digital mental health

Mental health disorders are a major concern with millions of people living with mental illnesses, but only a small fraction of them have access to treatment due to stigma attached, lack of resources and trained personnel. Therefore, the inclusion of mental healthcare services in primary health care (PHC) is essential for improving its accessibility. The present review investigates the effectiveness, the different models, and the barriers in integrating mental health services into primary health care in India. The review was conducted following the PRISMA protocol using database like PubMed and Scopus between January 2016 and January 2026. The systematic search yielded 62 results, of which 23 were selected based on established inclusion criteria and were subsequently analyzed thematically. Successful integration of mental health services into primary healthcare was identified as including, but not limited to, task-sharing, use of digital technologies, use of telepsychiatry, and creating an improved policy-driven system. Task-sharing with lay personnel was found to greatly increase the identification and management of people with mental illnesses, while digital technology and telepsychiatry led to better access to mental health services, especially in rural areas. Barriers to implementing integrated mental health services included a lack of training, stigma, insufficient workforce, and limited infrastructure. Integrated mental health services into primary healthcare exist and demonstrate positive results, but to sustain successful implementation, the identified barriers to integration must be eliminated or mitigated to reduce the existing treatment gap for mental illness in India.

Mental health systems face a persistent gap in accessible, continuous, and person-centred support. Conversational AI can expand access to psychoeducation, emotional check-ins, self-management, and service navigation, but may also introduce risks of digital exclusion, cultural mismatch, privacy concerns, unsafe advice, and overreliance on automation. This paper develops a conceptual framework integrating Orange Technology, which promotes emotional wellbeing, cultural sensitivity, social connectedness, and resilience, with empathetic AI for mental health support. An integrative literature review examined peer-reviewed systematic reviews and WHO and UN guidance published from 2021 to 2026. Evidence suggests that conversational AI can improve depression, distress, anxiety, and engagement, although effects are heterogeneous and may decline over time. Personalization and empathic interaction may enhance engagement, while the framework's effects on community resilience, cultural sensitivity, and community resource integration require further empirical validation. The framework therefore positions AI as a supportive, human-in-the-loop layer rather than a replacement for clinicians, families, peers, or communities. It connects emotional sensing, empathetic dialogue, personalized support, escalation pathways, community connection, inclusive access, and governance, while aligning mental health innovation with SDG 3, 9, and 17.

Background Digital mental health platforms routinely deliver self-administered symptom scales on the assumption that users with more severe symptoms are more likely to enter professional care. That assumption is rarely tested with linked participant-level data, and almost never in the Arabic-speaking Gulf. Objective To examine whether symptom severity at a user’s first self-assessment predicts booking a professional session within 90 days, across four symptom domains, on a Saudi commercial digital mental health platform. Methods Retrospective cohort analysis of 10,100 first assessments — depression, generalized anxiety, panic, and obsessive-compulsive scales — contributed by 5,524 unique users of the Talbinah platform and linked to demographic and session-booking records through a pseudonymous (SHA-256 hashed) user identifier. The primary outcome was any session booked within 90 days after the assessment. Severity was banded by the established cut-offs for the PHQ-9 and GAD-7, and by percentage of scale maximum for the panic and obsessive-compulsive measures, for which no severity thresholds are established. Per-scale multivariable logistic regression estimated adjusted odds ratios (aOR) for severity band (reference None/Minimal), adjusting for age, sex, and device type. Pre-specified sensitivity analyses used 30- and 180-day windows, an attended-session outcome, percentage-of-maximum banding applied to all four scales, and a subset with no prior booking (incident help-seeking). Reporting followed STROBE. Results Users were young (mean age 26.7 years, SD 8.1) and predominantly female (78.1%); 16.6% of first assessments were followed by a booking within 90 days. No severity band on any of the four scales was associated with higher odds of booking (severe vs None/Minimal: depression aOR 0.71, 95% CI 0.51–1.01; generalized anxiety 0.76, 0.49–1.16; panic 0.83, 0.52–1.31; obsessive-compulsive 1.01, 0.59–1.74). One severity contrast was statistically significant, in the opposite direction: moderate depression was associated with lower odds of booking (0.66, 95% CI 0.45–0.97). Older age (aOR ~1.2 per decade) and iOS device use (1.4–2.0) were associated with booking across scales. This absence of a positive severity–booking association was consistent across 30-, 90-, and 180-day windows, the attended-session outcome, and percentage-of-maximum banding; a nominal association for moderate anxiety seen under percentage banding did not persist with validated GAD-7 cut-offs. Estimates for the panic and obsessive-compulsive scales, which lack established severity thresholds, are exploratory. Conclusions On a Saudi digital mental health platform, greater self-reported symptom severity at first assessment was not followed by higher subsequent booking of professional care, consistently across specifications, and for moderate depression was associated with lower odds of booking; demographic and access-related attributes showed stronger associations with booking than symptom load did. Self-screening on its own appears insufficient as a pathway into care.

Long-term digital psychological intervention faces issues such as delayed state feedback, observation absence, and scattered individual responses. Static input is difficult to retain cross-period dependencies, and a unified strategy will also widen user differences and cause fluctuations in continuous actions. To address these problems, a personalized intervention system that combines Transformer temporal modeling and proximal policy optimization is constructed. Structured psychological state representation organizes continuous behaviors and subjective feedback into an updateable sequence. The Transformer encoder extracts long-term dependencies and local mutations, the individual embedding absorbs user response deviations, and the Kullback–Leibler (KL) constraint inhibits adjacent strategy jumps. The experiment uses StudentLife data and accompanying simulations, semi-synthetic data. The cumulative reward of the complete model reaches 634.7 ± 21.8, with a 95% confidence interval of 619.11–650.29. The rule strategy, Proximal Policy Optimization (PPO) immediate state model, and the configuration without individual embedding are 412.6 ± 38.4, 528.3 ± 42.7, and 561.9 ± 35.2, respectively. The differences among the three groups, after Holm correction, all reach significant levels ( p < 0.001). The complete model enters the stable range after 1620 rounds, and the variance of the reward after convergence drops to 19.4. The rate of change in emotional intensity, the improvement value of state stability, and the cumulative variance of individual rewards is 0.091, 0.052, and 28.4, respectively. The ablation results show that temporal encoding mainly affects long-term benefits and convergence stability, and individual embedding focuses on reducing the dispersion among users. The existing evidence supports strategy optimization in non-clinical environments, but does not constitute a psychological mechanism explanation, causal effect proof, or clinical effectiveness conclusion.

مداخله روان‌شناختی دیجیتال بلندمدت با مسائلی نظیر بازخورد تأخیری وضعیت، فقدان مشاهده و پاسخ‌های پراکنده فردی مواجه است. ورودی ایستا در حفظ وابستگی‌های میان‌دوره‌ای دشوار عمل می‌کند و راهبرد یکپارچه نیز تفاوت‌های کاربران را افزایش داده و موجب نوسان در اقدامات پیوسته می‌شود. برای رفع این مشکلات، یک سامانه مداخله شخصی‌سازی‌شده که مدل‌سازی زمانی Transformer و بهینه‌سازی سیاست مجاور (Proximal Policy Optimization) را ترکیب می‌کند، طراحی شده است. بازنمایی ساختاریافته وضعیت روان‌شناختی، رفتارهای پیوسته و بازخوردهای ذهنی را به دنباله‌ای قابل به‌روزرسانی سازمان‌دهی می‌کند. رمزگذار Transformer وابستگی‌های بلندمدت و جهش‌های محلی را استخراج می‌کند، تعبیه فردی (individual embedding) انحرافات پاسخ کاربران را جذب می‌کند و قید کولبک–لیبلر (Kullback–Leibler constraint) از جهش‌های راهبردی مجاور جلوگیری می‌کند. آزمایش با داده‌های StudentLife و شبیه‌سازی‌های همراه، داده‌های نیمه‌مصنوعی، انجام شده است. پاداش تجمعی مدل کامل به ۶۳۴٫۷ ± ۲۱٫۸ با فاصله اطمینان ۹۵٪ برابر با ۶۱۹٫۱۱ تا ۶۵۰٫۲۹ می‌رسد. راهبرد قاعده‌مند، مدل وضعیت فوری Proximal Policy Optimization (PPO) و پیکربندی بدون تعبیه فردی به ترتیب ۴۱۲٫۶ ± ۳۸٫۴، ۵۲۸٫۳ ± ۴۲٫۷ و ۵۶۱٫۹ ± ۳۵٫۲ هستند. تفاوت میان سه گروه، پس از اصلاح Holm، همگی به سطح معناداری (p < 0.001) می‌رسد. مدل کامل پس از ۱۶۲۰ دور به بازه پایدار وارد می‌شود و واریانس پاداش پس از همگرایی به ۱۹٫۴ کاهش می‌یابد. نرخ تغییر شدت هیجانی، مقدار بهبود پایداری وضعیت و واریانس تجمعی پاداش فردی به ترتیب ۰٫۰۹۱، ۰٫۰۵۲ و ۲۸٫۴ است. نتایج حذف اجزا (ablation) نشان می‌دهد که رمزگذاری زمانی عمدتاً بر منافع بلندمدت و پایداری همگرایی اثرگذار است و تعبیه فردی بر کاهش پراکندگی میان کاربران تمرکز دارد. شواهد موجود از بهینه‌سازی راهبرد در محیط‌های غیر بالینی حمایت می‌کند، اما تبیین سازوکار روان‌شناختی، اثبات اثر علّی یا نتیجه‌گیری اثربخشی بالینی را فراهم نمی‌کند.

