Psychoterapia.no Biblioteka naukowa · karta publikacji

journal_article Large Language Model-Based Behavioral Activation Chatbot for Young People With Depres JMIR Mental Health

PSYCHOTERAPIA.NO / BIBLIOGRAFIA · REKORD ŹRÓDŁOWY

Large Language Model-Based Behavioral Activation Chatbot for Young People With Depression Using Artificial Users and Clinical Experts: Mixed Methods Evaluation

JMIR Mental Health · 2026 · Tom 13 : e94781

Florian Onur Kuhlmeier, Leon Hanschmann, Melina Rabe, Stefan Lüttke, Eva-Lotta Brakemeier, Alexander Maedche

Metadane lokalne PubMed / MEDLINE (MeSH: 10) IWBP częściowy DOI 10.2196/94781 PMID 42679232

Zobacz graf powiązań SVG Deskryptory MeSH i słowa kluczowe Metadane i identyfikatory

Źródło: src_kuhlmeier_2026 · kanoniczny adres karty: /bibliografia/source.php?id=src_kuhlmeier_2026

Synteza kontekstu badawczego

Opracowanie polskojęzyczne oraz dostęp do abstraktu źródłowego

PROWENIENCJA: PUBMED / MEDLINE TDM

Autorskie polskie podsumowanie kontekstu badawczego:
Recenzowana publikacja naukowa „Large Language Model-Based Behavioral Activation Chatbot for Young People With Depression Using Artificial Users and Clinical Experts: Mixed Methods Evaluation” opublikowane na łamach czasopisma „JMIR Mental Health” (2026). Główne deskryptory indeksacyjne (MeSH / słowa kluczowe autorów) przypisane do publikacji obejmują: Depression, Behavior Therapy, artificial users, behavioral activation, clinical fidelity, depression. Poniżej prezentujemy jawny graf powiązań bibliograficznych, kontrolowaną taksonomię NLM MeSH oraz wskaźniki współwystępowania pojęć wyliczone na podstawie lokalnej analizy danych (Text & Data Mining).

Przeczytaj oryginalny abstrakt na PubMed (PMID 42679232) → Otwórz publikację u wydawcy (DOI: 10.2196/94781) →

Nota prawna (Prawo autorskie i TDM): Zgodnie z wytycznymi NLM/PubMed pełny tekst angielskiego abstraktu jest wyświetlany bezpośrednio wyłącznie dla artykułów z jawną otwartą licencją Creative Commons (CC-BY). W pozostałych przypadkach lokalny plik XML z PubMed służy wyłącznie do wewnętrznej analizy statystycznej i ekstrakcji pojęć (Text & Data Mining, art. 3–4 dyrektywy DSM UE), a powyżej prezentujemy nasze autorskie polskie omówienie kontekstu badawczego oraz bezpośredni odsyłacz do rekordu w bazie PubMed.

Taksonomia i analiza leksykalna

Deskryptory MeSH (PubMed), słowa kluczowe autorów oraz kandydaci długiego ogona (Long-Tail)

Zachowujemy ścisły rozdział pomiędzy oficjalnymi deskryptorami NLM MeSH i słowami kluczowymi autorów (status approved) a frazami wyliczonymi lokalnie z tytułu i analizy TDM (status candidate).

1. Deskryptory medyczne MeSH® (U.S. National Library of Medicine — PubMed)

Humans MeSH UI: D006801 · waga: 0.55

pubmed_mesh · approved

Large Language Models MeSH UI: D000098342 · waga: 0.55

pubmed_mesh · approved

Adolescent MeSH UI: D000293 · waga: 0.55

pubmed_mesh · approved

Young Adult MeSH UI: D055815 · waga: 0.55

pubmed_mesh · approved

Mental Health Teletherapy MeSH UI: D000095882 · waga: 0.55

pubmed_mesh · approved

Adult MeSH UI: D000328 · waga: 0.55

pubmed_mesh · approved

Depression ★ Główny temat MeSH UI: D003863 · waga: 1.00 · kwalifikatory: therapy

pubmed_mesh · approved

Female MeSH UI: D005260 · waga: 0.55

pubmed_mesh · approved

Male MeSH UI: D008297 · waga: 0.55

pubmed_mesh · approved

Behavior Therapy ★ Główny temat MeSH UI: D001521 · waga: 1.00 · kwalifikatory: methods

pubmed_mesh · approved

Nota atrybucyjna NLM / MeSH®: MeSH® (Medical Subject Headings) jest zastrzeżonym znakiem towarowym U.S. National Library of Medicine (NLM), National Institutes of Health (NIH). Dane indeksacyjne MEDLINE/PubMed pochodzą z zasobów NLM (domena publiczna USA, 17 U.S.C. § 105). NLM nie afiliuje ani nie autoryzuje niniejszego serwisu.

