解读 GPT 的抑郁模式：一种机器行为分析

大型语言模型如 ChatGPT (GPT-4/GPT-5) 用于精神健康支持的应用迅速增长，成为评估和帮助具有情绪障碍如抑郁的人的有前景的途径。然而，我们对这些语言模型抑郁症症状的模式认识有限，即它们如何内部关联和解释此类症状。在本工作中，我们利用当代测量理论解码 GPT-4 和 GPT-5 如何关联抑郁症状，提供对 LLM 如何应用所学知识的解释，为临床应用提供指导。我们发现 GPT-4 (a) 与标准仪器和专家判断具有强大的收敛有效性 $(r = 0.70 - 0.81)$；(b) 在行为上将抑郁症状与彼此关联（症状 inter-correlates $r = 0.23 - 0.78$），符合对抑郁症的已有文献；然而，它 (c) 在 $\textit{自杀倾向}$ 与其他症状的关系上低估，同时过度强调 $\textit{心动症状}$；(d) 建议了症状机制的新假设，例如指示 $\textit{睡眠}$ 和 $\textit{疲劳}$ 受到其他抑郁症状的广泛影响，而 $\textit{自worth/罪疚感}$ 仅与 $\textit{抑郁情绪}$ 相关联。GPT-5 显示出略低的自我报告收敛性，通过机器行为分析中的症状-症状关系变化解释了这一差异。这些见解为理解语言模型的精神健康评估提供了实证基础，并展示了一种可通用的方法，用于解释其他模型和障碍中的可解释性。我们的发现可指导关键利益相关者，有效地将这些技术置于护理系统中。