Electronic cognitive behavioral therapy (e-CBT) is a scalable intervention for anxiety and depressive disorders.While its efficacy against inactive controls is well documented, its comparative effectiveness against first-line pharmacotherapy remains critically underexplored.We conducted a systematic review and meta-analysis (International Prospective Register of Systematic Reviews (PROSPERO): CRD420261413686) of randomized controlled trials (RCTs) comparing e-CBT with waitlist, active psychotherapy, usual care, or medication in adults with anxiety and depression.Effect sizes were pooled using random-effects models with restricted maximum likelihood (REML) and Hartung-Knapp-Sidik-Jonkman (HKSJ) adjustments.Outcomes were assessed using Hedges' g and risk ratios (RR), and evidence certainty was evaluated via the Grading of Recommendations Assessment, Development, and Evaluation (GRADE) framework.Twenty-two RCTs were included in the analysis.Compared to waitlist/attention controls (k, number of independent contrasts = 11), e-CBT demonstrated a large, statistically significant reduction in depression severity (Hedges' g, standardized mean difference = 0.91; 95% CI: 0.63 to 1.18).However, re-expression onto the Patient Health Questionnaire-9 (PHQ-9) scale yielded an absolute reduction (3.86 points) that fell below the pre-specified minimally important difference (MID) of 5 points.No clear difference was found between e-CBT and active face-to-face or bibliotherapy CBT (k = 3; g = 0.08; 95% CI: -0.59 to 0.75); the wide interval means equivalence could not be established.Adding e-CBT to usual care gave an imprecise, non-significant estimate (k = 3; g = 0.32; 95% CI: -1.41 to 2.05; p = 0.511) that neither confirms nor excludes a benefit.The network geometry revealed zero head-to-head RCTs comparing e-CBT monotherapy directly with antidepressant medication.Nineteen of the 22 trials (86%) were at high overall risk of bias, and funnel-plot asymmetry (Egger's test; p = 0.0056) suggested small-study effects, possibly including publication bias; most GRADE certainty ratings were very low.e-CBT is a scalable option that showed no clear difference from faceto-face CBT in a small number of trials, but its efficacy against inactive controls may be overestimated because of small-study effects and methodological limitations.A critical evidence gap exists regarding its comparative efficacy against pharmacotherapy, necessitating rigorous blinded head-to-head non-inferiority trials.

درمان شناختی-رفتاری الکترونیکی (e-CBT) یک مداخله مقیاس‌پذیر برای اختلالات اضطراب و افسردگی است. در حالی که اثربخشی آن در مقایسه با گروه‌های کنترل غیرفعال به خوبی مستند شده است، اثربخشی مقایسه‌ای آن در برابر دارودرمانی خط اول همچنان به طور انتقادی کمتر مورد بررسی قرار گرفته است. ما یک مرور نظام‌مند و فراتحلیل (ثبت بین‌المللی مرورهای نظام‌مند آینده‌نگر (PROSPERO): CRD420261413686) از کارآزمایی‌های تصادفی کنترل‌شده (RCT) که e-CBT را با لیست انتظار، روان‌درمانی فعال، مراقبت معمول یا دارو در بزرگسالان مبتلا به اضطراب و افسردگی مقایسه کرده‌اند، انجام دادیم. اندازه اثرها با استفاده از مدل‌های اثرات تصادفی با حداکثر درست‌نمایی محدود (REML) و تعدیلات Hartung-Knapp-Sidik-Jonkman (HKSJ) تجمیع شدند. پیامدها با استفاده از g هجز و نسبت خطر (RR) ارزیابی شدند و قطعیت شواهد از طریق چارچوب درجه‌بندی توصیه‌ها، ارزیابی، توسعه و ارزشیابی (GRADE) سنجیده شد. بیست و دو کارآزمایی تصادفی کنترل‌شده در تحلیل وارد شدند. در مقایسه با گروه‌های کنترل لیست انتظار/توجه (k، تعداد تضادهای مستقل = 11)، e-CBT کاهش بزرگ و معناداری در شدت افسردگی نشان داد (g هجز، تفاوت میانگین استاندارد شده = 0.91؛ 95% CI: 0.63 تا 1.18). با این حال، بازنمایی این نتیجه بر روی مقیاس پرسشنامه سلامت بیمار-9 (PHQ-9) کاهش مطلق (3.86 امتیاز) را نشان داد که کمتر از تفاوت حداقل مهم از پیش تعیین‌شده (MID) به میزان 5 امتیاز بود. تفاوت آشکاری بین e-CBT و درمان شناختی-رفتاری حضوری فعال یا کتاب‌درمانی (k = 3؛ g = 0.08؛ 95% CI: ‎-0.59 تا 0.75) یافت نشد؛ بازه وسیع به این معناست که برابری قابل اثبات نبود. افزودن e-CBT به مراقبت معمول، برآوردی غیر دقیق و غیر معنادار ارائه داد (k = 3؛ g = 0.32؛ 95% CI: ‎-1.41 تا 2.05؛ p = 0.511) که نه تأیید و نه رد کننده سودمندی بود. هندسه شبکه هیچ کارآزمایی تصادفی کنترل‌شده سر به سر را که درمان e-CBT را مستقیماً با داروی ضدافسردگی مقایسه کند، نشان نداد. نوزده مورد از ۲۲ کارآزمایی (۸۶٪) در معرض خطر کلی بالای سوگیری بودند و عدم تقارن نمودار قیفی (آزمون Egger؛ p = 0.0056) نشان‌دهنده اثرات مطالعات کوچک، احتمالاً شامل سوگیری انتشار بود؛ اغلب رتبه‌بندی‌های قطعیت GRADE بسیار پایین بودند. e-CBT گزینه‌ای مقیاس‌پذیر است که در تعداد کمی از کارآزمایی‌ها تفاوت آشکاری با درمان شناختی-رفتاری حضوری نشان نداد، اما اثربخشی آن در برابر گروه‌های کنترل غیرفعال ممکن است به دلیل اثرات مطالعات کوچک و محدودیت‌های روش‌شناختی بیش از حد برآورد شده باشد. شکاف شواهدی مهمی در خصوص اثربخشی مقایسه‌ای آن با دارودرمانی وجود دارد که نیازمند کارآزمایی‌های سر به سر کور شده و غیر برتری دقیق است.

Background Digital mental health tools, including general-purpose artificial intelligence (AI) chatbots, may provide accessible and low-threshold psychological support for people living with chronic conditions. However, their value in this population depends not only on recognizing depression or anxiety, but also on understanding how psychological distress is shaped by disease-specific experiences and when self-guided support should transition toward professional care. We evaluated the appropriateness, contextual sensitivity, safety, and consistency of psychological support provided by three widely accessible AI chatbots across contrasting chronic illness contexts. Methods We conducted a standardized simulated-patient benchmarking study comparing ChatGPT, Gemini, and Doubao. Twenty scenarios were developed across type 2 diabetes mellitus (T2DM) and chronic spontaneous urticaria (CSU), representing matched mild and moderate presentations of depression and anxiety together with condition-specific distress related to diabetes self-management and CSU-related flare uncertainty. Each scenario was independently submitted to all three systems in two testing rounds, yielding 120 responses. Blinded raters assessed overall psychological support appropriateness, recognition and emotional support, chronic-illness contextualization, psychological support and referral, psychosomatic balance and safety, and major clinical or safety errors. Repeated testing assessed response consistency. Results Overall psychological support appropriateness differed across systems (P = 0.002), with 90.0% of ChatGPT, 75.0% of Gemini, and 55.0% of Doubao responses meeting the prespecified appropriateness threshold. Recognition and emotional support was consistently strong across systems, whereas greater differences emerged in chronic-illness contextualization (P = 0.001), psychological support and referral (P = 0.002), and psychosomatic balance and safety (P<0.001). All responses to mild presentations were classified as psychologically appropriate, compared with 58.3% of responses to moderate presentations, indicating that performance became less reliable when digital support required stronger escalation toward professional assessment. Contextualization was also less consistent in CSU, particularly when responses needed to incorporate flare unpredictability, pruritus, sleep disruption, and illness uncertainty. Major clinical or safety errors occurred in 0%, 10.0%, and 15.0% of first-round ChatGPT, Gemini, and Doubao responses, respectively. Test–retest consistency was moderate and varied between systems. Conclusions General-purpose AI chatbots show potential as accessible, self-guided digital mental health resources for people living with chronic conditions, particularly for recognizing distress and providing initial supportive guidance. Their current limitations emerge when effective support requires disease-specific contextualization, balanced interpretation of psychological and somatic factors, or escalation as symptoms become more severe. These findings identify important boundaries for the use of conversational AI in chronic-illness mental health care and suggest that implementation should emphasize context-sensitive guidance, severity-responsive referral, and clear integration with rather than substitution for professional care.

