Synthesizing perspectives: Crafting an Interdisciplinary view of social media's impact on young people's mental health.
綜合觀點：打造跨學科觀點，探討社交媒體對年輕人心理健康的影響。 PLoS One 2024-07-15

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

Incentivizing news consumption on social media platforms using large language models and realistic bot accounts.
利用大型語言模型和真實的機器人帳號激勵社交媒體平台上的新聞消費。 PNAS Nexus 2024-09-17

這個專案旨在改善使用者在Twitter上接觸到經過驗證的新聞，解決極化和錯誤資訊問題。研究持續兩週，參與者達28,457人，使用28個由GPT-2創建的機器人，針對非政治主題的推文回應，分享相關新聞連結，並鼓勵關注新聞機構。結果顯示，與機器人互動的使用者更可能關注新聞帳號，尤其是女性機器人的回應更受歡迎。不過，這些效果主要限於已對政治感興趣的使用者，顯示在社交媒體上促進新聞參與的挑戰。 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

Unraveling the Impact of Moral Framings within Media Coverage to Promote the (De)stigmatization of Depression on Social Media.
揭示媒體報導中道德框架對於促進社交媒體上抑鬱症的（去）污名化的影響。 J Health Commun 2024-10-08

這項研究探討社交媒體上有關憂鬱症的報導，透過道德基礎理論分析其對公眾看法的影響。研究分析了919則微博貼文及92,505則評論，發現關懷、純潔和公平的道德框架較常見，且大多數觀眾反應支持而非污名化。雖然關懷和忠誠的框架能引起贊同，但也可能降低觀眾參與度。這顯示憂鬱症在媒體中的呈現對社會態度和減少污名化有重要影響。 PubMed DOI

MindScape Study: Integrating LLM and Behavioral Sensing for Personalized AI-Driven Journaling Experiences.
MindScape 研究：整合 LLM 和行為感測以實現個性化的 AI 驅動日記體驗。 Proc ACM Interact Mob Wearable Ubiquitous Technol 2024-12-12

大學學生常面臨心理健康問題，因此需要有效的介入措施來提升自我認知與福祉。MindScape推出了一種創新的AI驅動日記，結合行為數據與大型語言模型，提供個性化的日記體驗，旨在增進自我認知。一項為期8週的研究顯示，20名大學生使用MindScape後，正向情感增加7%，負向情感減少11%，孤獨感降低6%，焦慮和憂鬱也顯著下降。參與者對AI生成的定制提示表示重視，這項研究為未來探索AI日記對心理健康的影響奠定基礎。 PubMed DOI

Predicting User Engagement in Health Misinformation Correction on Social Media Platforms in Taiwan: Content Analysis and Text Mining Study.
預測台灣社交媒體平台上健康錯誤資訊修正的用戶參與度：內容分析與文本挖掘研究。 J Med Internet Res 2025-01-23

這項研究探討了健康錯誤資訊的影響，以及在COVID-19疫情期間社交媒體上更正貼文的有效性。研究分析了三年內來自事實查核機構和健康機構的更正貼文，重點在於不同屬性如何影響用戶互動。主要發現包括： 1. 用戶互動趨勢顯示疫情期間的互動模式。 2. 貼文屬性（如風險、意識、數字等）對互動有顯著影響，強調意識和事實的貼文更受歡迎。 3. 用戶評論分為認知型和情感型，某些偏見評論對分享有負面影響。研究強調有效傳遞錯誤資訊意識和事實內容能提升用戶互動，為改善公共健康溝通提供策略建議。 PubMed DOI

Unraveling Online Mental Health Through the Lens of Early Maladaptive Schemas: AI-Enabled Content Analysis of Online Mental Health Communities.
透過早期不適應性圖式揭示線上心理健康：AI 驅動的線上心理健康社群內容分析。 J Med Internet Res 2025-02-07

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

Probing Public Perceptions of Antidepressants on Social Media: Mixed Methods Study.
探討社交媒體上對抗憂鬱症藥物的公共認知：混合方法研究。 JMIR Form Res 2025-02-26

這項研究強調了解患者使用抗憂鬱藥物的經驗對提升依從性及以患者為中心的照護的重要性。患者的不依從性常因副作用、依賴性及對藥物效果的懷疑而影響。透過分析AskaPatient和Reddit等平台的討論，發現59.3%的對話表達中立情感，38.4%為負面情緒，主要是恐懼和悲傷。討論中「心理健康與人際關係」最常被提及，顯示對心理健康的關注。這些見解可協助醫療提供者制定個人化治療策略，提升患者滿意度及依從性，達到更具同理心的照護。 PubMed DOI

Single online self-compassion writing intervention reduces anxiety: With the feedback of ChatGPT.
單一線上自我慈悲寫作介入減少焦慮：結合 ChatGPT 的反饋。 Internet Interv 2025-03-31

這項研究探討了一次性自我慈悲寫作練習的效果，並比較了有無ChatGPT反饋的情況。98名參與者被分為三組：一組有ChatGPT反饋，另一組則沒有，還有一組作為對照組。結果顯示，參與寫作的兩組自我慈悲顯著增加，接受ChatGPT反饋的組別焦慮也明顯減少，而對照組則無顯著變化。這表明自我慈悲寫作能有效減少焦慮，結合ChatGPT的反饋能進一步增強效果，讓心理支持更易於大眾獲得。 PubMed DOI

原始文章

站上相關主題文章列表