心理健康中的大语言模型：应用、创新与伦理挑战的系统性综述

arXiv cs.AI 论文
large-language-models mental-health systematic-review ethics healthcare ai-applications multimodal-learning

摘要

本系统综述探讨了大语言模型在心理健康领域的应用，涵盖了临床对话代理和多模态学习等领域的创新，同时强调了伦理挑战并倡导安全部署框架。

arXiv:2608.18080v1 公告类型：新 摘要：我们呈现了一篇关于大语言模型（LLMs）在健康领域应用的综述，例如社交媒体分析、临床对话代理、治疗支持工具、提示工程、多模态学习和伦理考量。我们整合了利用多样化数据源（如社交媒体帖子、电子病历和多模态输入）的跨学科研究发现，以实现抑郁症的早期检测、自杀风险评估、个性化治疗支持和心理教育内容生成。我们的综述强调了提升可解释性和临床相关性的LLM模型和标注策略的进步，同时我们也强调了提示工程在领域适应中的关键作用。我们还讨论了新兴的多模态融合技术，整合文本、语音和传感器数据以改进心理健康诊断和监测。最后，我们探讨了持续的伦理、社会技术和监管挑战，并倡导框架以确保LLMs在现实世界心理健康护理中的安全、公平和负责任部署。
查看原文
查看缓存全文

缓存时间: 2026/08/20 09:51 

# 大语言模型在心理健康领域的应用：关于应用场景、技术创新与伦理挑战的系统性综述
来源：https://arxiv.org/abs/2608.18080
查看PDF文档 (https://arxiv.org/pdf/2608.18080)

> 摘要：本文系统综述了大语言模型（LLMs）在健康领域的应用，涵盖社交媒体分析、临床对话智能体、治疗支持工具、提示工程、多模态学习及伦理考量等多个方面。我们整合了跨学科研究成果，利用社交媒体帖子、电子病历及多模态输入等多元数据源，实现了抑郁症早期识别、自杀风险评估、个性化治疗支持以及心理教育内容生成。本综述重点介绍了LLM模型与标注策略的最新进展如何提升临床可解释性与适用性，同时强调提示工程在领域适配中的关键作用。我们还探讨了融合文本、语音与传感器数据的新兴多模态技术，这些技术为心理健康诊断与监测带来了革新。最后，文章分析了当前面临的伦理、社会技术及监管挑战，并倡导建立相关框架，以确保LLMs在真实世界心理健康服务中实现安全、公平且可问责的应用。

## 提交历史
提交者：Yisong Chen \[查看邮箱 (https://arxiv.org/show-email/ced3fb6c/2608.18080)\] **\[版本1\]** 2026年5月31日 周日 01:55:20 UTC \(1,199 KB\)

相似文章

大语言模型在低资源语言人文学科研究中的机遇与挑战

arXiv cs.CL

本文系统评估了大语言模型在低资源语言研究中的应用，分析了在语言变异、历史文献、文化表达和文学分析等方面的机遇与挑战。研究强调了跨学科合作和定制化模型开发，以保护语言和文化遗产，同时解决数据可获取性、模型适应性和文化敏感性问题。

在标准化病例中评估大语言模型在动态临床决策中的表现

Hugging Face Daily Papers

研究人员提出了MedSP1000，这是一个包含1638个病例的交互式基准，源自标准化患者场景，用于评估大语言模型作为动态临床代理在多轮问诊中的表现。结果显示，即使是最佳模型（GPT-5.5）也仅完成了60.4%的专家评分项，表明当前的大语言模型在临床实践中尚不够可靠。

以人为本的大型语言模型的反思与新方向

arXiv cs.CL

本文提出了一种以人为本的大型语言模型（HCLLMs）框架，融合人机交互（HCI）与自然语言处理（NLP）的视角，旨在模型开发的全生命周期中优先保障人类价值观。