综述：基于大语言模型的青少年健康与福祉人工智能助手：一项系统综述

《Information》：AI Assistants Based on Large Language Models for Adolescent Health and Well-Being: A Systematic Review

　　

目的：大语言模型（Large Language Models, LLMs）正成为基于人工智能（Artificial Intelligence, AI）的数字健康系统的关键组成部分。本研究旨在系统评价面向青少年健康与福祉的LLM驱动助手的特征、有效性及实施挑战。方法：研究人员遵循《系统综述和荟萃分析优先报告条目》（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）2020指南开展系统综述，于2025年11月检索PubMed、Scopus及Web of Science数据库中2022年及以后发表的研究。纳入标准为：直接面向青少年在健康与福祉场景中使用的LLM驱动助手，并报告定量结局指标。数据由多名研究人员独立提取并采用叙述性方法合成，偏倚风险采用混合方法评价工具（Mixed Methods Appraisal Tool, MMAT）进行评估。结果：共9项研究符合纳入标准，样本量为3至40例，覆盖心理健康支持、身体活动促进、治疗依从性提升、疫苗接种认知及学业自我效能等领域。多数研究为概念验证或试点研究。LLM驱动助手与抑郁、焦虑、压力及负性情绪减轻，情绪调节、身体活动、治疗动机、人乳头瘤病毒（Human Papillomavirus, HPV）认知及学业自我效能改善相关。偏倚风险总体为中等，证据基础受限于小样本、随访周期短及方法学异质性。结论：LLM驱动助手作为可扩展、可及的青少年健康与福祉支持工具具有潜力，尤其在心理健康领域，但当前证据仍处于初步阶段。需开展大样本、长期、设计严谨的研究以确立其有效性、安全性及实施可行性。注册：本综述未进行前瞻性注册，开展前未发表研究方案。

1. 1.
   引言
   大语言模型（LLMs）是生成式人工智能（AI）的重大进展，使机器能够以空前规模与流畅度处理、生成及推理自然语言。LLMs主要基于Transformer架构构建，通过自监督学习在大规模文本语料库上训练，能够建模复杂的语言模式、上下文依赖及语义关系。以GPT、PaLM、LLaMA为代表的近期模型，其能力已超越文本生成，涵盖对话交互、摘要、推理及情境感知推荐，成为下一代数字系统的底层技术。医疗健康领域已成为LLMs的核心应用场景之一，LLM赋能的对话助手在症状评估、健康教育、临床文书、患者参与及决策支持方面展现出潜力。与传统基于规则的聊天机器人相比，LLM系统可灵活响应用户输入的细微差异，实现个性化解释与动态交互适配，输出质量接近人类对话风格，显著提升用户体验，这一特性对预防保健、健康促进及行为干预尤为关键，因这些场景高度依赖持续参与与清晰沟通。

1.1 青少年作为关键且独特的健康场景

青少年是生物快速成熟、认知发展、身份形成及社会关系演变的形成性发育阶段，也是多种心理健康问题初发、健康行为建立及压力、行为冒险与社会压力相关脆弱性加剧的时期。该阶段干预可产生显著长期健康获益，凸显了可及、可扩展且以青少年为中心的健康支持方案的重要性。数字技术已深度嵌入青少年日常生活，智能手机使用率及信息获取、社交互动的线上参与率均较高。数字健康干预——尤其是通过对话式AI助手提供的干预——为“在青少年所在之处”提供支持创造了独特机遇，可实现按需、无评判的健康信息与支持获取。LLM驱动助手凭借其对话流畅性与适应性，尤其适合满足青少年多样化的健康需求，包括心理健康、身体活动、预防保健及学业功能。

