PLOS mental health.

Generative artificial intelligence (GenAI), including large language models and large multimodal models, is increasingly used to support psychological assessment and digital mental health measurement. This review proposes a lifecycle framework for evaluating these uses without weakening psychometric standards. The framework covers construct definition; item, prompt, indicator, or signal generation; evaluation of content, response processes, usability, and data quality; piloting and calibration; validation; fairness and measurement invariance; scoring and interpretation; documentation; and post-deployment monitoring. We argue that digital traces from smartphones, chatbots, ecological momentary assessment, wearables, social media, clinical notes, and multimodal systems should not be treated as psychometric measures by default. They should remain raw data, candidate indicators, or algorithmic scores until their construct interpretation and intended use are theoretically specified, technically verified, empirically calibrated, and validated with human data. GenAI may help generate candidate items, refine wording, classify open-text responses, extract structured information, support multimodal integration, and assist scoring under explicit rules. These uses may improve efficiency and scale, but they do not establish validity, objectivity, fairness, or clinical meaning. We distinguish two complementary facets: GenAI for psychometrics, in which models support measurement development and scoring, and psychometrics for GenAI, in which psychometric methods evaluate model behavior when LLMs are part of measurement workflows. Key risks include construct drift, face validity without structural validity, compressed variability in synthetic respondents, algorithmic bias, lack of invariance, prompt sensitivity, model drift, automation bias, data-security and privacy failures, and loss of subjectivity and disagreement. Responsible use requires human oversight, transparent reporting, validation with human data, fairness evaluation, secure data governance, and continuous monitoring. GenAI should augment, not replace, psychometric science.

هوش مصنوعی مولد (GenAI)، شامل مدل‌های زبانی بزرگ و مدل‌های چندوجهی بزرگ، به طور فزاینده‌ای برای پشتیبانی از ارزیابی روان‌شناختی و سنجش سلامت روان دیجیتال مورد استفاده قرار می‌گیرد. این مرور، چارچوبی مبتنی بر چرخه عمر را برای ارزیابی این کاربردها بدون تضعیف استانداردهای روان‌سنجی پیشنهاد می‌کند. این چارچوب شامل تعریف سازه؛ تولید ماده، محرک، شاخص یا سیگنال؛ ارزیابی محتوا، فرآیندهای پاسخ‌دهی، قابلیت استفاده و کیفیت داده؛ اجرای آزمایشی و کالیبراسیون؛ روایی؛ انصاف و ناوریانس سنجش؛ نمره‌گذاری و تفسیر؛ مستندسازی؛ و پایش پس از استقرار است. ما استدلال می‌کنیم که ردپاهای دیجیتال از تلفن‌های هوشمند، چت‌بات‌ها، ارزیابی لحظه‌ای بوم‌شناختی، پوشیدنی‌ها، شبکه‌های اجتماعی، یادداشت‌های بالینی و سامانه‌های چندوجهی نباید به طور پیش‌فرض به عنوان مقیاس‌های روان‌سنجی تلقی شوند. آن‌ها باید تا زمانی که تفسیر سازه‌ای و کاربرد مورد نظرشان به طور نظری مشخص، به لحاظ فنی تأیید، به طور تجربی کالیبره و با داده انسانی روایی‌یابی نشده‌اند، به عنوان داده خام، شاخص‌های پیشنهادی یا نمرات الگوریتمی باقی بمانند. GenAI می‌تواند در تولید مواد پیشنهادی، اصلاح واژگان، طبقه‌بندی پاسخ‌های متنی باز، استخراج اطلاعات ساختاریافته، پشتیبانی از ادغام چندوجهی و کمک به نمره‌گذاری بر اساس قواعد صریح نقش‌آفرینی کند. این کاربردها ممکن است کارایی و مقیاس را بهبود بخشند، اما روایی، عینیت، انصاف یا معنای بالینی را تضمین نمی‌کنند. ما دو جنبه مکمل را متمایز می‌کنیم: GenAI برای روان‌سنجی، که در آن مدل‌ها از توسعه سنجش و نمره‌گذاری پشتیبانی می‌کنند، و روان‌سنجی برای GenAI، که در آن روش‌های روان‌سنجی رفتار مدل را زمانی که LLMها بخشی از جریان‌های کاری سنجش هستند، ارزیابی می‌کنند. مخاطرات کلیدی شامل رانش سازه، روایی صوری بدون روایی ساختاری، کاهش تنوع در پاسخ‌دهندگان مصنوعی، سوگیری الگوریتمی، فقدان ناوریانس، حساسیت به محرک، رانش مدل، سوگیری اتوماسیون، شکست‌های امنیت و حریم خصوصی داده و از دست رفتن ذهنیت و اختلاف نظر است. استفاده مسئولانه مستلزم نظارت انسانی، گزارش‌دهی شفاف، روایی‌یابی با داده انسانی، ارزیابی انصاف، حاکمیت امن داده و پایش مستمر است. GenAI باید مکمل علم روان‌سنجی باشد، نه جایگزین آن.

