Psychoterapia.no Biblioteka naukowa · karta publikacji

Czasopismo źródłowe

JMIR AI

Rok publikacji: 2026 · ISSN: 2817-1705 · Sprawdź ten rekord w DOI-checker (JSON) → · Endpoint grafu JSON →

meta_analysis Generative Large Language Models in Mental Health Care Settings: Systematic Review an JMIR AI

PSYCHOTERAPIA.NO / BIBLIOGRAFIA · REKORD ŹRÓDŁOWY

Generative Large Language Models in Mental Health Care Settings: Systematic Review and Meta-Analysis

JMIR AI · 2026 · Tom 5 : e87730

Janni Leung, Benjamin Johnson, Kelsey McRae, Stephanie Fong, Paula Cardona Gonzalez, Caitlin McClure-Thomas, Tianze Sun, Naomi Kern, Yuen Ming Wong, Richard Liu, Gary Chung Kai Chan

Metadane lokalne PubMed / MEDLINE (MeSH: 0) IWBP niewystarczające dane DOI 10.2196/87730 PMID 42684205
Zobacz graf powiązań SVG Deskryptory MeSH i słowa kluczowe Metadane i identyfikatory

Źródło: src_llm_mental_health_meta_2026 · kanoniczny adres karty: /bibliografia/source.php?id=src_llm_mental_health_meta_2026

Synteza kontekstu badawczego

Opracowanie polskojęzyczne oraz dostęp do abstraktu źródłowego

PROWENIENCJA: PUBMED / MEDLINE TDM
Autorskie polskie podsumowanie kontekstu badawczego:
Przegląd systematyczny z metaanalizą ilościową „Generative Large Language Models in Mental Health Care Settings: Systematic Review and Meta-Analysis” opublikowane na łamach czasopisma „JMIR AI” (2026). Główne deskryptory indeksacyjne (MeSH / słowa kluczowe autorów) przypisane do publikacji obejmują: PRISMA, Preferred Reporting Items for Systematic Reviews and Meta-Analyses, clinical decision support, digital health, eHealth, generative AI. 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 42684205) → Otwórz publikację u wydawcy (DOI: 10.2196/87730) →

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.

Jawny graf kontekstu publikacji (1-stopniowy)

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

Wizualizacja SVG wygenerowana deterministycznie z jawnych krawędzi (27 relacji). Kliknij dowolny węzeł na grafie, aby przejść do profilu autora, czasopisma, tematu lub podobnej publikacji.

Pobierz JSON grafu (API) → Surowy plik SVG (pubmed_graph.py) →
Graf powiązań semantycznych: PMID 42684205 JMIR AI · relacja: published_in · źródło: pubmed_meta · status: approvedJMIR AI PRISMA (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedPRISMA Preferred Reporting Items for Systematic Reviews and Meta-Analyses (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedPreferred Reporting Items for Sys… clinical decision support (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedclinical decision support digital health (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approveddigital health eHealth (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedeHealth generative AI (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedgenerative AI large language models (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedlarge language models mental health (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedmental health primary health care (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedprimary health care psychotherapy (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedpsychotherapy screening (Słowo kluczowe autora w PubMed) · relacja: about_keyword · źródło: pubmed_author_keyword · status: approvedscreening Powiązanie w szkicu · wymaga przypisania typów claimów [REVIEW_REQUIRED] · relacja: uses_source · źródło: local_claim · status: candidatePowiązany szkic (DRAFT) Generative AI Adoption in Psychotherapy Practice Among Mental Health Professionals: Multicountry Cross-Sectional Survey (Podobieństwo: 47%) · relacja: similar_to · źródło: local_hybrid_similarity · status: candidateGenerative AI Adoption in Psychot… Health advisory: Use of generative AI chatbots and wellness applications for mental health (Podobieństwo: 46%) · relacja: similar_to · źródło: local_hybrid_similarity · status: candidateHealth advisory: Use of generativ… Health advisory: Use of generative AI chatbots and wellness applications for mental health (Podobieństwo: 46%) · relacja: similar_to · źródło: local_hybrid_similarity · status: candidateHealth advisory: Use of generativ… Benjamin Johnson (ORCID: 0000-0003-2831-0150) · relacja: author_of · źródło: pubmed_meta · status: approvedBenjamin Johnson Caitlin McClure-Thomas (ORCID: 0000-0002-3605-0742) · relacja: author_of · źródło: pubmed_meta · status: approvedCaitlin McClure-Thomas Gary Chung Kai Chan (ORCID: 0000-0002-7569-1948) · relacja: author_of · źródło: pubmed_meta · status: approvedGary Chung Kai Chan Janni Leung (ORCID: 0000-0001-5816-2959) · relacja: author_of · źródło: pubmed_meta · status: approvedJanni Leung Kelsey McRae (ORCID: 0009-0008-1505-3224) · relacja: author_of · źródło: pubmed_meta · status: approvedKelsey McRae Naomi Kern (ORCID: 0009-0000-2007-0397) · relacja: author_of · źródło: pubmed_meta · status: approvedNaomi Kern Paula Cardona Gonzalez (ORCID: 0009-0002-6586-0266) · relacja: author_of · źródło: pubmed_meta · status: approvedPaula Cardona Gonzalez Richard Liu (ORCID: 0009-0009-4044-6756) · relacja: author_of · źródło: pubmed_meta · status: approvedRichard Liu Stephanie Fong (ORCID: 0009-0005-7858-8160) · relacja: author_of · źródło: pubmed_meta · status: approvedStephanie Fong Tianze Sun (ORCID: 0000-0002-3939-9499) · relacja: author_of · źródło: pubmed_meta · status: approvedTianze Sun Yuen Ming Wong (ORCID: 0009-0006-1887-6539) · relacja: author_of · źródło: pubmed_meta · status: approvedYuen Ming Wong PMID 42684205 Generative Large Language Models in Mental Health Care Settings: Systematic Review and Meta-An… Publikacja centralna Autor (pubmed_meta / katalog) Czasopismo (published_in) Deskryptor MeSH (pubmed_mesh) Słowo kluczowe autora (PubMed) Strona serwisu (uses_source) Podobny rekord (candidate) Linia ciągła = krawędź zatwierdzona (approved: PubMed MeSH / metadane / opublikowana strona) · Linia przerywana = kandydat (candidate: podobieństwo hybrydowe / szkic)