2. Oficjalne słowa kluczowe autorów (PubMed KeywordList)

artificial users pubmed_author_keyword · approved behavioral activation pubmed_author_keyword · approved clinical fidelity pubmed_author_keyword · approved depression pubmed_author_keyword · approved digital mental health interventions pubmed_author_keyword · approved large language models pubmed_author_keyword · approved mental health chatbots pubmed_author_keyword · approved prompt engineering pubmed_author_keyword · approved young people pubmed_author_keyword · approved

3. Wyekstrahowani kandydaci fraz i słów kluczowych (N-gramy 1–3 z tytułu i abstraktu)

Poniższe frazy są wyliczane algorytmicznie (z promowaniem fraz obecnych w tytule ×2,2) i mają status candidate — nie są prezentowane jako oficjalne słowa kluczowe autora w Schema.org.

artificial users (score 19.14 · candidate) artificial (score 17.6 · candidate) behavioral activation (score 15.95 · candidate) users (score 15.4 · candidate) clinical (score 15.4 · candidate) chatbot (score 13.2 · candidate) behavioral (score 11 · candidate) activation (score 11 · candidate) large language (score 9.57 · candidate) clinical experts (score 9.57 · candidate) people with depression (score 9.57 · candidate) people (score 8.8 · candidate) large (score 6.6 · candidate) language (score 6.6 · candidate) depression (score 6.6 · candidate) experts (score 6.6 · candidate) language model-based (score 6.38 · candidate) young people (score 6.38 · candidate)

Rekomendacje oparte na cechach wspólnych

Publikacje powiązane semantycznie w katalogu (Matching hybrydowy)

Wynik łączy 3 jawne sygnały: dopasowanie słów z tytułu i abstraktu (50%), wspólne pojęcia kliniczne/MeSH (35%) oraz wspólne czasopismo lub autorów (15%). Przy każdej pracy podajemy dokładny powód dopasowania.

local_hybrid_similarity · candidate

Behavioral activation for depression: A comprehensive systematic review and meta-analysis Clinical Psychology Review (2026) · ID: SRC-BA-2026-08
Powód dopasowania: wspólne pojęcia: depression, behavioral activation · wspólne terminy (3): behavioral, activation, depression

Score: 38% candidate
Psychological Therapy in the Age of Large Language Models: Framework for Therapist-Delivered and AI-Supported Functions JMIR Mental Health (2026) · ID: src_cross_2026
Powód dopasowania: wspólne pojęcia: large language models · wspólne terminy (4): large, language, models, psychological · to samo czasopismo (JMIR Mental Health)

Score: 37% candidate
Generative AI mental health chatbots: a scoping review of intervention design and user experience npj Digital Medicine (2026) · ID: src_genai_chatbots_2026
Powód dopasowania: wspólne pojęcia: mental health chatbots · wspólne terminy (6): mental, health, chatbots, intervention

Score: 37% candidate
Generative AI mental health chatbots: a scoping review of intervention design and user experience npj Digital Medicine (2026) · ID: src_lipiec_2026_29
Powód dopasowania: wspólne pojęcia: mental health chatbots · wspólne terminy (6): mental, health, chatbots, intervention

Score: 37% candidate
Randomized effectiveness-implementation trial of dialectical behavior therapy interventions for young people with borderline personality disorder symptoms Journal of Clinical Psychology (2024) · ID: src_dbt_andrade_2024_implementation
Powód dopasowania: wspólne pojęcia: behavior therapy, young people · wspólne terminy (4): young, people, symptoms, interventions

Score: 36% candidate
Combining Behavioral Activation and repetitive Transcranial magnetic stimulation in Late-Life Depression (COMBAT-LLD study): Study protocol for a randomized controlled trial. Contemporary clinical trials (2026) · ID: src_42248409
Powód dopasowania: wspólne pojęcia: depression, behavioral activation · wspólne terminy (3): behavioral, activation, depression

Score: 32% candidate
Implementation Determinants for AI-Enabled Digital Mental Health Interventions Across Asian Mental Health Systems: A Scoping Review Using the Donabedian Model Administration and Policy in Mental Health (2026) · ID: src_ismail_2026
Powód dopasowania: wspólne pojęcia: digital mental health interventions · wspólne terminy (6): model, mental, health, systems

Score: 30% candidate
Processes of change in a randomized clinical trial of radically open dialectical behavior therapy (RO DBT) for adults with treatment-refractory depression Journal of Consulting and Clinical Psychology (2023) · ID: src_rodbt_gilbert_2023_process
Powód dopasowania: wspólne pojęcia: depression, behavior therapy · wspólne terminy (2): depression, clinical

Score: 30% candidate
Generative Large Language Models in Mental Health Care Settings: Systematic Review and Meta-Analysis JMIR AI (2026) · ID: src_llm_mental_health_meta_2026
Powód dopasowania: wspólne pojęcia: large language models · wspólne terminy (5): large, language, mental, health

Score: 30% candidate
Digital Mental Health Treatment and Symptoms of Depression and Anxiety in Breast Cancer Survivors: A Randomized Clinical Trial JAMA Network Open (2026) · ID: src_lipiec_2026_02
Powód dopasowania: wspólne pojęcia: depression · wspólne terminy (5): depression, clinical, mental, health

