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

深度計算文本分析器（DECOTA）是一種新型機器學習工具，能自動分析大量自由文本數據，幫助研究人員和政策制定者更有效地了解公眾意見。透過結構主題建模和精細調整的語言模型，DECOTA能快速識別關鍵主題和代碼，無需大量人力。與傳統方法相比，DECOTA的速度快378倍，成本低1,920倍，且與人類編碼結果高度一致，對於基於證據的政策制定和公眾參與具有重要意義。 PubMed DOI

這項研究聚焦於隱性動機，探討影響行為和情感的潛在需求，並與人格特質區分開來。研究團隊開發了機器學習模型，利用85,028句子的數據集來評估權力、成就和歸屬感的需求。結果顯示，這些模型與傳統方法一致性高，內部一致性相關係數分別達到.85、.87和.89。研究還重複經典實驗以驗證模型的有效性，並提供免費的R-package text框架，顯著減少編碼時間，讓隱性動機研究更具可及性。 PubMed DOI

這篇研究提出 RoBIn 兩種 Transformer 模型，自動評估臨床試驗論文的偏倚風險。作者用 Cochrane Database 標註 PubMed 論文，建立全新公開的 RoB 資料集。RoBIn 表現比傳統方法和大型語言模型更好，AUROC 達 0.83，展現自動化 RoB 評估的高效率與擴充性。 PubMed DOI

這項研究用 ChatGPT 來自動分析產科醫療訪談內容，讓原本很花時間的質性編碼流程變得更有效率。ChatGPT 的編碼準確率超過八成，還能省下八成以上的時間。不過，AI 在主題分析上雖然有潛力，但準確性、偏誤和隱私等問題還需要再加強和研究。 PubMed DOI

這項研究開發了一個微調過的大型語言模型，能自動從Reddit家暴相關社群的女性貼文中，辨識她們的資訊需求。研究團隊用真實和AI生成的資料解決樣本不足和類別不均問題，並將貼文分成8類（如法律、安置、庇護所等）。這個模型在準確率和F1-score都比GPT-3.5、GPT-4等基準模型好，也比人工判讀快很多，有助醫療人員更快掌握家暴倖存者需求，提供即時協助。 PubMed DOI

這項研究用 ChatGPT 來自動分析產科醫療人員的訪談內容，讓原本很花時間的質性編碼流程變得更有效率。ChatGPT 的編碼準確率超過八成，還能省下八成以上的時間。不過，準確性、偏誤和隱私等問題還沒完全解決，未來還需要更多研究來克服這些挑戰。 PubMed DOI

這項研究發現，GPT-4o能有效從法醫精神科報告中擷取並摘要臨床與非臨床資訊，雖然整合關鍵細節仍有困難，但顯示AI有助於半自動化資料整理，未來有望推動大型研究資料庫的建立。 PubMed DOI