Uwaga metodologiczna: Relacja w grafie odzwierciedla strukturę metadanych i współwystępowania, a nie związek przyczynowy. Krawędzie z linii ciągłej mają status approved (potwierdzone w PubMed/MEDLINE lub opublikowanych artykułach), natomiast linia przerywana oznacza status candidate (podobieństwo hybrydowe lub nieopublikowany szkic).

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)

Rekord nie posiada jeszcze przypisanych deskryptorów MeSH w lokalnej bazie PubMed (świeże rekordy mogą oczekiwać na indeksację MEDLINE — nie podstawiamy zamienników AI jako MeSH).

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)

PRISMA pubmed_author_keyword · approved Preferred Reporting Items for Systematic Reviews and Meta-Analyses pubmed_author_keyword · approved clinical decision support pubmed_author_keyword · approved digital health pubmed_author_keyword · approved eHealth pubmed_author_keyword · approved generative AI pubmed_author_keyword · approved large language models pubmed_author_keyword · approved mental health pubmed_author_keyword · approved primary health care pubmed_author_keyword · approved psychotherapy pubmed_author_keyword · approved screening 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.

mental health (score 25.52 · candidate) health care (score 25.52 · candidate) mental health care (score 22.33 · candidate) health (score 19.8 · candidate) mental (score 17.6 · candidate) studies (score 9 · candidate) models (score 8.8 · candidate) language (score 6.6 · candidate) large language (score 6.38 · candidate) language models (score 6.38 · candidate) care settings (score 6.38 · candidate) large language models (score 6.38 · candidate) health care settings (score 6.38 · candidate) 95 ci (score 5.8 · candidate) 95 pi (score 5.8 · candidate) 95 ci 0 (score 5.8 · candidate) 95 pi 0 (score 5.8 · candidate) diagnosis (score 5 · 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

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 (109 pozycji)