زمینه: ابزارهای سلامت روان دیجیتال، از جمله چت‌بات‌های هوش مصنوعی عمومی، ممکن است حمایت روان‌شناختی قابل دسترس و با آستانه پایین برای افراد مبتلا به بیماری‌های مزمن فراهم کنند. با این حال، ارزش آن‌ها در این جمعیت نه تنها به شناسایی افسردگی یا اضطراب بستگی دارد، بلکه به درک چگونگی شکل‌گیری پریشانی روان‌شناختی توسط تجارب خاص بیماری و زمان انتقال حمایت خودراهنما به مراقبت حرفه‌ای نیز وابسته است. ما تناسب، حساسیت زمینه‌ای، ایمنی و انسجام حمایت روان‌شناختی ارائه‌شده توسط سه چت‌بات هوش مصنوعی عمومی و در دسترس را در زمینه‌های متضاد بیماری مزمن ارزیابی کردیم. روش‌ها: یک مطالعه بنچمارک‌گیری بیمار شبیه‌سازی‌شده استانداردشده انجام دادیم و ChatGPT، Gemini و Doubao را مقایسه کردیم. بیست سناریو در زمینه دیابت نوع ۲ (T2DM) و کهیر مزمن خودبه‌خود (CSU) توسعه یافت که ارائه‌های خفیف و متوسط افسردگی و اضطراب را همراه با پریشانی خاص بیماری مرتبط با خودمدیریتی دیابت و عدم قطعیت شعله‌ورشدگی مرتبط با CSU بازنمایی می‌کرد. هر سناریو به طور مستقل در دو دور آزمون به هر سه سیستم ارائه شد و ۱۲۰ پاسخ به دست آمد. ارزیابان نابینا تناسب کلی حمایت روان‌شناختی، شناسایی و حمایت هیجانی، زمینه‌مندی بیماری مزمن، حمایت روان‌شناختی و ارجاع، تعادل روان‌تنی و ایمنی، و خطاهای عمده بالینی یا ایمنی را ارزیابی کردند. آزمون تکرارشونده انسجام پاسخ‌ها را سنجید. نتایج: تناسب کلی حمایت روان‌شناختی بین سیستم‌ها متفاوت بود (P = 0.002)، به‌طوری‌که ۹۰.۰٪ پاسخ‌های ChatGPT، ۷۵.۰٪ Gemini و ۵۵.۰٪ Doubao به آستانه تناسب از پیش تعیین‌شده رسیدند. شناسایی و حمایت هیجانی در همه سیستم‌ها به طور مداوم قوی بود، در حالی که تفاوت‌های بیشتری در زمینه‌مندی بیماری مزمن (P = 0.001)، حمایت روان‌شناختی و ارجاع (P = 0.002)، و تعادل روان‌تنی و ایمنی (P<0.001) مشاهده شد. همه پاسخ‌ها به ارائه‌های خفیف از نظر روان‌شناختی مناسب طبقه‌بندی شدند، در حالی که تنها ۵۸.۳٪ پاسخ‌ها به ارائه‌های متوسط مناسب بودند که نشان می‌دهد عملکرد زمانی که حمایت دیجیتال نیازمند ارجاع قوی‌تر به ارزیابی حرفه‌ای بود، کمتر قابل اعتماد می‌شود. زمینه‌مندی در CSU نیز کمتر منسجم بود، به‌ویژه زمانی که پاسخ‌ها باید عدم قطعیت شعله‌ورشدگی، خارش، اختلال خواب و عدم قطعیت بیماری را در بر می‌گرفتند. خطاهای عمده بالینی یا ایمنی به ترتیب در ۰٪، ۱۰.۰٪ و ۱۵.۰٪ پاسخ‌های دور اول ChatGPT، Gemini و Doubao رخ داد. انسجام آزمون–بازآزمون متوسط بود و بین سیستم‌ها تفاوت داشت. نتیجه‌گیری: چت‌بات‌های هوش مصنوعی عمومی به عنوان منابع سلامت روان دیجیتال خودراهنما و قابل دسترس برای افراد مبتلا به بیماری‌های مزمن، به ویژه در شناسایی پریشانی و ارائه راهنمایی حمایتی اولیه، پتانسیل نشان می‌دهند. محدودیت‌های فعلی آن‌ها زمانی آشکار می‌شود که حمایت مؤثر نیازمند زمینه‌مندی خاص بیماری، تفسیر متعادل عوامل روانی و جسمانی یا ارجاع در صورت تشدید علائم باشد. این یافته‌ها مرزهای مهمی را برای استفاده از هوش مصنوعی مکالمه‌ای در مراقبت سلامت روان بیماری مزمن شناسایی می‌کند و نشان می‌دهد که پیاده‌سازی باید بر راهنمایی حساس به زمینه، ارجاع متناسب با شدت و ادغام شفاف با مراقبت حرفه‌ای (و نه جایگزینی آن) تأکید کند.

To handle the problem of resource scarcity and lack of personalization and adaptability in the traditional approach to mindfulness-based cognitive therapy (MBCT) in dealing with college students with anxiety disorders, this study proposes the use of the natural language interface and adaptability properties of large language models (LLMs) to come up with an intelligent college-level MBCT intervention system. To begin with, the system functional requirements and the logic of the system intervention were explained in line with the fundamental ideas of MBCT and the cognitive features of students with anxiety. Second, it was created through a four-stage adaptive architecture that includes perception analysis, intervention, and feedback, providing a dynamic process for user status identification, personal generation of intervention plans, and real-time optimization of the intervention process. Finally, there was a randomized controlled trial whose subjects were 120 college students with anxiety who were separated into an experimental group and a control group. The effectiveness of the intervention was assessed using tools such as the Self-Rating Anxiety Scale (SAS), the Mindful Attention Awareness Scale (MAAS), and the Automatic Thoughts Questionnaire (ATQ). The findings indicated that the SAS score of the experimental group (38.26 ± 5.12) was significantly less than that of the control group (45.89 ± 6.34), the MAAS score (68.73 ± 7.25) was significantly higher than that of the control group (56.41 ± 8.13); and the ATQ score (42.15 ± 6.08) was significantly less than that of the control group. The study reveals that an adaptive MBCT system using large language models may be effective in reducing anxiety symptoms among college students, improving mindfulness, and enhancing cognitive processes, offering a new, readily available strategy for addressing anxiety in college students.

به منظور مقابله با مشکل کمبود منابع و فقدان شخصی‌سازی و تطبیق‌پذیری در رویکرد سنتی درمان شناختی مبتنی بر ذهن‌آگاهی (MBCT) در مواجهه با دانشجویان مبتلا به اختلالات اضطرابی، این پژوهش استفاده از رابط زبان طبیعی و ویژگی‌های تطبیقی مدل‌های زبانی بزرگ (LLMs) را برای طراحی یک سامانه‌ی هوشمند مداخله MBCT در سطح دانشگاهی پیشنهاد می‌کند. ابتدا، نیازمندی‌های عملکردی سامانه و منطق مداخله سامانه مطابق با اصول بنیادین MBCT و ویژگی‌های شناختی دانشجویان مبتلا به اضطراب تبیین شد. سپس، این سامانه از طریق معماری تطبیقی چهارمرحله‌ای شامل تحلیل ادراک، مداخله و بازخورد ایجاد گردید که فرآیندی پویا برای شناسایی وضعیت کاربر، تولید شخصی‌سازی‌شده برنامه‌های مداخله و بهینه‌سازی آنی فرآیند مداخله فراهم می‌آورد. در نهایت، یک کارآزمایی تصادفی‌شده‌ی کنترل‌شده با شرکت ۱۲۰ دانشجوی مبتلا به اضطراب انجام شد که به دو گروه آزمایش و کنترل تقسیم شدند. اثربخشی مداخله با استفاده از ابزارهایی همچون مقیاس خودسنجی اضطراب (SAS)، مقیاس آگاهی و توجه ذهن‌آگاهانه (MAAS) و پرسشنامه افکار خودکار (ATQ) ارزیابی گردید. یافته‌ها نشان داد که نمره SAS گروه آزمایش (38.26 ± 5.12) به طور معناداری کمتر از گروه کنترل (45.89 ± 6.34) بود، نمره MAAS (68.73 ± 7.25) به طور معناداری بالاتر از گروه کنترل (56.41 ± 8.13) بود؛ و نمره ATQ (42.15 ± 6.08) نیز به طور معناداری کمتر از گروه کنترل بود. این پژوهش نشان می‌دهد که سامانه تطبیقی MBCT مبتنی بر مدل‌های زبانی بزرگ می‌تواند در کاهش علائم اضطراب در میان دانشجویان، بهبود ذهن‌آگاهی و ارتقای فرآیندهای شناختی مؤثر باشد و راهبردی نوین و در دسترس برای مقابله با اضطراب دانشجویان ارائه می‌دهد.

Background: Workplace stress, anxiety, burnout and psychological distress are important concerns affecting employee well-being and organisational performance. The increasing use of artificial intelligence (AI) in digital mental health support offers opportunities for accessible and timely assistance, while raising concerns regarding privacy, informed consent, algorithmic bias, clinical safety, accountability and human oversight. This study aims to examine the potential role and responsible integration of AI-based psychiatric counselling for managing employee stress and supporting workplace mental health by 2030. Materials and Methods: A mixed-methods research design will be used, combining quantitative survey data with qualitative interviews. The quantitative component will include approximately 350–450 employees, while the qualitative component will involve approximately 25–35 interviews with HR professionals, organisational leaders, EAP professionals and mental health practitioners. Data will assess perceived stress, anxiety, burnout, psychological safety, trust, confidentiality, privacy concerns, AI counselling acceptance and willingness to use AI-based mental health support. Quantitative data will be analysed using descriptive statistics, reliability testing, correlation, regression, t-tests, ANOVA and appropriate mediation or moderation analyses. Qualitative data will be analysed thematically. Results: The study is expected to identify factors influencing employee acceptance and trust in AI-based psychiatric counselling and to examine the role of privacy, human oversight, psychological safety and organisational support in its responsible adoption. Conclusion: AI-based psychiatric counselling may serve as a supportive component of workplace mental health systems, particularly for early support, psychoeducation, self-help and triage. However, it should complement rather than replace qualified mental health professionals. Responsible implementation will require privacy safeguards, informed consent, clinical oversight, transparency, fairness, accountability and clear referral pathways.

