大语言模型在焦虑与抑郁心理护理咨询中的标准化横向比较研究

《Scientific Reports》：Applications of large language models in anxiety and depression patient care: a cross-model comparative analysis of dialogue quality

　　

摘要

焦虑和抑郁的疾病负担日益加重，心理健康临床资源的短缺限制了患者获得护理服务的途径。大语言模型为数字心理护理提供了一条新途径，但在焦虑和抑郁护理咨询中，不同主流模型响应效果的标准化横向比较尚缺乏。本研究采用横断面对比研究设计。构建了 30 个覆盖六个主题（诊断、症状、危险因素、评估、管理和结局）的标准化开放式问题。使用统一提示词批量查询五个受测模型并收集响应。三名评估员实施了间隔 2 周的两轮盲法独立评分，从五个维度（准确性、完整性、相关性、多样性和可解释性）对得分进行量化。使用组内相关系数（ICC）、斯皮尔曼相关、Wilcoxon 符号秩检验、肯德尔 W 检验和主成分分析（PCA）进行数据处理和统计检验。在适用情况下报告了效应量和自由度。GPT-5.3-Codex（21.35 分）和 Claude-Opus-4.6（21.25 分）的总得分最高，而 Gemini-3-Flash 表现居中。模型间总体差异显著，F(4, 145) = 10.251，p < 0.001，η2 = 0.220（95% CI, 0.10–0.32），表明存在较大的总体效应。显著的两两对比伴随着中等到大或大的效应（Cohen's d = 0.68–1.62）。重测组内相关系数处于中等至优秀范围，两轮之间在所有模型 - 评估员组合中的斯皮尔曼相关均为正相关（ρ = 0.549–0.864；df = 28；所有 p < 0.01）。Wilcoxon 符号秩检验显示无系统性重测偏移（所有 p > 0.05；效应量 r = 0.006–0.310）。模型内评估员间相关性通常较强。所有模型在危险因素和症状项目上的描述性得分均较高，而诊断的总平均得分最低。Claude-Opus-4.6 在准确性和可解释性上的平均得分最高，GPT-5.3-Codex 在完整性上最高，Gemini-3-Flash 在相关性和多样性上最高。PC1 和 PC2 累计解释了 64.0% 的总方差。在标准化模拟咨询框架下，GPT-5.3-Codex 和 Claude-Opus-4.6 展现了最高的综合效能。每个模型在主题和评估维度上表现出不同的性能模式，这可能为未来的模型优化和前瞻性验证提供信息。在这些发现能够支持特定场景的临床部署之前，需要进一步的真实世界评估。