柏林工業大學研究發現，透過將心理學框架應用於如 ChatGPT 等大型語言模型，可顯著提升其提供健康建議的準確性，特別是讓自我照護建議的準確性從 13.4% 提升至近 30%，同時維持高水準的緊急情況偵測能力。
根據一份由《Let's Data Science》發布的最新研究報告指出，德國柏林工業大學（Technische Universität Berlin）的研究人員，透過將心理學框架應用於大型語言模型（LLM），顯著提升了其提供健康建議的準確性，特別是在自我照護建議方面。
這項研究測試了包括 GPT-4o 和 GPT-5 在內的十個 ChatGPT 系列模型。研究團隊採用了受「自然決策制定」（Naturalistic Decision-Making, NDM）啟發的提示詞，結果顯示，運用這些提示詞不僅提高了整體分診的準確性，更大幅改善了自我照護建議的品質。數據顯示，在引入 NDM 式推理後，自我照護建議的準確性從原先的 13.4% 大幅提升至近 30%。值得注意的是，儘管模型提供了更為寬鬆的自我照護建議，其對緊急情況的偵測準確性依然保持高水準。
研究人員馬庫斯·A·費弗（Markus A. Feufel）和 Marvin Kopka 共同闡述了兩套關鍵的心理學框架。其一是「識別主導決策」（recognition-primed decision-making, RPD），該框架要求模型將症狀與典型案例進行比對，並在腦中模擬潛在結果。另一個則是「資料框架理論」（data-frame theory），它引導模型建立一個情境框架，並透過反覆質疑來完善。
這些指令集被作為提示範本應用於不同推理能力的模型上。研究發現，即使是較為簡單的模型，在獲得人類推理的藍圖後，也能產生更為細緻且 nuanced 的輸出結果。這項成果對於未來大型語言模型在醫療健康領域的應用，特別是在提供初期諮詢和輔助決策方面，具有重要的參考價值。