The Risks and Potential of Large Language Models in Mental Health Care
Notice bibliographique
Résumé
ChatGPT and other large language model (LLM) based chatbots have amassed millions of users in the past few years, prompting great interest in other LLM applications. In particular, there has been substantial research into the potential use of LLMs in mental health settings (Muetenda et al. 2025; Olawade et al. 2024). However, given that artificial intelligence (AI) has been found to demonstrate gender and racial biases (among other types) (Klein and D’Ignazio 2024), it is important to examine the ethical implications of such technologies. In this essay, I will examine the use of LLMs in therapeutic contexts through the lens of data feminism in AI (Klein and D’Ignazio 2024), a set of intersectional feminist principles introduced by Klein and D’Ignazio to challenge the power imbalances in data science and AI by exploring potential risks and offering suggestions to avoid them. It is important to note that the intersectional feminist lens is far from exhaustive; thus, future work should examine the use of LLMs in mental health care from other perspectives as well to prevent harm and ensure that the benefits of technological developments are spread equitably. I can easily imagine a future where LLMs are used to make mental health care more accessible and effective for everyone; I can just as easily imagine a future where they are weaponized to further subjugate disenfranchised communities. How do we steer towards the future we want? In this essay I hope to start exploring the answer to this question.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».