Score: 28% candidate

Analiza w całym korpusie (N = 950 publikacji)

Współwystępowanie pojęć w katalogu — współczynnik \(\text{Lift}(A,B) = \frac{P(A \cap B)}{P(A)P(B)}\)

Nie liczymy sztucznych korelacji na poziomie pojedynczego artykułu. Poniższa tabela bada w całym katalogu (950 źródeł), jak często tematy obecne w tej publikacji współwystępują ze sobą. Wartość Lift > 1 oznacza, że dwa pojęcia pojawiają się razem częściej, niż wynikałoby to z niezależnego przypadku (jest to korelacja opisowa korpusu, nie dowód przyczynowy).

Pojęcie A	Pojęcie B	Wystąpienia A / B	Wspólne publikacje \(\|A \cap B\|\)	\(\text{Lift}(A,B)\)	Interpretacja opisowa w korpusie
Guilt / Wina	Metacognition / MIT	3 / 1	1 (0.11%)	316.67×	Współwystępuje częściej niż losowo (Lift > 1)
Shame / Wstyd	Guilt / Wina	15 / 3	3 (0.32%)	63.33×	Współwystępuje częściej niż losowo (Lift > 1)
Shame / Wstyd	Metacognition / MIT	15 / 1	1 (0.11%)	63.33×	Współwystępuje częściej niż losowo (Lift > 1)
Metacognition / MIT	Group Therapy / Grupowa	1 / 37	1 (0.11%)	25.68×	Współwystępuje częściej niż losowo (Lift > 1)
Metacognition / MIT	CBT / Cognitive Therapy	1 / 66	1 (0.11%)	14.39×	Współwystępuje częściej niż losowo (Lift > 1)
Guilt / Wina	Group Therapy / Grupowa	3 / 37	1 (0.11%)	8.56×	Współwystępuje częściej niż losowo (Lift > 1)
Guilt / Wina	CBT / Cognitive Therapy	3 / 66	1 (0.11%)	4.80×	Współwystępuje częściej niż losowo (Lift > 1)
Shame / Wstyd	Group Therapy / Grupowa	15 / 37	2 (0.21%)	3.42×	Współwystępuje częściej niż losowo (Lift > 1)
Borderline (BPD)	Guilt / Wina	349 / 3	3 (0.32%)	2.72×	Współwystępuje częściej niż losowo (Lift > 1)
Borderline (BPD)	Metacognition / MIT	349 / 1	1 (0.11%)	2.72×	Współwystępuje częściej niż losowo (Lift > 1)

Bibliografia załącznikowa publikacji — prace cytowane przez autorów (51 pozycji)

Wykaz prac cytowanych wewnątrz artykułu (relacja cites → Publication), pobrany ze zweryfikowanych metadanych PubMed / Crossref:

