專為心理健康設計的對話式 AI 之功能性成效與自然參與度研究
arXiv - Human-Computer InteractionKristen M. Van Swearingen, Thomas D. Hull, Karthik V. Sarma, Caitlin A. Stamatis
研究證實使用心理健康對話 AI 四週後，使用者的生活滿意度、睡眠品質及工作聯盟感皆有顯著提升。
AI 幫你先抓重點
AI 重點 1
從「臨床症狀減少」轉向「日常功能改善」的評估範式轉移
滑鼠懸停看 AI 判斷理由
過去 AI 心理健康研究多聚焦於減輕病理症狀，本研究證明 AI 能對整體生活品質與社會功能產生正面影響，這為未來開發全方位支持工具提供了新的評估維度。
AI 重點 2
參與深度（Engagement Metrics）比單純的互動量更具預測價值
滑鼠懸停看 AI 判斷理由
研究指出總使用時間與頻率比訊息數量更能預測成效，這提醒開發者與實務者，應關注使用者與 AI 互動的「質量」與「持續性」，而非僅追求互動次數。
核心研究發現
- 1
使用者在使用 Ash AI 四週後，在生活滿意度、關係滿意度、睡眠品質及行為活化等心理功能指標上均有顯著改善。
- 2
使用者的「工作聯盟感」（Working Alliance）隨使用時間增加而顯著提升，顯示使用者與 AI 建立了良好的協作關係。
- 3
使用頻率（活躍天數、總對話次數與總分鐘數）能有效預測心理功能的改善程度，但單純的消息傳送量則無顯著關聯。
- 4
研究未發現使用者的自我感知膨脹（Grandiosity）有顯著變化，顯示該 AI 工具在提供支持時具有安全性。
對教育工作者的啟發
對於開發教育或心理支持工具的設計者，本研究提供兩大啟發：首先，設計目標應超越單純的知識傳遞或症狀緩解，應納入對使用者「生活功能」與「行為活化」的長期支持；其次，在衡量使用者參與度時，應著重於使用者的「持續參與頻率」與「總投入時間」，而非僅僅計算對話訊息的長短或數量。這有助於建立更具預測力的學習或支持成效模型。
原始文獻資訊
- 英文標題：
- Functional outcomes and naturalistic engagement with a purpose-built conversational AI for mental health (Ash)
- 作者：
- Kristen M. Van Swearingen, Thomas D. Hull, Karthik V. Sarma, Caitlin A. Stamatis
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。