|
大型語言模型（large language model, LLM）已快速進入醫療與心理健康場域。在精神醫學中，對話本身可能影響使用者的情緒、信念、求助行為與人際依附，因此安全性無法僅以factual
accuracy 或 benchmark score 衡量。本文以「青春期」為隱喻，指出當前 AI 已具備高度語言能力與臨床應用潛力，但在風險辨識、界線維持、升級判斷與長期責任上仍未成熟。文中整理精神醫學
AI 常見的5種安全失敗模式，包括：未即時升級（missed escalation）、病理強化（reinforcing pathology）、脈絡遺失（context
loss）、老年複雜性（geriatric complexity）與自動化偏誤（automation bias），並討論多回合情境設計、混合風險案例、臨床加權
rubric、failure mode tagging 與 harm pathway analysis 等評估方向。精神科醫師熟悉 vulnerability、ambiguity、time、relationship
與 boundary，可將臨床判斷轉化為可評估、可監督的模型安全標準，協助心理健康 AI朝更審慎、貼近臨床現實的方向發展。本文期望提供精神科同仁面對
AI 工具時的一個臨床視角，並指出精神醫學在 AI 安全治理中可發揮的特殊角色。( 臨床醫學 2026; 97: 379-84）
|