Torous J, Linardon J, Goldberg SB, et al. The evolving field of digital mental health: current evidence and implementation issues for smartphone apps, generative artificial intelligence, and virtual reality. World Psychiatry. 2025 Jun;24(2):156–174. doi: 10.1002/wps.21299. doi. Medline. DOI: 10.1002/wps.21299
pubmed_reference_list
Fitzpatrick KK, Darcy A, Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): a randomized controlled trial. JMIR Ment Health. 2017 Jun 6;4(2):e19. doi: 10.2196/mental.7785. doi. Medline. DOI: 10.2196/mental.7785
pubmed_reference_list
Inkster B, Sarda S, Subramanian V. An empathy-driven, conversational artificial intelligence agent (Wysa) for digital mental well-being: real-world data evaluation mixed-methods study. JMIR mHealth uHealth. 2018 Nov 23;6(11):e12106. doi: 10.2196/12106. doi. Medline. DOI: 10.2196/12106
pubmed_reference_list
Chan WW, Fitzsimmons-Craft EE, Smith AC, et al. The challenges in designing a prevention chatbot for eating disorders: observational study. JMIR Form Res. 2022 Jan 19;6(1):e28003. doi: 10.2196/28003. doi. Medline. DOI: 10.2196/28003
pubmed_reference_list
Linardon J, Torous J, Firth J, Cuijpers P, Messer M, Fuller-Tyszkiewicz M. Current evidence on the efficacy of mental health smartphone apps for symptoms of depression and anxiety. a meta-analysis of 176 randomized controlled trials. World Psychiatry. 2024 Feb;23(1):139–149. doi: 10.1002/wps.21183. doi. Medline. DOI: 10.1002/wps.21183
pubmed_reference_list
Haque MDR, Rubya S. An overview of chatbot-based mobile mental health apps: insights from app description and user reviews. JMIR mHealth uHealth. 2023 May 22;11:e44838. doi: 10.2196/44838. doi. Medline. DOI: 10.2196/44838
pubmed_reference_list
Blease C, Torous J. ChatGPT and mental healthcare: balancing benefits with risks of harms. BMJ Ment Health. 2023 Nov;26(1):e300884. doi: 10.1136/bmjment-2023-300884. doi. Medline. DOI: 10.1136/bmjment-2023-300884
pubmed_reference_list
Stade EC, Stirman SW, Ungar LH, et al. Large language models could change the future of behavioral healthcare: a proposal for responsible development and evaluation. Npj Ment Health Res. 2024 Apr 2;3(1):12. doi: 10.1038/s44184-024-00056-z. doi. Medline. DOI: 10.1038/s44184-024-00056-z
pubmed_reference_list
Meeks S, Van Haitsma K, Shryock SK. Treatment fidelity evidence for BE-ACTIV - a behavioral intervention for depression in nursing homes. Aging Ment Health. 2019 Sep;23(9):1192–1202. doi: 10.1080/13607863.2018.1484888. doi. Medline. DOI: 10.1080/13607863.2018.1484888
pubmed_reference_list
Guo Z, Lai A, Thygesen JH, Farrington J, Keen T, Li K. Large language models for mental health applications: systematic review. JMIR Ment Health. 2024 Oct 18;11:e57400. doi: 10.2196/57400. doi. Medline. DOI: 10.2196/57400
pubmed_reference_list
Hatch SG, Goodman ZT, Vowels L, et al. Correction: when ELIZA meets therapists: a Turing test for the heart and mind. PLOS Ment Health. 2025;2(8):e0000426. doi: 10.1371/journal.pmen.0000426. doi. Medline. DOI: 10.1371/journal.pmen.0000426
pubmed_reference_list
Heinz MV, Mackin DM, Trudeau BM, et al. Randomized trial of a generative AI chatbot for mental health treatment. NEJM AI. 2025 Mar 27;2(4) doi: 10.1056/AIoa2400802. doi. DOI: 10.1056/AIoa2400802
pubmed_reference_list
Hua Y, Na H, Li Z, et al. A scoping review of large language models for generative tasks in mental health care. NPJ Digit Med. 2025 Apr 30;8(1):230. doi: 10.1038/s41746-025-01611-4. doi. Medline. DOI: 10.1038/s41746-025-01611-4
pubmed_reference_list
Thieme A, Belgrave D, Doherty G. Machine learning in mental health: a systematic review of the HCI literature to support the development of effective and implementable ML systems. ACM Trans Comput-Hum Interact. 2020 Aug 17;27(5):1–34. doi: 10.1145/3398069. doi. DOI: 10.1145/3398069
pubmed_reference_list
Hu Y. Toward retrieval-grounded evaluation for conversational large language model-based risk assessment. JMIR AI. 2026 Mar 12;5:e90759. doi: 10.2196/90759. doi. Medline. DOI: 10.2196/90759
pubmed_reference_list
Cuijpers P, Karyotaki E, Harrer M, Stikkelbroek Y. Individual behavioral activation in the treatment of depression: a meta analysis. Psychother Res. 2023 Sep;33(7):886–897. doi: 10.1080/10503307.2023.2197630. doi. Medline. DOI: 10.1080/10503307.2023.2197630
pubmed_reference_list
Schuller A, Janssen D, Blumenröther J, Probst TM, Schmidt M, Kumar C. Generating personas using LLMs and assessing their viability. Extended Abstracts CHI Conf Hum Factors Comput Syst. 2024:1–7. doi: 10.1145/3613905.3650860. doi. DOI: 10.1145/3613905.3650860
pubmed_reference_list
Steenstra I, Nouraei F, Bickmore T. Scaffolding empathy: training counselors with simulated patients and utterance-level performance visualizations. Proc 2025 CHI Conf Hum Factors Comput Syst. 2025:1–22. doi: 10.1145/3706598.3714014. doi. DOI: 10.1145/3706598.3714014
