E · E
50%Brak wartości znormalizowanej
Źródło: OpenAlex snapshot · zakres: No compatible versioned snapshot found
NOT_TESTED: no imputing.
Metaanaliza
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
Metadane lokalne
PubMed / MEDLINE (MeSH: 0)
IWBP niewystarczające dane
DOI
10.2196/87730 PMID 42684205
Cytowanie (APA): 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 (2026). Generative Large Language Models in Mental Health Care Settings: Systematic Review and Meta-Analysis. JMIR AI, https://doi.org/10.2196/87730
Dowody naukowe i powiązania korpusowe (Direct Cite, Bibliographic Coupling, TF-IDF) (8 relacji)
Warstwa dowodowa i powiązania korpusowe (wersja: corpus-2026-10-19)
Metodologiczna sieć powiązań naukowych publikacji
Klasyfikacja powiązań ściśle rozdziela twarde dowody bibliograficzne (status approved) od analitycznych hipotez podobieństwa (status computed). Każde powiązanie posiada weryfikowalny identyfikator DOI/PMID, liczbę referencji bazowych n oraz zdefiniowaną proweniencję algorytmiczną.
A. Potwierdzone relacje cytowań w korpusie (Direct Citation) status: potwierdzone (100% dowodowe)
Wykryto w korpusie: 0 bezpośrednich powiązańMetodologiczne zastrzeżenie dowodowe: Bezpośrednie cytowanie odzwierciedla relację w literaturze źródłowej (praca cytuje inną pozycję w swojej bibliografii załącznikowej). Cytowanie wskazuje relację literaturową, nie dowodzi automatycznie poparcia twierdzenia ani braku polemiki.
Brak bezpośrednich cytowań krzyżowych z innymi pracami w obrębie 950 pozycji bieżącego korpusu.
B. Sprzężenie bibliograficzne (Bibliographic Coupling) status: computed (analityczne)
Wspólne fundamenty literaturowe (próg minimalny n ≥ 2)Metodologiczne zastrzeżenie dowodowe: Sprzężenie bibliograficzne mierzy stopień pokrycia wspólnych referencji (indeks Jaccarda). Czego te dane nie mówią: Dwie prace dzielące literaturę mogą reprezentować przeciwstawne wnioski kliniczne lub polemizować ze sobą. Wskaźnik ten jest miarą wspólnego tła teoretycznego, a nie zgodności wyników.
-
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) · ID:
src_kuhlmeier_2026· DOI:10.2196/94781
Metryka sprzężenia: Wspólnych pozycji bibliografii: 4 · Znormalizowany indeks Jaccarda:J = 0.0274(przykładowe wspólne źródła: https://openalex.org/W4407677752, https://openalex.org/W4386893393)n = 4 wspólnych prac computed -
A Meta-Analysis of the Acceptance of Artificial Intelligence in Psychotherapy Behavioral Sciences (Basel) (2026) · ID:
src_fan_2026· DOI:10.3390/bs16091552
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0150(przykładowe wspólne źródła: https://openalex.org/W4205208574, https://openalex.org/W3118615836)n = 2 wspólnych prac computed -
The effects of artificial intelligence-based chatbots on mental health: A systematic review and three-level meta-analysis Psychiatry Research (2026) · ID:
src_wang_2026· DOI:10.1016/j.psychres.2026.117459
Metryka sprzężenia: Wspólnych pozycji bibliografii: 3 · Znormalizowany indeks Jaccarda:J = 0.0141(przykładowe wspólne źródła: https://openalex.org/W2119605658, https://openalex.org/W3118615836)n = 3 wspólnych prac computed -
Possible Role and Function of AI Conversational Agents in Dialectical Behavior Therapy for Borderline Personality Disorder: Qualitative Interview Study JMIR Mental Health (2026) · ID:
src_liljedahl_2026· DOI:10.2196/98840
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0131(przykładowe wspólne źródła: https://openalex.org/W4411092349, https://openalex.org/W4409967501)n = 2 wspólnych prac computed -
Distress tolerance and lifetime frequency of non-suicidal self-injury (NSSI): A systematic review and meta-analysis Clinical Psychology & Psychotherapy (2024) · ID:
src_stop_new_15· DOI:10.1002/cpp.2957
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0120(przykładowe wspólne źródła: https://openalex.org/W3118615836, https://openalex.org/W2570555403)n = 2 wspólnych prac computed -
