這項研究專注於運用計算文本挖掘技術，分析心理社會復健及障礙的文獻。透過詞嵌入和大型語言模型等先進方法，研究旨在從PubMed等平台提取有意義的科學見解。目的是增進對心理社會障礙的理解，提供治療策略資訊，並提升病患照護。透過建立全面的文本數據集和精密的挖掘策略，這項研究希望推進該領域的知識，並支持心理健康的持續研究。 PubMed DOI

這項研究探討大型語言模型（LLMs）在分析患者對緊急研究中免除知情同意（EFIC）過程的看法。研究分析了102個與兒科研究相關的社區訪談，使用五種LLMs，包括GPT-4，來評估情感並進行主題分類。結果顯示，LLMs在情感分析上與人類評審者一致性高（Cohen's kappa: 0.69），主題分類準確率也高（0.868）。雖然LLMs在數據分析上效率高，但仍應輔助人類判斷。未來研究應著重於將LLMs整合進EFIC過程，以提升分析效率與準確性。 PubMed DOI

這項研究用機器學習和大型語言模型分析33位帕金森氏症患者在服藥前後的語音內容，最好的模型準確率高達98%，還能預測神經精神評分。結果顯示，透過語音分析，有機會遠端且全面監測帕金森氏症患者的神經精神狀況。 PubMed DOI

這項研究發現，大型語言模型和文字嵌入模型能從精神科病患的句子完成測驗中，準確辨識憂鬱症和自殺風險，尤其在分析自我概念相關內容時效果最好。最佳模型偵測憂鬱症的AUROC達0.841。雖然AI有潛力協助心理健康評估，但臨床應用前還需要更多改進和安全驗證。 PubMed DOI

這篇論文比較了 GPT-3.5-Turbo、FLAN-T5 和 BERT 等大型語言模型在健康社群媒體情感分析的表現。結果顯示，LLMs 比傳統工具（像 VADER）表現更好，但準確度還有進步空間。透過調整提示語和微調，尤其是 BERT，效果會更好。研究也建議未來要在標註資料少的情況下，持續優化這些模型。 PubMed

一份針對42國心理健康研究人員的調查發現，約七成會用大型語言模型（像是ChatGPT）來校稿或寫程式，年輕研究人員用得更多。大家覺得LLM能提升效率和品質，但對準確性、倫理和偏見還是有疑慮。多數人希望有更多訓練和明確指引，確保負責任且透明地使用這些工具。 PubMed DOI

這項研究比較三款AI語言模型在判斷Reddit心理困擾貼文緊急程度的表現，發現它們都容易高估風險，但GPT-4o和Claude 3.5 Sonnet的結果較接近臨床醫師，GPT-4o表現最好。雖然AI有潛力協助心理健康分級，但還是需要專業人員把關。 PubMed DOI

這項研究用YouTube留言分析鴉片類藥物混用經驗，並分辨正負面影響。團隊運用GPT-3.5 Turbo等AI技術，準確辨識高風險用藥和過量風險，F1-score高達0.95，優於傳統方法。結果顯示，AI分析社群媒體有助於更了解鴉片危機，並提升介入策略效果。 PubMed DOI

這項研究發現，像 Llama-2-70b-chat 和 GPT-3.5 這類大型語言模型，在描述282種遺傳疾病的年齡相關特徵時表現不錯，尤其有情境提示時更佳，且沒明顯年齡偏見。不過，雖然這些模型有潛力協助臨床應用，實際使用上還是有一些限制需要注意。 PubMed DOI

這項研究用大型語言模型（LLM）來自動辨識自閉症語言障礙的關鍵特徵，在零樣本情境下，表現比傳統方法好，敏感度和陽性預測值都提升超過10%。LLM能穩定偵測出十種重要語言特徵，顯示它有潛力成為協助自閉症診斷和個人化治療規劃的有效工具。 PubMed DOI