← 全部文章

把孩子的情况讲给聊天机器人听,它几乎总能找出一个诊断

研究人员把一家精神科门诊 220 个孩子的情况交给三个 AI 模型。只看孩子自己的话,AI 漏掉了大部分问题。看了家长的话,它几乎在每个孩子身上都找出了诊断,连那些其实没有问题的孩子也不例外。

此翻译由机器自动生成,可能存在错误。

把孩子的情况讲给聊天机器人听,它几乎总能找出一个诊断

夜里十一点。九岁的孩子又为作业哭了一晚上,总算睡着了。你一个人坐着,手里拿着手机。你打开聊天机器人,敲下三句话,说了说让你担心的事。然后你问:这到底是怎么回事?

很多家长都做过类似的事。现在,一群儿童精神科医生检验了一下:AI 到底会给出什么样的回答。

他们找了 220 个第一次来门诊的真实孩子,把这些孩子的情况交给三个最知名的 AI 模型。同一个孩子,用四种不同的方式来讲。结果说明的主要不是机器有多聪明,而是另一件事:答案取决于是谁在讲。

一个问题,一字一句记下来

这项研究于 2026 年春夏两季在土耳其的两家大学医院进行。凡是第一次来儿童精神科门诊的孩子都受到邀请,从刚会走路的幼儿到十七岁的少年都有。平均年龄是九岁。

在做任何别的事之前,医生先问家长一个开放式问题:“今天是什么问题让你们来这里的?”然后单独问孩子:“你今天为什么来这里?最让你难受的是什么?”

回答尽量一字一句照原话记下来。接下来,儿童精神科医生做的是他们平常做的事:完整的评估,和家人谈话,做检查,最后给出诊断,或者不给诊断。

之后,研究人员把每个病例交给 AI 模型四次。一次只有孩子说的话。一次只有家长说的话。一次两者都有。还有一次是两者再加上医生自己的记录,其中所有诊断用词都已删掉。

首先让人注意到的是,可供参考的内容少得可怜。

每种讲法给了 AI 多少可参考的内容每个方块代表一个词。数字是初诊时所说内容的典型长度。
  • 孩子自己的话9 个词
  • 家长的话32 个词
  • 孩子加家长46 个词
  • 孩子、家长加医生的记录122 个词
交给模型的土耳其语文本的词数中位数。孩子自己的讲述有一半不超过九个词,有些孩子什么也没说。

九个词。孩子说起自己为什么来这里,通常就这么长。有的孩子一句话也没说。家长说的大约是孩子的三倍,可还是比这一段文字短。

同一个孩子,四种不同的答案

模型要做两件事:先判断这听起来到底像不像一种诊断;如果像,再列出最有可能的三种。

AI 的第一个猜测有多少次与医生一致在 220 个孩子中,排在首位的猜测与儿童精神科医生的诊断相同的比例。每条色带从三个模型中最弱的延伸到最强的。
  • 孩子自己的话36–44%
  • 家长的话66–69%
  • 孩子加家长69–72%
  • 孩子、家长加医生的记录79–83%
百分比。猜测与医生的诊断属于同一类诊断时,即算正确。来源:Kayış 等(2026),表 2。

只看孩子的话,AI 的第一个猜测大约在十个病例里有四个和医生一致。看家长的话,接近十个里有七个。再加上医生的记录,大约十个里有八个。

有两个细节值得停下来看一看。

在家长的话之外再加上孩子的话,几乎没有差别。从统计上看,模型同时拿到两者时,并不比只拿到家长的话时表现更好。

用哪个 AI 几乎无关紧要。这三个模型分别是 OpenAI 的 GPT-5.6、Google 的 Gemini 3.5 Flash 和 Anthropic 的 Claude Sonnet 4.6。只有在仅看孩子的话时,它们之间才有明显差别。只要家长的话一加进来,差别就小到分不清是不是偶然。输入了什么,远比输入给哪台机器重要。

两种不同的错法

研究到这里才真正有意思起来。一个“70% 的时候是对的”的医生,可以错得很不一样:要么漏掉一个正在受苦的孩子,要么给一个好好的孩子贴上标签。研究人员两种都看了。

两种不同的错法同样的四种情形,按孩子的实际情况分开。色带从最弱的模型延伸到最强的模型。

孩子有诊断AI 有多少次说“有问题”。199 个孩子。

  • 孩子自己的话41–59%
  • 家长的话94–98%
  • 孩子加家长94–99%
  • 孩子、家长加医生的记录93–98%

孩子没有诊断AI 有多少次说“没问题”。21 个孩子。

  • 孩子自己的话62–86%
  • 家长的话24–38%
  • 孩子加家长14–43%
  • 孩子、家长加医生的记录52–62%
百分比。右侧一栏只基于 21 个孩子,所以这些数字很粗略。来源:Kayış 等(2026),表 5。

