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

Integrating Previous Suicide Attempts, Gender, and Age Into Suicide Risk Assessment Using Advanced Artificial Intelligence Models.
整合過去自殺嘗試、性別和年齡於自殺風險評估中，使用先進的人工智慧模型。 J Clin Psychiatry 2024-10-03

本研究探討生成式人工智慧（GenAI）在自殺風險評估中的表現，特別是ChatGPT-3.5和ChatGPT-4。研究發現，過去的自殺嘗試對預測風險至關重要，且ChatGPT-4能識別性別差異，顯示男性風險較高，但兩者都未將年齡視為重要因素。結果顯示這些模型在評估自殺風險上有潛力，但因其局限性及現實情境的複雜性，應謹慎應用。 PubMed DOI

Comparative analysis of BERT-based and generative large language models for detecting suicidal ideation: a performance evaluation study.
基於 BERT 的模型與生成性大型語言模型在偵測自殺意念方面的比較分析：一項性能評估研究。 Cad Saude Publica 2024-11-28

這項研究比較了三種不同版本的BERT模型和大型語言模型（LLMs）在檢測巴西葡萄牙語文本中的自殺意念的效果。數據集包含2,691句無自殺意念和1,097句有自殺意念的句子，經心理學家標註。結果顯示，Bing/GPT-4表現最佳，準確率達98%，其次是微調過的BERTimbau-Large（96%）和BERTimbau-Base（94%）。Bard最低，僅62%。雖然模型召回率高，但研究強調尚未在臨床環境驗證，使用時需謹慎。 PubMed DOI

Evaluating of BERT-based and Large Language Mod for Suicide Detection, Prevention, and Risk Assessment: A Systematic Review.
基於 BERT 的大型語言模型在自殺檢測、預防和風險評估中的評估：系統性回顧。 J Med Syst 2024-12-31

自殺是重要的公共健康議題，人工智慧的進步，特別是大型語言模型（LLMs），在自殺檢測和預防上有顯著貢獻。這篇綜述分析了2018年到2024年間的29項研究，探討像GPT、Llama和BERT等模型在自殺預防中的應用。研究顯示，這些模型在早期檢測和預測方面通常表現優於心理健康專業人士。儘管LLMs展現出拯救生命的潛力，但仍需解決倫理問題，並與心理健康專家合作。 PubMed DOI

The Goldilocks Zone: Finding the right balance of user and institutional risk for suicide-related generative AI queries.
金髮姑娘區：尋找自殺相關生成式 AI 查詢的用戶與機構風險之間的適當平衡。 PLOS Digit Health 2025-01-08

生成式人工智慧（genAI）在提升醫療保健方面潛力巨大，特別是心理健康護理，因為美國專業人員短缺。針對自殺相關查詢，我們評估了五個genAI工具的回應質量。結果顯示，79%的回應是支持性的，但只有24%提供危機熱線號碼，僅4%包含基於證據的干預資訊。雖然有害內容出現頻率不高，但開發者應在提供必要的心理健康資訊與降低風險之間取得平衡，確保心理健康的平等應成為優先事項。 PubMed DOI

Applications of Large Language Models in the Field of Suicide Prevention: Scoping Review.
大型語言模型在自殺預防領域的應用：範疇回顧。 J Med Internet Res 2025-01-23

自殺預防是全球健康的重要議題，每年約有80萬人因自殺而喪生。大型語言模型（LLMs）在數位服務中有助於自殺預防，但也帶來臨床與倫理挑戰。2024年2月的回顧研究分析了43項相關研究，發現大多數集中於自殺風險識別，並探討了LLMs在臨床應用中的潛力。研究指出，隱私和同意等倫理問題需特別注意，並強調多學科合作及高品質數據的重要性。生成性人工智慧的發展可能改善危機護理與教育，但需持續人類監督。 PubMed DOI

An Explainable Artificial Intelligence Text Classifier for Suicidality Prediction in Youth Crisis Text Line Users: Development and Validation Study.
一個可解釋的人工智慧文本分類器，用於預測青少年危機文本線用戶的自殺風險：開發與驗證研究。 JMIR Public Health Surveill 2025-01-29

這項研究針對自殺這一公共衛生議題，運用機器學習模型來識別有風險的個體，特別針對14至25歲的青少年。研究使用德國危機熱線的數據，開發預測自殺意念和行為的方法，並與傳統文本分類進行比較。基於變壓器的模型表現優異，達到0.89的宏觀AUC，並成功識別與自殺風險相關的語言特徵。研究結果顯示，這些模型能有效輔助臨床決策，未來可探索多模態輸入及時間性因素。 PubMed DOI

Data Quality Matters: Suicide Intention Detection on Social Media Posts Using RoBERTa-CNN.
數據質量的重要性：使用 RoBERTa-CNN 偵測社交媒體貼文中的自殺意圖。 Annu Int Conf IEEE Eng Med Biol Soc 2025-03-05

這篇論文針對自殺預防的議題，提出了一種新穎的深度學習方法，專門用來檢測來自SuicideWatch subreddit的自殺意圖貼文。研究介紹了RoBERTa-CNN模型，結合了RoBERTa架構和卷積神經網絡（CNN），提升了在大型數據集中的模式識別能力。該模型在自殺與抑鬱檢測數據集上測試，達到98%的平均準確率，且標準差僅0.0009，顯示其穩定性。研究強調數據質量對訓練有效模型的重要性，建議透過手動清理或使用OpenAI API來降低噪音。 PubMed DOI

Effectiveness of generative AI-large language models' recognition of veteran suicide risk: a comparison with human mental health providers using a risk stratification model.
生成式 AI-大型語言模型辨識退伍軍人自殺風險的效能：與人類心理健康醫療提供者運用風險分層模型之比較 Front Psychiatry 2025-04-18

這項研究發現，主流AI語言模型在評估退伍軍人自殺風險和治療建議上，表現常與專業人員不同，容易高估或低估風險，且各AI模型間差異大。雖然AI有時能與人類判斷一致，但治療建議不夠穩定，像ChatGPT-4o就全都建議住院。AI目前只能當輔助工具，不能取代專業判斷，臨床應用前還需要更多研究和專家監督。 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

原始文章

站上相關主題文章列表