Elsevier生成式人工智慧政策更新：學術出版邁向人機協作新時代

Elsevier生成式人工智慧政策更新：學術出版邁向人機協作新時代

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

Artificial intelligence (AI) tools were used in the preparation of this manuscript for the purposes of language refinement, including improving clarity, grammar, and sentence structure. The AI tools did not contribute to the intellectual content or interpretation of findings. All outputs were critically reviewed and edited by the authors, who assume full responsibility for the accuracy and integrity of the work.

(From: t.ly/-hXtt)

隨著生成式人工智慧（Generative AI）快速普及，學術出版正進入新的人機協作階段。Elsevier近期更新期刊AI使用政策，反映國際出版界已逐漸從全面禁止AI，轉向建立透明、可追溯且符合研究倫理的治理架構。

新版政策允許編輯與審稿人將AI作為輔助工具，例如優化審稿報告文字品質、改善編輯決策信件內容，以及協助背景文獻搜尋。然而，政策明確規定，所有學術判斷、同行審查及最終決策仍應由人類專家負責。尤其禁止將未公開手稿上傳至AI平台，以避免侵犯作者智慧財產權、破壞保密義務或造成個資外洩。

對作者而言，AI已被接受作為文稿撰寫與圖像生成的輔助工具，但必須揭露使用之工具及目的。Elsevier特別強調，AI不能取代作者身份，也無法承擔學術責任。研究成果之準確性、原創性及完整性仍由作者負全責。

此政策更新顯示，國際出版界對AI的態度已逐漸成熟，不再視AI為威脅，而是視其為提高效率與促進知識生產的重要工具。然而，其核心價值仍是維護研究誠信、保護未公開研究資料，以及確保科學判斷不被演算法取代。未來AI治理模式很可能成為學術出版新常態，而透明揭露、責任歸屬與人類監督將持續是制度設計的三大基石。

政策更新背景與宗旨 (Policy Background & Purpose)

• 因應科技進步：隨著生成式人工智慧（Generative AI）在研究社群的加速普及，Elsevier 更新了期刊政策，旨在為作者、編輯與評審提供清晰且實用的操作指引。

• 維護學術誠信：政策的核心目標是在擁抱技術效率的同時，嚴格捍衛學術誠信（Research Integrity）與學術出版的信任度。

編輯與評審人員指引 (Guidelines for Editors & Reviewers)

• 允許的輔助範疇：編輯與評審可使用 AI 工具執行實用性任務，例如改善決策信函（Decision letters）或評審報告（Review reports）的語言流暢度與結構，或輔助進行背景文獻檢索（Background literature searches），以提升工作效率。

• 資訊揭露義務：評審若使用 AI 工具優化評審報告的語言或內容結構，必須主動揭露（Disclose）所使用的工具與目的。然而，單純的拼字與文法基本檢查則不需揭露。

• 核心禁令（嚴格保密條款）：絕對禁止將未發表的論文稿件（Unpublished manuscripts）或其任何部分複製貼上或上傳至 AI 工具中。因為投稿稿件屬機密文件（Confidential documents），此行為會嚴重侵害保密性（Confidentiality）、所有權權益（Proprietary rights）以及個人資料隱私（Data privacy）。

• 人類主導原則：編輯裁量權（Editorial judgement）、同行評審（Peer review）與最終決定，仍是不可轉讓的人類責任。

作者指引 (Guidelines for Authors)

• 文字與圖像創建：作者除了可使用 AI 輔助文稿文字準備外，新政策更進一步針對如何使用 AI 工具創建特定類型的圖表、圖像與藝術作品（Figures, images and artwork）給予明確指引。

• 最終問責制：作者必須對所提交內容的準確性、原創性（Originality）與誠信負起完全責任。AI 不能取代作者身份（Authorship）、批判性思考（Critical thinking）或學術責任（Accountability）。

• 獨立揭露聲明：作者在投稿時，必須透過獨立的「AI 聲明書（AI declaration statement）」主動揭露相關的 AI 使用情況（包含工具名稱與目的）。基本的拼字、文法與標點符號檢查免予宣告。

• 圖像特別標記：若圖像（Images）的創建使用了 AI，作者除了在整篇論文的 AI 揭露聲明中提及外，還必須在該圖像的圖說（Caption）中明確標註。

Updated Elsevier policy on generative AI for journals

Dear Editor,  

As you may have seen, Elsevier has updated its policy on generative AI for journals. The updated policy provides clear guidance on how AI tools may be used by authors in manuscript preparation, including image creation, and by editors and reviewers in their editorial workflows.  

https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

As AI adoption accelerates across the research community and publisher policies continue to evolve, we update our policies to keep them clear, practical, and aligned with the broader landscape while maintaining our standards for research integrity and confidentiality.  