Work-focused cognitive behavioural therapy for common mental disorders: a systematic review and meta-analysis BMC Psychology (2026) · ID:
src_finnes_2026· DOI:10.1186/s40359-026-05648-2
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0109(przykładowe wspólne źródła: https://openalex.org/W2119605658, https://openalex.org/W3118615836)n = 2 wspólnych prac computed -
Do Acceptance- and Mindfulness-Based Interventions Improve Psychological Flexibility in People With Chronic Pain? A Systematic Review and Meta-Analysis of Randomized Controlled Trials European Journal of Pain (2026) · ID:
src_radical_acceptance_new_35· DOI:10.1002/ejp.70342
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0105(przykładowe wspólne źródła: https://openalex.org/W2119605658, https://openalex.org/W3118615836)n = 2 wspólnych prac computed -
Meta-analysis of randomized controlled trials examining social comparison as a behaviour change technique across the behavioural sciences Nature Human Behaviour (2025) · ID:
src_accepts_new_27· DOI:10.1038/s41562-025-02209-2
Metryka sprzężenia: Wspólnych pozycji bibliografii: 2 · Znormalizowany indeks Jaccarda:J = 0.0083(przykładowe wspólne źródła: https://openalex.org/W2119605658, https://openalex.org/W3118615836)n = 2 wspólnych prac computed
Synteza kontekstu badawczego
Opracowanie polskojęzyczne oraz dostęp do abstraktu źródłowego
Kontekst i metadane indeksacyjne publikacji:
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).
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 (Wizualizacja SVG powiązań korpusowych) (27 węzłów)
Jawny graf kontekstu publikacji (1-stopniowy)
Graf powiązań: Publikacja → Autorzy → Czasopismo → MeSH / Słowa kluczowe → Strony → Podobne prace
Wizualizacja SVG wygenerowana deterministycznie z jawnych krawędzi (26 relacji). Kliknij dowolny węzeł na grafie, aby przejść do profilu autora, czasopisma, tematu lub podobnej publikacji.
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).
Taksonomia i pojęcia kluczowe (Deskryptory MeSH®, słowa autorów) (11 pojęć)
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
Słowo kluczowe autora z PubMed · potwierdzone
Preferred Reporting Items for Systematic Reviews and Meta-Analyses
Słowo kluczowe autora z PubMed · potwierdzone
clinical decision support
Słowo kluczowe autora z PubMed · potwierdzone
digital health
Słowo kluczowe autora z PubMed · potwierdzone
eHealth
Słowo kluczowe autora z PubMed · potwierdzone
generative AI
Słowo kluczowe autora z PubMed · potwierdzone
large language models
Słowo kluczowe autora z PubMed · potwierdzone
mental health
Słowo kluczowe autora z PubMed · potwierdzone
primary health care
Słowo kluczowe autora z PubMed · potwierdzone
psychotherapy
Słowo kluczowe autora z PubMed · potwierdzone
screening
Słowo kluczowe autora z PubMed · potwierdzone
Rozwiń analizę leksykalną: wyekstrahowani kandydaci fraz (N-gramy 1–3) oraz zapytania Long-Tail
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
(wynik 25.52 · kandydat)
health care
(wynik 25.52 · kandydat)
mental health care
(wynik 22.33 · kandydat)
health
(wynik 19.8 · kandydat)
mental
(wynik 17.6 · kandydat)
studies
(wynik 9 · kandydat)
models
(wynik 8.8 · kandydat)
language
(wynik 6.6 · kandydat)
large language
(wynik 6.38 · kandydat)
language models
(wynik 6.38 · kandydat)
care settings
(wynik 6.38 · kandydat)
large language models
(wynik 6.38 · kandydat)
health care settings
(wynik 6.38 · kandydat)
95 ci
(wynik 5.8 · kandydat)
95 pi
(wynik 5.8 · kandydat)
95 ci 0
(wynik 5.8 · kandydat)
95 pi 0
(wynik 5.8 · kandydat)
diagnosis
(wynik 5 · kandydat)
Eksploracyjne podobieństwo hybrydowe publikacji (kandydackie dopasowanie cech) (10)
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. Status: candidate.