pubmed_reference_list
Qiu H, Lan Z. Interactive agents: simulating counselor-client psychological counseling via role-playing LLM-to-LLM interactions. arXiv. 2024 Aug 28; doi: 10.48550/arXiv.2408.15787. Preprint posted online on. doi. DOI: 10.48550/arXiv.2408.15787
pubmed_reference_list
Wang R, Milani S, Chiu JC, et al. PATIENT-𝜓: using large language models to simulate patients for training mental health professionals. Proc 2024 Conf Empir Methods Nat Lang Process. 2024:12772–12797. doi: 10.18653/v1/2024.emnlp-main.711. doi. DOI: 10.18653/v1/2024.emnlp-main.711
pubmed_reference_list
Louie R, Nandi A, Fang W, Chang C, Brunskill E, Yang D. Roleplay-doh: enabling domain-experts to create LLM-simulated patients via eliciting and adhering to principles. Proc 2024 Conf Empir Methods Nat Lang Process. 2024:10570–10603. doi: 10.18653/v1/2024.emnlp-main.591. doi. DOI: 10.18653/v1/2024.emnlp-main.591
pubmed_reference_list
Schleider JL, Weisz JR. Little treatments, promising effects? Meta-analysis of single-session interventions for youth psychiatric problems. J Am Acad Child Adolesc Psychiatry. 2017 Feb;56(2):107–115. doi: 10.1016/j.jaac.2016.11.007. doi. Medline. DOI: 10.1016/j.jaac.2016.11.007
pubmed_reference_list
Schleider JL, Mullarkey MC, Fox KR, et al. A randomized trial of online single-session interventions for adolescent depression during COVID-19. Nat Hum Behav. 2022 Feb;6(2):258–268. doi: 10.1038/s41562-021-01235-0. doi. Medline. DOI: 10.1038/s41562-021-01235-0
pubmed_reference_list
Kuhlmeier FO, Bauch L, Gnewuch U, Lüttke S. Designing chatbots to treat depression in youth: qualitative study. JMIR Hum Factors. 2025 Jun 19;12:e66632. doi: 10.2196/66632. doi. Medline. DOI: 10.2196/66632
pubmed_reference_list
Kuhlmeier FO, Gnewuch U, Lüttke S, Brakemeier EL, Mädche A. In: The Transdisciplinary Reach of Design Science Research: 17th International Conference on Design Science Research in Information Systems and Technology, DESRIST 2022, St Petersburg, FL, USA, June 1–3, 2022, Proceedings. Drechsler A, Gerber A, Hevner A, editors. Springer International Publishing; 2022. A personalized conversational agent to treat depression in youth and young adults – a transdisciplinary design science research project; pp. 30–41. doi.
pubmed_reference_list
Franco D’Souza R, Amanullah S, Mathew M, Surapaneni KM. Appraising the performance of ChatGPT in psychiatry using 100 clinical case vignettes. Asian J Psychiatr. 2023 Nov;89:103770. doi: 10.1016/j.ajp.2023.103770. doi. Medline. DOI: 10.1016/j.ajp.2023.103770
pubmed_reference_list
Borghouts J, Eikey E, Mark G, et al. Barriers to and facilitators of user engagement with digital mental health interventions: systematic review. J Med Internet Res. 2021 Mar 24;23(3):e24387. doi: 10.2196/24387. doi. Medline. DOI: 10.2196/24387
pubmed_reference_list
Rice F, Riglin L, Lomax T, et al. Adolescent and adult differences in major depression symptom profiles. J Affect Disord. 2019 Jan 15;243:175–181. doi: 10.1016/j.jad.2018.09.015. doi. Medline. DOI: 10.1016/j.jad.2018.09.015
pubmed_reference_list
Jardine J, Nadal C, Robinson S, Enrique A, Hanratty M, Doherty G. Between rhetoric and reality: real-world barriers to uptake and early engagement in digital mental health interventions. ACM Trans Comput-Hum Interact. 2024 Apr 30;31(2):1–59. doi: 10.1145/3635472. doi. DOI: 10.1145/3635472
pubmed_reference_list
Gnewuch U, Yu M, Maedche A. The effect of perceived similarity in dominance on customer self-disclosure to chatbots in conversational commerce. Proceedings of the 28th European Conference on Information Systems (ECIS); Jun 15-17, 2020; Marrakech, Morocco. [20-08-2026]. Presented at. URL. Accessed.
pubmed_reference_list
Dimidjian S, Goodman SH, Sherwood NE, et al. A pragmatic randomized clinical trial of behavioral activation for depressed pregnant women. J Consult Clin Psychol. 2017 Jan;85(1):26–36. doi: 10.1037/ccp0000151. doi. Medline. DOI: 10.1037/ccp0000151
pubmed_reference_list
Rethorst CD, Trombello JM, Chen PM, et al. Pilot evaluation on an adapted tele-behavioral activation to increase physical activity in persons with depression: a single-arm pilot study. BMC Psychol. 2024 Nov 9;12(1):643. doi: 10.1186/s40359-024-02053-5. doi. Medline. DOI: 10.1186/s40359-024-02053-5
pubmed_reference_list
Bunge EL, Desage C. A framework for evaluating mental health artificial intelligence-based conversational agents. J technol behav sci. 2025 Apr 26;10(4):731–739. doi: 10.1007/s41347-025-00519-w. doi. DOI: 10.1007/s41347-025-00519-w
pubmed_reference_list