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

  1. GBD 2019 Mental Disorders Collaborators Global, regional, and national burden of 12 mental disorders in 204 countries and territories, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet Psychiatry. 2022 Feb;9(2):137–150. doi: 10.1016/S2215-0366(21)00395-3. doi. DOI: 10.1016/S2215-0366(21)00395-3
    pubmed_reference_list
  2. Kakuma R, Minas H, van Ginneken N, et al. Human resources for mental health care: current situation and strategies for action. Lancet. 2011 Nov 5;378(9803):1654–1663. doi: 10.1016/S0140-6736(11)61093-3. doi. Medline. DOI: 10.1016/S0140-6736(11)61093-3
    pubmed_reference_list
  3. Rameez S, Nasir A. Barriers to mental health treatment in primary care practice in low- and middle-income countries in a post-COVID era: a systematic review. J Family Med Prim Care. 2023 Aug;12(8):1485–1504. doi: 10.4103/jfmpc.jfmpc_391_22. doi. Medline. DOI: 10.4103/jfmpc.jfmpc_391_22
    pubmed_reference_list
  4. Hoffmann JA, Attridge MM, Carroll MS, Simon NJE, Beck AF, Alpern ER. Association of youth suicides and county-level mental health professional shortage areas in the US. JAMA Pediatr. 2023 Jan 1;177(1):71–80. doi: 10.1001/jamapediatrics.2022.4419. doi. Medline. DOI: 10.1001/jamapediatrics.2022.4419
    pubmed_reference_list
  5. Bedi S, Liu Y, Orr-Ewing L, et al. Testing and evaluation of health care applications of large language models: a systematic review. JAMA. 2025 Jan 28;333(4):319–328. doi: 10.1001/jama.2024.21700. doi. Medline. DOI: 10.1001/jama.2024.21700
    pubmed_reference_list
  6. Wang L, Wan Z, Ni C, et al. Applications and concerns of ChatGPT and other conversational large language models in health care: systematic review. J Med Internet Res. 2024;26:e22769. doi: 10.2196/22769. doi. DOI: 10.2196/22769
    pubmed_reference_list
  7. First MB, Tasman A. Clinical Guide to the Diagnosis and Treatment of Mental Disorders. John Wiley & Sons; 2010. ISBN.978-0-470-74520-5
    pubmed_reference_list
  8. Hoffman RE, Stopek S, Andreasen NC. A comparative study of manic vs schizophrenic speech disorganization. Arch Gen Psychiatry. 1986 Sep;43(9):831–838. doi: 10.1001/archpsyc.1986.01800090017003. doi. Medline. DOI: 10.1001/archpsyc.1986.01800090017003
    pubmed_reference_list
  9. Hua Y, Na H, Li Z, et al. A scoping review of large language models for generative tasks in mental health care. npj Digital 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
  10. 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
  11. 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;11(1):e57400. doi: 10.2196/57400. doi. DOI: 10.2196/57400
    pubmed_reference_list
  12. Wang X, Zhou Y, Zhou G. The application and ethical implication of generative AI in mental health: systematic review. JMIR Ment Health. 2025;12:e70610. doi: 10.2196/70610. doi. DOI: 10.2196/70610
    pubmed_reference_list
  13. Xian X, Chang A, Xiang YT, Liu MT. Debate and dilemmas regarding generative AI in mental health care: scoping review. Interact J Med Res. 2024 Aug 12;13(1):e53672. doi: 10.2196/53672. doi. Medline. DOI: 10.2196/53672
    pubmed_reference_list
  14. Kolding S, Lundin RM, Hansen L, Østergaard SD. Use of generative artificial intelligence (AI) in psychiatry and mental health care: a systematic review. Acta Neuropsychiatr. 2025;37:e37. doi: 10.1017/neu.2024.50. doi. DOI: 10.1017/neu.2024.50
    pubmed_reference_list
  15. Jin Y, Liu J, Li P, et al. The applications of large language models in mental health: scoping review. J Med Internet Res. 2025 May 5;27(1):e69284. doi: 10.2196/69284. doi. Medline. DOI: 10.2196/69284
    pubmed_reference_list
  16. Chung NC, Dyer G, Brocki L. Challenges of large language models for mental health counseling. arXiv. 2023 Nov 23; doi: 10.48550/arXiv.2311.13857. Preprint posted online on. doi. DOI: 10.48550/arXiv.2311.13857
    pubmed_reference_list
  17. Zhang D, Li W, Song K, et al. Memory in large language models: mechanisms, evaluation and evolution. arXiv. 2025 Sep 23; doi: 10.48550/arXiv.2509.18868. Preprint posted online on. doi. DOI: 10.48550/arXiv.2509.18868
    pubmed_reference_list
  18. OpenAI OpenAI o1 system card. arXiv. 2026 Apr 30; doi: 10.48550/arXiv.2412.16720. Preprint posted online on. doi. DOI: 10.48550/arXiv.2412.16720
    pubmed_reference_list
  19. Chen SF, Alyakin A, Seas A, et al. LLM-assisted systematic review of large language models in clinical medicine. Nat Med. 2026 Mar;32(3):1152–1159. doi: 10.1038/s41591-026-04229-5. doi. Medline. DOI: 10.1038/s41591-026-04229-5
    pubmed_reference_list
  20. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021 Mar 29;372:n71. doi: 10.1136/bmj.n71. doi. Medline. DOI: 10.1136/bmj.n71
    pubmed_reference_list
  21. Chan GCK, He E, Leung J, Verspoor K. A comprehensive systematic review dataset is a rich resource for training and evaluation of AI systems for title and abstract screening. Res Synth Methods. 2025 Mar;16(2):308–322. doi: 10.1017/rsm.2025.1. doi. Medline. DOI: 10.1017/rsm.2025.1
    pubmed_reference_list
  22. Leung J, Sun T, Stjepanovic D, et al. Generative artificial intelligence with youth codesign to create vaping awareness advertisements. JAMA Netw Open. 2025 Jul 1;8(7):e2514040. doi: 10.1001/jamanetworkopen.2025.14040. doi. Medline. DOI: 10.1001/jamanetworkopen.2025.14040
    pubmed_reference_list
  23. Erinoso O. Generative artificial intelligence for tobacco health promotion. JAMA Netw Open. 2025 Jul 1;8(7):e2514047. doi: 10.1001/jamanetworkopen.2025.14047. doi. Medline. DOI: 10.1001/jamanetworkopen.2025.14047
    pubmed_reference_list
  24. Hong QN, Fàbregues S, Bartlett G, et al. The Mixed Methods Appraisal Tool (MMAT) version 2018 for information professionals and researchers. EFI. 2018;34(4):285–291. doi: 10.3233/EFI-180221. doi. DOI: 10.3233/EFI-180221
    pubmed_reference_list
  25. Diaz M. Performance measures of the bivariate random effects model for meta-analyses of diagnostic accuracy. Comput Stat Data Anal. 2015 Mar;83:82–90. doi: 10.1016/j.csda.2014.09.021. doi. DOI: 10.1016/j.csda.2014.09.021