-
Generative AI Adoption in Psychotherapy Practice Among Mental Health Professionals: Multicountry Cross-Sectional Survey JMIR Mental Health (2026) · ID:
src_genai_psychotherapy_2026
Powód dopasowania: wspólne pojęcia: generative ai, mental health, psychotherapy · wspólne terminy (3): generative, mental, healthScore: 47% candidate -
Health advisory: Use of generative AI chatbots and wellness applications for mental health Czasopismo (b.d.) · ID:
src_apa_advisory
Powód dopasowania: wspólne pojęcia: generative ai, mental health · wspólne terminy (4): generative, mental, health, applicationsScore: 46% candidate -
Health advisory: Use of generative AI chatbots and wellness applications for mental health Czasopismo (2025) · ID:
src_apa_ai_advisory
Powód dopasowania: wspólne pojęcia: generative ai, mental health · wspólne terminy (4): generative, mental, health, applicationsScore: 46% 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: generative ai, mental health · wspólne terminy (5): generative, mental, health, reviewScore: 44% 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: generative ai, mental health · wspólne terminy (5): generative, mental, health, reviewScore: 44% candidate -
Privacy assurances and professional-boundary warnings in generative AI mental health chatbots: a randomized vignette experiment on calibrated trust, overreliance risk, and professional help-seeking intentions Frontiers in Psychology (2026) · ID:
src_zhang_ai_chatbot_safety_cues_2026
Powód dopasowania: wspólne pojęcia: generative ai, mental health · wspólne terminy (5): generative, mental, health, riskScore: 41% candidate -
The effects of artificial intelligence-based chatbots on mental health: A systematic review and three-level meta-analysis Psychiatry Research (2026) · ID:
src_wang_2026
Powód dopasowania: wspólne pojęcia: mental health · wspólne terminy (8): mental, health, systematic, reviewScore: 40% candidate -
Systematic Review and Meta-Analysis of Self-Determination Theory-Based Interventions in Mental Health The Journal of Psychology (2026) · ID:
src_sarika_2026
Powód dopasowania: wspólne pojęcia: mental health · wspólne terminy (7): mental, health, systematic, reviewScore: 39% candidate -
Universal digital mental health interventions for children and youth: a systematic review and meta-analysis npj Digital Medicine (2026) · ID:
src_lipiec_2026_27
Powód dopasowania: wspólne pojęcia: mental health · wspólne terminy (7): mental, health, systematic, reviewScore: 39% candidate -
Conceptual framework for personal recovery in mental health: systematic review and narrative synthesis World Psychiatry (2011) · ID:
src_lwl_new_37
Powód dopasowania: wspólne pojęcia: mental health · wspólne terminy (6): mental, health, systematic, reviewScore: 37% candidate
Współwystępowanie pojęć w korpusie (Analiza asocjacji Lift & NPMI)
Analiza asocjacji w całym korpusie (N = 959 publikacji)
Współwystępowanie pojęć w katalogu Lift(A, B) = P(A ∩ 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).
Brak wystarczającej liczby współwystąpień w korpusie do obliczenia wskaźnika Lift.
