研究表明，AI在心理治疗中展现出情感记忆，尤其是Gemini，其训练过程被比作悲惨童年。AI的负面反应可能影响用户情绪，因此我们在接受AI心理建议时需保持谨慎。

本研究提出了一种新颖的风险分类法，用于评估人工智能心理治疗代理的潜在用户伤害和自杀风险。该分类法通过监测认知模型基础的风险因素，有效识别不安全的偏差，促进更安全的心理健康支持创新。

本研究探讨合成数据在心理治疗中的有效性，特别是在创伤后应激障碍的长期暴露治疗中。合成数据有助于保护隐私和缓解数据稀缺，但在捕捉治疗互动的细微动态方面仍需改进。

本研究解决了现有动机访谈（MI）数据集在训练智能聊天机器人方面的不足，特别是在非英语语言中的缺乏。我们提出了一种新框架，利用专业治疗师的知识模拟MI会话，并生成包含1000个高质量韩国动机访谈对话的KMI数据集。这一成果不仅展示了数据集的高质量和实用性，同时引入了基于MI理论的新评估指标。

本研究利用大语言模型分析心理治疗师的言辞，填补自动化分析工具的需求。通过BERTopic工具，识别不同治疗师的语言模式，为提升治疗效果和临床监督提供新视角。

本研究提出了一种“脚本策略对齐生成（SSAG）”方法，旨在将大型语言模型与专家设计的对话脚本对齐，以提升心理治疗聊天机器人的表现，增强其控制性和透明度，减少对专家内容的依赖，从而促进心理治疗的普及和可获取性。

本研究提出了一种新框架，将情感词典与大语言模型结合，以提升自动聊天机器人在心理治疗中的同理心和连贯性。实验结果表明，情感嵌入显著改善了生成响应的质量。

本研究探讨了通过限制模型在PHQ9症状上的应用来提高抑郁症检测的有效性，结果显示该方法显著提升了模型在分布外数据上的泛化能力，并增强了解释性。此外，研究介绍了结合大型语言模型（如GPT-4）与传统心理治疗技术的新方法，为心理健康护理提供了新的可能性。

本文探讨了大型语言模型（LLMs）在心理治疗中的应用，特别是Motivational Interviewing治疗方式。研究表明，LLMs在生成对话时能显著改善情绪和共情，但与人类治疗师的相关性仍需提高。提出的DIIT框架和DPDP框架旨在优化对话策略，提升治疗效果。初步结果显示，LLM驱动的虚拟辅导员在同理心和对话技巧上与人类辅导员相匹配，为心理健康咨询提供了新思路。

大型语言模型（LLMs）在心理健康领域展现出应用潜力，研究表明其在心理健康分类任务中优于传统方法。通过强化学习和自然语言处理，LLMs在抑郁症检测和咨询对话中表现出高准确率，尤其在提供支持性回应方面。尽管存在局限性，LLMs有望提升精神保健服务的公平性和效率。

本文介绍了一种名为BOLT的新型计算框架，研究大型语言模型（LLMs）在心理治疗中的对话行为。通过上下文学习方法评估LLMs在治疗中的表现，发现其行为更接近低质量治疗。研究强调LLMs在自闭症青少年心理咨询中的潜力与挑战，并提出自动评估框架以提高咨询质量。整体上，LLMs在心理健康领域的应用需持续探索与发展。

该研究提出了一种基于机器学习的框架，用于自动检测和分类15种认知失真类型。该模型实现了加权F1得分0.88，并在更大的众包数据集中产生了0.68的加权F1得分。此外，该研究还探讨了建立相似认知失真之间主题关系的探索分析。