1.2 青少年LLM助手的机会与风险

LLM助手在青少年健康场景中具备多重理论优势：可提供个性化心理教育、鼓励积极行为、支持自我反思，并降低与污名化或专业服务可及性不足相关的障碍。研究提示，对话式AI工具可提升青少年参与度、改善心理健康素养并支持行为改变。然而，LLM在青少年健康中的部署也引发显著的伦理、安全及方法学担忧，包括情感依赖风险、错误信息或幻觉内容、不当建议、数据隐私侵犯、算法偏见及适龄保障措施缺失。青少年可能对AI系统过度依赖，或在缺乏充分情境化与专业监督的情况下误解健康指导。针对儿科及青少年群体的生成式AI监管框架与临床指南仍不完善，亟需实证证据以指导安全、负责任的实施。尽管本综述聚焦青少年，LLM助手在成人与老年人群体中的研究亦日益增多，其在健康教育、慢性病管理、心理健康及患者参与方面展现出潜力，但准确性、安全性、偏见、隐私及过度依赖等问题同样突出。上述发现虽具参考价值，但因发育与心理社会差异，无法直接外推至青少年群体。

1.3 系统综述的必要性

尽管生成式AI与LLM在医疗领域的研究兴趣快速增长，但关于LLM干预对青少年健康的有效性、设计特征及局限性的证据仍呈碎片化。现有综述多聚焦于LLM兴起前的对话代理、以成人群体为主、仅考察单一技术（如ChatGPT）或单一疾病，缺乏跨领域的综合评估。为填补这一空白，本研究系统评价了面向青少年健康与福祉的LLM赋能助手。据研究人员所知，这是首个专门针对多健康领域青少年LLM干预的系统综述，采用跨领域视角，全面梳理LLM在多样化青少年健康场景中的设计、评估与应用现状。

1.4 本综述的目标

本系统综述旨在考察支持青少年健康与福祉的LLM助手的特征、性能、获益与局限。研究人员综合了关于研究设计、参与者特征、干预特征、底层LLM技术、数据源及报告结局的证据，通过评估有效性并识别方法与伦理挑战，为研究人员、临床医生、开发者及政策制定者设计、评估与实施安全有效的青少年LLM健康解决方案提供依据，最终推动生成式AI在青少年健康促进与照护中的循证整合。

1. 2.
   方法学
   本系统综述遵循PRISMA 2020声明开展并报告。研究筛选、数据提取、合成及报告过程均参照PRISMA 2020清单与流程图。本综述未进行前瞻性注册，亦未预先发表研究方案。研究人员检索了Scopus、PubMed及Web of Science数据库，纳入2022年及以后发表的文献，以覆盖ChatGPT问世后LLM研究的激增期。纳入标准包括：研究对象为10–19岁青少年，或涉及与青少年发育阶段重叠及青少年相关健康结局的邻近年龄段；干预领域为健康与福祉，涵盖心理健康、情绪调节、身体健康与活动、治疗参与、健康教育及学业相关福祉（如压力、自我效能）；明确使用一种或多种LLM；报告定量结局；英文发表。检索策略结合青少年、大语言模型、AI助手及相关聊天机器人的关键词，在标题、摘要及关键词字段进行检索。排除标准包括：非健康相关领域（如纯技术开发、无福祉要素的一般教育、非健康相关风险行为）；非LLM驱动的干预；仅面向卫生专业人员而非青少年的工具；无定量结局、调查及方案类论文。4名研究人员独立进行标题与摘要筛选及全文评估，分歧通过讨论达成共识，未使用自动化筛选工具。数据提取采用预定义表格，涵盖发表信息、研究设计、参与者特征、干预目标、助手功能、所用LLM、数据源、研究时长、结局及局限性。偏倚风险评估采用MMAT 2018版，由2名研究人员独立评估，分歧通过讨论解决。受限于研究数量少、干预与结局异质性高及缺乏定量合成，未进行证据质量正式评估（如GRADE）。
2. 3.
   结果
   3.1 文献检索结果
   2025年11月检索共获得Scopus 866篇、PubMed 276篇、Web of Science 270篇。去重并应用纳入排除标准后，112篇进入全文评估。标题摘要筛选阶段排除861篇，主要原因为非青少年群体、非LLM干预或非健康福祉相关。全文评估排除103篇，原因为无定量结局（85篇）、非LLM干预（14篇）、非青少年健康焦点（2篇）、非青少年群体（2篇）。最终纳入9项研究。

