人工智慧（AI）發展迅速，尤其是大型語言模型的應用。雖然AI能提升工作效率，但也帶來工人面臨的風險，特別是在工業機器人和算法管理普及的情況下。為了應對這些挑戰，政府和企業提出了設計和使用可信賴、具倫理的AI的指導方針。職業安全與健康專業人士需專注於管理這些潛在風險，並提出五項風險管理策略，以確保工作場所的AI技術能最大化好處，並減少對工人的傷害。 PubMed DOI

這項研究探討如何利用先進的大型語言模型（LLMs）來提升煤礦安全評估。傳統方法在面對複雜數據時效率不佳，而這個系統能快速處理來自感測器的數據，並透過實體互動增強環境意識。結合煤礦安全知識庫，系統能進行邏輯推理、檢測異常及預測風險，並具備記憶功能以持續學習。研究中還設計了實驗框架，展示該系統在煤礦安全評估中的高效性，提供了一個創新的解決方案。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）為高中生提供個性化建議，以提升他們的福祉和學業表現。研究分析了12名學生的數據，包括Fitbit指標和學校表現，並針對每位學生生成建議。結果顯示，雖然建議通常清晰可行，但與學生個別數據的對應程度有所不同，顯示出改進空間。研究強調了LLMs在個性化支持的潛力，但也需進一步驗證和完善，未來應聚焦於介入研究及解決倫理和數據隱私問題。 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

這篇回顧整理了大型語言模型在心理健康領域的應用現況，發現LLMs主要用於心理疾病篩檢、治療支援和心理健康諮詢，特別聚焦在憂鬱症偵測和自殺風險預測。整體來說，LLMs在資訊分析和回應生成上表現優於傳統方法，但不同模型各有優缺點。未來應持續技術發展並重視倫理議題。 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

這項研究用GPT-3.5產生的合成資料訓練BERT模型，能自動從電子病歷自由文本中抓出難治型憂鬱症的關鍵預後因子。模型在真實臨床資料上辨識20個相關因子，F1分數最高達0.85。這方法有助於用日常紀錄偵測DTD，不需用到敏感資料或花錢請專家標註。 PubMed DOI

**重點整理：** 大型語言模型可以準確分類安全事件通報（例如：職場暴力、溝通失誤），協助醫療機構快速掌握安全趨勢，並透過自動化分析來提升職場安全。 PubMed

大型語言模型雖然能協助知識型工作，但有時會產生錯誤資訊，對藥物安全來說風險很高。我們開發的防護機制能偵測問題資料、錯誤藥品或事件名稱，並表達不確定性。這些機制已整合進針對不良事件通報微調的模型中，有效降低關鍵錯誤，提升醫療安全與符合法規。 PubMed DOI