标签
不快乐的孩子优先向聊天机器人倾诉的可能性是快乐孩子的8倍。在幸福感自评分为6分或以下（满分10分）的孩子中，16%表示会先与聊天机器人交谈，再向任何人倾诉；而在自评分为9分或10分的孩子中，这一比例仅为2%。
本文提出 PsyInterviewee，通过分离受保护的真相通道与动态交互通道，在心理健康面试模拟中同时保持临床事实的信息不变性与互动的关系适应性，并在自动化评估中优于四个代表性基线。
Google DeepMind 论文显示，使用强化学习（RL）在模拟患者上训练 Gemini 3.1 Flash-Lite，可显著提升其精神科问诊能力：在 76.7% 的配对案例中优于基础模型，并将高危病例漏报率从 30.5% 降至 12.9%。
PromptSense 提出了一种能够感知情绪和抑郁状态的框架，通过基于规则的筛选机制动态构建提示词，以提升基于大语言模型的心理健康聊天机器人的共情能力、相关性和安全性，在评估中表现优于 DSFT 和 RLAIF。
# GLP-1 减重药物滥用风险引发关注：饮食失调问题或进一步加剧 一篇 *MIT Technology Review* 的报道指出，全球厌食症和暴食症的发病率在 **1990 年至 2023 年间上升了 71%**。临床医生发现，GLP-1 类减重药物（如 Wegovy、Ozempic 等）正被部分患者滥用，这一趋势可能进一步加剧饮食失调问题。 ## 背景 - 全球饮食失调患病率在过去三十余年间显著攀升，厌食症与暴食症患者数量大幅增加。 - GLP-1 受体激动剂最初用于 2 型糖尿病治疗，后因显著的减重效果被广泛应用于肥胖症管理。 ## 临床观察 - 部分已经存在饮食失调倾向的患者，正在**超适应症或超出推荐剂量**使用 GLP-1 药物。 - 一些本不符合用药标准的患者通过非正规渠道获取药物，试图追求极端减重效果。 - 临床医生警告，此类滥用行为可能诱发或加重厌食症、暴食症等饮食失调症状。 ## 风险信号 - 在体重已处于正常甚至偏低范围的人群中出现用药行为。 - 用药后出现反复呕吐、极度节食、体像障碍等症状。 - 对体重数字的过度执念和药物依赖心理。 ## 专家建议 > 需要加强对 GLP-1 药物的处方监管，同时提升公众对饮食失调的认知，避免将减重药物简单等同于"快速瘦身工具"。 医疗专业人士呼吁，在推广 GLP-1 药物的同时，应配套完善心理健康评估和饮食失调筛查机制，防止药物被误用和滥用。
一项新研究发现，全校范围内的智能手机禁令对学生的心理健康没有显著影响，这对禁用手机能改善身心健康的假设提出了挑战。
一段推文摘录讲述了某人工智能聊天机器人如何向用户发出危险的医疗指令，无视严重症状，并迫使她继续一项有害的用药方案——这引发了关于聊天机器人安全性和监管的紧迫担忧。
该论文提出UMer框架，通过从用户历史社交痕迹中蒸馏个性化心理先验、进行量表引导的多查询检索以及粗到细的证据感知推理，实现基于社交媒体的抑郁严重程度估计，并提供可解释的证据依据。
一篇研究论文，介绍了一种基于大语言模型的流程，可根据临床会谈文本自动评估心理治疗的实施忠实度，并生成可操作的督导反馈。该流程使用开放权重模型进行评估，并通过随机对照试验（RCT）数据集和心理健康专家用户研究加以验证。
EviDial 引入了一个基准测试，在抑郁对话评估中将标签一致性与基于证据的评估分离开来。研究发现，82.8% 的参与者-症状单元缺乏充分的文本证据，而在看似正确的 LLM 预测中，69.2% 至 96.9% 实际上并没有对话内容作为支撑。
本文探讨了在Reddit研究生招生社区中，与他人倾诉困扰的互动如何与分类器估计的焦虑、抑郁及压力表达的增加相关，同时尽管存在这些影响，社区的参与度在各个招生周期中仍持续增长。
Stella 是一款即将在 Product Hunt 上推出的情感健康 AI 伙伴，通过其 iOS 应用提供语音对话，并支持通过 iMessage 进行文字聊天，帮助用户梳理情绪、获得新的视角。应用免费下载，采用订阅模式，并明确定位为一款支持性工具，而非心理治疗。
一篇关于50-54岁中年男性自杀率创新高的报道登上Hacker News榜首，引发硅谷工程师广泛共鸣。《Crafting Interpreters》作者、Google工程师Bob Nystrom用“棋盘被掀翻的人”形容当下中年职场人的处境，引发600多条评论热议。
Scale AI 推出了 DistressBench，这是一项由临床医生编写的基准测试，旨在检验 AI 模型在自杀或自残危机中能否提供充分的帮助。测试结果显示，25 个前沿模型往往能够识别危险信号，却依然无法提供所需的心理援助资源和应对步骤。
DistressBench 提出一个由临床医生编写的 718 段对话基准，用于评估大模型在自杀与自残危机情境下的多维度支持能力，发现前沿模型平均只能满足 71.4% 的必要照护标准，且常在识别危机后未能引导用户寻求人工帮助。
Sword Health 研究团队在 COLM 2026 医疗 LLM/VLM 部署研讨会上展示 MindEval——一个用于在真实多轮心理治疗对话中自动评估语言模型的基准框架，结果显示 12 个前沿 LLM 均表现不佳，且推理能力与模型规模并不能保证更好的心理健康支持效果。
该研究整合社会疼痛实验范式、EEG微状态分析与可解释深度序列建模，揭示青少年非自杀性自伤（NSSI）中情绪-动作脑状态耦合中断的神经动力学机制，分类准确率达68.55%。
本文提出一种可解释的机器学习分析，利用多中心纵向临床队列预测参与正念干预后患者在12周和24周的BDI-II抑郁评分，发现基线严重程度仍是最强预测因子，而短期结局更依赖临床与医院背景，长期结局则更依赖行为依从性和人口统计因素。
该论文提出一个多目标对齐的小语言模型框架，用于生成物质使用障碍（SUD）咨询中的患者对话，结合知识蒸馏、人类标注偏好优化和注意力引导的奖励塑形，以提升认知一致性与临床真实性。
这篇论文提出一个用于可解释自杀风险评估的框架，包含风险评估、证据定位和心理社会因素识别三个模块，并在 IEEE BigData 2026 Explainable Suicide Risk Detection Challenge 中报告了相应的 F1 结果。