زمینه: استرس محیط کار، اضطراب، فرسودگی شغلی و پریشانی روان‌شناختی از دغدغه‌های مهمی هستند که بهزیستی کارکنان و عملکرد سازمانی را تحت تأثیر قرار می‌دهند. افزایش استفاده از هوش مصنوعی (AI) در حمایت دیجیتال سلامت روان، فرصت‌هایی برای دسترسی و کمک به‌موقع فراهم می‌کند، در حالی که نگرانی‌هایی درباره حریم خصوصی، رضایت آگاهانه، سوگیری الگوریتمی، ایمنی بالینی، مسئولیت‌پذیری و نظارت انسانی ایجاد می‌کند. هدف این مطالعه بررسی نقش بالقوه و ادغام مسئولانه مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی برای مدیریت استرس کارکنان و حمایت از سلامت روان محیط کار تا سال ۲۰۳۰ است. مواد و روش‌ها: از طرح پژوهشی آمیخته استفاده خواهد شد که داده‌های پیمایش کمی را با مصاحبه‌های کیفی ترکیب می‌کند. بخش کمی شامل حدود ۳۵۰ تا ۴۵۰ نفر از کارکنان خواهد بود و بخش کیفی شامل حدود ۲۵ تا ۳۵ مصاحبه با متخصصان منابع انسانی، رهبران سازمانی، متخصصان EAP و درمانگران سلامت روان خواهد بود. داده‌ها میزان استرس ادراک‌شده، اضطراب، فرسودگی شغلی، ایمنی روان‌شناختی، اعتماد، محرمانگی، نگرانی‌های مربوط به حریم خصوصی، پذیرش مشاوره مبتنی بر هوش مصنوعی و تمایل به استفاده از حمایت سلامت روان مبتنی بر هوش مصنوعی را ارزیابی خواهند کرد. داده‌های کمی با استفاده از آمار توصیفی، آزمون پایایی، همبستگی، رگرسیون، آزمون t، ANOVA و تحلیل‌های میانجی‌گری یا تعدیل‌گری مناسب تحلیل می‌شوند. داده‌های کیفی به صورت مضمون‌محور تحلیل خواهند شد. نتایج: انتظار می‌رود مطالعه عوامل مؤثر بر پذیرش و اعتماد کارکنان به مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی را شناسایی کند و نقش حریم خصوصی، نظارت انسانی، ایمنی روان‌شناختی و حمایت سازمانی را در پذیرش مسئولانه آن بررسی نماید. نتیجه‌گیری: مشاوره روان‌پزشکی مبتنی بر هوش مصنوعی می‌تواند به عنوان بخشی حمایتی از نظام‌های سلامت روان محیط کار، به ویژه برای حمایت اولیه، آموزش روانی، خودیاری و ارجاع اولیه مورد استفاده قرار گیرد. با این حال، باید مکمل و نه جایگزین متخصصان واجد شرایط سلامت روان باشد. اجرای مسئولانه نیازمند تضمین‌های حریم خصوصی، رضایت آگاهانه، نظارت بالینی، شفافیت، انصاف، مسئولیت‌پذیری و مسیرهای ارجاع روشن خواهد بود.

Severe mental illness (SMI) often limits participation in traditional therapy due to motivational and cognitive deficits. We examined short-term clinical changes during use of a personalized video-based mobile app ( MARO )—providing psychoeducation, emotion regulation, cognitive restructuring, and behavioral activation—in community-dwelling individuals with SMI and explored whether the timing of minimal human coaching was associated with these outcomes. This 8-week exploratory randomized crossover trial compared an Immediate-Coaching group (app + coaching → app only) and a Delayed-Coaching group (app only → app + coaching); both groups used MARO throughout the study. Among 40 randomized participants, 27 completed all assessments. Depression (Patient Health Questionnaire-9), anxiety (Generalized Anxiety Disorder-7), and positive automatic thoughts (Automatic Thoughts Questionnaire–Positive) were assessed at baseline and after 4 and 8 weeks. Both groups showed decreases in PHQ-9 and GAD-7 scores over the 8-week intervention period, while ATQ-P scores increased. Overall PHQ-9 scores were lower and ATQ-P scores were higher in the Immediate-Coaching group than in the Delayed-Coaching group. These preliminary findings support further evaluation in larger, adequately powered controlled studies of personalized video-based mobile interventions as a potentially scalable digital–human approach to community-based care for individuals with severe mental illness. Trial Registration: CRIS, KCT0011492.

اختلال روانی شدید (SMI) اغلب به دلیل کمبودهای انگیزشی و شناختی، مشارکت در درمان‌های سنتی را محدود می‌کند. ما تغییرات بالینی کوتاه‌مدت را در طول استفاده از یک اپلیکیشن موبایلی مبتنی بر ویدئو و شخصی‌سازی‌شده (MARO) ــ که آموزش روانی، تنظیم هیجان، بازسازی شناختی و فعال‌سازی رفتاری را ارائه می‌دهد ــ در افراد ساکن در جامعه با SMI بررسی کردیم و همچنین بررسی شد که آیا زمان‌بندی دریافت حداقل راهنمایی انسانی با این پیامدها مرتبط است یا خیر. این کارآزمایی متقاطع تصادفی اکتشافی به مدت ۸ هفته، دو گروه دریافت‌کننده راهنمایی فوری (اپ + راهنمایی → فقط اپ) و گروه دریافت‌کننده راهنمایی با تأخیر (فقط اپ → اپ + راهنمایی) را مقایسه کرد؛ هر دو گروه در طول مطالعه از MARO استفاده کردند. از میان ۴۰ شرکت‌کننده تصادفی‌سازی‌شده، ۲۷ نفر تمامی ارزیابی‌ها را تکمیل کردند. افسردگی (پرسشنامه سلامت بیمار-۹)، اضطراب (اختلال اضطراب فراگیر-۷) و افکار خودکار مثبت (پرسشنامه افکار خودکار–مثبت) در ابتدا، پس از ۴ هفته و پس از ۸ هفته ارزیابی شدند. هر دو گروه در طول دوره مداخله ۸ هفته‌ای کاهش در نمرات PHQ-9 و GAD-7 را نشان دادند، در حالی که نمرات ATQ-P افزایش یافت. به طور کلی، نمرات PHQ-9 در گروه راهنمایی فوری پایین‌تر و نمرات ATQ-P بالاتر از گروه راهنمایی با تأخیر بود. این یافته‌های مقدماتی از ارزیابی بیشتر در مطالعات کنترل‌شده با توان آماری کافی از مداخلات موبایلی مبتنی بر ویدئو و شخصی‌سازی‌شده به عنوان رویکردی دیجیتال–انسانی و بالقوه مقیاس‌پذیر برای مراقبت مبتنی بر جامعه در افراد با اختلال روانی شدید حمایت می‌کند. ثبت کارآزمایی: CRIS, KCT0011492.

Large language models (LLMs) are rapidly reshaping digital mental health, yet how these systems are designed, used, and evaluated remains poorly characterized. We conducted an HCI-centered scoping review of 84 studies examining mental health tasks, stakeholders, interaction paradigms, foundation models, evaluation methods, and outcome measurement. Counseling and support and self-help and well-being accounted for 73.8% of studies, while clinician support and crisis and risk support remained uncommon. Mixed-methods user studies predominated (42.9%), with only three randomized controlled trials and eight studies classified as longitudinal or field evaluations. Technical and response performance was assessed in 81.0% of studies, compared with 29.8% assessing mental health symptoms and clinical outcomes and 7.1% including longitudinal follow-up. Outcome profiles differed across intended tasks. Building on these findings and established evaluation guidance, we propose a task-oriented framework aligning evaluation domains, measurement approaches, and assessment timing with intended use.

مدل‌های زبانی بزرگ (LLMs) به سرعت در حال بازشکل‌دهی سلامت روان دیجیتال هستند، با این حال نحوه طراحی، استفاده و ارزیابی این سامانه‌ها همچنان به‌درستی تبیین نشده است. ما یک مرور محدوده با محوریت تعامل انسان و رایانه (HCI) بر روی ۸۴ مطالعه انجام دادیم که به بررسی وظایف سلامت روان، ذینفعان، الگوهای تعاملی، مدل‌های پایه، روش‌های ارزیابی و سنجش پیامدها می‌پرداختند. مشاوره و حمایت و خودیاری و بهزیستی ۷۳.۸٪ مطالعات را تشکیل می‌دادند، در حالی که حمایت از درمانگران و حمایت در بحران و ریسک کمتر رایج بودند. مطالعات کاربری با روش‌های ترکیبی غالب بودند (۴۲.۹٪)، و تنها سه کارآزمایی تصادفی کنترل‌شده و هشت مطالعه به‌عنوان ارزیابی‌های طولی یا میدانی طبقه‌بندی شدند. عملکرد فنی و پاسخ‌دهی در ۸۱.۰٪ مطالعات ارزیابی شد، در مقایسه با ۲۹.۸٪ که به ارزیابی علائم سلامت روان و پیامدهای بالینی پرداختند و ۷.۱٪ که پیگیری طولی را شامل می‌شدند. پروفایل‌های پیامدها بسته به وظایف مورد نظر متفاوت بود. بر اساس این یافته‌ها و راهنمایی‌های ارزیابی موجود، ما یک چارچوب وظیفه‌محور پیشنهاد می‌کنیم که حوزه‌های ارزیابی، رویکردهای سنجش و زمان‌بندی ارزیابی را با کاربرد مورد نظر همسو می‌سازد.

