心理健康护理中的大语言模型：范围综述
计算与语言
2025-07-14 v3 人工智能
摘要
目的：本综述旨在对 Large Language Models (LLMs) 在心理健康护理中的应用进行全面分析，评估其有效性，识别挑战，并探索其未来应用的潜力。材料与方法：2023年11月在 PubMed、Web of Science、Google Scholar、arXiv、medRxiv 和 PsyArXiv 等多个数据库中进行了系统检索。本综述纳入了2019年10月1日至2023年12月2日期间发布或传播的所有类型的原始研究，无论其同行评审状态如何。如果研究采用了 T5 之后开发的 LLM，并直接调查了心理健康护理环境中的研究问题，则不论语言限制均予纳入。结果：在最初的313篇文章中，根据其与 LLM 在心理健康护理应用的相关性及报告结果的严谨性，选出了34篇。综述识别了 LLM 在心理健康护理中的各种应用，包括诊断、治疗和增强患者参与度。突出的主要挑战涉及数据的可用性和可靠性、心理状态的细微处理以及有效的评估方法。虽然 LLM 在提高准确性和可及性方面显示出前景，但在临床适用性和伦理考量方面仍存在显著差距。结论：LLM 在增强心理健康护理方面具有巨大潜力。为了充分发挥其潜力，必须强调开发稳健的数据集、开发与评估框架、伦理指南以及跨学科合作，以解决当前的局限性。
引用
@article{arxiv.2401.02984,
title = {Large Language Models in Mental Health Care: a Scoping Review},
author = {Yining Hua and Fenglin Liu and Kailai Yang and Zehan Li and Hongbin Na and Yi-han Sheu and Peilin Zhou and Lauren V. Moran and Sophia Ananiadou and David A. Clifton and Andrew Beam and John Torous},
journal= {arXiv preprint arXiv:2401.02984},
year = {2025}
}