本研究首次将情感分析引入精神科领域，通过定义心理临床情感、标注和评估多个机器学习模型，得出结论：现有的情感分析工具不能准确识别临床正面或负面极性，而我们提供的临床情感定义可以用相对较少的训练数据进行学习。该项目是进一步改进临床使用情感分析方法的初步步骤，最终目标是将结果纳入机器学习模型以预测住院患者的再次入院风险。我们希望这项工作会引发有关情感分析领域适应临床应用的讨论。

Apr, 2019

该研究评估了基于大型语言模型 ChatGPT 在三种文本分类任务中的表现，并发现零-shot分类准确度表明语言模型对心理健康分类任务具有潜在的应用价值。

Mar, 2023

研究了大型语言模型在生物医学任务中的性能，并与更简单的模型进行了比较，特别地，探讨了分类和因果关系检测任务。发现精细调整后的模型依然是最佳策略，而简单的词袋模型的表现与最复杂的大型语言模型的表现相当。

Apr, 2023

该研究调查了大型语言模型在生物医学和健康领域中的多种应用，包括生物医学信息检索、问答、文本摘要、信息提取和医学教育等，并研究了LLM是否具有革新这些任务的能力，发现LLMs在生物医学文献生成方面已取得了显著进展，但在其他方面，其进展并不太大。虽然大型语言模型在生物医学与健康领域应用的潜力巨大，但其使用也存在某些风险和挑战，例如可疑生成的信息以及涉及敏感病人数据的法律和隐私问题。

Jun, 2023

本研究借助新型提示学习方法，将ChatGPT模型用于罕见病实体识别当中并与传统微调方法对比，发现在一些罕见疾病和征象实体的识别方面，ChatGPT能够在只提供一个标记样本的情况下与传统微调方法相媲美，为罕见疾病的诊断和治疗提供了新的可能，但研究人员和临床医生应该审慎对待模型输出并清楚了解其局限性。

Jun, 2023

本研究探讨了ChatGPT作为数据标记工具用于不同情感分析任务中的应用，结果表明相较于基于词汇表的算法，ChatGPT在准确性方面有了显著提高，可用于不同的事件和任务情感分析的标注工作。

Jun, 2023

将临床兽医叙述与大型语言模型(ChatGPT)和之前开发的正则表达式(RegexT)进行比较，来识别体重过重的身体状况评分。ChatGPT的召回率明显高于RegexT，但其精确度略低。大型语言模型创造了多样化的机会，虽然复杂，但提供了直观的信息接口，然而需要谨慎实施以避免错误。

Aug, 2023

ChatGPT在医学研究中的应用及其在主题分析的三个核心阶段（直接编码、生成主题和预处理引用）以及生成访谈记录的潜力的探索，优势和局限的评估，以提高主题分析的效率和提供更多定性数据洞察。

Oct, 2023

本文提出了一种新颖的方法，将大型语言模型（LLM）与可解释的人工智能（XAI）和类似ChatGPT的对话代理相结合，以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将BERT的Twitter特定变体BERTweet集成到BERT-XDD模型中，实现了解释能力，并通过掩码注意力提供分类和解释。利用ChatGPT将技术解释转化为可读性强的评论，进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法，有助于发展具有社会责任感的数字平台，在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。

Jan, 2024

该研究旨在分析关于霍乱的社交媒体帖子中表达的情绪，使用自然语言处理工具、机器学习模型等方法进行情感分类，结果显示LSTM模型的准确率最高，情感分类对于深入了解霍乱对社会的影响具有潜在的作用，并能为公共卫生战略的制定提供有效干预措施。

May, 2024