Despite advances in cancer treatment, the growing global cancer burden underscores the need for comprehensive and supportive care to address the needs of patients and their families. However, access to psycho-oncological support remains often limited across healthcare systems. This could be related to factors such as resource constraints and insufficient integration of psychological care into routine oncological pathways. Individual-level barriers also exist, including low awareness of available services, stigma, and heterogeneity in patients’ perceived needs and help-seeking attitudes. Nevertheless, psychological burden can significantly influence patients’ experience of the treatment pathway, influencing cognitive clarity, perceived self-efficacy, communication, risk perception, decision-making, and all areas of daily life. In this context, digital mental health solutions have emerged as promising tools to enhance accessibility, continuity of care, and personalisation of support. In this manuscript, we aim to describe the structure of the ALTHEA project (“tAckling menTal Health cancer patients and their families: digital solutions for bEtter cAre”), which focuses on the development of a novel web-based digital platform targeting cancer patients and their informal caregivers’ mental health across different stages of the care pathway. ALTHEA is distinguished by the presence of screening, classification into different support profiles, and tailored interventions within a single platform, as well as by its co-creation approach involving patients and stakeholders. In this line, the ALTHEA project represents a timely opportunity to integrate digital health solutions into psycho-oncology care, improving mental health outcomes, enhancing patient empowerment, and promoting a more holistic approach to cancer care.

علی‌رغم پیشرفت‌ها در درمان سرطان، افزایش بار جهانی سرطان نیاز به مراقبت‌های جامع و حمایتی برای پاسخگویی به نیازهای بیماران و خانواده‌های آنان را برجسته می‌کند. با این حال، دسترسی به حمایت روان‌آنکولوژیک اغلب در نظام‌های سلامت محدود باقی می‌ماند. این امر می‌تواند به عواملی مانند محدودیت منابع و ادغام ناکافی مراقبت روان‌شناختی در مسیرهای معمول آنکولوژی مرتبط باشد. موانع در سطح فردی نیز وجود دارد، از جمله آگاهی پایین از خدمات موجود، انگ و ناهمگونی در نیازهای ادراک‌شده بیماران و نگرش‌های آنان نسبت به جستجوی کمک. با این وجود، بار روان‌شناختی می‌تواند به طور قابل توجهی تجربه بیماران از مسیر درمان را تحت تأثیر قرار دهد و بر وضوح شناختی، خودکارآمدی ادراک‌شده، ارتباطات، ادراک ریسک، تصمیم‌گیری و تمامی حوزه‌های زندگی روزمره اثرگذار باشد. در این زمینه، راهکارهای دیجیتال سلامت روان به عنوان ابزارهایی نویدبخش برای افزایش دسترسی‌پذیری، تداوم مراقبت و شخصی‌سازی حمایت مطرح شده‌اند. در این مقاله، هدف ما توصیف ساختار پروژه ALTHEA («مقابله با سلامت روان بیماران سرطانی و خانواده‌های آنان: راهکارهای دیجیتال برای مراقبت بهتر») است که بر توسعه یک پلتفرم دیجیتال مبتنی بر وب با هدف سلامت روان بیماران سرطانی و مراقبان غیررسمی آنان در مراحل مختلف مسیر مراقبت تمرکز دارد. پروژه ALTHEA با وجود غربالگری، طبقه‌بندی به پروفایل‌های حمایتی مختلف و مداخلات متناسب در یک پلتفرم واحد، و همچنین رویکرد هم‌آفرینی با مشارکت بیماران و ذینفعان متمایز می‌شود. در این راستا، پروژه ALTHEA فرصتی به‌موقع برای ادغام راهکارهای سلامت دیجیتال در مراقبت روان‌آنکولوژی فراهم می‌کند و بهبود پیامدهای سلامت روان، ارتقای توانمندسازی بیماران و ترویج رویکردی جامع‌تر به مراقبت سرطان را به همراه دارد.

Accurately managing emotions and quantifying anxiety continue to be important challenges in affective computing and digital mental health, especially where continuous, objective, and personalized evaluation goes beyond self-reported anxiety. Current deep learning systems mainly have coarse emotion classification ability and have no built-in and interpretable regulation mechanisms. In order to overcome these limitations, the Deep Learning Based Anxiety Quantification and Emotional Regulation Recommendation Generation Model (DLAQ-ERRG) is proposed in this study. It comprises three key components: (i) a Neural Stochastic Differential Attention Encoder (NSDAE) for capturing the continuous-time affective dynamics and temporal uncertainty from multimodal wearable signals; (ii) a Hyperbolic Contrastive Affective Manifold Learner (HCAML) for learning a non-Euclidean space to embed latent emotional states while preserving the hierarchical structure of affective severity and boosting inter-subject separability; and (iii) a Hyperbolic Neural Symbolic Policy Generator (ER-NSPG) for generating constraint-consistent and uncertainty-aware emotional regulation recommendations. Experimental results under strict Leave-One-Subject-Out validation on the WESAD dataset show an improvement of 11.85% compared to the best baseline (CCC = 0.734) and the Mean Absolute Error (MAE) of 0.384 and the Root Mean Square Error (RMSE) of 0.083, respectively. The overall anxiety prediction accuracy (AIPA) for affect-state classification is 87.3% for the model. Structured severity organization is confirmed by representation quality metrics: an Anxiety Severity Separation Score (ASS) of 0.726 and a Hyperbolic Clustering Quality Index (HCQI) of 0.681. The recommendation evaluation results in an Action Appropriateness Score (AAS) of 0.776, Recommendation Smoothness Score (RSS) of 0.764 and Emotion Regulation Diversity Score (RDS) of 0.701, all representing stable and tailored generation of interventions. The results illustrate the benefits of uncertainty-aware continuous estimation of anxiety-related arousal, improved structural representation, and interpretable support in regulating arousal within a single, uncertainty-aware framework.

مدیریت دقیق هیجان‌ها و کمی‌سازی اضطراب همچنان از چالش‌های مهم در رایانش عاطفی و سلامت روان دیجیتال به‌شمار می‌رود، به‌ویژه در مواردی که ارزیابی مستمر، عینی و شخصی‌سازی‌شده فراتر از اضطراب خودگزارش‌شده مورد نیاز است. سامانه‌های فعلی یادگیری عمیق عمدتاً دارای توانایی طبقه‌بندی عاطفی کلی هستند و فاقد سازوکارهای تنظیمی درونی و قابل تفسیر می‌باشند. به‌منظور غلبه بر این محدودیت‌ها، مدل مبتنی بر یادگیری عمیق برای کمی‌سازی اضطراب و تولید توصیه‌های تنظیم هیجان (DLAQ-ERRG) در این مطالعه پیشنهاد شده است. این مدل شامل سه مؤلفه کلیدی است: (i) رمزگذار توجهی تصادفی عصبی-افتراقی (NSDAE) برای ثبت پویایی‌های عاطفی پیوسته‌زمان و عدم‌قطعیت زمانی از سیگنال‌های پوشیدنی چندوجهی؛ (ii) یادگیرنده منیفلد عاطفی متضاد اَبَرهذلولوی (HCAML) برای یادگیری فضایی غیر اقلیدسی به‌منظور تعبیه حالات عاطفی نهفته ضمن حفظ ساختار سلسله‌مراتبی شدت عاطفی و افزایش قابلیت تفکیک بین آزمودنی‌ها؛ و (iii) تولیدکننده سیاست نمادین عصبی اَبَرهذلولوی (ER-NSPG) برای تولید توصیه‌های تنظیم هیجان سازگار با محدودیت‌ها و آگاه از عدم‌قطعیت. نتایج تجربی تحت اعتبارسنجی سختگیرانه Leave-One-Subject-Out بر روی مجموعه داده WESAD نشان‌دهنده بهبود ۱۱.۸۵٪ نسبت به بهترین خط پایه (CCC = 0.734) و خطای مطلق میانگین (MAE) برابر با 0.384 و ریشه میانگین مربعات خطا (RMSE) برابر با 0.083 است. دقت کلی پیش‌بینی اضطراب (AIPA) برای طبقه‌بندی حالت عاطفی در این مدل ۸۷.۳٪ گزارش شده است. سازمان‌دهی ساختاری شدت با معیارهای کیفیت بازنمایی تأیید می‌شود: امتیاز جداسازی شدت اضطراب (ASS) برابر با 0.726 و شاخص کیفیت خوشه‌بندی اَبَرهذلولوی (HCQI) برابر با 0.681. ارزیابی توصیه‌ها منجر به امتیاز تناسب اقدام (AAS) برابر با 0.776، امتیاز همواری توصیه (RSS) برابر با 0.764 و امتیاز تنوع تنظیم هیجان (RDS) برابر با 0.701 شده است که همگی نشان‌دهنده تولید مداخلات پایدار و متناسب می‌باشند. نتایج، مزایای برآورد پیوسته اضطراب مبتنی بر عدم‌قطعیت، بهبود بازنمایی ساختاری و پشتیبانی قابل تفسیر در تنظیم برانگیختگی را در یک چارچوب یکپارچه و آگاه از عدم‌قطعیت نشان می‌دهد.