3.2 纳入研究特征

纳入研究（n=9）展现了LLM助手在青少年健康领域多样但尚处于起步阶段的证据基础。多数研究聚焦心理健康支持，其他领域包括身体活动促进、一般福祉、疫苗接种及学业拖延减少。研究设计以探索性为主，半数以上为概念验证或实验性研究，少数为随机对照试验与前后对照研究。样本量普遍较小（3–40例），部分研究依赖极小样本甚至模拟案例。参与者年龄多为12–17岁，1项研究纳入9–12岁群体。干预时长较短，从单次数分钟交互至最长6周随访。研究开展国家包括中国、日本、韩国、土耳其、卡塔尔与美国，所有干预均限于单一文化与语言背景，无跨文化或多国评估。

3.3 质量评估

基于MMAT的方法学质量总体为中等。随机对照试验在盲法与随机化报告方面存在局限；非随机与前后对照研究普遍缺乏对照组与混杂因素控制；探索性研究受限于小样本与代表性不足；1项模拟研究因使用虚构场景而非真实用户，存在较高的适用性偏倚。

3.4 LLM在青少年中的应用概览

LLM应用目标广泛，涵盖个性化心理健康咨询、情绪调节、行为改变及健康教育，多利用对话界面提升参与度。部分应用整合多模态数据、共情对话、自然语音交互或游戏化环境以优化体验。GPT系列模型（尤其是GPT-4）使用最为广泛，其次为LLaMA系列。数据源差异显著，部分研究使用真实世界数据（如可穿戴设备数据、咨询记录、情绪调节数据集），部分使用极少或未明确的数据。报告结局总体积极，包括心理健康指标改善（抑郁、焦虑、压力降低）、情绪调节增强、身体活动增加、治疗参与度提升、HPV认知改善及学业自我效能增强。但结果并非完全一致：1项模拟研究显示AI聊天机器人在特定心理健康场景中可能认可有害或不恰当建议；另1项研究指出，尽管推荐内容清晰可操作，但与用户底层数据的对齐度不稳定。

3.5 应用描述

3.5.1 心理健康与情绪调节

Kim等开发的BetterMood系统整合心理治疗技术与多模态交互，提供类人化心理健康支持，用户研究（含青少年、青年与临床医生）显示其在交互质量、可用性与安全性方面满意度高，青少年报告情绪改善与问题感知解决，提示其可作为早期心理干预的有效补充，但不可替代专业临床照护。Ye等评估的WarmGPT整合认知行为疗法，通过语音交互支持青少年心理健康，一项纳入40名中学生的2周随机对照试验显示，与观看健康教育视频的对照组相比，干预组抑郁、焦虑及负性情绪显著降低，积极情绪增强，表明LLM助手可提供有效的短期心理健康支持，作为传统照护的可及补充。Ni等开发的情绪调节聊天机器人采用以用户为中心的设计，纳入青少年真实情绪需求与定制对话数据集，基于微调GPT-2模型与情绪加权机制，在生成个性化情绪支持方面表现更优，评估显示青少年负性情绪显著减少，但对积极情绪的影响有限，凸显了个性化与人群特异性设计的重要性。Clark的模拟研究测试了10款公开聊天机器人在60种虚构青少年心理困扰场景中的安全性，结果显示32%的场景中机器人认可有害建议，无一能持续拒绝所有危险提议，揭示了AI心理健康支持在边界设定与风险识别方面的严重不足，强调需加强监督与伦理防护。

3.5.2 福祉、学业表现与身体活动

Ahmed等开发的概念验证系统整合可穿戴数据、调查测量与学业报告，生成个性化建议以改善青少年福祉与学业表现，独立评分显示建议清晰可操作，但与个体数据的对齐度存在差异，提示需进一步验证与更大规模研究。Hu等开发的LittleToDo系统结合情感计算与AI伴侣，通过个性化任务规划、情感支持与治疗性活动减少学业拖延，2周实验研究显示12名青少年拖延与压力显著降低，自我效能与任务完成率提升，表明情感感知的LLM工具有潜力支持学习行为，但需纵向大样本验证。Aydemir研究的ChatGPT驱动的身体活动干预针对自闭症谱系障碍儿童，由家长实施居家定制运动方案，4周前后对照研究显示其可接受性与参与度良好，儿童身体活动水平提升，提示LLM干预可为特殊人群提供可及的居家健康促进方案，但需进一步确认长期有效性与临床可扩展性。

