chat GPT 繼續進行的可能性。 Front Psychiatry 2025-01-03

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

Evaluating Diagnostic Accuracy and Treatment Efficacy in Mental Health: A Comparative Analysis of Large Language Model Tools and Mental Health Professionals.
評估心理健康診斷準確性和治療效果：大型語言模型工具與心理健康專業人士的比較分析。 Eur J Investig Health Psychol Educ 2025-01-24

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

An Explainable Artificial Intelligence Text Classifier for Suicidality Prediction in Youth Crisis Text Line Users: Development and Validation Study.
一個可解釋的人工智慧文本分類器，用於預測青少年危機文本線用戶的自殺風險：開發與驗證研究。 JMIR Public Health Surveill 2025-01-29

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

Refining the prediction of user satisfaction on chat-based AI applications with unsupervised filtering of rating text inconsistencies.
透過無監督過濾評分文本不一致性來精煉對聊天型 AI 應用程式用戶滿意度的預測。 R Soc Open Sci 2025-02-06

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

原始文章

站上相關主題文章列表