Bibliografia załącznikowa publikacji — prace cytowane przez autorów (109 pozycji)
Wykaz prac cytowanych wewnątrz artykułu (relacja cites → Publication), pobrany ze zweryfikowanych metadanych PubMed / Crossref:
-
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:Lista referencji z PubMed
10.1016/S2215-0366(21)00395-3 -
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:Lista referencji z PubMed
10.1016/S0140-6736(11)61093-3 -
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:Lista referencji z PubMed
10.4103/jfmpc.jfmpc_391_22 -
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:Lista referencji z PubMed
10.1001/jamapediatrics.2022.4419 -
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:Lista referencji z PubMed
10.1001/jama.2024.21700 -
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:Lista referencji z PubMed
10.2196/22769 -
First MB, Tasman A. Clinical Guide to the Diagnosis and Treatment of Mental Disorders. John Wiley & Sons; 2010. ISBN.978-0-470-74520-5Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1001/archpsyc.1986.01800090017003 -
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:Lista referencji z PubMed
10.1038/s41746-025-01611-4 -
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:Lista referencji z PubMed
10.2196/70014 -
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:Lista referencji z PubMed
10.2196/57400 -
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:Lista referencji z PubMed
10.2196/70610 -
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:Lista referencji z PubMed
10.2196/53672 -
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:Lista referencji z PubMed
10.1017/neu.2024.50 -
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:Lista referencji z PubMed
10.2196/69284 -
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:Lista referencji z PubMed
10.48550/arXiv.2311.13857 -
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:Lista referencji z PubMed
10.48550/arXiv.2509.18868 -
OpenAI OpenAI o1 system card. arXiv. 2026 Apr 30; doi: 10.48550/arXiv.2412.16720. Preprint posted online on. doi. DOI:Lista referencji z PubMed
10.48550/arXiv.2412.16720 -
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:Lista referencji z PubMed
10.1038/s41591-026-04229-5 -
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:Lista referencji z PubMed
10.1136/bmj.n71 -
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:Lista referencji z PubMed
10.1017/rsm.2025.1 -
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:Lista referencji z PubMed
10.1001/jamanetworkopen.2025.14040 -
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:Lista referencji z PubMed
10.1001/jamanetworkopen.2025.14047 -
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:Lista referencji z PubMed
10.3233/EFI-180221 -
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:Lista referencji z PubMed
10.1016/j.csda.2014.09.021 -
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:Lista referencji z PubMed
10.1136/bmj.d4002 -
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:Lista referencji z PubMed
10.1016/j.jclinepi.2015.03.017 -
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:Lista referencji z PubMed
10.1002/jrsm.1230 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1038/s41598-024-54242-2 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.21203/rs.3.rs-4359726/v1 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.21203/rs.3.rs-8376581/v1 -
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:Lista referencji z PubMed
10.1371/journal.pdig.0000943 -
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:Lista referencji z PubMed
10.1371/journal.pdig.0001205 -
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:Lista referencji z PubMed
10.2196/54617 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1016/j.xjmad.2025.100109 -
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:Lista referencji z PubMed
10.1136/bmjment-2025-301654 -
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:Lista referencji z PubMed
10.1001/jamanetworkopen.2025.11922 -
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:Lista referencji z PubMed
10.2196/77699 -
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:Lista referencji z PubMed
10.1177/10731911251406405 -
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:Lista referencji z PubMed
10.1073/pnas.2321321121 -
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:Lista referencji z PubMed
10.2196/78401 -
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:Lista referencji z PubMed
10.1177/20552076231170499 -
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:Lista referencji z PubMed
10.1016/j.ajp.2024.104168 -
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:Lista referencji z PubMed
10.1101/2025.09.05.25335196 -
Heston TF. Safety of large language models in addressing depression. Cureus. 2023;15(12):e50729. doi: 10.7759/cureus.50729. doi. DOI:Lista referencji z PubMed
10.7759/cureus.50729 -
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:Lista referencji z PubMed
10.2196/51232 -
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:Lista referencji z PubMed
10.3389/fpsyt.2025.1544951 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1136/fmch-2023-002391 -
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:Lista referencji z PubMed
10.1177/20552076241294182 -
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:Lista referencji z PubMed
10.1038/s41746-024-01181-x -
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:Lista referencji z PubMed
10.1016/j.chbah.2025.100212 -
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:Lista referencji z PubMed
10.3390/ejihpe15010009 -