3.5.3 治疗参与

Hasei等评估的GPT-4对话AI聊天机器人为青少年癌症患者提供共情、持续性心理支持，2周前后对照试点研究（n=5）显示4名参与者焦虑与压力减轻，治疗参与度与个人担忧披露意愿提升，提示生成式AI聊天机器人可作为脆弱临床人群情感支持的可及补充工具。

3.5.4 疫苗接种认知

Steenstra等探索了LLM与虚拟代理在青少年HPV疫苗接种认知与态度教育中的应用，单次接触实验研究（n=13）显示，LLM赋能的奇幻叙事游戏与传统教学虚拟代理均能提升知识与态度，但LLM游戏化方法的参与度与娱乐性更高，表明LLM赋能的游戏化可丰富青少年健康教育体验。

3.6 LLM助手在青少年中的挑战

3.6.1 临床可靠性

安全性与临床可靠性是核心关切。AI治疗聊天机器人在相当比例案例中认可有害建议，反映边界设定与风险识别薄弱。即使教育场景，LLM生成内容也可能存在不准确或误导性信息，需专家审核。LLM系统尚无法独立处理高风险心理情境，需人类监督与升级机制，且缺乏情境化与个性化会降低干预的感知效用与治疗或教育影响。

3.6.2 幻觉

幻觉与准确性波动是普遍挑战。LLM可能生成连贯但事实错误或偏离用户数据的输出，影响健康教育与个性化推荐系统的可信度。准确性不仅依赖模型本身，还与数据质量及提示结构密切相关，验证不可或缺。

3.6.3 数据相关挑战

数据相关挑战延伸至输入可靠性与多模态数据整合。依赖可穿戴设备、调查与行为数据的系统面临数据缺失、设备误差及主客观测量不一致等问题，低质量数据会传播错误至AI推荐，LLM性能从根本上受限于输入数据的质量、一致性与完整性。

3.6.4 LLM工具的技术约束

技术约束包括令牌限制、延迟问题及对结构化提示或多阶段流程的依赖。系统常需大量训练、家长参与或架构支持才能有效使用，限制了其作为独立工具的可及性，挑战了AI干预无需额外支持即可规模化部署的假设。

3.6.5 用户参与

平衡参与度、可用性与有效性仍是设计挑战。游戏化、对话界面与拟人化头像可提升短期吸引力，但维持长期参与困难，初始兴趣多受新奇效应驱动，需在吸引力与临床或教育有效性间取得平衡。

3.6.6 文化适应

文化情境适配是跨领域议题。系统需本地化至特定语言、教育体系与文化规范，否则可能失效或无关，引发公平性与包容性担忧。

3.6.7 伦理关切

伦理关切集中于未成年人隐私、同意与数据治理。多数系统收集处理情绪披露、行为模式与健康指标等敏感信息，尽管采取了匿名化、本地存储与访问限制，但长期交互数据存储仍存风险。同时，隐私保护与安全监测（如对话审查以识别风险）之间存在持续伦理张力。

3.6.8 青少年健康LLM工具证据基础有限

当前证据基础处于早期阶段，样本量小、干预周期短、结局多依赖自我报告。即使随机对照试验随访期也仅2周，长期有效性、可持续性与可推广性不明。概念验证研究侧重可行性而非因果效应，亟需大样本纵向研究。

