Clinical Efficacy, Therapeutic Mechanisms, and Implementation Features of Cognitive Behavioral Therapy–Based Chatbots for Depression and Anxiety: Narrative Review
Notice bibliographique
Résumé
Background: Cognitive behavioral therapy (CBT)-based chatbots, many of which incorporate artificial intelligence (AI) techniques, such as natural language processing and machine learning, are increasingly evaluated as scalable solutions for addressing mental health issues, such as depression and anxiety. These fully automated or minimally supported interventions offer novel pathways for psychological support, especially for individuals with limited access to traditional therapy. Objective: This narrative review synthesized evidence on the clinical efficacy, therapeutic mechanisms, and technological features of CBT-based chatbots designed to alleviate depressive and anxiety symptoms. Methods: Fourteen peer-reviewed studies published between January 2015 and March 2025 were identified through systematic searches and met predefined inclusion criteria. The studies were analyzed to extract information on intervention structure, therapeutic components, outcomes, and implementation characteristics. Results: Across the included studies, CBT-based chatbots consistently demonstrated short-term reductions in depressive symptoms, whereas findings for anxiety outcomes were mixed, with some studies reporting improvements and others showing nonsignificant or unreported effects. Moderate effect sizes were observed for depression. Reported therapeutic features included cognitive restructuring, behavioral activation, relaxation and mindfulness strategies, emotional support, self-monitoring and feedback, and therapeutic alliance. Technological characteristics such as real-time feedback and adaptive goal tracking were associated with enhanced engagement and adherence. Conclusions: CBT-based chatbots appear to be a promising and scalable modality for delivering psychological support, particularly for underserved populations. However, variability in study designs, heterogeneity of outcome reporting, and limited long-term evidence pose challenges for generalizability. Emerging evidence from generative AI chatbots (eg, Therabot and Limbic Care) highlights both opportunities and risks. Future work should examine long-term efficacy, adaptive personalization, cross-cultural adaptation, and rigorous ethical oversight.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».