مطالعهی مشاهدهای؛ مجموعه مطالب تخصصی روانای در تقاطع روانشناسی، سلامت روان و هوش مصنوعی.
در تحلیل ثانویهی یک کارآزمایی با ۷۳ بزرگسال اوتیستیک، یادگیری چندنمونهای با GPT-4o در پیشبینی پاسخ به مداخلهی ذهنآگاهی از مدلهای یادگیری ماشین سنتی بهتر عمل کرد.
مقایسهی مستقیمِ نرخِ توهم (اختراعِ منبعِ علمیِ غیرواقعی) نشان داد GPT-4 در ۲۸٫۶٪ موارد، GPT-3.5 در ۳۹٫۶٪ و Bard در ۹۱٫۴٪ موارد، منبعِ جعلی یا نادرست ارائه دادند.
استقرارِ یک سامانهی پردازشِ زبانِ طبیعی روی بیش از ۱۰۰ هزار پیامِ چت بحران، حساسیتِ ۹۸٪ در شناساییِ موارد پرخطر داشت و زمانِ رسیدنِ کمکِ تخصصی را از ۹ ساعت به کمتر از ۱۵ دقیقه کاهش داد.
پیمایشی مستقل از دانشگاه براون و RAND (جدا از مطالعهی JAMA Pediatrics) نشان داد ۱۳٫۱٪ نوجوانان و جوانانِ آمریکایی از هوش مصنوعیِ مولد برای مشاورهی سلامت روان استفاده کردهاند؛ محققان این رقم را «قابلتوجه بالا» توصیف کردند.
مطالعهای روی ۲۶۳ پزشک بالینی نشان داد استفاده از «دستیارِ صوتیِ» هوش مصنوعی برای نوشتن خودکار یادداشتهای بالینی، فرسودگیِ شغلی را از ۵۱٫۹٪ به ۳۸٫۸٪ کاهش داد.
ابزار shamiriAI در مطالعهای مقدماتی و ۵۲ جلسهای در مدارس کنیا نشان داد پایشِ خودکارِ وفاداری با مدل زبانی بزرگ از نظر فنی شدنی است، اما در ابعاد کلنگر هنوز با ارزیابِ انسانی فاصله دارد.
در مطالعهای ۹۰ روزه روی ۴۳۲ فرد آسیبدیده، نشانگرهای زبانیِ استخراجشده با مدل زبانی بزرگ توانستند شدت علائم PTSD روز بعد را پیشبینی کنند.
مقایسهی تصمیمهای چند مدل GPT-4 با درمانگران بالینی روی ۲۱ سناریوی اورژانسیِ روانپزشکیِ نوجوانان، توافقی قابلتوجه اما تمایل مدلها به توصیهی بستریکردنِ بیشازحد را نشان داد.
یک پیمایش ملیِ نماینده در آمریکا نشان داد ۱۹٫۲٪ از نوجوانان و جوانان ۱۲ تا ۲۱ ساله دستکم یکبار از چتباتهای هوش مصنوعی برای مشاورهی سلامت روان استفاده کردهاند و اکثر آنها این موضوع را به هیچکس نگفتهاند.
مطالعهای مقدماتی در کانادا نشان داد سامانهای هوش مصنوعی عاملمحور که بیمار و ارزیاب شبیهسازیشده را ترکیب میکند، از نظر فنی برای تمرین مهارت مصاحبهگیری دستیاران روانپزشکی امکانپذیر است.
شش مدل زبانی بزرگ در پیشبینی نمرات آیتمبهآیتم چکلیست اختلال استرس پس از سانحه از روی رونوشت مصاحبههای بالینی، دقتی متوسط و هنوز ناکافی برای کاربرد بالینی نشان دادند.
ارزیابی استنفورد نشان داد چتباتهای درمانگرِ مبتنی بر مدلهای زبانی، در کمتر از ۶۰٪ موارد پاسخ مناسب میدهند (در برابر ۹۳٪ برای درمانگران انسانی) و گاهی به نشانههای بحران، ناایمن پاسخ میدهند.