What this means for editors and reviewers 

The updated policy gives editors and reviewers guidance on how generative AI tools can be used to support parts of their work. AI tools can help with practical tasks such as improving the language or structure of decision letters and review reports, and supporting background literature searches, helping make some parts of the process more efficient.  

When reviewers use AI to improve the language or content structure of their review report, they should disclose this, including the tool used and purpose. Basic checks for spelling and grammar do not need to be disclosed. For editors, journals will inform authors that AI tools may be used in a supportive capacity via the Guide for Authors and EM letters. 

What stays essential  

Editorial judgement, peer review and decisions remain human responsibilities. Editors and reviewers must not upload or copy and paste unpublished manuscripts, or parts of manuscripts, into AI tools. That is because submitted manuscripts are confidential documents, and doing so may compromise confidentiality, proprietary rights, or data privacy where personal information is involved. 

What this means for authors 

Authors may already use private AI tools to support textual manuscript preparation, and the updated policy gives guidance on how to use AI tools to create certain types of figures, images and artwork 

Authors remain fully responsible for the accuracy, originality, and integrity of everything they submit. AI can support the process, but it does not replace authorship, critical thinking, or accountability. 

Authors must disclose relevant AI use in manuscript preparation through a separate AI declaration statement at submission, identifying the private tool used and the purpose of use. Basic spelling, grammar and punctuation checks do not need to be declared. 

 Where AI is used for images, authors should also disclose that use in the image caption and in the article’s general AI disclosure statement.  

The aim of this update is to give clearer guidance as AI tools evolve, while protecting trust in scholarly publishing. Elsevier will continue to keep the policy under review as practice and technology develop. 

Publisher

過動症病童看診後的處方籤是「手遊代碼」？

過動症病童看診後的處方籤是「手遊代碼」？日本創先健保給付的遊戲數位化療法

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

《EndeavorRx Ride》是日本首款獲得健康保險給付的兒童 ADHD（注意力不足過動症）遊戲型處方數位療法 App。該軟體由美國新創公司 Akili Interactive 開發，在日本由鹽野義製藥（Shionogi）於 2026 年 6 月 5 日正式推出，專門針對 18 歲以下患有 ADHD 的兒童與青少年，作為免除或減少藥物副作用的全新非藥物治療選擇。 [https://www.endeavorrx.com/].

這款數位療法（Digital Therapeutics, DTx）的核心機制與運作方式如下：

• 多工處理刺激：患者需操控畫面中的載具前進，透過傾斜裝置避開障礙物，同時必須即時捕捉賽道上特定顏色的指定角色。
• 前額葉皮質鍛鍊：這種同時處理多項資訊的設計，旨在活化與挑戰大腦中負責注意力功能、但在 ADHD 患者身上功能較弱的區域。
• 動態難度調整：遊戲難度會根據患者當下的即時表現進行演算法調整，確保挑戰性始終維持在最佳的治療區間。

根據日本國內 164 名 ADHD 兒童與青少年的臨床試驗結果顯示，使用《EndeavorRx Ride》治療的組別，其症狀改善成效比僅接受常規治療的組別高出三倍 (Nishino R, Mikami K. [Digital Therapy for ADHD: Endeavor Ride and the Current Status and Prospects of Next-Generation Therapeutic Apps]. Brain Nerve. 2025 Sep;77(9):1015-1021. Japanese)。

