英国团队用两轮共创会让心理从业者重塑抑郁症症状识别模型
英国兰卡斯特大学团队用两轮共创，让14名心理从业者参与基于GPT-3.5（OpenAI，美国人工智能公司的大语言模型）的抑郁症症状识别模型设计：症状类别从5类扩展到10类。
从业者认可结构化输出可减轻认知负担，但风险分级、缺乏非语言信息、文化与语言差异、自动化偏见仍待验证。
研究原始来源可核对
事实与证据边界
研究发表于《JMIR Formative Research》，为两阶段定性共创研究，证据范围为PubMed摘要。
第一阶段开发DepressionSymp 1.0，基于CounselChat数据集微调GPT-3.5，依据DSM-5（《精神障碍诊断与统计手册》第五版）和LIWC-22（语言探究与词数统计框架）设定5类症状，由6名心理从业者在线上共创工作坊中评审讨论。 第二阶段据此形成DepressionSymp 2.0，扩展至10类症状，再由另外8名从业者评审。
从业者认为结构化症状输出有助于降低认知负荷、支持干预规划； 第一阶段中社交退缩、经济困难、重大生活变化等间接指标常被归为生活方式因素而非症状，促成第二阶段扩类，被评价为更清晰、更利于预评估。 风险分级在两阶段均被视为最敏感的伦理问题，此外还有纯文本评估缺乏非语言信息、症状表达存在文化和语言差异、缺乏充分人工监督时可能出现自动化偏见。
摘要结论建议未来优先开展更大规模独立验证、正式安全性评估和文化多样数据集建设。
分析判断
这项研究的价值不在模型性能数字，而在把从业者的临床判断前置到分类体系设计里：间接指标是否算症状、风险如何分级，这些决定会直接影响工具在预评估中的用途。 作为摘要级证据，它未提供识别准确率、样本外验证或临床效果数据，因此只能说明共创流程可改变模型设计，不能说明该工具可用于诊断。
后续观察信号
- DepressionSymp 2.0的识别性能与外部验证结果
- 从业者对自动化偏见的具体担忧和缓解措施
- 文本评估缺失非语言信息对预评估结论的影响