Mayring P, Fenzl T. In: Handbuch Methoden Der Empirischen Sozialforschung [Book in German] 2nd. Baur N, Blasius J, editors. Springer Fachmedien Wiesbaden; 2019. Qualitative inhaltsanalyse; pp. 633–648. doi.
pubmed_reference_list
Sharma A, Rushton K, Lin IW, Nguyen T, Althoff T. Facilitating self-guided mental health interventions through human-language model interaction: a case study of cognitive restructuring. Proc ACM Conf Hum Factors Comput Syst. 2024:1–29. doi: 10.1145/3613904.3642761. doi. DOI: 10.1145/3613904.3642761
pubmed_reference_list
Meyer S, Elsweiler D. LLM-based conversational agents for behaviour change support: a randomised controlled trial examining efficacy, safety, and the role of user behaviour. Int J Hum Comput Stud. 2025 May;200:103514. doi: 10.1016/j.ijhcs.2025.103514. doi. DOI: 10.1016/j.ijhcs.2025.103514
pubmed_reference_list
Campellone TR, Flom M, Montgomery RM, et al. Safety and user experience of a generative artificial intelligence digital mental health intervention: exploratory randomized controlled trial. J Med Internet Res. 2025 May 23;27:e67365. doi: 10.2196/67365. doi. Medline. DOI: 10.2196/67365
pubmed_reference_list
Wang L, Bhanushali T, Huang Z, Yang J, Badami S, Hightow-Weidman L. Evaluating generative AI in mental health: systematic review of capabilities and limitations. JMIR Ment Health. 2025 May 15;12(1):e70014. doi: 10.2196/70014. doi. Medline. DOI: 10.2196/70014
pubmed_reference_list
Qiu P, Wu C, Liu S, et al. Quantifying the reasoning abilities of LLMs on clinical cases. Nat Commun. 2025 Nov 6;16(1):9799. doi: 10.1038/s41467-025-64769-1. doi. Medline. DOI: 10.1038/s41467-025-64769-1
pubmed_reference_list
Grabb D, Lamparth M, Vasan N. Risks from language models for automated mental healthcare: ethics and structure for implementation (extended abstract) Proc AAAI ACM Conf AI Ethics Soc. 2024;7(1):519. doi: 10.1609/aies.v7i1.31654. doi. DOI: 10.1609/aies.v7i1.31654
pubmed_reference_list
Xie C, Zhu D, Wang Z, Zhang H, Wei Z. Explainable AI for mental health detection from social media: a comparative study of traditional machine learning and a large language model. SSRN. 2026 Mar 14; doi: 10.2139/ssrn.6429778. Preprint posted online on. doi. DOI: 10.2139/ssrn.6429778
pubmed_reference_list
Darcy A, Daniels J, Salinger D, Wicks P, Robinson A. Evidence of human-level bonds established with a digital conversational agent: cross-sectional, retrospective observational study. JMIR Form Res. 2021 May 11;5(5):e27868. doi: 10.2196/27868. doi. Medline. DOI: 10.2196/27868
pubmed_reference_list
Rubin M, Arnon H, Huppert JD, Perry A. Considering the role of human empathy in AI-driven therapy. JMIR Ment Health. 2024 Jun 11;11:e56529. doi: 10.2196/56529. doi. Medline. DOI: 10.2196/56529
pubmed_reference_list
Ding H, Simmich J, Vaezipour A, Andrews N, Russell T. Evaluation framework for conversational agents with artificial intelligence in health interventions: a systematic scoping review. J Am Med Inform Assoc. 2024 Feb 16;31(3):746–761. doi: 10.1093/jamia/ocad222. doi. Medline. DOI: 10.1093/jamia/ocad222
pubmed_reference_list
Kocaballi AB, Quiroz JC, Rezazadegan D, et al. Responses of conversational agents to health and lifestyle prompts: investigation of appropriateness and presentation structures. J Med Internet Res. 2020 Feb 9;22(2):e15823. doi: 10.2196/15823. doi. Medline. DOI: 10.2196/15823
pubmed_reference_list
Gao L, Sherwood J, Aleisa N, Damoah A, Lu Y, Qu X. Human-centered AI agents for healthcare and education: a systematic literature review. Human-Computer Interaction International (HCII); Jun 22-27, 2025; Gothenburg, Sweden. [30-06-2026]. Presented at. URL. Accessed.
pubmed_reference_list
Kapania S, Agnew W, Eslami M, Heidari H, Fox SE. Simulacrum of stories: examining large language models as qualitative research participants. Proc 2025 CHI Conf Hum Factors Comput Syst. 2025:1–17. doi: 10.1145/3706598.3713220. doi. DOI: 10.1145/3706598.3713220
pubmed_reference_list
Ganguli D, Lovitt L, Kernion J, et al. Red teaming language models to reduce harms: methods, scaling behaviors, and lessons learned. arXiv. 2022 Aug 23; doi: 10.48550/arXiv.2209.07858. Preprint posted online on. doi. DOI: 10.48550/arXiv.2209.07858
pubmed_reference_list
Koo TK, Li MY. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. J Chiropr Med. 2016 Jun;15(2):155–163. doi: 10.1016/j.jcm.2016.02.012. doi. Medline. DOI: 10.1016/j.jcm.2016.02.012
pubmed_reference_list
McGraw KO, Wong SP. Forming inferences about some intraclass correlation coefficients. Psychol Methods. 1996 Mar;1(1):30–46. doi: 10.1037/1082-989X.1.1.30. doi. DOI: 10.1037/1082-989X.1.1.30
pubmed_reference_list
Lakens D. Sample size justification. Collabra Psychol. 2022 Mar 22;8(1) doi: 10.1525/collabra.33267. doi. DOI: 10.1525/collabra.33267
pubmed_reference_list