    pubmed_reference_list
  26. Sterne JAC, Sutton AJ, Ioannidis JPA, et al. Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ. 2011 Jul 22;343:d4002. doi: 10.1136/bmj.d4002. doi. Medline. DOI: 10.1136/bmj.d4002
    pubmed_reference_list
  27. IntHout J, Ioannidis JPA, Borm GF, Goeman JJ. Small studies are more heterogeneous than large ones: a meta-meta-analysis. J Clin Epidemiol. 2015 Aug;68(8):860–869. doi: 10.1016/j.jclinepi.2015.03.017. doi. Medline. DOI: 10.1016/j.jclinepi.2015.03.017
    pubmed_reference_list
  28. Borenstein M, Higgins JPT, Hedges LV, Rothstein HR. Basics of meta-analysis: I2 is not an absolute measure of heterogeneity. Res Synth Methods. 2017 Mar;8(1):5–18. doi: 10.1002/jrsm.1230. doi. Medline. DOI: 10.1002/jrsm.1230
    pubmed_reference_list
  29. Schünemann HJ, Higgins JPT, Vist GE, et al. Cochrane Handbook for Systematic Reviews of Interventions. Cochrane; 2019. Completing ‘summary of findings’ tables and grading the certainty of the evidence; pp. 375–402. doi.
    pubmed_reference_list
  30. Bartal A, Jagodnik KM, Chan SJ, Dekel S. AI and narrative embeddings detect PTSD following childbirth via birth stories. Sci Rep. 2024 Apr 11;14(1):8336. doi: 10.1038/s41598-024-54242-2. doi. Medline. DOI: 10.1038/s41598-024-54242-2
    pubmed_reference_list
  31. Danner M, Hadzic B, Gerhardt S, et al. Advancing mental health diagnostics: GPT-based method for depression detection. 2023 62nd Annual Conference of the Society of Instrument and Control Engineers (SICE); Sep 6-9, 2023; Tsu, Japan. Presented at. doi.
    pubmed_reference_list
  32. Hu C, Li W, Ruan M, et al. Exploiting ChatGPT for diagnosing autism-associated language disorders and identifying distinct features. Research Square. 2024 May 20; doi: 10.21203/rs.3.rs-4359726/v1. Preprint posted online on. doi. Medline. DOI: 10.21203/rs.3.rs-4359726/v1
    pubmed_reference_list
  33. Lorenzoni G, Velmovitsky PE, Alencar P, Cowan D. GPT-4 on clinic depression assessment: an LLM-based pilot study. 2024 IEEE International Conference on Big Data (BigData); Dec 15-18, 2024; Washington, DC. pp. 5043–5049. Presented at. doi.
    pubmed_reference_list
  34. Kaliosis P, Ganesan AV, Kjell ONE, et al. A systematic evaluation of large language models for PTSD severity estimation: the role of contextual knowledge and modeling strategies. Research Square. 2025 Dec 24; doi: 10.21203/rs.3.rs-8376581/v1. Preprint posted online on. doi. DOI: 10.21203/rs.3.rs-8376581/v1
    pubmed_reference_list
  35. Teferra BG, Perivolaris A, Hsiang WN, et al. Leveraging large language models for automated depression screening. PLOS Digital Health. 2025 Jul;4(7):e0000943. doi: 10.1371/journal.pdig.0000943. doi. Medline. DOI: 10.1371/journal.pdig.0000943
    pubmed_reference_list
  36. Lee JJ, Han J, Woo CW. Interpretable depression assessment using a large language model. PLOS Digital Health. 2026 Feb;5(2):e0001205. doi: 10.1371/journal.pdig.0001205. doi. Medline. DOI: 10.1371/journal.pdig.0001205
    pubmed_reference_list
  37. Shin D, Kim H, Lee S, Cho Y, Jung W. Using large language models to detect depression from user-generated diary text data as a novel approach in digital mental health screening: instrument validation study. J Med Internet Res. 2024 Sep 18;26:e54617. doi: 10.2196/54617. doi. Medline. DOI: 10.2196/54617
    pubmed_reference_list
  38. Bhagat N, Mackey O, Wilcox A. Large language models for efficient medical information extraction. AMIA Jt Summits Transl Sci Proc. 2024;2024:509–514. Medline.
    pubmed_reference_list
  39. McCoy TH, Perlis RH. Applying large language models to stratify suicide risk using narrative clinical notes. J Mood Anxiety Disord. 2025 Jun;10:100109. doi: 10.1016/j.xjmad.2025.100109. doi. Medline. DOI: 10.1016/j.xjmad.2025.100109
    pubmed_reference_list
  40. McCoy TH, Perlis RH. Reasoning language models for more transparent prediction of suicide risk. BMJ Ment Health. 2025 May 11;28(1):e301654. doi: 10.1136/bmjment-2025-301654. doi. Medline. DOI: 10.1136/bmjment-2025-301654
    pubmed_reference_list
  41. Lho SK, Park SC, Lee H, et al. Large language models and text embeddings for detecting depression and suicide in patient narratives. JAMA Netw Open. 2025 May 1;8(5):e2511922. doi: 10.1001/jamanetworkopen.2025.11922. doi. Medline. DOI: 10.1001/jamanetworkopen.2025.11922
    pubmed_reference_list
  42. Sun M, Yu J, Long Z, et al. Large language models for psychiatric diagnosis based on multicenter real-world clinical records: comparative study. JMIR Med Inf. 2026 Jan 13;14:e77699. doi: 10.2196/77699. doi. Medline. DOI: 10.2196/77699
    pubmed_reference_list
  43. Marengo D, Longobardi C. Detecting suicidal ideation in adolescence using self-reported emotional and behavioral patterns: comparing machine learning and large language model predictions. Assessment. 2025 Dec 31;0:10731911251406405. doi: 10.1177/10731911251406405. doi. Medline. DOI: 10.1177/10731911251406405
    pubmed_reference_list
  44. Hur JK, Heffner J, Feng GW, Joormann J, Rutledge RB. Language sentiment predicts changes in depressive symptoms. Proc Natl Acad Sci U S A. 2024 Sep 24;121(39):e2321321121. doi: 10.1073/pnas.2321321121. doi. Medline. DOI: 10.1073/pnas.2321321121
    pubmed_reference_list
  45. Jin Z, Hu J, Bi D, Zhao K, Yu H. Evaluating the efficacy of AI-based interactive assessments using large language models for depression screening: development and usability study. JMIR Form Res. 2026 Jan 13;10:e78401. doi: 10.2196/78401. doi. Medline. DOI: 10.2196/78401
    pubmed_reference_list
  46. Heinz MV, Bhattacharya S, Trudeau B, et al. Testing domain knowledge and risk of bias of a large-scale general artificial intelligence model in mental health. Digital Health. 2023;9:20552076231170499. doi: 10.1177/20552076231170499. doi. Medline. DOI: 10.1177/20552076231170499
    pubmed_reference_list
  47. Gargari OK, Fatehi F, Mohammadi I, Firouzabadi SR, Shafiee A, Habibi G. Diagnostic accuracy of large language models in psychiatry. Asian J Psychiatr. 2024 Oct;100:104168. doi: 10.1016/j.ajp.2024.104168. doi. Medline. DOI: 10.1016/j.ajp.2024.104168
