← 所有文章

把孩子的狀況講給聊天機器人聽,它幾乎總能找出一個診斷

研究人員把一間精神科門診 220 個孩子的狀況交給三個 AI 模型。只看孩子自己說的話,AI 漏掉了大部分問題。看了家長說的話,它幾乎在每個孩子身上都找出診斷,連其實沒有問題的孩子也不例外。

這份翻譯由機器自動產生,可能包含錯誤。

把孩子的狀況講給聊天機器人聽,它幾乎總能找出一個診斷

晚上十一點。九歲的孩子又為了功課哭了一整晚,終於睡著了。你一個人坐著,手裡拿著手機。你打開聊天機器人,打了三句話,說出讓你擔心的事。然後你問:這到底是怎麼回事?

很多家長都做過類似的事。現在,一群兒童精神科醫師實際測試了 AI 會給出什麼樣的回答。

他們找了 220 個第一次來門診的真實孩子,把這些孩子的狀況交給三個最知名的 AI 模型。同一個孩子,用四種不同的方式來說。結果告訴我們的,主要不是機器有多聰明,而是另一件事:答案取決於是誰在說。

一個問題,逐字記錄下來

這項研究於 2026 年春季和夏季在土耳其的兩間大學醫院進行。只要是第一次來兒童精神科門診的孩子都受到邀請,從學步的幼兒到十七歲的青少年都有。平均年齡是九歲。

在做任何其他事之前,醫師先問家長一個開放式問題:「今天是什麼問題讓你們來到這裡?」接著再單獨問孩子:「你今天為什麼來這裡?最讓你困擾的是什麼?」

回答盡量逐字照原話記錄下來。接下來,兒童精神科醫師做的就是他們平常做的事:完整的評估、和家人會談、做檢查,最後給出診斷,或是不給診斷。

之後,研究人員把每個個案交給 AI 模型四次。一次只有孩子說的話。一次只有家長說的話。一次兩者都有。還有一次是兩者再加上醫師自己的紀錄,其中所有診斷用詞都已刪除。

最先讓人注意到的,是可以參考的內容少得可憐。

每種說法給了 AI 多少可以參考的內容每個方塊代表一個詞。數字是初診時所說內容的典型長度。
  • 孩子自己的話9 個詞
  • 家長的話32 個詞
  • 孩子加家長46 個詞
  • 孩子、家長加醫師的紀錄122 個詞
交給模型的土耳其語文字的詞數中位數。孩子自己的敘述有一半不超過九個詞,有些孩子什麼也沒說。

九個詞。孩子說起自己為什麼來這裡,通常就這麼長。有些孩子一句話也沒說。家長說的大約是孩子的三倍,卻還是比這一段文字短。

同一個孩子,四種不同的答案

模型要做兩件事:先判斷這聽起來到底像不像一種診斷;如果像,再列出最有可能的三種。

AI 的第一個猜測有多常與醫師一致在 220 個孩子當中,排在第一位的猜測與兒童精神科醫師的診斷相同的比例。每條色帶從三個模型中最弱的延伸到最強的。
  • 孩子自己的話36–44%
  • 家長的話66–69%
  • 孩子加家長69–72%
  • 孩子、家長加醫師的紀錄79–83%
百分比。猜測與醫師的診斷屬於同一類診斷時,即算正確。資料來源:Kayış 等人(2026),表 2。

只看孩子說的話,AI 的第一個猜測大約十個個案裡有四個和醫師一致。看家長說的話,接近十個裡有七個。再加上醫師的紀錄,大約十個裡有八個。

有兩個細節值得停下來看一看。

在家長的話之外再加上孩子的話,幾乎沒有差別。就統計來看,模型同時拿到兩者時,表現並沒有比只拿到家長的話時更好。

用哪一個 AI 幾乎沒差。這三個模型分別是 OpenAI 的 GPT-5.6、Google 的 Gemini 3.5 Flash 和 Anthropic 的 Claude Sonnet 4.6。只有在只看孩子說的話時,它們之間才有明顯差異。只要家長的話一加進來,差異就小到分不出是不是巧合。輸入了什麼,遠比輸入到哪一台機器重要。

兩種不同的錯法

研究到這裡才真正有意思。一位「有 70% 的時候是對的」的醫師,可以錯得很不一樣:可能漏掉一個正在受苦的孩子,也可能替一個好好的孩子貼上標籤。研究人員兩種都看了。

兩種不同的錯法同樣的四種情境,依孩子的實際狀況分開。色帶從最弱的模型延伸到最強的模型。

孩子有診斷AI 有多常說「有問題」。199 個孩子。

  • 孩子自己的話41–59%
  • 家長的話94–98%
  • 孩子加家長94–99%
  • 孩子、家長加醫師的紀錄93–98%

孩子沒有診斷AI 有多常說「沒問題」。21 個孩子。

  • 孩子自己的話62–86%
  • 家長的話24–38%
  • 孩子加家長14–43%
  • 孩子、家長加醫師的紀錄52–62%
百分比。右側一欄只根據 21 個孩子,所以這些數字很粗略。資料來源:Kayış 等人(2026),表 5。