Metadane

Rok: 2026
Czasopismo: JMIR Mental Health
Pochodzenie: lokalny katalog źródeł
Data publikacji online: Nieustalone
ISSN czasopisma: 2368-7959
Tom: 13
Numer: Nieustalone
Strony: e94781
Status dostępu: Nieustalone
PMCID: PMC13533316

Identyfikatory

DOI: 10.2196/94781
PMID: 42679232
PMCID: PMC13533316

Autorzy

Florian Onur KuhlmeierAutorstwo odczytane z lokalnego katalogu.
Leon HanschmannAutorstwo odczytane z lokalnego katalogu.
Melina RabeAutorstwo odczytane z lokalnego katalogu.
Stefan LüttkeAutorstwo odczytane z lokalnego katalogu.
Eva-Lotta BrakemeierAutorstwo odczytane z lokalnego katalogu.
Alexander MaedcheAutorstwo odczytane z lokalnego katalogu.

Sprawdzenie identyfikatora (Studio ReferenceVerifier & DOI-Checker)

DOI: 10.2196/94781 · PMID: 42679232

Sprawdź status w bazie Studio ReferenceVerifier Otwórz live JSON w DOI-Checker (Crossref + OpenAlex) →

Format DOI jest poprawny lokalnie. Karta odczytuje wynik z lokalnej bazy studio/reference_verification/verify_queue.db i nie wykonuje synchronicznych requestów podczas ładowania strony.

Dopasowania identyfikatorów i duplikatów w katalogu

Dokładne dopasowania identyfikatorów

Nie znaleziono dopasowań w tej grupie.

Kandydaci do ręcznej kontroli

Nie znaleziono dopasowań w tej grupie.

Konflikty

Nie znaleziono dopasowań w tej grupie.

Podobieństwo nie scala rekordów i nie potwierdza tożsamości publikacji.

Wykorzystanie publikacji w opracowaniach serwisu (1 stron)

Zakres: jawne relacje claims[].source_ids[] powiązane z publikacją.

Powiązanie w szkicu · wymaga przypisania typów claimów

Status: DRAFT · relacja: EXPLICIT_SOURCE_LINK

FACT — Large Language Model-Based Behavioral Activation Chatbot for Young People With Depression Using Artificial Users and Clinical Experts: Mixed Methods Evaluation to publikacja dotycząca mixed methods evaluation / expert assessment.
FACT — The chatbot completed all 7 intervention phases in every session; mean holistic quality was 3.94 and mean Q-BAS rating 4.03. Strongest ratings were for mood assessment and activity planning; weakest for positive reinforcement and activity-mood monitoring.
INTERPRETATION — Test wykonania protokołu nie jest tym samym co test kompetencji klinicznej.
UNCERTAINTY — Artificial-user sessions and expert ratings limit conclusions about real therapeutic interactions and human clinical outcomes.

Metodologia i składowe IWBP (Indeks Widoczności Bibliograficznej)

Indeks widoczności bibliograficznej

IWBP: wynik częściowy

Widoczność w określonym korpusie danych, nie ocena jakości naukowej, siły dowodów ani jakości czasopisma.

10,0/ 10 Pokrycie wag: 30%

E · E

50%

Brak wartości znormalizowanej

Źródło: OpenAlex snapshot · zakres: No compatible versioned snapshot found

NOT_TESTED: no imputing.

B · B

30%

1,00

Źródło: lokalny katalog źródeł claims[].source_ids[] · zakres: Jawne lokalne użycie potwierdzone rejestrem claims/source_ids

F is provisional for this corpus snapshot.

D · D

20%

Brak wartości znormalizowanej

Źródło: L0-to-L1 registry · zakres: No confirmed registry found

NOT_TESTED: L2 is excluded.

Formuła obliczeniowa

IWBP = 10 × (0,50E + 0,30B + 0,20D)

Wynik jest częściowy i nie powinien być porównywany bez zastrzeżeń z wynikiem pełnym.

Dostępne: B · brakujące: E, D · data: 2026-10-18T00:00:00Z

Interpretacja dla tej publikacji

W korpusie wykryto 1 unikalnych stron i 4 powiązań.

Brak danych nie jest traktowany jako zero.

Więcej o metodologii katalogu →

Mapa kontroli i proweniencji publikacji (4 wykonanych kontroli)

Proweniencja i kontrola

Mapa kontroli i pochodzenia publikacji

Pokazujemy wyłącznie kontrole zapisane w lokalnych read modelach. Brak integracji lub brak uruchomienia nie jest wynikiem pozytywnym.

4Wykonane

3Pozytywne

0Problemy

1Częściowe

4Nieuruchomione / zablokowane

Rekord źródłowy→Identyfikatory→Metadane→Kontrole→Wynik i ograniczenia

Bibliografia2 kontroli

Format DOIKontrola zakończona pozytywnie (PASS)

Format DOI rozpoznany lokalnie.