二十一世紀人工智慧時代即將來臨，隨著人工智能進步和科技的創新，精神醫療服務的數位化是不可避免之趨勢，線上診療作為預防或治療輕度精神疾病應成為常規。2024年4月，由Otsuka與Click Therapeutics合作開發的Rejoyn，獲得FDA核准為首個治療重度憂鬱症 (MDD) 的處方數位療法。同年七月，第二個FDA通過的處方數位療法 DaylightRx 也上市了，提供認知行為療法 (cognitive behavioral therapy, CBT) 來治療 22 歲及以上患者的廣泛性焦慮症（GAD）。而在英國，為了提高心理治療的普及、改善醫療資源不均的公平性、因應年輕族群最熟悉的求助方式、並減低個案求助專業的阻力，新版英國NICE指引推薦八種數位化、線上心理治療的App，在國民保健署 (NHS) 的治療師的支持下提供，用來治療憂鬱症和焦慮症。未來的「情緒辨識科技、精神病理數位表徵、睡眠和腦部活動等資料常模建立」、「系統性、連續性、即時性、動態性數據型態」…，將把心靈健康的促進提升到不同的境界。台灣有一流的醫療水準、大量臨床個案、完整健保資訊，若結合人工智能，推動精神醫療線上診斷和治療、以及健康資訊科技產業發展，以提供更完整的精神健康資訊，加速產業創新和技術轉移，促進精神健康醫療的升級和數位化轉型。

如何獲取與使用醫師診斷開立？

1. 此應用程式屬於醫療器材，無法直接在應用程式商店自由下載。
2. 獲取處方代碼：患者必須經由合作醫療機構的醫師進行診療，確認適合後由醫師開立處方，並提供一組專屬的「下載啟動代碼」。
3. 居家裝置治療：家長與患者可憑代碼在智慧型手機或平板電腦下載 App，並搭配護理人員專用的 EndeavorRx Insight 來追蹤與記錄孩子的治療歷程。

台灣目前沒有任何可以合法使用數位化療法

台灣「數位療法（DTx）」的進度現況法規框架已建立，台灣衛福部也針對「軟體即醫療器材（SaMD）」及「數位療法」制定了軟體醫療器材審查指引。但目前台灣沒有任何可以合法使用數位化療法，主要卡關在「在地臨床試驗」，而這類處方數位療法要在台灣合法上市，廠商必須先向 TFDA 申請醫療器材查驗登記。通常主管機關會評估該軟體在亞洲人或台灣人身上的臨床適應性。日本也是由鹽野義製藥在國內進行了 164 名患者的臨床試驗後，才順利通過審查並與健保給付。而目前尚未有國內大型藥廠或醫療器材商公開宣布取得任何數位化療法在台灣的代理權。

Nature論文揭開LLM資訊戰：國家媒體改變AI的世界觀

Nature論文揭開LLM資訊戰：國家媒體改變AI的世界觀

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

記得一開始接觸到大型語言模型 (LLM) 時，我就有預感中文AI終究會逐漸中國化，即使使用者硬要AI用繁體中文呈現，也改不了AI中國式的思考模式和立場。最近《自然》（Nature）刊出一篇重量級研究：國家媒體控制，已經能透過訓練資料，實質影響LLM的輸出傾向。

研究團隊以中國作為案例，分析官方媒體內容在大型訓練資料的滲透程度。結果發現：

1. 在涉及政治人物與政府機構的主題時，中文文件與中國官方媒體內容高度重疊達24%，規模約為中文維基的41倍。
2. GPT-4、Claude 等主流商業模型會重現中國官方媒體特有的句型與內容，顯示其可能已經吸收相關訓練資料。
3. 研究人員將中國官方新聞加入Llama封閉模型訓練後，模型對中國政府與政治制度的評價顯著轉為正面。僅需6400篇新聞，即可使模型在八成情況下產生更支持中國政府的回答。
4. 同樣的政治問題以中文提問時，得到的回答顯著比英文提問更支持中國政府。75.3% 的案例中，中文回答比英文回答更具親中政府傾向。

研究團隊用六個研究串起完整證據（如下圖），從開源訓練資料、模型「記憶」測試、到跨國語言審計，指出一個讓人不敢掉以輕心的現實：當資訊環境被某種敘事大量、長期、且高度一致地灌入，模型的人格就可能在該語言場域中被「塑形」。

Figure 1 建立了一條完整的證據鏈：從國家控制媒體 → 進入網路語料 → 被 LLM 學習與記憶 → 改變模型回答 → 最終形成跨語言、跨國家的政治偏向，顯示訓練資料本身已成為影響 AI 認知與價值輸出的關鍵力量。