只聽孩子說的時候,AI 謹慎過了頭。大約一半的個案裡,它回答說看起來沒什麼問題。但 220 個孩子裡有 199 個確實有診斷。AI 漏掉了其中大約一半。

聽家長說的時候,AI 來了個大轉彎。這次它幾乎在每個孩子身上都找出了什麼。有診斷的孩子,十個裡它能找出九個以上。

沒有診斷的孩子,大多數也被它「找出來」了。

21個孩子離開門診時沒有任何精神科診斷
5–8個孩子在 AI 只看家長的話時被判斷為沒有問題
11–13個孩子在加上醫師的紀錄後被判斷為沒有問題

想一想這代表什麼。一位憂心的家長描述自己的孩子。醫師做完完整評估後認為,這還在正常範圍內。而 AI 讀著同一位家長的話,卻替其中大多數孩子提出了診斷。

這其實沒有聽起來那麼奇怪。在精神科門診掛了號的家長,說的本來就是一個問題。他們就是為了這個來的。字裡行間都是擔心,而 AI 回應的正是這些字句。它沒看過孩子玩耍,沒聽過孩子說話,也沒有追問那個能讓擔心變小一點的問題。

為什麼九個詞不夠

為什麼孩子自己的說法用處小這麼多?

一部分原因是孩子話少。但這也要看問題出在哪裡。只憑孩子說的話,模型在焦慮和強迫方面的問題上表現還不錯。這些事發生在心裡,孩子有時候說得出來:「我一直很害怕。我一定要去檢查門。」

過動症(ADHD)、自閉症和語言方面的困難就不一樣了。一個七歲的孩子不會說「我在好幾種場合都不專心」。看到這些的是孩子身邊的人。對這幾種診斷,AI 需要家長。

年齡也有影響,和你想的一樣。孩子每大一歲,AI 只憑孩子自己的話就判斷正確的機會大約提高 16%。十六歲的孩子能說出自己的內心。五歲的孩子只會說「不知道」。

就算所有資訊都攤在眼前,有些東西還是很難看出來。

AI 發現了什麼,又漏掉了什麼在所有資訊都提供的情況下:有各項診斷的孩子當中,AI 把該診斷排在第一位的比例。
  • 強迫症83–92%
  • 自閉症77–96%
  • 過動症(ADHD)78–81%
  • 焦慮69–85%
  • 語言與言語障礙58–78%
  • 憂鬱症50–60%
  • 智能障礙15–23%
百分比,從最弱的模型到最強的模型。各組人數很少,從 12 到 58 個孩子不等,所以數字很粗略。資料來源:Kayış 等人(2026),表 4。

有憂鬱症的孩子裡,大約只有一半被找出來。智能障礙幾乎從來沒被提出過,這也說得通:它要靠測驗來確認,不是靠描述。

這項研究沒有說明什麼

  • 這裡十個孩子當中有九個有診斷。專科門診就是這個樣子。而在一般的孩子當中,大多數人什麼診斷都沒有。一個傾向「找出什麼」的 AI,在那裡出錯的次數會多得多。這最後一步是我們的推論,不是研究測量出來的。
  • 只有 21 個孩子沒有診斷。關於他們的數字很粗略,研究人員自己也這麼說。
  • 醫師的紀錄是下診斷的那位醫師寫的。診斷用詞刪掉了,但紀錄可能還是指向正確的方向。所以最好的那組結果可能高估了 AI。
  • 醫師並不是完美的標準答案。每個診斷都是一位精神科醫師在日常門診中做出的,沒有第二位醫師複核。
  • 所有內容都是土耳其語,而且敘述都很短。在家裡和聊天機器人長談是另一種情境,可能更好,也可能更糟。
  • 沒有人測量之後發生了什麼。這項研究比較的是答案,並沒有追蹤任何一個照著 AI 的話去做的家庭。

如果你就是那位拿著手機的家長

研究人員自己的結論很保守:模型在手上有專業人員的觀察紀錄時表現最好,而且常常替沒有問題的孩子下診斷。

由此,有三點我們覺得可以說。這是我們的解讀,不是醫療建議。

AI 回應的是你的描述,不是你的孩子。如果你在最擔心的時候寫,得到的就會是一個符合你的擔心的回答。

聊天機器人說的「可能是過動症」,分量比感覺上輕。在這項研究裡,只要家長擔心,模型對其中大多數孩子都說了類似的話,包括那些專科醫師什麼也沒查出來的孩子。

把狀況寫下來還是有用。家長用 32 個詞說出的內容,是整項研究裡最有價值的一筆資訊。你看到了什麼、什麼時候發生、持續了多久,把這些記下來,正是小兒科或家醫科醫師、學校護理師會問你的。

本站的篩檢測驗也是同樣的道理,包括 ADHD 和自閉症測驗。分數高,是一個去找能完整評估孩子的人談一談的理由。它從來不是診斷。

研究裡那個只說了九個詞的孩子沒有說錯,那位說了三十二個詞的家長也沒有說錯。他們各自說的,都是自己看得到的那一部分。把這些部分拼在一起的工作,仍然要交給一個在場的人。

資料來源與延伸閱讀

參加測驗

你的分數落在哪裡?

參加免費、開源、無需註冊的五大人格測驗,看看自己在五項特質上的樣貌。

開始測驗 查看所有測驗

接著閱讀