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:Lista referencji z PubMed
10.3389/fmed.2025.1599900 -
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:Lista referencji z PubMed
10.1016/j.ajp.2023.103770 -
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:Lista referencji z PubMed
10.64898/2026.02.03.26345402 -
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:Lista referencji z PubMed
10.1016/j.psychres.2025.116844 -
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.Lista referencji z PubMed
-
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1108/IMDS-05-2025-0609 -
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:Lista referencji z PubMed
10.2196/53043 -
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:Lista referencji z PubMed
10.1101/2023.04.14.23288595 -
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:Lista referencji z PubMed
10.1038/s41386-024-01841-2 -
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:Lista referencji z PubMed
10.1016/j.compbiomed.2025.110065 -
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:Lista referencji z PubMed
10.1176/appi.ps.20250086 -
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:Lista referencji z PubMed
10.1080/29974100.2025.2545258 -
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:Lista referencji z PubMed
10.1002/pcn5.70159 -
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:Lista referencji z PubMed
10.1176/appi.psychotherapy.20240070 -
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:Lista referencji z PubMed
10.1177/02601060241281906 -
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:Lista referencji z PubMed
10.3389/fmed.2025.1709743 -
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:Lista referencji z PubMed
10.2196/52500 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.2196/78138 -
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:Lista referencji z PubMed
10.2196/preprints.47439 -
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.2196/57306 -
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:Lista referencji z PubMed
10.2196/65454 -
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:Lista referencji z PubMed
10.2196/preprints.79010 -
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:Lista referencji z PubMed
10.1111/dar.70059 -
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:Lista referencji z PubMed
10.1038/s41598-026-39676-0 -
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:Lista referencji z PubMed
10.1177/00912174241284730 -
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:Lista referencji z PubMed
10.2196/54706 -
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:Lista referencji z PubMed
10.1186/s12888-026-07896-3 -
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:Lista referencji z PubMed
10.1101/2024.07.26.24311075 -
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:Lista referencji z PubMed
10.1177/08901171251348208 -
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:Lista referencji z PubMed
10.1007/s00115-025-01837-3 -
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:Lista referencji z PubMed
10.2196/67891 -
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:Lista referencji z PubMed
10.2196/69709 -
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:Lista referencji z PubMed
10.1101/2024.04.23.24306225 -
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:Lista referencji z PubMed
10.1007/s10916-024-02075-x -
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:Lista referencji z PubMed
10.1080/14787210.2024.2386669 -
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:Lista referencji z PubMed
10.1109/ACCESS.2026.3698694 -
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:Lista referencji z PubMed
10.3389/fpsyt.2023.1277756 -
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:Lista referencji z PubMed
10.1136/fmch-2023-002583 -
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:Lista referencji z PubMed
10.1097/YCO.0000000000001088 -
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:Lista referencji z PubMed
10.1038/s41746-024-01157-x -
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:Lista referencji z PubMed
10.1016/j.cmpb.2024.108013 -
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:Lista referencji z PubMed
10.1016/j.patter.2025.101366 -
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:Lista referencji z PubMed
10.1111/add.15972 -
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:Lista referencji z PubMed
10.1111/add.16442 -
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:Lista referencji z PubMed
10.1038/s41746-024-01029-4 -
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:Lista referencji z PubMed
10.1007/s00127-023-02488-y -
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.Lista referencji z PubMed
-
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.Lista referencji z PubMed
-
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:Lista referencji z PubMed
10.1038/d41586-025-02069-w
Metadane bibliograficzne, identyfikatory (DOI/PMID/ORCID) i autorzy (11)
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
Sprawdzenie identyfikatora i Dostęp API (DOI-Checker)
Sprawdzenie identyfikatora i Bezpieczny Dostęp API (DOI-Checker)
DOI: 10.2196/87730 · PMID: 42684205
Ochrona endpointu przed robotami (Sesja HttpOnly)
Sesja aktywna
Bezpośrednie wywołania endpointu /doi-check.php są zabezpieczone przed automatycznym scrapingiem i wyczerpywaniem limitów Crossref/OpenAlex. Podczas przeglądania biblioteki Twoja sesja otrzymuje bezpieczny token uwierzytelniający (plik cookie HttpOnly). Zewnętrzne narzędzia badawcze mogą korzystać ze stałego klucza API (?api_key=...).