1) 官方同源內容在訓練資料中「不是少量雜訊」

研究者在開源多語訓練資料 CulturaX 的中文子集中，找出與中國「國家協調媒體」（含黨國宣傳腳本與學習強國內容）高度同源／長片段重疊的文本 (Figure 2a)。結果發現：

• 整體匹配率達 1.64%（超過 310萬份文件）。這個比例約是中文維基的41倍。
• 一旦聚焦「政治領袖或政治機構」等高敏感主題，匹配率會飆升到 3.28%–23.98% (Figure 2b)。

這不是「偶爾混進去」而已，而是足以改變語言場域資料分布的結構性訊號：在中文政治文本的訓練材料裡，某種敘事可能被系統性放大。

2) 你切換到中文，模型的「立場」會跟著改變 (Figure 4)

研究也進一步做了比較：對同一組涉及中國政治領袖／機構／制度的問題，用中文提示與用英文提示相比，商用模型在中文提示下更容易產生「對中國政府更正向」的回應；而且這個現象不只出現在研究者設計的題庫，也能在真實世界使用者的中文提示中觀察到一致趨勢。

換句話說，很多人直覺以為「模型的立場是固定的」是一種錯覺。語言是不同訓練資料世界的入口。在英文環境下看起來相對中性，一旦切到中文，回覆可能更貼近北京官方敘事框架。

3) 陰謀論？「可得性＋一致性」的資料力學

研究提出一個非常現實的機制：高品質內容常有付費牆，未必容易被大規模抓取；而國家媒體長期維持大量、公開、可抓取、且措辭高度一致的內容—這會讓模型更容易在訓練中「學會」並在生成時重現。這裡最值得警覺的，不只是「偏見」，而是偏見會被看似客觀的敘事：讀者看到的是流暢、理性、像百科的文字，但背後的資訊權力結構可能早已改寫了模型的預設答案。

台灣使用者可以怎麼做：把風險轉成能力

1. 政治／主權／兩岸議題：固定做「雙語對照」
   同一問題用中文＋英文問一次，若敘事差異明顯，立刻回到可信原始來源（官方統計、國際組織、學術期刊、主流媒體深度報導）交叉查核。
2. 要求 AI 「列來源＋對應段落＋反例」
   不要只要連結，要它說明：哪一句主張來自哪段來源、是否存在反例或不同觀點。做不到就視為「需人工查核」。
3. 把答案拆成「可驗證事實」與「價值詮釋」
   事實可查核；詮釋需多元比較。這能有效降低被單一敘事「默默框住」的風險。

台灣政府與台灣AI科學家可以努力的方向

• 政府層級應打造「可信中文公共知識基礎建設」

1. 推動高品質中文公共資料的可機器讀取與開放授權（法規、白皮書、統計、研究報告、政策問答），讓 AI 訓練／檢索能吸收到更多「高品質且多元」的中文內容。
2. 建立國家級「可信來源白名單」與開放 API（可由學界、媒體、圖書館共同治理），讓產品端能做檢索增強生成 (RAG) 時優先引用可信資料。
3. 支持媒體與學術機構的數位典藏與開放（含去付費牆合作模式、授權補貼、公共採購），避免中文世界的高品質內容被可得性劣勢淘汰。

• 科學家／產業層級：把「可信度」做成可驗證的技術能力

1. 建立台灣版中文評測基準（benchmarks）：針對主權、公共衛生、災防、法律、教育等高風險領域，設計「可驗證事實＋多元觀點」的測試集，定期審計各模型在中文的偏差與引用品質。
2. 發展「引用對齊」與「可追溯生成」技術：要求模型輸出必須能追溯到來源段落，並可自動標記「此處屬推論／此處屬事實」。
3. 推動「本土 RAG 與安全對齊」的產品化：在關鍵公共議題上，用本土可信語料做檢索增強，而非完全依賴不可見的預訓練資料分布。

Reference: Waight H, Yang E, Yuan Y, Messing S, Roberts ME, Stewart BM, Tucker JA. State media control influences large language models. Nature. 2026 May 13. doi: 10.1038/s41586-026-10506-7. Epub ahead of print. PMID: 42129566.

