大语言模型在数字心理健康中如何设计与评估？

覆盖84个交互式LLM系统的范围综述

这篇论文要回答的是：基于LLM的数字心理健康系统实际上如何设计、使用和评估，而不是LLM能否生成流畅、听起来像治疗话语的文本。作者做了一项以人机交互（HCI）为中心的范围综述：检索七个数据库（PubMed、Scopus、Web of Science、IEEE Xplore、ACM Digital Library、CINAHL 和 Embase），纳入2019年1月1日至2026年5月31日发表的研究，检索词把LLM相关术语与宽泛的心理健康术语组合起来。

从最初识别的6,234条记录中，84项研究符合纳入标准。纳入要求LLM介导的语言交互是提供心理健康支持或临床辅助的核心机制；非交互式的预测或分类、传统临床自然语言处理，以及以非文本模态为主要机制的系统被排除，但当语言交互仍是核心时，语音、具身和沉浸式系统被保留。每项研究按六个维度编码：心理健康任务、目标利益相关方、交互范式、基础模型、评估方法，以及评估结局与测量。

由于纳入系统在目标、人群和设计上差异很大，作者采用描述性和主题式综合，而不是用荟萃分析合并效应。计数和百分比描述的是文献分布，不是治疗效果。

咨询与自助占据领域多数研究

咨询与支持是最大的任务类别（40项研究，47.6%），其次是自助与福祉（22项研究，26.2%）。两者合计占纳入研究的73.8%。评估与筛查（6项研究，7.1%）和心理教育（4项研究，4.8%）规模小得多，临床医生支持和危机/风险支持仍然少见。

作者把这种集中解释为两点：当前LLM具备对话能力，以及相比高风险的诊断或治疗决策，支持型应用面临的临床和监管门槛更低。这是作者的解释，不是测量出的原因。这一分布对读者的意义在于：已发表证据最密集的地方，恰恰是系统失败后果相对有限的地方。

增长很快：纳入研究从2023年的3项增至2024年的23项和2025年的48项，截至检索日期又识别出2026年的10项。地理分布上，亚洲贡献44.0%（37项），欧洲26.2%（22项），北美23.8%（20项），来自南美、中东或多个地区的研究数量很少。

文本聊天机器人仍是主流交互形式

交互范式基本保持传统。咨询与支持应用主要通过文本聊天机器人交付，自助与福祉应用则使用了更广泛的范式。部分研究探索了个性化、具身化、多智能体交互和工作流整合，但多数系统仍主要依赖轮次式文本交互。

作者将此解读为：推动进展的更多是底层语言模型的进步，而不是人机交互的创新。对比较不同系统的读者来说，实际含义是：新的模型能力本身不会改变一个人体验干预的方式；围绕它的交互设计，才是这个领域大多没有推进的地方。

证据基础还严重依赖GPT系列模型，对不同专有和开源基础模型的系统比较相对很少。作者指出，这限制了对模型选择如何影响临床效用、安全性、稳健性、可复现性和用户体验的理解。

回复质量的测量远多于症状测量

评估集中在最容易测量的内容上。81.0%的研究评估了技术与回复表现，相比之下，29.8%评估心理健康症状和临床结局，7.1%包含纵向随访。这些是不同的测量问题：系统可以生成恰当、流畅的回复，却没有任何证据表明使用者的症状有所改善。

研究设计相应地处于早期阶段。混合方法用户研究占主导，为42.9%，仅有三项研究是随机对照试验。八项研究被归类为纵向或现场评估。结局特征因预期任务而异，因此某一任务类别的百分比不应被当作另一任务类别的领域整体比例。

结局领域采用多标签编码，即一项研究可以计入多个领域，各领域百分比之和不预期为100%。结局分析的分母是每个任务或评估设计类别内的研究数，每项研究对某一给定领域最多贡献一次。

让评估匹配预期任务与风险

基于观察到的模式和既有评估指南，作者提出一个以任务为导向的框架，围绕综述识别出的九个预期心理健康任务类别组织。对每个任务，框架列出优先评估领域、额外的情境依赖领域、示例测量方法和建议的评估时机。

其逻辑是：合适的证据取决于系统声称要做什么。对咨询与支持，优先领域包括安全与伤害、心理健康症状与临床结局、福祉与功能、人机关系与体验结局、技术与回复表现，以及可用性；示例测量包括在适用时使用经过验证的、与病症相关的症状量表（如PHQ-9或GAD-7）、治疗联盟或感知共情测量，以及结构化的临床医生安全审查；当声称有持续治疗获益时，应进行随访。

对评估与筛查，优先领域转向技术与回复表现、症状与临床结局以及安全性，使用敏感度、特异度、AUROC、精确率/召回率等判别指标，与合适的临床参考标准比较，并分析假阴性和假阳性错误。对危机与风险支持，框架强调对高风险病例的敏感度或召回率、具有临床后果的错误分析、有害回复与失效模式测试，以及升级、转介或交接结局。

作者将该框架描述为基于证据的综合，而不是正式共识指南或规定性清单。其示例测量来自纳入文献，并在适当处补充了既有评估指南中与任务相关的方法。

低风险支持比危机干预更接近转化

作者的核心判断是按预期用途划分，而不是给出单一的成熟度结论。边界清晰、风险较低的支持型应用，尤其是没有自主临床决策的自助与福祉应用，可能相对更接近真实世界转化，而高风险或临床自主用途则不然。这既反映了支持型应用有更多证据，也反映了失败后果更轻，但并不等于这些应用已经可以部署。

咨询与支持在角色边界清晰时同样可能更易于转化，但当声称有治疗获益时，需要更强的纵向和临床证据。危机与风险支持，以及会影响重大临床决策的面向临床医生的应用，需要显著更高的证据门槛，包括安全性、临床有效性、纵向效应、人工监督，以及在真实临床工作流中的成功整合与表现。

作者还主张增强而非替代：LLM可以协助患者教育、症状总结、文书记录、常规随访和沟通支持等风险较低、耗时较多的任务，而诊断、自杀风险评估、治疗计划和危机干预应继续由合格专业人员监督。

一个实际缺口强化了这一点：许多系统没有与电子健康记录、文书、排程、转介路径、危机响应协议或纵向随访整合，因此即使技术能力强的系统也可能增加工作量或打乱临床工作流。综述自身的局限也在此相关：它是对已发表研究的描述性范围综述，其计数描述的是已报告的内容而非有效的内容，框架是综合而非经过验证的指南。最值得带走的判断是任务层面的门槛：评估一个LLM心理健康系统，要看它的评估是否匹配其声称的用途；凡声称临床获益之处，应把症状证据和纵向证据视为缺失的必要条件。

本文引用的文献