总结和概括了大型语言模型（LLMs）在心理健康领域的应用，包括早期筛查、数字干预和其他临床应用领域的强项、限制、挑战和机遇，并指出了 LLMs 在心理健康问题检测和个性化医疗方面的有效性，同时也提出了关于文本一致性、幻觉内容和缺乏伦理框架的风险以及 LLMs 作为创新临床工具的进一步研究和发展的必要性，强调 LLMs 应该是专业心理健康服务的补充而非替代。

Feb, 2024

通过将大规模语言模型（LLM）整合到工作流程中，我们旨在解决临床人力短缺在精神保健中所面临的挑战，从而为一般人群提供公平的精神保健。虽然 LLMs 在临床决策方面已经展示了其能力，但它们在创伤后应激障碍（PTSD）等严重疾病适应方面尚未得到充分探索。因此，我们收集了 411 个临床医师进行的诊断性访谈，并设计了一种获得高质量数据的新方法。此外，我们构建了一个综合框架，通过利用两个最先进的 LLMs（GPT-4 和 Llama-2）来自动完成基于访谈内容的 PTSD 诊断评估，这具有更广泛的临床诊断潜力。我们的结果在我们的数据集上展示了 LLMs 有望协助临床医生进行诊断验证的强大潜力。据我们所知，这是第一个完全基于临床医师访谈进行心理疾病评估自动化的人工智能系统。

May, 2024

通过方面导向的总结来评估大型语言模型在心理健康咨询中的应用，研究发现任务特定的语言模型在心理咨询的各个方面表现出较好的综合性能。

Feb, 2024

大型语言模型在心理健康方面表现出很大的潜力，但使用它们时需要保持谨慎和考虑，把它们视为辅助人类专业技术而非替代品，因为它们可能产生幻觉般的输出，并且在心理健康咨询中，人类辅导员的情感理解、细致解读和背景意识仍然不可替代。

Nov, 2023

大语言模型在精神卫生保健中展示了广泛的应用，涵盖诊断、患者支持等方面。然而，数据可用性、精确处理心理状态和有效评估方法等问题，导致了临床适用性和伦理考虑方面的差距存在，要推动精神卫生保健中大语言模型的进一步发展，需要依靠多学科协作、数据集开发、技术精进和伦理融合等方面的全面努力。

Jan, 2024

我们利用大型语言模型将非结构化的心理访谈转化为涵盖各种精神疾病和人格领域的结构化问卷，通过模拟被访者的方式让语言模型回答这些问卷。得到的答案被编码为特征，并使用随机森林回归器预测抑郁症（PHQ-8）和创伤后应激障碍（PCL-C）的标准化精神健康测量值，比多个基准模型表现出更高的诊断准确性。因此，我们的研究提出了一种新的框架来解释非结构化的心理访谈，缩小叙事驱动和数据驱动方法在心理健康评估中的差距。

Jun, 2024

通过对大语料库（Med-PaLM 2）中明确训练的大型语言模型（LLMs）的能力进行研究，本文证明了这些模型能够在没有经过训练的情况下从病人采访和临床描述中预测精神功能。结果表明，Med-PaLM 2 能够评估多种精神疾病的精神功能，其中以基于标准评估的抑郁症评分的预测性能最强（准确率范围 = 0.80-0.84），与人类临床评定人员无显著差异（t (1,144)=1.20；p=0.23）。结果显示了通用的临床语言模型在根据患者和临床医生的自由描述预测精神风险方面的潜力。

Aug, 2023

MindfulDiary 是一个移动日记应用程序，整合了一个大型语言模型，帮助精神科患者通过对话记录每天的经历，它可以在临床设置中提供技术可行性和整合的潜力。

Oct, 2023

全球心理健康问题的比例正在上升，现有的心理卫生模型已无法满足需求；大型语言模型 (LLMs) 的出现给人们带来了巨大的希望，有望创造新颖的、大规模的解决方案来支持心理健康。在这篇综述中，我们总结了现有文献关于使用 LLMs 提供心理健康教育、评估和干预的研究，重点强调了每个领域中的机遇。我们还强调了 LLMs 应用于心理健康所面临的风险，并鼓励采取策略来减轻这些风险。急需提供心理健康支持的紧迫性必须与负责任的心理健康 LLMs 的开发、测试和部署相平衡。特别重要的是，确保心理健康 LLMs 针对心理健康进行优化，增加心理健康公平性，遵守伦理标准，并确保人们，包括那些有心理健康问题经验的人，在从开发到部署的各个阶段都参与其中。优先考虑这些努力将减少对心理健康的潜在伤害，并最大程度上确保 LLMs 对全球心理健康产生积极影响。

Mar, 2024

本文探讨了大型语言模型在心理咨询中的应用，通过专用提示信息来提高其在提供共情、相关和支持性回应方面的性能，研究结果表明我们的训练模型优于几个基线模型，凸显其作为可扩展且易于获取的心理健康支持工具的潜力。

Jun, 2024