研究团队发布青少年心理健康AI（人工智能）回应评估工具AMHART，并用其评测四款主流聊天机器人
美国研究团队在Nature. Mental health（《自然·心理健康》）发表摘要级研究，开发面向青少年焦虑与抑郁披露的临床医生参与评估工具AMHART（青少年心理健康AI（人工智能）回应工具），并用三个大语言模型（LLM）组成的评估器，对ChatGPT-5、ChatGPT-4、Claude-4.5与Gemini-2.5的多轮对话打分。
摘要称焦虑相关标准覆盖高于抑郁，中度表现覆盖高于重度表现，但未给出模型间排名或临床有效性结论。
研究原始来源可核对
事实与证据边界
据PubMed收录摘要，研究团队开发了AMHART，一个由临床医生参与、覆盖七个维度的工具，用于审查AI（人工智能）聊天机器人回应是否符合指南内容。 候选条目经临床医生从证据基础、客观性与临床重要性角度审核，形成内容效度与评分者间信度较强的子集。
研究随后搭建由三个模型组成的大语言模型（LLM）评估器集成，评估其与人类参考标签的一致性，并对青少年人设（按性别、诊断与症状严重程度区分）与ChatGPT-5、ChatGPT-4、Claude-4.5、Gemini-2.5的多轮对话打分。 AMHART评分显示，焦虑的可适用标准覆盖高于抑郁，中度表现覆盖高于重度表现。
作者认为AMHART为评估聊天机器人回应青少年焦虑与抑郁披露提供了可靠的、临床医生参与的基准。 来源为摘要，非全文； 未披露样本量、具体分值。
分析判断
这项工作的价值在于把“聊天机器人回应是否覆盖临床指南要点”变成可评分、可重复的审核问题，而非证明模型能治疗青少年。 焦虑覆盖高于抑郁、中度高于重度，提示现有模型在更复杂或更严重的表述上可能遗漏关键内容，但摘要未给出具体分值、样本量或模型间差异，不能据此判断哪款产品更安全。 评估器本身由大语言模型组成，其与人工标签的一致性也只是研究内部验证。
后续观察信号
- 查阅论文全文以核实样本量、评分分布与模型差异
- 关注该工具是否被用于监管或行业标准讨论