這平台運用先進人工智慧技術，分析社群媒體文字資料，找出相關話題。透過 BERTopic 分群貼文，辨識相關句子，提升分析效果。以大學生心理健康為例，顯示在辨識抑鬱等議題上的實用性。為研究人員提供工具，分析龐大非結構化資料，找出相關部分，具潛力應用於心理健康研究。 PubMed DOI

文字資料分析廣泛運用，探討人類行為的情感、話語、詞彙和句法。強調跨領域合作，提供Python程式碼進行分析，以ChatGPT 3.5 Turbo為例。有助於語言學、社會學、精神病學和心理學等領域的研究人員了解人類行為的相關文字特徵。 PubMed DOI

線上文章提供價值洞察，手動編碼可靠但限制大數據分析。自動文本分析近似人評估，大型語言模型如GPT-4表現佳。模型複雜度和性能權衡對科學家重要。 PubMed DOI

社群媒體對生活有負面影響，解決方法有限。大型語言模型如ChatGPT可提供支持、監控使用，但需注意風險，如錯誤和隱私問題。謹慎使用這些模型，才能有效處理問題性社群媒體使用，造福個人和社會。 PubMed DOI

研究探討社群媒體對年輕人心理健康的影響，調查492名英國校長。跨領域方法包括心理學、社會學、教育等，使用ChatGPT-4進行主題分析，強調社群媒體的負面影響，包括心理健康、身份認同、社交互動和政策治理。研究提出全面數位影響模型，探討社群媒體對年輕人在教育中心理健康的影響，對學術界、教育工作者、政策制定者和心理健康專業人士有啟發性見解。 PubMed DOI

這項研究探討簡短書面回應的情感與抑鬱症狀變化的關係，招募了467名參與者，並使用PHQ-9評估抑鬱症狀。研究發現，人類評審和大型語言模型（如ChatGPT）的情感分析能有效預測三週內的抑鬱症狀變化，而語言查詢工具（LIWC）則無法。研究還指出，語言情感與當前情緒有關，但能獨立預測抑鬱症狀變化，顯示結合AI工具的情感分析可作為預測精神症狀的有效方法。 PubMed DOI

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

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

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

這項研究探討了ChatGPT在提供醫療資訊時，如何根據疾病類型（醫療性 vs. 心理性）和使用者的溝通風格（中立 vs. 表達關心）來調整其回應。研究發現，當面對心理問題或使用者表達關心時，ChatGPT會使用更具同理心的語言；而在中立查詢中則偏向分析性語言。此外，健康相關的語言在心理討論中較常見，疾病相關的語言則多出現在身體狀況的對話中。這顯示ChatGPT的回應會受到疾病類型和使用者情感的影響，能透過調整溝通方式來提升病人的參與感。 PubMed DOI