    pubmed_reference_list
  48. Sarma KV, Hanss KE, Halls AJM, Becker DF, Glowinski AL, Krystal A. Simulated reasoning and self-verification in generalist large language models for psychiatric diagnostic performance: cross-sectional study. medRxiv. 2025 Sep 9; doi: 10.1101/2025.09.05.25335196. Preprint posted online on. doi. Medline. DOI: 10.1101/2025.09.05.25335196
    pubmed_reference_list
  49. Heston TF. Safety of large language models in addressing depression. Cureus. 2023;15(12):e50729. doi: 10.7759/cureus.50729. doi. DOI: 10.7759/cureus.50729
    pubmed_reference_list
  50. Levkovich I, Elyoseph Z. Suicide risk assessments through the eyes of ChatGPT-3.5 versus ChatGPT-4: vignette study. JMIR Ment Health. 2023 Sep 20;10:e51232. doi: 10.2196/51232. doi. Medline. DOI: 10.2196/51232
    pubmed_reference_list
  51. Lauderdale SA, Schmitt R, Wuckovich B, Dalal N, Desai H, Tomlinson S. Effectiveness of generative AI-large language models’ recognition of veteran suicide risk: a comparison with human mental health providers using a risk stratification model. Front Psychiatry. 2025;16:1544951. doi: 10.3389/fpsyt.2025.1544951. doi. Medline. DOI: 10.3389/fpsyt.2025.1544951
    pubmed_reference_list
  52. Zeng Q, Li X, Wang S, Liu K. Adversarial evaluation algorithm for detecting extreme behaviors of LLMs in psychological counseling scenarios. 2025 2nd International Conference on Algorithms, Software Engineering and Network Security (ASENS); Mar 21-23, 2025; Guangzhou, China. pp. 412–415. Presented at. doi.
    pubmed_reference_list
  53. Levkovich I, Elyoseph Z. Identifying depression and its determinants upon initiating treatment: ChatGPT versus primary care physicians. Fam Med Community Health. 2023 Sep;11(4):e002391. doi: 10.1136/fmch-2023-002391. doi. Medline. DOI: 10.1136/fmch-2023-002391
    pubmed_reference_list
  54. Levkovich I, Rabin E, Brann M, Elyoseph Z. Large language models outperform general practitioners in identifying complex cases of childhood anxiety. Digital Health. 2024;10:20552076241294182. doi: 10.1177/20552076241294182. doi. Medline. DOI: 10.1177/20552076241294182
    pubmed_reference_list
  55. Kim J, Leonte KG, Chen ML, et al. Large language models outperform mental and medical health care professionals in identifying obsessive-compulsive disorder. npj Digital Med. 2024 Jul 19;7(1):193. doi: 10.1038/s41746-024-01181-x. doi. Medline. DOI: 10.1038/s41746-024-01181-x
    pubmed_reference_list
  56. Levkovich I. Harnessing large language models for identification and treatment of obsessive-compulsive disorder. Comput Hum Behav: Artif Hum. 2025 Dec;6:100212. doi: 10.1016/j.chbah.2025.100212. doi. DOI: 10.1016/j.chbah.2025.100212
    pubmed_reference_list
  57. Levkovich I. Evaluating diagnostic accuracy and treatment efficacy in mental health: a comparative analysis of large language model tools and mental health professionals. Eur J Invest Health Psychol Educ. 2025 Jan 18;15(1):9. doi: 10.3390/ejihpe15010009. doi. Medline. DOI: 10.3390/ejihpe15010009
    pubmed_reference_list
  58. Levkovich I, Haber Y, Levi-Belz Y, Elyoseph Z. A step toward the future? Evaluating GenAI QPR simulation training for mental health gatekeepers. Front Med (Lausanne) 2025;12:1599900. doi: 10.3389/fmed.2025.1599900. doi. Medline. DOI: 10.3389/fmed.2025.1599900
    pubmed_reference_list
  59. D’Souza RF, 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
  60. Jin KW, Rostam-Abadi Y, Chaudhary P, et al. Evaluating diagnostic accuracy and clinical reasoning of multiple large language models in psychiatry. medRxiv. 2026 Feb 11; doi: 10.64898/2026.02.03.26345402. Preprint posted online on. doi. Medline. DOI: 10.64898/2026.02.03.26345402
    pubmed_reference_list
  61. Sarma KV, Hanss KE, Halls AJM, et al. Integrating expert knowledge into large language models improves performance for psychiatric reasoning and diagnosis. Psychiatry Res. 2026 Jan;355:116844. doi: 10.1016/j.psychres.2025.116844. doi. Medline. DOI: 10.1016/j.psychres.2025.116844
    pubmed_reference_list
  62. Zhang M, Yang X, Zhang X, et al. CBT-bench: evaluating large language models on assisting cognitive behavior therapy. Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics; Apr 29 to May 4, 2025; Albuquerque, New Mexico. Presented at. doi.
    pubmed_reference_list
  63. Aleem M, Zahoor I, Naseem M. Towards culturally adaptive large language models in mental health: using ChatGPT as a case study. CSCW Companion ’24: Companion Publication of the 2024 Conference on Computer-Supported Cooperative Work and Social Computing; Nov 9-13, 2024; San Jose Costa Rica. pp. 240–247. Presented at. doi.
    pubmed_reference_list
  64. Liu C, Wang WYC, Khan G. Understanding medical information and emotional support needs in mental health questions with large language models. Ind Manage Data Syst. 2026 Jun 22;126(7):2205–2230. doi: 10.1108/IMDS-05-2025-0609. doi. DOI: 10.1108/IMDS-05-2025-0609
    pubmed_reference_list
  65. Elyoseph Z, Levkovich I. Comparing the perspectives of generative AI, mental health experts, and the general public on schizophrenia recovery: case vignette study. JMIR Ment Health. 2024;11:e53043–e53043. doi: 10.2196/53043. doi. DOI: 10.2196/53043
    pubmed_reference_list
  66. Perlis RH. Research letter: application of GPT-4 to select next-step antidepressant treatment in major depression. medRxiv. 2023 Apr 18; doi: 10.1101/2023.04.14.23288595. Preprint posted online on. doi. Medline. DOI: 10.1101/2023.04.14.23288595
    pubmed_reference_list
  67. Perlis RH, Goldberg JF, Ostacher MJ, Schneck CD. Clinical decision support for bipolar depression using large language models. Neuropsychopharmacology. 2024 Aug;49(9):1412–1416. doi: 10.1038/s41386-024-01841-2. doi. Medline. DOI: 10.1038/s41386-024-01841-2
    pubmed_reference_list
  68. Silva R, Gomes L. An adaptive language model-based intelligent medication assistant for the decision support of antidepressant prescriptions. Comput Biol Med. 2025 May;190:110065. doi: 10.1016/j.compbiomed.2025.110065. doi. Medline. DOI: 10.1016/j.compbiomed.2025.110065
