研究人員使用自傳式訪談分析自傳記憶，發現手動評分耗時。他們開發了一種新方法，利用自然語言處理自動評分回應，表現優異。為了方便其他研究人員，提供了Colab筆記本。 PubMed DOI

研究開發了一個自然語言模型，可以將文字記憶分為五種自傳記憶類型。這有助於評估記憶偏差，包括心理健康疾病中的特異性降低和靈活性受損。模型在大數據集上訓練，準確度高。開源版本可在臨床中使用，幫助記憶干預，提升治療效果。 PubMed DOI

最新的機器編碼技術進步讓人們擔心大型語言模型（LLM）的分類驗證。這篇論文比較了監督式和半監督式算法在政治數據編碼上的表現，探討LLM分類的驗證。研究評估了模型多次迭代的表現，與專家編碼對比，並考量了提示工程和數據預處理的影響。結果顯示，在熟悉情境下，GPT-4的表現最接近專家編碼，且在不同情境下呈現更一致的編碼。論文最後討論了機器編碼對未來的影響。 PubMed DOI

這篇文章探討利用先進的機器學習技術來檢測自閉症譜系障礙（ASD）。研究主要有三個目標：評估模型在不同數據集上的有效性、檢視模型之間的知識轉移潛力，以及評估數據增強對模型表現的影響。研究使用了微調HerBERT和OpenAI的文本嵌入技術，數據集來自TLC工具和ADOS-2。結果顯示，模型在TLC數據上表現較好，但知識轉移未見成效，且數據增強技術可能掩蓋重要信號。總體而言，模型的有效性受數據類型和診斷工具影響。 PubMed DOI

這項研究探討Snapchat的My AI在提供性健康資訊給年輕人的有效性，特別是性同意、拒絕、性侵害和傳送性暗示訊息。研究者向My AI提出標準化問題，分析其回應的一致性。結果顯示，My AI強調清晰溝通的重要性，並建議在面對性侵害或性暗示問題時諮詢可信的照顧者。雖然回應大致一致，但仍有變異，顯示教育者需補充數位工具，以確保年輕人能全面理解和獲得支持。 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

這項研究探討如何利用大型語言模型（LLMs）從兒童保護服務（CPS）的案例報告中提取結構化數據，特別是識別不同的暴力子類型。研究流程分為四個階段，並分析了來自瑞士的29,770份報告，提取了28,223個文本段落。表現最佳的模型Mixtral-8x7B在文本分類中達到87%的準確率，超過人類審查員的77%協議率。結果顯示，LLMs能有效模擬人類的編碼能力，提升CPS研究的質量，但也需注意文本分段的弱點及潛在偏見。 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

這項研究比較了大型語言模型（LLM）ChatGPT與人類面試官在對6到8歲兒童進行模擬訪談的效果。78名兒童中，40名由LLM訪談，38名由人類面試官訪談。結果顯示，無論是LLM還是人類，建議問題都能引導出更準確的信息。雖然LLM提問較少，但獲得的獨特正確信息更多，且錯誤信息較少。這顯示LLM能提出符合兒童訪談最佳實踐的問題，未來仍需進一步研究其在實際情境中的應用。 PubMed DOI

這項研究探討大型語言模型（LLM）在質性研究中的應用，特別是針對自殺的心理社會驗屍。研究進行了38次半結構式訪談，評估LLM在編碼和總結自殺喪失者訪談數據的能力。結果顯示，LLM與人類研究者在二元分類上有高一致性（準確率0.84），總結的評價也有80%為正面。研究建議將LLM與人類審查結合，以提高效率，並呼籲未來在不同背景下進一步探索這些發現。 PubMed DOI