Digital cognitive behavioral therapy (CBT) has emerged as a promising strategy to improve access to evidence-based treatment for pediatric obsessive-compulsive disorder (OCD). However, its comparative efficacy relative to conventional interventions remains uncertain. This systematic review and meta-analysis evaluated the effectiveness of digital CBT in children and adolescents with OCD. PubMed, Scopus, and Web of Science were systematically searched from inception to July 2026 for randomized controlled trials (RCTs) comparing digital CBT with face-to-face CBT, waitlist, or treatment as usual. The primary outcome was Children's Yale-Brown Obsessive Compulsive Scale (CY-BOCS) scores post-treatment and at 3- and 6-month follow-up. Secondary outcomes included Clinical Global Impression-Severity (CGI-S), Clinical Global Impression-Improvement (CGI-I), Children's Global Assessment Scale (CGAS), Child Obsessive-Compulsive Inventory (ChOCI-C/P), and Family Accommodation Scale (FAS). Random-effects meta-analyses were performed using mean differences (MDs) with 95% confidence intervals (CIs). Six RCTs involving 404 participants were included. Digital CBT showed no significant difference from comparator interventions in reducing CY-BOCS scores post-treatment (MD = −2.09, 95% CI −4.92 to 0.74), at 3 months (MD = 1.15, 95% CI −0.74 to 3.04), or at 6 months (MD = 0.01, 95% CI −1.58 to 1.60). Similarly, no significant differences were observed for CGI-S, CGI-I, CGAS, ChOCI-C, ChOCI-P, or FAS. Moderate-to-high heterogeneity was present for several outcomes; however, sensitivity analyses resolved heterogeneity in most secondary outcomes. Digital CBT demonstrated comparable clinical effectiveness to conventional interventions for pediatric OCD, supporting its role as an accessible alternative when face-to-face CBT is unavailable. Larger, high-quality trials are needed to determine the optimal digital delivery modalities and long-term effectiveness.

درمان شناختی-رفتاری (CBT) دیجیتال به عنوان راهبردی نویدبخش برای بهبود دسترسی به درمان مبتنی بر شواهد برای اختلال وسواس فکری-عملی کودکان و نوجوانان مطرح شده است. با این حال، اثربخشی مقایسه‌ای آن نسبت به مداخلات متعارف همچنان نامشخص است. این مرور نظام‌مند و فراتحلیل، اثربخشی درمان شناختی-رفتاری دیجیتال را در کودکان و نوجوانان مبتلا به اختلال وسواس فکری-عملی ارزیابی کرد. پایگاه‌های PubMed، Scopus و Web of Science از ابتدا تا ژوئیه ۲۰۲۶ به طور نظام‌مند برای کارآزمایی‌های تصادفی کنترل‌شده (RCT) که درمان شناختی-رفتاری دیجیتال را با درمان شناختی-رفتاری حضوری، فهرست انتظار یا درمان معمول مقایسه کرده بودند، جست‌وجو شدند. پیامد اصلی، نمرات مقیاس وسواس فکری-عملی ییل-براون کودکان (CY-BOCS) پس از درمان و در پیگیری‌های ۳ و ۶ ماهه بود. پیامدهای ثانویه شامل مقیاس برداشت کلی بالینی-شدت (CGI-S)، مقیاس برداشت کلی بالینی-بهبود (CGI-I)، مقیاس ارزیابی کلی کودکان (CGAS)، پرسشنامه وسواس فکری-عملی کودکان (ChOCI-C/P) و مقیاس سازگاری خانواده (FAS) بود. فراتحلیل‌های مدل اثرات تصادفی با استفاده از تفاوت میانگین‌ها (MD) با فاصله اطمینان ۹۵٪ (CI) انجام شد. شش کارآزمایی تصادفی کنترل‌شده با مشارکت ۴۰۴ نفر وارد مطالعه شدند. درمان شناختی-رفتاری دیجیتال تفاوت معناداری با مداخلات مقایسه‌ای در کاهش نمرات CY-BOCS پس از درمان (MD = ‎−۲.۰۹، ۹۵٪ CI ‎−۴.۹۲ تا ۰.۷۴)، در ۳ ماه (MD = ۱.۱۵، ۹۵٪ CI ‎−۰.۷۴ تا ۳.۰۴) یا در ۶ ماه (MD = ۰.۰۱، ۹۵٪ CI ‎−۱.۵۸ تا ۱.۶۰) نشان نداد. به طور مشابه، تفاوت معناداری در CGI-S، CGI-I، CGAS، ChOCI-C، ChOCI-P یا FAS مشاهده نشد. ناهمگنی متوسط تا زیاد برای چندین پیامد وجود داشت؛ با این حال، تحلیل‌های حساسیت ناهمگنی را در بیشتر پیامدهای ثانویه برطرف کرد. درمان شناختی-رفتاری دیجیتال اثربخشی بالینی مشابهی با مداخلات متعارف برای اختلال وسواس فکری-عملی کودکان و نوجوانان نشان داد و نقش آن را به عنوان جایگزینی در دسترس در مواقع عدم دسترسی به درمان شناختی-رفتاری حضوری تأیید می‌کند. انجام کارآزمایی‌های بزرگ‌تر و با کیفیت بالاتر برای تعیین شیوه‌های بهینه ارائه دیجیتال و اثربخشی بلندمدت ضروری است.

Digital cognitive behavioral therapy (CBT) has emerged as a promising strategy to improve access to evidence-based treatment for pediatric obsessive-compulsive disorder (OCD). However, its comparative efficacy relative to conventional interventions remains uncertain. This systematic review and meta-analysis evaluated the effectiveness of digital CBT in children and adolescents with OCD. PubMed, Scopus, and Web of Science were systematically searched from inception to July 2026 for randomized controlled trials (RCTs) comparing digital CBT with face-to-face CBT, waitlist, or treatment as usual. The primary outcome was Children's Yale-Brown Obsessive Compulsive Scale (CY-BOCS) scores post-treatment and at 3- and 6-month follow-up. Secondary outcomes included Clinical Global Impression-Severity (CGI-S), Clinical Global Impression-Improvement (CGI-I), Children's Global Assessment Scale (CGAS), Child Obsessive-Compulsive Inventory (ChOCI-C/P), and Family Accommodation Scale (FAS). Random-effects meta-analyses were performed using mean differences (MDs) with 95% confidence intervals (CIs). Six RCTs involving 404 participants were included. Digital CBT showed no significant difference from comparator interventions in reducing CY-BOCS scores post-treatment (MD = −2.09, 95% CI −4.92 to 0.74), at 3 months (MD = 1.15, 95% CI −0.74 to 3.04), or at 6 months (MD = 0.01, 95% CI −1.58 to 1.60). Similarly, no significant differences were observed for CGI-S, CGI-I, CGAS, ChOCI-C, ChOCI-P, or FAS. Moderate-to-high heterogeneity was present for several outcomes; however, sensitivity analyses resolved heterogeneity in most secondary outcomes. Digital CBT demonstrated comparable clinical effectiveness to conventional interventions for pediatric OCD, supporting its role as an accessible alternative when face-to-face CBT is unavailable. Larger, high-quality trials are needed to determine the optimal digital delivery modalities and long-term effectiveness.

درمان شناختی-رفتاری (CBT) دیجیتال به عنوان راهبردی نویدبخش برای بهبود دسترسی به درمان مبتنی بر شواهد برای اختلال وسواس فکری-عملی کودکان و نوجوانان مطرح شده است. با این حال، اثربخشی مقایسه‌ای آن نسبت به مداخلات متعارف همچنان نامشخص است. این مرور نظام‌مند و فراتحلیل، اثربخشی درمان شناختی-رفتاری دیجیتال را در کودکان و نوجوانان مبتلا به اختلال وسواس فکری-عملی ارزیابی کرد. پایگاه‌های PubMed، Scopus و Web of Science از ابتدا تا ژوئیه ۲۰۲۶ به طور نظام‌مند برای کارآزمایی‌های تصادفی کنترل‌شده (RCT) که درمان شناختی-رفتاری دیجیتال را با درمان شناختی-رفتاری حضوری، فهرست انتظار یا درمان معمول مقایسه کرده بودند، جست‌وجو شدند. پیامد اصلی، نمرات مقیاس وسواس فکری-عملی ییل-براون کودکان (CY-BOCS) پس از درمان و در پیگیری‌های ۳ و ۶ ماهه بود. پیامدهای ثانویه شامل مقیاس برداشت کلی بالینی-شدت (CGI-S)، مقیاس برداشت کلی بالینی-بهبود (CGI-I)، مقیاس ارزیابی کلی کودکان (CGAS)، پرسشنامه وسواس فکری-عملی کودکان (ChOCI-C/P) و مقیاس سازگاری خانواده (FAS) بود. فراتحلیل‌های مدل اثرات تصادفی با استفاده از تفاوت میانگین‌ها (MD) با فاصله اطمینان ۹۵٪ (CI) انجام شد. شش کارآزمایی تصادفی کنترل‌شده با مشارکت ۴۰۴ نفر وارد مطالعه شدند. درمان شناختی-رفتاری دیجیتال تفاوت معناداری با مداخلات مقایسه‌ای در کاهش نمرات CY-BOCS پس از درمان (MD = ‎−۲.۰۹، ۹۵٪ CI ‎−۴.۹۲ تا ۰.۷۴)، در ۳ ماه (MD = ۱.۱۵، ۹۵٪ CI ‎−۰.۷۴ تا ۳.۰۴) یا در ۶ ماه (MD = ۰.۰۱، ۹۵٪ CI ‎−۱.۵۸ تا ۱.۶۰) نشان نداد. به طور مشابه، تفاوت معناداری در CGI-S، CGI-I، CGAS، ChOCI-C، ChOCI-P یا FAS مشاهده نشد. ناهمگنی متوسط تا زیاد برای چندین پیامد وجود داشت؛ با این حال، تحلیل‌های حساسیت ناهمگنی را در بیشتر پیامدهای ثانویه برطرف کرد. درمان شناختی-رفتاری دیجیتال اثربخشی بالینی مشابهی با مداخلات متعارف برای اختلال وسواس فکری-عملی کودکان و نوجوانان نشان داد و نقش آن را به عنوان جایگزینی در دسترس در مواقع عدم دسترسی به درمان شناختی-رفتاری حضوری تأیید می‌کند. انجام کارآزمایی‌های بزرگ‌تر و با کیفیت بالاتر برای تعیین شیوه‌های بهینه ارائه دیجیتال و اثربخشی بلندمدت ضروری است.

