An overview of diagnostics and therapeutics using large language models.
大型語言模型在診斷和治療中的概述。 J Trauma Stress 2024-07-18

這篇文章探討了人工智慧，特別是大型語言模型（LLMs），在解決治療壓力和創傷相關問題的專業人員短缺方面的潛力。文章指出，LLMs能增強診斷評估、生成臨床筆記及提供治療支持。作者強調，克服在臨床環境中部署這些模型的挑戰很重要，包括確保AI系統的多元代表性，以避免護理資源的差異。此外，還需採用保護隱私的訓練方法，保障病人數據，同時利用公共數據集提升模型表現。 PubMed DOI

Critical evaluation of applications of artificial intelligence based linguistic models in Occupational Health.
職業健康中人工智慧基於語言模型應用的關鍵評估。 Rev Bras Med Trab 2024-08-21

這篇文章探討了大型語言模型在職業醫學中的潛在優勢與挑戰。這些模型能協助醫療決策、病人篩檢、文件撰寫及醫護人員訓練，可能帶來成本降低和效率提升，還能減少人為錯誤。不過，它們也有準確性不足和提供錯誤建議的風險。此外，倫理問題和缺乏監管也增加了挑戰。文章建議，儘管未來有望改善，仍需進一步研究這些模型在職業醫學中的應用。 PubMed DOI

Managing workplace AI risks and the future of work.
管理工作場所的 AI 風險與未來的工作。 Am J Ind Med 2024-09-03

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

Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening: Instrument Validation Study.
使用大型語言模型從用戶生成的日記文本數據中檢測抑鬱症：數位心理健康篩檢中的新方法及工具驗證研究。 J Med Internet Res 2024-09-18

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

Enhancing health assessments with large language models: A methodological approach.
利用大型語言模型增強健康評估：一種方法論的探討。 Appl Psychol Health Well Being 2024-10-11

這項研究探討大型語言模型（LLMs）在健康心理學中如何增強健康評估，旨在克服傳統統計和機器學習方法的限制。傳統方法因線性評分而準確性不足，而機器學習則在可解釋性和數據需求上有挑戰。研究提出的ScaleLLM利用LLMs的自然語言理解能力，提供健康量表的專家評估。實驗結果顯示，ScaleLLM在身心健康評估的準確性和可解釋性上都有所提升，成為該領域的一個有前景的工具。 PubMed DOI

Aligning Large Language Models for Enhancing Psychiatric Interviews Through Symptom Delineation and Summarization: Pilot Study.
透過症狀劃分與總結來增強精神科訪談的大型語言模型對齊：初步研究。 JMIR Form Res 2024-10-24

這項研究探討大型語言模型（LLMs）在精神科訪談中的應用，特別針對北韓脫北者的心理健康挑戰。研究目標是確認LLMs能否有效識別精神病症狀並總結壓力源。主要任務包括提取壓力源、識別症狀及總結訪談內容。結果顯示，使用GPT-4 Turbo模型後，73個記錄片段準確關聯精神病症狀，經微調後性能提升，平均準確率達0.82。LLMs生成的摘要在連貫性和相關性上得分高，顯示其在心理健康領域的潛力。 PubMed DOI

MindScape Study: Integrating LLM and Behavioral Sensing for Personalized AI-Driven Journaling Experiences.
MindScape 研究：整合 LLM 和行為感測以實現個性化的 AI 驅動日記體驗。 Proc ACM Interact Mob Wearable Ubiquitous Technol 2024-12-12

大學學生常面臨心理健康問題，因此需要有效的介入措施來提升自我認知與福祉。MindScape推出了一種創新的AI驅動日記，結合行為數據與大型語言模型，提供個性化的日記體驗，旨在增進自我認知。一項為期8週的研究顯示，20名大學生使用MindScape後，正向情感增加7%，負向情感減少11%，孤獨感降低6%，焦慮和憂鬱也顯著下降。參與者對AI生成的定制提示表示重視，這項研究為未來探索AI日記對心理健康的影響奠定基礎。 PubMed DOI

AI Driven Wearables and Large Language Models for Student Well-Being: A Preliminary Study.
AI 驅動的可穿戴設備與大型語言模型對學生福祉的影響：一項初步研究。 Stud Health Technol Inform 2025-04-09

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

Large Language Models and Text Embeddings for Detecting Depression and Suicide in Patient Narratives.
大型語言模型與文本嵌入於病患敘述中偵測憂鬱與自殺的應用 JAMA Netw Open 2025-05-23

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

Automatically Identifying Event Reports of Workplace Violence and Communication Failures using Large Language Models.
使用大型語言模型自動識別職場暴力事件報告與溝通失誤 AMIA Jt Summits Transl Sci Proc 2025-06-12

**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

原始文章

站上相關主題文章列表