A Systematic Review on Mental Health Chatbots: Trends, Design Principles, Evaluation Methods, and Future Research Agenda
Notice bibliographique
Résumé
Recent decades have witnessed a rise in the prevalence of common mental health problems coupled with an increasing demand for talk‐based psychological therapies. This has coincided with the rise of mental health chatbots (MHCs), a corollary of which is the use of MHCs, AI‐driven, conversational agents, to provide interactive support, guidance, and therapeutic engagement for persons experiencing mental health challenges. There has been a growing research interest in MHCs, and this study provides a much‐needed systematic review that examines this expanding research literature, identifying themes, trends, and areas worthy of further exploration. This review identified and systematically explored 97 published papers on MHCs. Most studies explored MHC design and evaluation, emphasizing empathy‐based chatbots and their relative efficacy compared with conventional delivery modes (e.g., in‐person human therapists). Text‐based communication was the most frequently utilized modality over and above the use of audio, graphical, or mixed modes. The most commonly used therapeutic orientation among MHCs was cognitive behavioral therapy (CBT), with far less focus on third‐wave evidence‐based approaches such as dialectical behavior therapy and acceptance and commitment therapy. The most frequently targeted mental health condition was depression, although there were several other conditions also considered. Most MHC research has not considered cultural appropriateness or cultural adaptation of interventions. Further, limited attention to severe or high‐risk symptomatology has been given. Meanwhile, we noted that most of the studies used quantitative and mixed evaluation methods. Evaluation shows persistent challenges around personalization, privacy, and technical reliability. Future research should focus on integrating human‐in‐the‐loop mechanisms, advancing cultural adaptation, incorporating thought‐challenging CBT techniques, embedding ethics into design, and exploring large language models (LLMs) for more adaptive and empathetic support.
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 | 0,066 | 0,194 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,010 |
| Bibliométrie | 0,021 | 0,021 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».