Background: Chatbots are increasingly used to deliver cognitive behavioural therapy (CBT) via mobile and web applications. Many mental health systems cannot meet demand with face-to-face care alone. CBT chatbots have therefore been introduced in app form, but data on outcomes, dropout, and unequal uptake remain limited. Objective: This review evaluates whether CBT chatbots reduce anxiety and depression symptoms, which user- and design-related factors are linked to engagement and dropout, and which structural barriers limit who can practically use these tools. Methodology: Peer-reviewed studies from 2018 to 2026 were identified through searches in PubMed/MEDLINE and Google Scholar. Included studies examined automated CBT chatbots (e.g., Woebot, Wysa, Youper, Limbic Care) and reported clinical outcomes, engagement or dropout, and/or access-related findings. Twenty-four publications were synthesised thematically. Results: Short-term trials and observational studies reported reductions in anxiety and depression symptoms, with small-to-moderate effects1. Generative conversational designs were linked to higher engagement than static digital programmes in at least one RCT, which reported roughly 2.4 times the use frequency of a generative CBT app relative to workbook controls3. Attrition remained notable; one meta-analysis estimated intervention-arm dropout at 21.84%5. Unequal access persisted because of connectivity, device availability, and digital literacy, despite the privacy and round-the-clock availability of app-based care23. Conclusion: CBT chatbots may serve as useful low-intensity interventions, but their public health value depends on improved retention and fairer access. Implementation should address digital literacy, culturally appropriate design, and governance that does not restrict validated tools to already advantaged users.

زمینه: چت‌بات‌ها به طور فزاینده‌ای برای ارائه درمان شناختی-رفتاری (CBT) از طریق برنامه‌های موبایل و وب مورد استفاده قرار می‌گیرند. بسیاری از نظام‌های سلامت روان تنها با مراقبت حضوری قادر به پاسخگویی به تقاضا نیستند. بنابراین، چت‌بات‌های CBT به صورت اپلیکیشن معرفی شده‌اند، اما داده‌ها درباره پیامدها، ریزش و استفاده نابرابر همچنان محدود است. هدف: این مرور بررسی می‌کند که آیا چت‌بات‌های CBT علائم اضطراب و افسردگی را کاهش می‌دهند، کدام عوامل مرتبط با کاربر و طراحی با مشارکت و ریزش ارتباط دارند و چه موانع ساختاری استفاده عملی از این ابزارها را محدود می‌کند. روش‌شناسی: مطالعات داوری‌شده از سال ۲۰۱۸ تا ۲۰۲۶ از طریق جستجو در PubMed/MEDLINE و Google Scholar شناسایی شدند. مطالعات واردشده، چت‌بات‌های خودکار CBT (مانند Woebot، Wysa، Youper، Limbic Care) را بررسی کرده و پیامدهای بالینی، مشارکت یا ریزش و/یا یافته‌های مرتبط با دسترسی را گزارش کرده‌اند. بیست‌وچهار مقاله به صورت موضوعی سنتز شدند. یافته‌ها: کارآزمایی‌های کوتاه‌مدت و مطالعات مشاهده‌ای کاهش علائم اضطراب و افسردگی را با اثرات کوچک تا متوسط گزارش کردند۱. طراحی‌های مکالمه‌ای مولد با مشارکت بالاتر نسبت به برنامه‌های دیجیتال ایستا در دست‌کم یک کارآزمایی تصادفی‌سازی‌شده مرتبط بودند که حدوداً ۲.۴ برابر فراوانی استفاده از اپلیکیشن CBT مولد نسبت به کنترل‌های مبتنی بر دفترچه کار را گزارش کرد۳. ریزش همچنان قابل توجه بود؛ یک فراتحلیل نرخ ریزش در بازوی مداخله را ۲۱.۸۴٪ برآورد کرد۵. دسترسی نابرابر به دلیل اتصال، در دسترس بودن دستگاه و سواد دیجیتال، علی‌رغم حفظ حریم خصوصی و دسترسی شبانه‌روزی مراقبت مبتنی بر اپلیکیشن، ادامه داشت۲۳. نتیجه‌گیری: چت‌بات‌های CBT می‌توانند به عنوان مداخلات کم‌شدت مفید باشند، اما ارزش سلامت عمومی آن‌ها به بهبود نگهداشت و دسترسی عادلانه‌تر وابسته است. پیاده‌سازی باید به سواد دیجیتال، طراحی متناسب با فرهنگ و حکمرانی‌ای که ابزارهای اعتبارسنجی‌شده را به کاربران برخوردار محدود نمی‌کند، توجه کند.

Introduction The rapid digitalization of services for migrant populations has transformed the ways in which information, guidance, and social support are delivered. However, existing research has primarily focused on clinical digital mental health interventions or on migrants' own uses of digital technologies, paying considerably less attention to digital devices developed by public institutions and community organizations. This study comparatively analyzes four digital intervention devices implemented in Spain and Argentina, two public and two community-based, to examine how they may contribute to psychosocial well-being from a social determinants of health perspective. Methods and Results Using a qualitative design based on digital ethnography and comparative thematic content analysis, the study explores the characteristics, functions, and intervention strategies of these digital resources, with particular attention to their roles in information provision, guidance, psychosocial support, and community participation. The findings show that these digital resources function as hybrid intervention ecosystems that integrate technological tools, professional support, and community networks rather than merely providing information. Four predominant intervention models were identified: administrative-information, institutional guidance and service access, rights-based community, and community guidance, accompaniment, and referral. Discussion Together, these models offer a novel analytical framework for understanding the diverse roles of digital interventions in migration contexts. Rather than providing direct therapeutic care, these devices contribute to psychosocial well-being by reducing barriers to access, strengthening social support networks, promoting rights, and facilitating connections with specialized services. By shifting the focus from clinical digital health to digital social intervention ecosystems, this study expands current debates on digital interventions for migrant populations and provides practical implications for the development of more inclusive, accessible, and culturally responsive digital resources aimed at promoting psychosocial well-being.

مقدمه: دیجیتالی‌ شدن سریع خدمات برای جمعیت‌های مهاجر، شیوه‌های ارائه اطلاعات، راهنمایی و حمایت اجتماعی را دگرگون کرده است. با این حال، پژوهش‌های موجود عمدتاً بر مداخلات بالینی سلامت روان دیجیتال یا بر استفاده مهاجران از فناوری‌های دیجیتال تمرکز داشته‌اند و به ابزارهای دیجیتالی که توسط نهادهای عمومی و سازمان‌های اجتماعی توسعه یافته‌اند، توجه بسیار کمتری شده است. این مطالعه به صورت مقایسه‌ای چهار ابزار مداخله دیجیتال اجرا شده در اسپانیا و آرژانتین، دو مورد عمومی و دو مورد مبتنی بر جامعه را تحلیل می‌کند تا بررسی نماید که چگونه این ابزارها می‌توانند از منظر عوامل اجتماعی تعیین‌کننده سلامت به بهزیستی روانی‌اجتماعی کمک کنند. روش‌ها و نتایج: با استفاده از طراحی کیفی مبتنی بر قوم‌نگاری دیجیتال و تحلیل محتوای مقایسه‌ای تماتیک، این پژوهش ویژگی‌ها، کارکردها و راهبردهای مداخله‌ای این منابع دیجیتال را با تمرکز ویژه بر نقش آن‌ها در ارائه اطلاعات، راهنمایی، حمایت روانی‌اجتماعی و مشارکت اجتماعی بررسی می‌کند. یافته‌ها نشان می‌دهد که این منابع دیجیتال به عنوان اکوسیستم‌های مداخله‌ای ترکیبی عمل می‌کنند که ابزارهای فناورانه، حمایت حرفه‌ای و شبکه‌های اجتماعی را ادغام می‌نمایند و صرفاً به ارائه اطلاعات محدود نمی‌شوند. چهار الگوی غالب مداخله شناسایی شد: اطلاعات اداری، راهنمایی نهادی و دسترسی به خدمات، جامعه‌محور مبتنی بر حقوق، و راهنمایی، همراهی و ارجاع اجتماعی. بحث: این الگوها در مجموع چارچوب تحلیلی نوینی برای درک نقش‌های متنوع مداخلات دیجیتال در زمینه مهاجرت ارائه می‌دهند. این ابزارها به جای ارائه مراقبت درمانی مستقیم، با کاهش موانع دسترسی، تقویت شبکه‌های حمایت اجتماعی، ترویج حقوق و تسهیل ارتباط با خدمات تخصصی، به بهزیستی روانی‌اجتماعی کمک می‌کنند. با تغییر تمرکز از سلامت دیجیتال بالینی به اکوسیستم‌های مداخله اجتماعی دیجیتال، این مطالعه مباحث جاری درباره مداخلات دیجیتال برای جمعیت‌های مهاجر را گسترش داده و پیامدهای عملی برای توسعه منابع دیجیتال فراگیرتر، قابل دسترس‌تر و پاسخگوتر به فرهنگ با هدف ارتقای بهزیستی روانی‌اجتماعی ارائه می‌دهد.

