- 利用大型语言模型进行多级反馈生成以赋予新手同行辅导员能力
利用大规模语言模型为初级精神治疗督导员提供多层次背景知识和文本反馈，以此提升大量使用同伴咨询的人群心理健康支持，通过与领域专家的定性和定量评估，确保高风险情境下潜在有害和低质量反馈的最小化。
- 大型语言模型在心理健康领域的机遇和风险
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 - 利用大型语言模型在社交媒体上进行抑郁症检测
通过分析社交媒体上用户的历史帖子，我们提出了一种名为 DORIS 的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性 - 一个用于心理健康中大型语言模型的新颖细致对话评估框架
我们提出了一个新颖的框架来评估大型语言模型（LLMs）的细致对话能力，将其应用于心理健康领域，并发现 GPT4 Turbo 在特定主题上表现出与经过验证的治疗师高度相关的成绩，从而帮助研究人员开发更好的 LLMs 以更积极地支持人们的生活。
- 苏格拉底推理改善正向文本重写
通过使用 Socratic rationales 来合理化思维改写过程，改进了积极文本改写的方法，以应用于无障碍心理健康和心理治疗的大型语言模型解决方案。
- 大型语言模型用于心理健康研究的系统综述
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 - AI 驅動的持續情緒監測器：主動式情緒跟蹤
本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本，实现了令人印象深刻的 93% 测试准确率。同时，该项目旨在结合可穿戴设备（如智能手表和脑电传感器）的生理信号，提供情绪障碍和情绪状态的长期跟踪和预后，这 - 通过大型语言模型理解心理健康的评估
评估大型语言模型在理解人类心理健康状况表达方面的潜力，结果显示，基于 Transformer 的模型（如 BERT 和 XLNet）在 DAIC-WOZ 数据集上表现优于大型语言模型。
- 异质儿童心理健康临床记录的动态主题语言模型
通过长期主题模型，我们研究了 COVID-19 期间儿童心理健康的变化，发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显，为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。
- 关于在心理健康应用中重新思考大型语言模型
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。
- 基于自适应语言的心理健康评估和项目反应理论
通过有限的语言回答问题进行迭代估计个体心理得分的自适应语言评估方法（ALIRT）可显著降低问题数量，同时不影响准确性和计算成本。
- 大型语言模型在数字精神健康中的益处与危害
近年来，大型语言模型（LLM）在数字精神健康工具设计、开发和实施领域展示了潜在的机遇和风险，我们提出了四个应用领域，包括对需要关怀的个体的求助行为、社区关怀提供、机构和医疗关怀提供，以及更大规模的社会关怀生态系统，并思考了 LLM 技术如何 - 语言和心理健康：从文本中衡量情绪动态作为语言生物社会标志物
该研究首次研究推文情绪动态与心理健康障碍之间的关系，发现言语情绪动态指标与自我公开的诊断之间存在显著差异，这为语言线索在心理疾病的诊断和管理中发挥关键作用提供了重要的初步证据。
- 一种抑郁症分类的混合方法：基于运动活动信号的随机森林 - 人工神经网络集成
通过使用可穿戴传感器和机器学习方法，研究提出了一种名为混合随机森林 - 神经网络的算法，用于评估抑郁症患者的传感器数据。该算法在包括难治性和双极性抑郁症患者以及健康对照组的特殊数据集上的准确率达到 80％，为精神健康诊断领域做出了重要贡献。
- 机器学习预测离婚：洞察与 LIME 可解释性
通过评估名为 “离婚预测数据集” 的数据集，使用六种不同的机器学习算法（Logistic Regression，Linear Discriminant Analysis，K-Nearest Neighbors，Classification - 提升心理健康领域的长篇文本生成技术：基于任务自适应的分词
通过任务自适应分词机制，在心理健康方面增强长文本生成的流程，在多个结果中采样具有可变分词的策略，通过优化基于任务的数据的采样概率，引入了构建专用词汇的策略，并引入了允许将任务特定的令牌集成到预训练模型的分词步骤的词汇合并协议。在对中文和英文 - 识别 COVID-19 后精神健康障碍的风险因素：机器学习视角
利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素，结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素，并且心理社会因素如社会支持、应对策略和 - 新冠疫情对大学生抑郁问题的影响因素的研究
通过量子退火算法，我们确定了 COVID-19 大流行之前和之后相关因素的相对重要性和关联性变化，验证了该方法在因子分析研究中的可比较能力，并发现在后疫情条件下，与疫情相关的因素和心理因素更为重要。
- 评估大型语言模型的性质：对人类中心主义的警告
GPT3.5 的认知能力和人格测量存在较大的变异性，但其所展示的低自尊和与现实脱节的表现可能与人类的良好心理健康状态相悖。
- ICML应用主题建模发现精神健康研究课题
通过分析大量与心理健康相关的研究论文的摘要，使用 Sentence-BERT 和 BERTopic 框架训练的自定义嵌入模型，本研究旨在识别该领域的一般趋势和高影响力的研究主题，还使用了词云生成了综合概述在心理健康研究中应用的机器学习模型，