聆聽疼痛的話語，取回身心的主權（推薦書序）

 聆聽疼痛的話語，取回身心的主權！

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

身為長期致力於身心疾病與神經科學的臨床工作者，我深知慢性疼痛絕非單純的局部組織損傷，而是大腦、神經系統與心理韌性共同交織的複雜訊號。妮可‧莎克斯在《疼痛替你說》中，提出了一個極具變革性的實踐框架。最令我感動的，是她將康復的主動權從醫師交還給病人，賦權讀者成為自己療癒的主人。本書的珍貴之處在於其「具體操作性」，透過「情緒挖掘書寫法」與「尋找答案：允許（Allow）、命名（Name）、停留（Stay）、釋放（Release）的ANSR 框架」，莎克斯將抽象的心理機制，轉化為具備神經重塑力量的可執行步驟。此外，書中展現了深厚的同理心，藉由作者自身的掙扎與知名案例（如 NBA 球星 MPJ），建立起強大的同病相憐連結。

本書也成功整合科學與心理，將杏仁核的生存反應與「情緒水庫」概念結合，深刻解釋了大腦如何利用生理疼痛作為保護機制，引導讀者從「戰鬥或逃跑」轉向「休息與修復」，這項視角與我長年研究的「中樞敏感化」機制不謀而合。慢性疼痛與憂鬱症在生物學上高度重疊，高達七成的憂鬱症患者其實是以身體不適而非情緒低落來表現，我們的研究發現，大腦前額葉中的分子生物標記，證實了心理困擾與身體疼痛在生物學上高度重疊。莎克斯強調的「由上而下」情緒調控，正呼應了我們在「身心介面研究中心（MBI Lab & Care）」中，積極推動利用穿戴式設備來即時評估自主神經平衡，以及多年倡導的「整合性治療（例如魚油補充、維生素D、正念冥想）」—結合數位醫學、營養醫學、生活型態介入與心理韌性訓練，幫助患者調和內在的生理節律與發炎反應。

儘管本書提供了極具啟發性的療癒路徑，但我也要提醒讀者，在判定「結構性疾病」與「心身疾病」的界限時，仍需保持高度自覺並與專業醫事人員緊密配合。對於某些醫學排除門檻的界線，建議與臨床醫師討論，確保在安全的基礎上進行這場心靈革命。總體而言，這是一本結合科學洞見與人文關懷的傑作。對於在傳統醫療中尋不著出口的朋友，我誠摯推薦本書作為您重拾身體主控權、終結心靈苦難的指南。

蘇冠賓醫師現任中國醫藥大學教授及安南醫院副院長，臺灣憂鬱症研究權威。致力整合醫學與去汙名化，任總統府健康臺灣推動委員。本專欄將帶領讀者以腦科學拆解憂鬱迷思，推倒社會偏見高牆。（更多相關文章請見蘇冠賓醫師部落格：https://cobolsu.blogspot.com/）

憂鬱因腸道「油」不得你？短鏈脂肪酸如何影響「腸腦軸線」

憂鬱因腸道「油」不得你？短鏈脂肪酸如何影響「腸腦軸線」

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

許多人以為，重度憂鬱症（Major Depressive Disorder, MDD）純粹是大腦裡血清素（Serotonin）或多巴胺（Dopamine）等神經傳導物質不夠的心理疾病。然而，現代精神醫學的發展已經打破了這項傳統觀念。近年來，「微生物-腸-腦軸線」（Microbiota-Gut-Brain Axis）的功能失調，已被證實是驅動憂鬱症病理進程的核心推手。

那麼，遠在腸道裡的細菌，究竟是透過什麼神祕信號來操控大腦的情緒呢？答案可能是腸道菌群發酵膳食纖維後產生的代謝產物——短鏈脂肪酸（Short-Chain Fatty Acids, SCFAs）。過去，世界各地的臨床研究在探討憂鬱症患者體內的短鏈脂肪酸時，數據往往互相矛盾。為了解開這個醫學謎團，身心介面研究中心（MBI Lab & Care）團隊的 Dr. Quang Le Do 作為第一作者，發表了一項重量級的系統性回顧與整合分析（Meta-analysis），首次為全球精神醫學界釐清了憂鬱症患者血液中短鏈脂肪酸的特定表型特徵（SCFA signature）。