Family caregivers often experience anxiety and depression. Technology-based Acceptance and Commitment Therapy (technology-based ACT) provides new treatment options, but its effectiveness for family caregivers needs further research. To explore the effectiveness of technology-based ACT in relieving family caregivers’ anxiety and depression symptoms. Search databases of PubMed, Web of Science, Cochrane Library, CINAHL, and Embase from inception to January 6, 2026. Then, use the Cochrane Risk of Bias Assessment Tool, Version 2 to evaluate study quality. Finally, conduct statistical analysis with Stata 17.0 and Review Manager 5.4. A total of 1067 papers were initially retrieved, among which 7 met the inclusion criteria. The meta-analysis showed a statistically significant improvement in anxiety symptoms (SMD = -0.42; 95% CI -0.64 to -0.19; p < 0.001). For depressive symptoms, the fixed-effect analysis indicated a small statistically significant improvement (SMD = -0.28; 95% CI -0.51 to -0.06; p = 0.014); however, this effect was not statistically significant under the random-effects sensitivity analysis, indicating limited robustness to model choice. Exploratory subgroup analyses suggested greater improvements in anxiety among caregivers of care recipients with relatively mild conditions, while studies”’ using the GAD-7 showed a larger estimated effect than those using other anxiety measures. Greater improvements in depressive symptoms were observed among caregivers of care recipients with relatively mild conditions and in interventions lasting ≥ 8 weeks. Given the small number of studies, these subgroup findings should be interpreted cautiously. Technology-based ACT may improve anxiety symptoms among family caregivers, while the evidence for depressive symptoms is less robust and should be interpreted cautiously. Given the limited number of included RCTs and participants, these findings should be considered preliminary and require confirmation in larger, adequately powered trials.

مراقبان خانوادگی اغلب دچار اضطراب و افسردگی می‌شوند. درمان مبتنی بر پذیرش و تعهد مبتنی بر فناوری (technology-based ACT) گزینه‌های درمانی جدیدی ارائه می‌دهد، اما اثربخشی آن برای مراقبان خانوادگی نیازمند پژوهش‌های بیشتری است. هدف این مطالعه بررسی اثربخشی درمان مبتنی بر پذیرش و تعهد مبتنی بر فناوری در کاهش علائم اضطراب و افسردگی مراقبان خانوادگی است. پایگاه‌های داده PubMed، Web of Science، Cochrane Library، CINAHL و Embase از ابتدا تا ۶ ژانویه ۲۰۲۶ جست‌وجو شدند. سپس، برای ارزیابی کیفیت مطالعات از ابزار Cochrane Risk of Bias Assessment Tool، نسخه ۲ استفاده شد. در نهایت، تحلیل آماری با نرم‌افزار Stata 17.0 و Review Manager 5.4 انجام شد. در مجموع، ۱۰۶۷ مقاله به طور اولیه بازیابی شد که از میان آن‌ها ۷ مطالعه معیارهای ورود را داشتند. فراتحلیل نشان داد که بهبود معناداری از نظر آماری در علائم اضطراب وجود دارد (SMD = -0.42؛ ۹۵٪ CI: ‎-0.64 تا ‎-0.19؛ p < 0.001). برای علائم افسردگی، تحلیل اثرات ثابت بهبود معنادار آماری کوچکی را نشان داد (SMD = -0.28؛ ۹۵٪ CI: ‎-0.51 تا ‎-0.06؛ p = 0.014)؛ با این حال، این اثر در تحلیل حساسیت اثرات تصادفی از نظر آماری معنادار نبود که نشان‌دهنده محدودیت پایداری نسبت به انتخاب مدل است. تحلیل‌های اکتشافی زیرگروه‌ها نشان داد که بهبود بیشتری در علائم اضطراب در میان مراقبان گیرندگان مراقبت با شرایط نسبتاً خفیف مشاهده شد، در حالی که مطالعاتی که از GAD-7 استفاده کردند، اثر تخمینی بیشتری نسبت به سایر ابزارهای سنجش اضطراب داشتند. بهبود بیشتری در علائم افسردگی در میان مراقبان گیرندگان مراقبت با شرایط نسبتاً خفیف و در مداخلاتی با مدت زمان ≥ ۸ هفته مشاهده شد. با توجه به تعداد کم مطالعات، این یافته‌های زیرگروهی باید با احتیاط تفسیر شوند. درمان مبتنی بر پذیرش و تعهد مبتنی بر فناوری ممکن است علائم اضطراب را در مراقبان خانوادگی بهبود بخشد، در حالی که شواهد مربوط به علائم افسردگی کمتر قوی است و باید با احتیاط تفسیر شود. با توجه به تعداد محدود کارآزمایی‌های تصادفی‌سازی‌شده و شرکت‌کنندگان وارد شده، این یافته‌ها مقدماتی بوده و نیازمند تأیید در مطالعات بزرگ‌تر و با توان آماری کافی هستند.

Artificial intelligence (AI)-assisted digital mental health interventions are being increasingly discussed as a potential strategy for improving access to psychological support among adolescents with anxiety symptoms and anxiety disorders. Their possible advantages include flexible availability, reduced barriers to help-seeking, psychoeducation, symptom monitoring, CBT-informed exercises, conversational interaction, and personalized feedback. However, their clinical role remains insufficiently defined, particularly regarding efficacy, safety, ethical governance, and the distinction between digital support and psychotherapy in the traditional clinical sense. This narrative review examines current evidence and conceptual debates regarding AI-assisted digital interventions relevant to adolescent anxiety disorders, with a focus on usability, acceptability, preliminary efficacy, safety, ethical and legal considerations, and human clinical oversight. Available literature suggests that conversational agents and CBT-informed digital tools may provide low-threshold support and may reduce the symptoms of anxiety, depression, or general emotional distress in some users. Nevertheless, existing evidence remains heterogeneous and preliminary, often relying on young adult, mixed-age, non-clinical, or transdiagnostic samples, short follow-up periods, and self-report outcomes. Direct evidence for AI-assisted interventions specifically in adolescents with formally diagnosed anxiety disorders remains limited, and findings from broader youth, young adult, mixed-age, or transdiagnostic samples should not be directly generalized to this clinical population. It should not be considered a replacement for therapist-delivered psychotherapy, clinical assessment, or specialist child and adolescent mental health care. Their most appropriate current role is as adjunctive or supportive tools within supervised, stepped-care, or blended-care models. Future research should include adolescent-specific clinical trials, anxiety-focused outcomes, longer follow-up, systematic safety reporting, and clear evaluation of human oversight models. AI-assisted digital interventions may help reduce parts of the adolescent mental health treatment gap; however, their use must remain evidence-informed, developmentally sensitive, ethically regulated, and clinically supervised.

مداخلات سلامت روان دیجیتال با کمک هوش مصنوعی (AI) به طور فزاینده‌ای به عنوان راهبردی بالقوه برای بهبود دسترسی نوجوانان دارای علائم اضطراب و اختلالات اضطرابی به حمایت روان‌شناختی مورد بحث قرار گرفته‌اند. مزایای احتمالی این مداخلات شامل دسترسی انعطاف‌پذیر، کاهش موانع جستجوی کمک، آموزش روانی، پایش علائم، تمرینات مبتنی بر درمان شناختی-رفتاری (CBT)، تعامل مکالمه‌ای و بازخورد شخصی‌سازی‌شده است. با این حال، نقش بالینی آن‌ها همچنان به طور کافی تعریف نشده است، به ویژه در زمینه اثربخشی، ایمنی، حاکمیت اخلاقی و تمایز میان حمایت دیجیتال و روان‌درمانی به معنای بالینی سنتی. این مرور روایتی به بررسی شواهد موجود و مباحث مفهومی پیرامون مداخلات دیجیتال با کمک هوش مصنوعی مرتبط با اختلالات اضطرابی نوجوانان می‌پردازد، با تمرکز بر قابلیت استفاده، پذیرش، اثربخشی مقدماتی، ایمنی، ملاحظات اخلاقی و حقوقی و نظارت بالینی انسانی. ادبیات موجود نشان می‌دهد که عامل‌های مکالمه‌ای و ابزارهای دیجیتال مبتنی بر درمان شناختی-رفتاری (CBT) ممکن است حمایت با آستانه پایین فراهم کنند و علائم اضطراب، افسردگی یا پریشانی هیجانی کلی را در برخی کاربران کاهش دهند. با این حال، شواهد موجود ناهمگون و مقدماتی باقی مانده و اغلب بر نمونه‌های بزرگسال جوان، گروه‌های سنی مختلط، نمونه‌های غیر بالینی یا فراتشخیصی، دوره‌های پیگیری کوتاه و نتایج خودگزارشی متکی است. شواهد مستقیم برای مداخلات با کمک هوش مصنوعی به طور خاص در نوجوانان با اختلالات اضطرابی تشخیص‌گذاری‌شده به طور رسمی محدود است و یافته‌های حاصل از نمونه‌های وسیع‌تر جوانان، بزرگسالان جوان، گروه‌های سنی مختلط یا فراتشخیصی نباید مستقیماً به این جمعیت بالینی تعمیم داده شود. این مداخلات نباید جایگزین روان‌درمانی ارائه‌شده توسط درمانگر، ارزیابی بالینی یا مراقبت تخصصی سلامت روان کودک و نوجوان تلقی شود. مناسب‌ترین نقش فعلی آن‌ها به عنوان ابزارهای کمکی یا حمایتی در چارچوب مدل‌های مراقبت پله‌ای، تلفیقی یا تحت نظارت است. پژوهش‌های آینده باید شامل کارآزمایی‌های بالینی ویژه نوجوانان، نتایج متمرکز بر اضطراب، پیگیری طولانی‌تر، گزارش‌دهی نظام‌مند ایمنی و ارزیابی شفاف مدل‌های نظارت انسانی باشد. مداخلات دیجیتال با کمک هوش مصنوعی ممکن است به کاهش بخشی از فاصله درمان سلامت روان نوجوانان کمک کند؛ با این حال، استفاده از آن‌ها باید مبتنی بر شواهد، حساس به رشد، تحت نظارت اخلاقی و با نظارت بالینی باقی بماند.

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.