本研究提出了一种新框架，利用大语言模型（LLM）量化心理状态，解决情绪状态测量的准确性问题。分析表明，LLM能有效反映抑郁情绪的多样性，并与问卷结果显著相关，从而提高心理状态评估的可靠性。

本研究提出了一种新方法，将智能手机传感器数据转化为结构化叙述，利用AWARE叙述者分析个体行为与心理状态，具有广泛的应用潜力。

本研究通过SimpleToM数据集探讨大型语言模型在社交环境中应用心智理论的能力。结果显示，模型能预测心理状态，但在行为预测和合理性判断上存在不足，强调增强模型能力的重要性，仍需特定任务干预。

智能手机问题使用对身心健康有负面影响。研究发现，无聊、压力和惰性是导致问题使用的心理状态。MindShift是一种干预技术，通过使用大型语言模型(LLMs)，根据用户的身体状况和心理状态生成有效的说服内容。实地实验结果显示，MindShift使干预接受率提高了17.8-22.5%，智能手机使用频率降低了12.1-14.4%。用户的智能手机成瘾程度下降，自我效能感提高。这项研究为其他行为变化领域的上下文感知说服提供了启示。

智能手机问题使用对身心健康有负面影响。研究发现，无聊、压力和惰性是导致问题使用的心理状态。MindShift是一种干预技术，利用大型语言模型生成有效的说服内容。实地实验显示，MindShift使干预接受率提高了17.8-22.5%，智能手机使用频率降低了12.1-14.4%。用户的智能手机成瘾程度下降，自我效能感提高。这项研究为其他行为变化领域的上下文感知说服提供了启示。

本文评估了大型语言模型（LLMs）的能力，并批判性地评估了三个常见的批评观点。文章提出了对LLMs中“真正”的理解和意向性的实用观点，并讨论了在何种情况下将心理状态归因于LLMs。