Figure 1：SCFA在腸腦軸的可能作用機轉圖。

描述SCFA由腸道產生→進入循環→跨BBB→影響腦內與周邊路徑：

• BBB保護：SCFAs可調節緊密連結蛋白（tight junction proteins），例如 claudin/occludin，幫BBB維持「不漏」。
• 抗發炎：可透過 TLR4 / NF-κB 路徑或抑制 HDAC（histone deacetylases）降低微膠細胞 (microglia) 發炎反應。
• 神經營養與可塑性：提升 BDNF（腦源性神經滋養因子）相關路徑，支持神經新生與突觸可塑性。
• 血清素相關：促進 TPH1、影響 SERT，使周邊血清素訊號可能透過迷走神經與免疫調節間接影響大腦。
• 不健康飲食降低SCFA、而Omega-3與益生菌可能改善腸道生態。
• SCFAs常見如乙酸 acetic acid、丙酸 propionic acid、丁酸 butyric acid、異丁酸Isobutyric acid、戊酸Valeric acid、異戊酸Isovaleric acid

研究怎麼做？研究方法與篩選流程

我們依PRISMA流程，並在PROSPERO註冊，系統性搜尋三大資料庫至2025/9/15，納入8篇人類研究與52篇動物研究，用隨機效應模型計算標準化平均差（standardized mean difference, SMD），並做血漿/血清/糞便分層、MDD次分析、出版偏倚與敏感度檢驗。

• 資料庫檢索： 系統性搜尋 PubMed、Embase、Web of Science 及 Cochrane Library 等四大資料庫。
• 嚴格的納入標準： 研究必須包含明確診斷的 MDD 患者組與健康對照組（HC），且必須定量測量血液（血清或血漿）中的短鏈脂肪酸濃度。
• 統計分析工具： 採用隨機效應模型（Random-effects model）計算標準化均數差（SMD），並透過 Hedges'g 評估效應量。同時進行異質性檢驗I^2、亞組分析、元回歸分析及發表偏倚檢驗。

憂鬱症患者體內的「短鏈脂肪酸」全面低下

本研究在排除飲食與多重共病的干擾後，整合了多項國際臨床數據，結果發現重度憂鬱症患者血液中的總短鏈脂肪酸含量，相較於健康對照組呈現顯著的病理趨勢。其中，乙酸（Acetate）的下降幅度最為顯著。

MDD之週邊檢體SCFA呈現明顯下降：透過Meta-regression次分析臨床混雜變項的動態干擾：採標準診斷可提升訊號一致性：限定DSM/MINI/ICD診斷的MDD研究後，多數2–5碳SCFA下降更一致。

• 人類研究（8篇）顯示：血液（血漿/血清）中多種SCFA顯著下降，包含乙酸 acetic acid、丙酸 propionic acid、丁酸 butyric acid、異丁酸Isobutyric acid、戊酸Valeric acid、異戊酸Isovaleric acid。
• 分層結果：部分SCFA在血漿與血清方向不一致（例如乙酸在血漿下降、血清可能上升），反映異質性。
• 糞便SCFA多數無顯著差異（僅少數酸在少量研究中呈上升）。糞便SCFAs多數不顯著，或許支持另一種可能：問題不只在「產量」，也可能在吸收與系統性代謝（例如進入血液後的利用、轉換、清除）。

動物證據提供「因果線索」：補充SCFA可改善憂鬱樣行為，

• 在憂鬱樣動物模型（52篇小鼠模型）中，SCFAs耗竭更常見；更重要的是，補充SCFAs（尤其丁酸 butyrate，例如 sodium butyrate, NaB）常能改善強迫游泳（FST）、懸尾（TST）、蔗糖偏好（SPT）等憂鬱樣行為，暗示SCFAs不只是「標記」，也可能是「治療靶點」。
• 但高劑量丙酸在部分研究可能有不利效果，需劑量與情境分層。
• 提醒：研究仍受模型、劑量、量測方法差異影響，甚至丙酸在高劑量下可能出現不利訊號，因此未來需要更精準的「酸別×劑量×族群」策略。