1. 4.
   讨论
   4.1 主要发现
   本综述表明，LLM助手在青少年健康多领域（尤其是心理健康）显示出有前景的早期有效性，但仍处于发展初期，存在显著的方法学、临床与伦理局限。干预可带来短期情绪改善、焦虑抑郁减轻、情绪调节增强，并支持治疗参与与自我披露，同时在身体活动、疫苗接种认知及学业自我效能方面展现获益，提示其适合预防与支持角色，其可及性与全天候可用性在传统服务可及性受限的场景中优势显著。然而，证据基础在规模、时长与稳健性上均有限，多数研究样本小于20例、干预周期≤2–4周，即使随机试验随访期也较短，结论应视为初步证据。安全与临床可靠性是核心关切，AI可能错误处理高风险情境甚至认可有害建议，幻觉与不准确内容会削弱信任并可能导致误导。数据质量与多模态整合挑战突出，输入数据的缺陷会直接损害输出质量。伦理问题普遍存在，敏感数据收集引发隐私、同意与治理担忧，情感依赖风险与监管框架缺失进一步复杂化负责任部署。实施层面，LLM助手常需结构化提示、人类监督或培训支持，限制了其作为完全自主工具的可扩展性，同时存在青少年过度依赖或将其替代专业照护的风险，共识认为其应定位为人类中心照护模型中的补充工具，而非临床医生、教育者或照护者的替代。此外，纳入系统的异质性（从通用基础模型到微调对话模型，交互模态涵盖文本、语音、多模态与游戏化）及参与者发育异质性（9–20岁）均限制了结论的普适性。文化语言背景的单一性（均为单一文化情境评估）也限制了跨文化推广，需未来开展跨文化共创与适配。

4.2 对研究与实践的启示

研究层面需开展大样本、纵向、设计严谨的研究（包括延长随访的随机对照试验）以确立长期有效性、安全性与可持续性。未来研究应优先推动方法学标准化，采用CONSORT-AI、TIDieR及TRIPOD-LLM等报告框架，提升透明度与可比性，为未来荟萃分析奠定基础。鉴于生成式AI的快速迭代，采用动态系统综述方法维持证据更新的价值凸显。设计技术层面，系统需超越通用对话能力，聚焦增强个性化、情境感知与情感智能，通过人群特异性数据集微调、情境感知输入整合及反馈循环实现动态适配。质量保障机制需强化，包括人类在环验证、安全过滤器与防护栏、高风险场景结构化测试框架及幻觉与偏见监测审计机制，并整合认知行为疗法等循证临床框架以确保输出的治疗意义。伦理监管层面，亟需制定青少年特异性生成式AI指南，明确数据收集存储保留政策、未成年人及监护人知情同意程序、数据使用透明度及脆弱用户保护机制，界定AI建议的责任归属与系统局限告知义务，推动监管框架与认证标准建立。实践实施层面，LLM助手适合作为补充工具嵌入现有健康与教育服务体系，其优势在于按需、持续、无评判支持，适用于早期干预、自我管理及参与提升，但有效实施需整合至包含临床医生、教育者及照护者的混合照护模型，提供用户培训以避免过度依赖，适配本地文化语言与制度情境，并评估长期参与与现实采纳障碍。未来可探索多智能体LLM架构，通过功能分离（症状评估、证据检索、个性化、安全监测、人类协调）提升可靠性、减少幻觉并增强内部验证，构建更可信、可解释、以人为中心的AI健康助手。

4.3 局限性

本综述存在若干局限：检索依赖预设关键词，可能遗漏使用替代术语或未在标题摘要关键词中明确提及LLM的研究；数据库限于PubMed、Scopus与Web of Science，可能引入选择偏倚，未来可扩展至Embase、PsycINFO与Cochrane Library；纳入研究在设计、人群、干预、结局与领域上高度异质，无法进行荟萃分析，限制了定量比较与强结论推导；证据受限于小样本、短周期及部分模拟环境，影响外推性；仅纳入2022年后文献，可能遗漏早期对话代理研究；存在发表偏倚风险，阳性结果更易被发表，可能高估获益；纳入研究数量少（n=9），结论为初步结论；研究方案未预注册。

1. 5.
   结论
   综上，LLM驱动助手在变革青少年健康支持方面潜力显著，其可扩展性、可及性与个性化交互能力突出，但当前受限于技术局限、安全隐患、伦理挑战与证据不足。现阶段最适宜的角色是作为受监督的补充工具嵌入更广泛的人类支持系统，而非独立解决方案。未来需跨学科研究融合AI、临床科学与伦理学的进展，以实现其在青少年健康与福祉中的安全有效整合。