    pubmed_reference_list
  69. McBain RK, Cantor JH, Zhang LA, et al. Evaluation of alignment between large language models and expert clinicians in suicide risk assessment. Psychiatr Serv. 2025 Nov 1;76(11):944–950. doi: 10.1176/appi.ps.20250086. doi. Medline. DOI: 10.1176/appi.ps.20250086
    pubmed_reference_list
  70. Tan KS, Cervin M, Leman P, Nielsen K, Kumar PV, Medvedev O. AI meets psychology: an exploratory study of large language models’ competence in psychotherapy contexts. J Psychol AI. 2025 Dec 31;1(1):2545258. doi: 10.1080/29974100.2025.2545258. doi. DOI: 10.1080/29974100.2025.2545258
    pubmed_reference_list
  71. Thotapalli S, Yilanli M, McKay I, et al. Potential of ChatGPT in youth mental health emergency triage: comparative analysis with clinicians. PCN Rep. 2025 Sep;4(3):e70159. doi: 10.1002/pcn5.70159. doi. Medline. DOI: 10.1002/pcn5.70159
    pubmed_reference_list
  72. Acevedo S, Aneja E, Opler DJ, Valera P, Jarmon E. Evaluating the efficacy of ChatGPT-3.5 versus human-delivered text-based cognitive-behavioral therapy: a comparative pilot study. Am J Psychother. 2026 Mar 1;79(1):4–11. doi: 10.1176/appi.psychotherapy.20240070. doi. Medline. DOI: 10.1176/appi.psychotherapy.20240070
    pubmed_reference_list
  73. Alanzi TM, Alharthi A, Alrumman S, et al. ChatGPT as a psychotherapist for anxiety disorders: an empirical study with anxiety patients. Nutr Health. 2025 Sep;31(3):1111–1123. doi: 10.1177/02601060241281906. doi. Medline. DOI: 10.1177/02601060241281906
    pubmed_reference_list
  74. Haber Y, Levi-Belz Y, Elbak YS, Elyoseph Z, Levkovich I. Validating GenAI feedback in suicide prevention training: a mixed-methods study of QPR skill assessment. Front Med (Lausanne) 2025;12:1709743. doi: 10.3389/fmed.2025.1709743. doi. Medline. DOI: 10.3389/fmed.2025.1709743
    pubmed_reference_list
  75. Hodson N, Williamson S. Can large language models replace therapists? Evaluating performance at simple cognitive behavioral therapy tasks. JMIR AI. 2024 Jul 30;3:e52500. doi: 10.2196/52500. doi. Medline. DOI: 10.2196/52500
    pubmed_reference_list
  76. Jain A, Sandhu R, Singh G, Rakhra M. The role of AI counselling in journaling for mental health improvement. 2024 International Conference on Electrical Electronics and Computing Technologies (ICEECT); Aug 29-31, 2024; Greater Noida, India. pp. 1–6. Presented at. doi.
    pubmed_reference_list
  77. Napiwotzki I, Laue J, Caldarone F, et al. Comparing human and AI therapists in behavioral activation for depression: cross-sectional questionnaire study. JMIR Form Res. 2025 Dec 4;9:e78138. doi: 10.2196/78138. doi. Medline. DOI: 10.2196/78138
    pubmed_reference_list
  78. Moell B. Comparing the efficacy of GPT-4 and Chat-GPT in mental health care: a blind assessment of large language models for psychological support (preprint) JMIR Ment Health. 2023 Mar 20; doi: 10.2196/preprints.47439. Preprint posted online on. doi. Medline. DOI: 10.2196/preprints.47439
    pubmed_reference_list
  79. Shen H, Li Z, Yang M, et al. Are large language models possible to conduct cognitive behavioral therapy?. 2024 IEEE International Conference on Bioinformatics and Biomedicine (BIBM); Dec 3-6, 2024; Lisbon, Portugal. pp. 3695–3700. Presented at. doi.
    pubmed_reference_list
  80. Adhikary PK, Srivastava A, Kumar S, et al. Exploring the efficacy of large language models in summarizing mental health counseling sessions: benchmark study. JMIR Ment Health. 2024 Jul 23;11:e57306. doi: 10.2196/57306. doi. Medline. DOI: 10.2196/57306
    pubmed_reference_list
  81. Cardamone NC, Olfson M, Schmutte T, et al. Classifying unstructured text in electronic health records for mental health prediction models: large language model evaluation study. JMIR Med Inf. 2025 Jan 21;13:e65454. doi: 10.2196/65454. doi. Medline. DOI: 10.2196/65454
    pubmed_reference_list
  82. Donnelly HK, Brown GK, Green KL, et al. Exploring the potential of large language models for automated safety plan scoring in outpatient mental health settings (preprint) JMIR Ment Health. 2025 Sep 3; doi: 10.2196/preprints.79010. Preprint posted online on. doi. Medline. DOI: 10.2196/preprints.79010
    pubmed_reference_list
  83. Gireesh H, Shukla L, Shivaprakash P, Mukherjee A, Chand P, Murthy P. Language models for standardising clinical notes and information extraction in addiction psychiatry-an empirical study. Drug Alcohol Rev. 2026 Jan;45(1):e70059. doi: 10.1111/dar.70059. doi. Medline. DOI: 10.1111/dar.70059
    pubmed_reference_list
  84. Matsumura M, Nishida K, Toyoda K, et al. Quantifying improvement of psychotic symptoms in clozapine-treated schizophrenia: clinical note analysis with large language models. Sci Rep. 2026 Feb 13;16(1):8835. doi: 10.1038/s41598-026-39676-0. doi. Medline. DOI: 10.1038/s41598-026-39676-0
    pubmed_reference_list
  85. Janota B, Janota K. Application of artificial intelligence (AI) in the creation of discharge summaries in psychiatric clinics. Int J Psychiatry Med. 2025 May;60(3):330–337. doi: 10.1177/00912174241284730. doi. Medline. DOI: 10.1177/00912174241284730
    pubmed_reference_list
  86. He W, Zhang W, Jin Y, Zhou Q, Zhang H, Xia Q. Physician versus large language model chatbot responses to web-based questions from autistic patients in Chinese: cross-sectional comparative analysis. J Med Internet Res. 2024 Apr 30;26:e54706. doi: 10.2196/54706. doi. Medline. DOI: 10.2196/54706
    pubmed_reference_list
  87. Li Y, Wang G, Huang Z, et al. Development and preliminary evaluation of a virtual standardized patient system for psychiatric interview training. BMC Psychiatry. 2026;26(1):264. doi: 10.1186/s12888-026-07896-3. doi. DOI: 10.1186/s12888-026-07896-3
    pubmed_reference_list
  88. Yilanli M, McKay I, Jackson DI, Sezgin E. Large language models for individualized psychoeducational tools for psychosis: a cross-sectional study. medRxiv. 2024 Jul 29; doi: 10.1101/2024.07.26.24311075. Preprint posted online on. doi. DOI: 10.1101/2024.07.26.24311075