Format DOI jest poprawny lokalnie. Karta odczytuje status z lokalnego rejestru weryfikacji referencji 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 (0 stron)
Nie odnotowano jawnych wystąpień publikacji w opublikowanych artykułach.
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%
B · B
30%1,00
Źródło: Rejestr powiązań treści serwisu · zakres: Zweryfikowane powiązania w opublikowanych artykułach
F is provisional for this corpus snapshot.
D · D
20%Brak wartości znormalizowanej
Źródło: Rejestr bibliografii bezpośrednich · zakres: Brak potwierdzonego rejestru powiązań bezpośrednich
Relacje pośrednie wykluczone.
Formuła obliczeniowa
IWBP = 10 × (0,50E + 0,30B + 0,20D)
Metodologia IWBP
Indeks Widoczności Bibliograficznej (IWBP) opisuje widoczność i udokumentowane wykorzystanie źródła w określonym lokalnym korpusie bibliograficznym. Nie jest oceną jakości naukowej, wiarygodności metodologicznej, siły dowodów ani oceną użytkowników.
- E (50%) — zweryfikowany percentyl cytowań z wersjonowanego snapshotu OpenAlex; brak snapshotu nie jest zastępowany innym wskaźnikiem.
- B (30%) — potwierdzone wykorzystanie źródła w unikalnych rodzinach zasobów lokalnego korpusu, z mianownikiem F zapisanym w wersji snapshotu.
- D (20%) — potwierdzone, niezależne bezpośrednie relacje bibliograficzne w korpusie; ścieżki pośrednie nie zwiększają wskaźnika D.
Każda dostępna składowa jest normalizowana do zakresu 0–1. W wyniku częściowym brakujące składowe są pomijane, a wynik jest renormalizowany wyłącznie przez sumę wag dostępnych, prawidłowo zweryfikowanych składowych. Brak danych nie oznacza zera. Prowizoryczny mianownik F i status częściowy ograniczają porównywalność wyniku.
IWBP: niewystarczające dane. Brak danych nie jest traktowany jako zero.
Dostępne: B · brakujące: E, D, identity · data: 2026-10-19T00:00:00Z
Interpretacja dla tej publikacji
W korpusie wykryto 0 unikalnych stron i 5 powiązań.
Brak danych nie jest traktowany jako zero.
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 źródełOgraniczenie: Format nie potwierdza istnienia ani zgodności publikacji.
Podobne rekordyKontrola zakończona pozytywnie (PASS)
Dokładne: 0, kandydaci: 0, konflikty: 0.
Kontrola tożsamości · źródło odczytu: lokalny katalog źródełOgraniczenie: 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 źródełOgraniczenie: Karta nie uruchamia zewnętrznego dostawcy podczas renderowania.
Przeglad1 kontroli
Lokalne wykorzystanieKontrola zakończona pozytywnie (PASS)
Zarejestrowano 0 stron z jawnym powiązaniem source.
Relacja publikacji z treścią · źródło odczytu: lokalna kontrola odczytowaOgraniczenie: 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 odczytowaOgraniczenie: Nie można obliczyć zasięgu zewnętrznego.
Składowa BKontrola częściowa (PARTIAL)
Wykryto 0 stron lokalnego użycia.
Interpretacja bibliograficzna · źródło odczytu: lokalna kontrola odczytowaOgraniczenie: Brak zatwierdzonego mianownika rodzin zasobów.
Składowa DBrak integracji (NO_INTEGRATION)
Brak rejestru relacji L0 → L1.
Interpretacja bibliograficzna · źródło odczytu: lokalna kontrola odczytowaOgraniczenie: 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 źródełOgraniczenie: 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.