答案已發布15 個來源
OpenAI 的 MentalHealthBench 如何測試 AI 的心理健康回應
MentalHealthBench 收錄 1,215 段合成心理健康對話，並以 80 多位持牌專家參與制定的標準評估 AI 回應。[1][4] 測試涵蓋日常困擾至緊急情況；得分反映回應是否符合評分標準，不能保證每次對話都安全，更不等於治療成效。[1][4]
發布者使用 GPT-6 Sol 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- MentalHealthBench 收錄 1,215 段合成心理健康對話，並以 80 多位持牌專家參與制定的標準評估 AI 回應。[1][4]
- 測試涵蓋日常困擾至緊急情況；得分反映回應是否符合評分標準，不能保證每次對話都安全，更不等於治療成效。[1][4]
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What is OpenAI’s MentalHealthBench, why was it created, how were its conversations and expert scoring criteria developed and evaluated, what. Article summary: MentalHealthBench is OpenAI’s open benchmark for testing whether AI gives helpful, safe responses across 1,215 realistic mental-health conversations. OpenAI created it because earlier evaluations focused heavily on crise. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
當有人向 AI 談起心理困擾，一句「安全」的回答未必就足夠。它有沒有留意對話背景、問出必要的問題、尊重當事人的選擇，並按風險程度作出適切回應？OpenAI 推出的開放基準 MentalHealthBench，正是要測試 AI 在具體情境中的表現，而不只看它有沒有避開明顯不當的說法。OpenAI 指出，過往相關評估較集中於危機情況及籠統的安全規則，較難呈現人們尋求心理健康支援時可能遇到的各種情況。1
3
從一段對話，到逐項評分
這套基準收錄 1,215 段合成對話，並非真實使用者對話的發生頻率統計。部分案例包含先前的交談內容，用來測試模型回答最後一則訊息時，會否顧及相關背景。1
來自 22 個國家或地區的 80 多位持牌心理健康專家參與制定評分標準。專家閱讀對話後，列出模型回應最後一則訊息時應做到、或應避免的具體行為。每段對話至少由三位專家審閱；OpenAI 表示，只有獲所有審閱者同意的標準才會納入最終版本。1
4
公開的基準共有 5,262 項專家撰寫的評分標準。有益的回應行為可獲正向權重，有害行為則會受到負向評分；自動評分器再逐項檢查模型的回答。因此，分數衡量的是回答與這些標準有多一致，不是使用者的臨床結果。1
4
測試的不只是緊急危機
案例從一般、非急性的生活困擾，延伸至嚴重痛苦與需要緊急處理的情況；涉及成年人、青少年、照顧者及臨床工作者，也涵蓋不同語言和地區。評分標準可檢視 AI 有否尋求必要背景、尊重當事人自主、提供合宜而可行的建議，以及按風險程度調整回應。1
4
結果該怎樣解讀？
OpenAI 指，受測 AI 系統的表現有所改善，但在何時追問背景及如何拿捏緊急程度方面仍有困難。現有資料不足以在本文作出可靠的逐一模型排名；基準分數提高，也不代表模型在每次實際對話中都能安全應對。1
OpenAI 亦參考了真實 ChatGPT 使用者的回饋。使用者觀點可以補充臨床專家的判斷，卻不能取代臨床與安全標準。所提供的資料沒有指出雙方究竟在哪些具體優先事項上看法不同，因此不宜臆測兩者之間有某種特定分歧。1
評分基準不是危機支援功能
MentalHealthBench 用於評估回應，本身不是 ChatGPT 的危機介入工具。OpenAI 另外表示，已擴大危機求助熱線的使用途徑、將部分敏感對話轉至較安全的模型，並在長時間使用期間加入休息提醒。這些措施與基準測試屬於不同層面的安全工作；ChatGPT 仍不能取代心理治療、專業照護，或緊急情況下的現實求助。11
15
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「OpenAI 的 MentalHealthBench 如何測試 AI 的心理健康回應」的簡短答案是什麼？
MentalHealthBench 收錄 1,215 段合成心理健康對話，並以 80 多位持牌專家參與制定的標準評估 AI 回應。[1][4]
最值得優先驗證的重點是什麼？
MentalHealthBench 收錄 1,215 段合成心理健康對話，並以 80 多位持牌專家參與制定的標準評估 AI 回應。[1][4] 測試涵蓋日常困擾至緊急情況；得分反映回應是否符合評分標準，不能保證每次對話都安全，更不等於治療成效。[1][4]