    pubmed_reference_list
  89. Senturk E, Koparal B. ChatGPT-4o vs psychiatrists in responding to common antidepressant concerns. Am J Health Promot. 2026 Jan;40(1):10–17. doi: 10.1177/08901171251348208. doi. Medline. DOI: 10.1177/08901171251348208
    pubmed_reference_list
  90. Barabas L, Novotny M, Jung D, Müller T, Mertse NN. Exploring the potential of ChatGPT as a digital advisor in acute psychiatric crises: a feasibility study. Nervenarzt. 2026 May;97(3):265–271. doi: 10.1007/s00115-025-01837-3. doi. Medline. DOI: 10.1007/s00115-025-01837-3
    pubmed_reference_list
  91. McBain RK, Cantor JH, Zhang LA, et al. Competency of large language models in evaluating appropriate responses to suicidal ideation: comparative study. J Med Internet Res. 2025 Mar 5;27:e67891. doi: 10.2196/67891. doi. Medline. DOI: 10.2196/67891
    pubmed_reference_list
  92. Scholich T, Barr M, Stirman SW, Raj S. A comparison of responses from human therapists and large language model-based chatbots to assess therapeutic communication: mixed methods study. JMIR Ment Health. 2025 May 21;12:e69709. doi: 10.2196/69709. doi. Medline. DOI: 10.2196/69709
    pubmed_reference_list
  93. Bannett Y, Gunturkun F, Pillai M, et al. Leveraging a large language model to assess quality-of-care: monitoring ADHD medication side effects. medRxiv. 2024 Apr 24; doi: 10.1101/2024.04.23.24306225. Preprint posted online on. doi. Medline. DOI: 10.1101/2024.04.23.24306225
    pubmed_reference_list
  94. Rao SJ, Isath A, Krishnan P, et al. ChatGPT: a conceptual review of applications and utility in the field of medicine. J Med Syst. 2024 Jun 5;48(1):59. doi: 10.1007/s10916-024-02075-x. doi. Medline. DOI: 10.1007/s10916-024-02075-x
    pubmed_reference_list
  95. Giacobbe DR, Marelli C, Guastavino S, et al. Artificial intelligence and prescription of antibiotic therapy: present and future. Expert Rev Anti-Infect Ther. 2024 Oct;22(10):819–833. doi: 10.1080/14787210.2024.2386669. doi. Medline. DOI: 10.1080/14787210.2024.2386669
    pubmed_reference_list
  96. Ferrag MA, Tihanyi N, Debbah M. From LLM reasoning to autonomous AI agents: a comprehensive review. IEEE Access. 2025;14:84237–84285. doi: 10.1109/ACCESS.2026.3698694. doi. Medline. DOI: 10.1109/ACCESS.2026.3698694
    pubmed_reference_list
  97. Dergaa I, Fekih-Romdhane F, Hallit S, et al. ChatGPT is not ready yet for use in providing mental health assessment and interventions. Front Psychiatry. 2023;14:1277756. doi: 10.3389/fpsyt.2023.1277756. doi. Medline. DOI: 10.3389/fpsyt.2023.1277756
    pubmed_reference_list
  98. Elyoseph Z, Levkovich I, Shinan-Altman S. Assessing prognosis in depression: comparing perspectives of AI models, mental health professionals and the general public. Fam Med Community Health. 2024 Jan;12(Suppl 1):e002583. doi: 10.1136/fmch-2023-002583. doi. DOI: 10.1136/fmch-2023-002583
    pubmed_reference_list
  99. de Vries M, Schaub MP. Opportunities and risks of large language models in digital interventions for substance use disorders. Curr Opin Psychiatry. 2026 Jul 1;39(4):308–313. doi: 10.1097/YCO.0000000000001088. doi. Medline. DOI: 10.1097/YCO.0000000000001088
    pubmed_reference_list
  100. Haltaufderheide J, Ranisch R. The ethics of ChatGPT in medicine and healthcare: a systematic review on large language models (LLMs) npj Digital Med. 2024 Jul 8;7(1):183. doi: 10.1038/s41746-024-01157-x. doi. Medline. DOI: 10.1038/s41746-024-01157-x
    pubmed_reference_list
  101. Li J, Dada A, Puladi B, Kleesiek J, Egger J. ChatGPT in healthcare: a taxonomy and systematic review. Comput Methods Programs Biomed. 2024 Mar;245:108013. doi: 10.1016/j.cmpb.2024.108013. doi. Medline. DOI: 10.1016/j.cmpb.2024.108013
    pubmed_reference_list
  102. Liang W, Zhang Y, Codreanu M, Wang J, Cao H, Zou J. The widespread adoption of large language model-assisted writing across society. Patterns (N Y) 2025 Dec 12;6(12):101366. doi: 10.1016/j.patter.2025.101366. doi. Medline. DOI: 10.1016/j.patter.2025.101366
    pubmed_reference_list
  103. Chan GCK, Lim C, Sun T, et al. Causal inference with observational data in addiction research. Addiction. 2022 Oct;117(10):2736–2744. doi: 10.1111/add.15972. doi. DOI: 10.1111/add.15972
    pubmed_reference_list
  104. Chan GCK, Sun T, Stjepanović D, et al. Designing observational studies for credible causal inference in addiction research-directed acyclic graphs, modified disjunctive cause criterion and target trial emulation. Addiction. 2024 Jun;119(6):1125–1134. doi: 10.1111/add.16442. doi. Medline. DOI: 10.1111/add.16442
    pubmed_reference_list
  105. Wang L, Chen X, Deng X, et al. Prompt engineering in consistency and reliability with the evidence-based guideline for LLMs. npj Digital Med. 2024 Feb 20;7(1):41. doi: 10.1038/s41746-024-01029-4. doi. Medline. DOI: 10.1038/s41746-024-01029-4
    pubmed_reference_list
  106. Wright E, Pagliaro C, Page IS, Diminic S. A review of excluded groups and non-response in population-based mental health surveys from high-income countries. Soc Psychiatry Psychiatr Epidemiol. 2023 Sep;58(9):1265–1292. doi: 10.1007/s00127-023-02488-y. doi. Medline. DOI: 10.1007/s00127-023-02488-y
    pubmed_reference_list
  107. Jin Y, Chandra M, Verma G, Hu Y, De Choudhury M, Kumar S. Better to ask in English: cross-lingual evaluation of large language models for healthcare queries. WWW ’24: Proceedings of the ACM Web Conference 2024; May 13-17, 2024; Singapore, Singapore. pp. 2627–2638. Presented at. doi.
    pubmed_reference_list
  108. Nadkarni A, Hanlon C, Patel V. In: Tasman’s Psychiatry. Tasman A, Riba MB, Alarcón RD, Alfonso CA, editors. Springer; 2023. Mental health care models in low-and middle-income countries, in Tasman’s Psychiatry; pp. 1–47. doi.
    pubmed_reference_list
  109. Reynolds SA, Christie AP, Dicks LV, et al. Will AI speed up literature reviews or derail them entirely? Nature. 2025 Jul 10;643(8071):329–331. doi: 10.1038/d41586-025-02069-w. doi. DOI: 10.1038/d41586-025-02069-w
    pubmed_reference_list