只听孩子说的时候,AI 谨慎得过了头。大约一半的病例里,它回答说看起来没什么问题。可是 220 个孩子里有 199 个确实有诊断。AI 漏掉了其中大约一半。

听家长说的时候,AI 来了个大转弯。这回它几乎在每个孩子身上都找出了点什么。有诊断的孩子,十个里它能找出九个以上。

没有诊断的孩子,大多数也被它“找出来”了。

21个孩子离开门诊时没有任何精神科诊断
5–8个孩子在 AI 只看家长的话时被判断为没有问题
11–13个孩子在加上医生的记录后被判断为没有问题

想一想这意味着什么。一位忧心的家长描述自己的孩子。医生做完完整评估后认为,这还在正常范围之内。而 AI 读着同一位家长的话,却给其中大多数孩子提出了诊断。

这其实没有听上去那么奇怪。在精神科门诊挂了号的家长,讲的本来就是一个问题。他们就是为这个来的。字里行间全是担心,而 AI 回应的正是这些字句。它没见过孩子玩耍,没听过孩子说话,也没有追问那个能让担心变小一点的问题。

为什么九个词不够

为什么孩子自己的讲述用处小这么多?

一部分原因是孩子话少。但这也要看问题出在哪里。只凭孩子的话,模型在焦虑和强迫方面的问题上表现还不错。这些事发生在心里,孩子有时能说出来:“我老是害怕。我一定要去检查门。”

多动症(ADHD)、自闭症和语言方面的困难就不一样了。一个七岁的孩子不会说“我在好几种场合都注意力不集中”。看到这些的是孩子身边的人。对这几种诊断,AI 需要家长。

年龄也有影响,和你想的一样。孩子每大一岁,AI 只凭孩子自己的话就判断正确的可能性大约提高 16%。十六岁的孩子能讲出自己的内心。五岁的孩子只会说“不知道”。

即使所有信息都摆在面前,有些东西还是很难看出来。

AI 发现了什么,又漏掉了什么在所有信息都提供的情况下:患有每种诊断的孩子中,AI 把该诊断排在首位的比例。
  • 强迫症83–92%
  • 自闭症77–96%
  • 多动症(ADHD)78–81%
  • 焦虑69–85%
  • 语言和言语障碍58–78%
  • 抑郁症50–60%
  • 智力障碍15–23%
百分比,从最弱的模型到最强的模型。各组人数很少,从 12 到 58 个孩子不等,所以数字很粗略。来源:Kayış 等(2026),表 4。

有抑郁症的孩子里,大约只有一半被找了出来。智力障碍几乎从没被提出过,这也说得通:它要靠测验来确定,不是靠描述。

这项研究没有说明什么

  • 这里十个孩子中有九个有诊断。专科门诊就是这个样子。而在一般的孩子当中,大多数人什么诊断都没有。一个倾向于“找出点什么”的 AI,在那里出错的次数会多得多。这最后一步是我们的推理,不是研究测出来的。
  • 只有 21 个孩子没有诊断。关于他们的数字很粗略,研究人员自己也这么说。
  • 医生的记录出自下诊断的那位医生之手。诊断用词删掉了,但记录可能仍然指向正确的方向。所以最好的那组结果可能高估了 AI。
  • 医生并不是完美的标准答案。每个诊断都是一位精神科医生在日常门诊中做出的,没有第二位医生复核。
  • 所有内容都是土耳其语,而且讲述都很短。在家里和聊天机器人长聊是另一种情形,可能更好,也可能更糟。
  • 没有人测量之后发生了什么。这项研究比较的是答案,并没有跟踪任何一个照着 AI 的话去做的家庭。

如果你就是那位拿着手机的家长

研究人员自己的结论很克制:模型在手里有专业人员的观察记录时表现最好,而且常常给没有问题的孩子下诊断。

由此,有三点我们觉得可以说。这是我们的解读,不是医疗建议。

AI 回应的是你的描述,不是你的孩子。如果你在最担心的时候写,得到的就是一个和你的担心对得上的回答。

聊天机器人说的“可能是多动症”,分量比感觉上轻。在这项研究里,只要家长担心,模型对其中大多数孩子都说了类似的话,包括那些专科医生什么也没查出来的孩子。

把情况写下来仍然有用。家长用 32 个词说出的内容,是整项研究里最有价值的一条信息。你看到了什么,什么时候发生的,持续了多久,把这些记下来,正是儿科医生或校医会问你的。

本站的筛查测试也是同样的道理,包括 ADHD 和自闭症测试。分数高,是一个去找能全面评估孩子的人谈一谈的理由。它从来不是诊断。

研究里那个只说了九个词的孩子没有说错,那位说了三十二个词的家长也没有说错。他们各自讲的,都是自己看得到的那一部分。把这些部分拼到一起的工作,仍然要交给一个在场的人。

资料来源与延伸阅读

参加测试

你的得分是多少?

参加免费开源的大五人格测试,无需注册,查看你在五项特质上的画像。

开始测试 查看全部测试

接着读