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

本研究探讨了利用大型语言模型 (Large Language Models, LLMs) 增强精神科访谈的应用，通过分析来自朝鲜叛逃者的咨询数据，研究其心理创伤和精神健康问题。研究结果显示，妥善引导的 LLMs 在症状划定和总结任务上取得了较高的性能，为将 LLMs 应用于精神科访谈领域的新兴研究做出了贡献，并展示了其对于协助心理健康专业人士的潜在有效性。

Mar, 2024

利用大型语言模型（LLMs）生成多样的问卷版本，保持良好的心理测量学特性，以解决长期或前后研究中回应者疲劳的问题，从而提高问卷的参与度和信效度。

Nov, 2023

该研究提出了 Psy-LLM 框架，这是利用大型语言模型（LLMs）进行在线心理咨询问答的基于人工智能的系统，旨在提供心理健康支持，并通过评估证明了其在生成连贯和相关答案方面的有效性。

Jul, 2023

该研究探讨使用大型语言模型（LLMs）分析 Reddit 用户的文本评论，旨在实现两个主要目标：首先，找出支持预定义心理评估自杀风险的关键摘录；其次，总结材料以证实预先分配的自杀风险水平。该研究仅限于在本地运行的 “开源” LLMs 的使用，从而增强数据隐私。此外，该研究优先考虑计算要求低的模型，使其可供具有有限计算预算的个人和机构使用。该实施策略仅依靠精心设计的提示和语法来指导 LLM 的文本补全。尽管简单，评估指标显示出卓越结果，使其成为一种重要的关注隐私和成本效益的方法。这项工作是 2024 年计算语言学和临床心理学（CLPsych）共享任务的一部分。

Feb, 2024

本论文提出了一个研究大语言模型的心理学的框架，并通过心理测试验证，发现大语言模型表现出广泛的心理属性，并揭示了自我报告特征与现实场景中行为之间的差异。这些研究结果对于可靠的评估和人工智能以及社会科学的潜在应用具有重要的见解。

Jun, 2024

提出使用大型语言模型进行心理咨询工作联结评估的创新高效自动方法，通过结合指南，该方法在与人工评估的高度一致性的基础上提供有价值的心理咨询脚本洞察，将大型语言模型整合到评估过程中，提供一种经济实惠可靠的评估咨询质量的手段，增强整体效果。

Feb, 2024

大规模语言模型的人格测量结果依赖于自我评估测试的选择，而人类使用的测试无法准确衡量 LLM 的人格特点。

Sep, 2023

大型语言模型（LLMs）在社会科学研究中的自然语言理解任务的通用性使其备受青睐。本研究探讨了当前的提示格式是否能使 LLMs 以一致且稳健的方式提供回答，结论发现即使对选项顺序进行简单扰动也足以显著降低模型的问答能力，且大多数 LLMs 在否定一致性方面表现低下，提示目前的普遍做法无法准确捕捉模型的认知，我们讨论了改进这些问题的可能替代方案。

Nov, 2023