Metadane

Rok
2026
Czasopismo
JMIR AI
Pochodzenie
lokalny katalog źródeł
Data publikacji online
Nieustalone
ISSN czasopisma
2817-1705
Tom
5
Numer
Nieustalone
Strony
e87730
Status dostępu
Nieustalone
PMCID
Nieustalone

Identyfikatory

  • DOI: 10.2196/87730
  • PMID: 42684205

Autorzy

  1. Janni LeungAutorstwo odczytane z lokalnego katalogu.
  2. Benjamin JohnsonAutorstwo odczytane z lokalnego katalogu.
  3. Kelsey McRaeAutorstwo odczytane z lokalnego katalogu.
  4. Stephanie FongAutorstwo odczytane z lokalnego katalogu.
  5. Paula Cardona GonzalezAutorstwo odczytane z lokalnego katalogu.
  6. Caitlin McClure-ThomasAutorstwo odczytane z lokalnego katalogu.
  7. Tianze SunAutorstwo odczytane z lokalnego katalogu.
  8. Naomi KernAutorstwo odczytane z lokalnego katalogu.
  9. Yuen Ming WongAutorstwo odczytane z lokalnego katalogu.
  10. Richard LiuAutorstwo odczytane z lokalnego katalogu.
  11. Gary Chung Kai ChanAutorstwo odczytane z lokalnego katalogu.

Sprawdzenie identyfikatora (Studio ReferenceVerifier & DOI-Checker)

DOI: 10.2196/87730 · PMID: 42684205

Sprawdź status w bazie Studio ReferenceVerifierOtwórz 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: REVIEW_REQUIRED · relacja: EXPLICIT_SOURCE_LINK

  • FACT — Przegląd objął 66 badań: 37 wignetowych lub symulacyjnych, 22 retrospektywne i 7 prospektywnych.
  • FACT — Najwięcej badań dotyczyło screeningu i diagnostyki (29), następnie wsparcia decyzji klinicznych (14) i leczenia (10).
  • FACT — W metaanalizie ośmiu badań czułość GPT-4 wyniosła 0,83 (95% CI 0,38–0,97), ale przedział predykcji wyniósł 0,02–1,00.
  • FACT — Autorzy uznali dowody za zbyt heterogeniczne, pośrednie i niepewne dla rutynowego niesuperwizowanego użycia, szczególnie w diagnozie, ocenie ryzyka, kryzysie i interakcji terapeutycznej.
  • UNCERTAINTY — Lepsze wyniki w zadaniach ustrukturyzowanych nie mogą być automatycznie przenoszone na złożoną decyzję kliniczną lub relację terapeutyczną.
Metodologia i składowe IWBP (Indeks Widoczności Bibliograficznej)

Indeks widoczności bibliograficznej

IWBP: niewystarczające dane

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

—/ 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)

IWBP: niewystarczające dane. Brak danych nie jest traktowany jako zero.

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

Interpretacja dla tej publikacji

W korpusie wykryto 1 unikalnych stron i 5 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
2Pozytywne
1Problemy
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 wykorzystanieWykryto uwagi (FINDINGS)

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.