這項研究提出了一種新方法，利用E-DAIC數據集自動預測憂鬱症的嚴重程度。研究人員運用大型語言模型（LLMs）從訪談文字中提取憂鬱症指標，並用患者健康問卷-8（PHQ-8）分數訓練預測模型。他們還結合視頻中的面部數據，發展多模態方法。結果顯示，增強文字數據的語音質量能達到最佳表現，平均絕對誤差為2.85，均方根誤差為4.02。整體來看，這項研究強調了自動化憂鬱症檢測的有效性，並建議多模態分析的優勢。 PubMed DOI

這篇論文探討了對話中的情感識別（ERC）面臨的挑戰，對於創建具同理心的對話系統非常重要。作者指出情感與語義之間的弱相關性，因為相似的短語在不同上下文中可能傳達不同情感。為了解決這個問題，提出了一種新的損失函數Focal Weighted Loss (FWL)，並結合對抗性訓練，使用緊湊的MobileBERT模型。這種方法在四個基準數據集上測試，顯示出競爭力的結果，能在資源有限的情況下增強人類互動，與大型語言模型相抗衡。 PubMed DOI

近年來，改善人類與人工智慧（AI）互動的關注度逐漸上升，社會智慧成為促進自然溝通的關鍵。為了評估AI對人類互動的理解，像Social-IQ這樣的數據集被創建，但這些數據集多採用基本的問答格式，缺乏答案的理由，且通常只從預設選項中生成答案，限制了可解釋性和可靠性。為了解決這些問題，我們進行了一項基於視頻的問答評估，強調人類互動，並加入相關註解，發現人類與AI的反應模式存在顯著差異，顯示現有基準的缺陷。我們的發現將有助於開發更精緻的數據集，促進人類與AI之間更自然的溝通。 PubMed DOI

EmoAtlas是一個情感分析計算庫，能從18種語言的文本中提取情感與詞彙聯想。它運用可解釋的人工智慧進行語法解析，根據Plutchik理論識別八種情感，並在英語和意大利語的情感檢測上表現優於BERT和ChatGPT 3.5。其憤怒檢測準確率達85.6%，速度比BERT快12倍，且無需微調。EmoAtlas還能分析文本中情感的表達，提供如酒店評論等情境下的客戶情感見解，作為獨立資源發布，旨在提取可解釋的見解。 PubMed DOI

這項研究評估了治療性聊天機器人（如 Wysa 和 Youper）與通用語言模型（如 GPT-3.5、GPT-4 和 Gemini Pro）在處理認知偏誤和識別用戶情緒的效果。結果顯示，通用聊天機器人在糾正認知偏誤方面表現更佳，特別是 GPT-4 獲得最高分。通用機器人也在情緒識別上超越治療性機器人，顯示出後者在這方面的局限性。研究建議未來設計應提升情緒智力，並解決倫理問題，以確保人工智慧在心理健康支持上的有效性。 PubMed DOI

這份報告探討了將大型語言模型（LLMs）與可穿戴技術結合的初步成果，目的是提供個性化建議，提升學生的福祉與學業表現。我們分析了學生的數據，包括可穿戴設備的指標和學術報告的質性反饋，進行情感分析以評估情緒狀態。研究顯示，LLMs能有效分析文本數據，提供實用見解，幫助了解學生的參與度並找出改進空間，顯示出LLMs在教育上的潛力，能更深入理解學生需求。 PubMed DOI

這項研究發現，經過優化指令後，AI語言模型在辨識故事中的人際情緒調節策略，準確度已接近人工，但在不同情緒和策略上仍有落差。研究強調AI分析敘事資料有潛力，但設計指令和驗證結果時要特別小心。 PubMed DOI

這篇論文提出一套AI系統，能自動分析兒童畫作，產生藝術內容、情感主題和個人化建議的報告。研究團隊用ChatGPT標註5,000張圖，並優化BLIP模型，讓AI能初步進行情感和心理分析，協助藝術治療師、老師和家長更了解孩子情緒，提供早期介入的新工具。 PubMed DOI

最新研究發現，像ChatGPT-4這類大型語言模型，在標準情緒智力測驗的表現比人類還好，正確率高達81%，遠超人類的56%。此外，AI也能自己出題，難度跟原本題目差不多。整體來說，AI不只會答題，連出題都很厲害，顯示它對人類情緒真的很懂。 PubMed DOI

這項研究用大型語言模型分析德文心理治療逐字稿，偵測28種情緒，並預測病人症狀嚴重度和治療聯盟。模型在情緒分類表現普通，但預測症狀嚴重度效果不錯（r=.50），預測治療聯盟則中等（r=.20）。認可、憤怒、恐懼與症狀嚴重度有關，好奇、困惑、驚訝則與治療聯盟有關。結果顯示正負向情緒都很重要，未來應加強情緒資料集並納入更多語境和感官資訊。 PubMed DOI