Kontrola techniczna · źródło odczytu: lokalny katalog źródeł

Ograniczenie: Format nie potwierdza istnienia ani zgodności publikacji.

Podobne rekordyKontrola zakończona pozytywnie (PASS)

Dokładne: 0, kandydaci: 0, konflikty: 0.

Kontrola tożsamości · źródło odczytu: lokalny katalog źródeł

Ograniczenie: Wynik nie scala rekordów i nie zastępuje kontroli człowieka.

Weryfikator identyfikatorów (ReferenceVerifier)1 kontroli

Weryfikacja metadanych zewnętrznychZablokowane (BLOCKED)

Brak zapisanego wyniku weryfikatora.

Weryfikacja metadanych · źródło odczytu: lokalny katalog źródeł

Ograniczenie: Karta nie uruchamia zewnętrznego dostawcy podczas renderowania.

Przeglad1 kontroli

Lokalne wykorzystanieKontrola zakończona pozytywnie (PASS)

Zarejestrowano 1 stron z jawnym powiązaniem source.

Relacja publikacji z treścią · źródło odczytu: lokalna kontrola odczytowa

Ograniczenie: EXPLICIT_SOURCE_LINK oznacza relację nawigacyjną, nie dowód wsparcia claimu.

IWBP3 kontroli

Składowa EZablokowane (BLOCKED)

Brak zatwierdzonego snapshotu OpenAlex.

Interpretacja bibliograficzna · źródło odczytu: lokalna kontrola odczytowa

Ograniczenie: Nie można obliczyć zasięgu zewnętrznego.

Składowa BKontrola częściowa (PARTIAL)

Wykryto 1 stron lokalnego użycia.

Interpretacja bibliograficzna · źródło odczytu: lokalna kontrola odczytowa

Ograniczenie: Brak zatwierdzonego mianownika rodzin zasobów.

Składowa DBrak integracji (NO_INTEGRATION)

Brak rejestru relacji L0 → L1.

Interpretacja bibliograficzna · źródło odczytu: lokalna kontrola odczytowa

Ograniczenie: Nie oznacza braku relacji; oznacza brak integracji odczytowej.

Warstwa naukowa / RAG1 kontroli

Dowód wsparcia twierdzeniaBrak integracji (NO_INTEGRATION)

Brak potwierdzonej integracji tej warstwy z kartą.

Kontrola dowodów · źródło odczytu: lokalny katalog źródeł

Ograniczenie: Nie można stwierdzić, że publikacja potwierdza twierdzenie.

Mapa nie dowodzi, że publikacja wspiera powiązane twierdzenia. EXPLICIT_SOURCE_LINK oznacza tylko jawne powiązanie źródła, a REVIEW_REQUIRED oznacza „wymaga przeglądu” i nie potwierdza publicznej dostępności strony.

Słownik oznaczeń technicznych

claim: Twierdzenie lub fragment treści, z którym powiązano publikację.
source_id: Stały identyfikator publikacji w katalogu źródeł.
EXPLICIT_SOURCE_LINK: Jawne powiązanie publikacji ze stroną; nie jest automatycznym dowodem wsparcia twierdzenia.
REVIEW_REQUIRED: Strona wymaga przeglądu i nie jest prezentowana jako publicznie opublikowana.
read-only: Warstwa tylko odczytu; nie zmienia źródeł ani nie uruchamia providerów.

JMIR Mental Health

Large Language Model-Based Behavioral Activation Chatbot for Young People With Depression Using Artificial Users and Clinical Experts: Mixed Methods Evaluation

Opracowanie polskojęzyczne oraz dostęp do abstraktu źródłowego

Graf powiązań: Publikacja → Autorzy → Czasopismo → MeSH / Słowa kluczowe → Strony → Podobne prace

Deskryptory MeSH (PubMed), słowa kluczowe autorów oraz kandydaci długiego ogona (Long-Tail)

1. Deskryptory medyczne MeSH® (U.S. National Library of Medicine — PubMed)

2. Oficjalne słowa kluczowe autorów (PubMed KeywordList)

3. Wyekstrahowani kandydaci fraz i słów kluczowych (N-gramy 1–3 z tytułu i abstraktu)

Publikacje powiązane semantycznie w katalogu (Matching hybrydowy)

Współwystępowanie pojęć w katalogu — współczynnik \(\text{Lift}(A,B) = \frac{P(A \cap B)}{P(A)P(B)}\)

Metadane

Identyfikatory

Autorzy

Sprawdzenie identyfikatora (Studio ReferenceVerifier & DOI-Checker)

Dokładne dopasowania identyfikatorów

Kandydaci do ręcznej kontroli

Konflikty

Powiązanie w szkicu · wymaga przypisania typów claimów

IWBP: wynik częściowy

E · E

B · B

D · D

Formuła obliczeniowa

Interpretacja dla tej publikacji

Mapa kontroli i pochodzenia publikacji