Collaborative, recovery-oriented psychological interventions are in demand within mental health settings, but layers of barriers can impede their implementation, particularly within acute services. Psychological formulation is a recovery-oriented, collaborative process involving the development of a shared understanding of a service user’s mental health difficulties. Psychological formulation has the potential to support a shift away from the embedded medical model; however, few, if any, frameworks have involved service users at the development stage. This study examines the acceptability of a collaboratively developed model of psychological formulation, piloted with staff within a specialist inpatient setting as well as a wider sample of individuals involved in delivering or receiving mental health services. A theory-driven and collaboratively developed psychological formulation model was developed (the ‘Personal Narrative Model’) and acceptability was evaluated with (1) acute inpatient staff working on an adult ward, and (2) a wider sample of professionals and individuals with lived experience. A focus group ( n = 7), surveys ( n = 26), and interviews were conducted ( n = 8) and analysed using reflexive thematic analysis. The formulation model demonstrated promising acceptability although it was not meaningfully implemented within the acute setting. Three overarching themes are presented from the data: 1) the value of collaborative formulation, 2) implementation barriers, and 3) ‘selling’ and embedding change. Although there is an appetite for more contextualised ways of viewing and supporting mental health, underlying practical, cultural, and attitudinal barriers exist. Practical recommendations are shared for future researchers or practitioners seeking to embed psychological interventions within their applied settings.

مداخلات روان‌شناختی مشارکتی و مبتنی بر بهبود در محیط‌های سلامت روان مورد تقاضا هستند، اما موانع متعددی می‌توانند اجرای آن‌ها را به‌ویژه در خدمات حاد دشوار سازند. فرمول‌بندی روان‌شناختی فرایندی مبتنی بر بهبود و مشارکتی است که شامل توسعه درک مشترک از مشکلات سلامت روان مراجع می‌شود. فرمول‌بندی روان‌شناختی این پتانسیل را دارد که به تغییر رویکرد از مدل پزشکی رایج کمک کند؛ با این حال، چارچوب‌های اندکی ـ اگر وجود داشته باشند ـ در مرحله توسعه، مراجعان را دخیل کرده‌اند. این مطالعه به بررسی مقبولیت یک الگوی فرمول‌بندی روان‌شناختی توسعه‌یافته به‌صورت مشارکتی می‌پردازد که به‌صورت آزمایشی با کارکنان یک مرکز بستری تخصصی و همچنین نمونه وسیع‌تری از افراد درگیر در ارائه یا دریافت خدمات سلامت روان اجرا شده است. یک الگوی فرمول‌بندی روان‌شناختی مبتنی بر نظریه و توسعه‌یافته به‌صورت مشارکتی (مدل «روایت شخصی») طراحی شد و مقبولیت آن در دو گروه ارزیابی گردید: (۱) کارکنان بخش حاد بزرگسالان و (۲) نمونه وسیع‌تری از متخصصان و افراد دارای تجربه زیسته. داده‌ها از طریق گروه متمرکز (n = 7)، پرسش‌نامه (n = 26) و مصاحبه (n = 8) گردآوری و با استفاده از تحلیل تماتیک بازتابی تحلیل شدند. الگوی فرمول‌بندی مذکور مقبولیت امیدوارکننده‌ای را نشان داد، هرچند در محیط حاد به‌طور معناداری اجرا نشد. سه مضمون کلی از داده‌ها استخراج شد: ۱) ارزش فرمول‌بندی مشارکتی، ۲) موانع اجرا، و ۳) «عرضه» و نهادینه‌سازی تغییر. اگرچه تمایل به رویکردهای زمینه‌مندتر در مشاهده و حمایت از سلامت روان وجود دارد، اما موانع عملی، فرهنگی و نگرشی اساسی نیز مشاهده می‌شود. توصیه‌های عملی برای پژوهشگران یا درمانگران آینده که به دنبال نهادینه‌سازی مداخلات روان‌شناختی در محیط‌های کاربردی خود هستند، ارائه شده است.