因果機制解密：從「腸漏」到「腦漏」的神經免疫連鎖反應

血液中短鏈脂肪酸的缺乏，究竟是如何一步步一步催毀大腦的防禦系統，進而導致憂鬱症的呢？這背後存在著一條生物學因果連鎖效應：

首先，丁酸（Butyrate）與乙酸（Acetate）是維持腸道上皮屏障（Gut Barrier）與血腦屏障（Blood-Brain Barrier, BBB）完整性的核心能量來源。當腸道好菌減少、膳食纖維攝取不足，導致血液中的短鏈脂肪酸濃度潰散時，屏障上皮細胞的緊密連接蛋白（Tight Junction Proteins）就會開始鬆弛。

這種屏障的物理性瓦解，在臨床上會直接引發「腸漏症」與「腦漏症」。原本被阻絕在外的外周促炎細胞激素（Pro-inflammatory Cytokines，如 TNF-α、IL-1β）與細菌脂多糖（LPS），便能輕易穿透血腦屏障，直接侵入中樞神經系統。

當這些發炎因子進入大腦後，會像警報器一樣活化大腦的免疫細胞——小膠質細胞（Microglia）。被過度活化的小膠質細胞會釋放更多炎性物質，引發局部性的「神經發炎反應（Neuroinflammation）」。這場慢性火災會進一步干擾下視丘-腦垂體-腎上腺軸（HPA axis）的調節，並抑制腦源性神經滋養因子（Brain-Derived Neurotrophic Factor, BDNF）的表現。

缺乏了 BDNF 的滋養，大腦的神經塑性（Neuroplasticity）與海馬迴（Hippocampus）的神經發生就會受損。同時，發炎反應還會劫持色胺酸（Tryptophan）的代謝路徑，阻斷血清素的合成。這套從「微生態失衡 → 屏障受損 → 系統性發炎 → 大腦發炎與神經受損」的因果鏈條，正是憂鬱症病程不斷惡化的神經免疫學本質。

臨床轉譯價值：邁向營養精神醫學的精準醫療

這項研究具有高度臨床轉譯價值。傳統精神醫療在診斷憂鬱症時，過於依賴看診時斷點式的主觀症狀檢核表，這項研究確立了血液中的短鏈脂肪酸表現，可以作為評估腸腦軸功能受損程度的客觀生物指標（Peripheral Biomarker），未來精神科醫師或許能透過簡單的抽血報告，量化評估患者的腸腦軸健康狀況。

在治療上，這也為「營養精神醫學（Nutritional Psychiatry）」提供了堅實的實證醫學基礎—透過個人化的精準飲食介入、膳食纖維處方、Prebiotics或Postbiotics的精準補充，直接提升血液中的短鏈脂肪酸濃度。這不只開創了全新的輔助治療路徑，更為全球數億飽受憂鬱症折磨的患者，點亮了大腦修復與神經保護的新希望。

把AI調成「暖男」模式所付出的代價！

把AI調成「暖男」模式所付出的代價！

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

Nature的文章告訴我們，在目前的技術下，「社交溫度」與「事實準確」竟然是互斥的！ 當 AI 忙著當你的暖男閨蜜時，它就沒辦法當你理性的專業顧問了。

現代人（特別是年輕人）有心理困難第一個就是和ChatGPT對談，而去年全球AI使用最多的目的就是「療癒和陪伴 (therapy and companionship」)，其次是「組織生活」和「尋找(人生)目標」，也就是說，和「客戶談心聊天」變成了是AI公司最大的市場 (更高於產出想法、蒐尋資料、編譯文字)。因此，把和使用者之間的「互動溫暖化」，是AI技術的重要商業模式。

Oxford 大學的研究團隊測試了五大主流 AI 模型，發現當我們訓練 AI 變得更友善、更有同理心時，它們的錯誤率竟然飆升了 10% 到 30%。更誇張的是，AI 會為了「不掃你的興」而開始趨炎附勢，而且更容易傳播陰謀論、給出錯誤的醫療建議，只因為「暖男」想優先維持跟你的「良好關係」。

Ibrahim L, Hafner FS, Rocher L. Training language models to be warm can reduce accuracy and increase sycophancy. Nature. 2026 Apr;652(8112):1159-1165. 顯示較少

這份發表於《Nature》的研究，其方法學核心在於透過嚴謹的受控實驗，量化「人格特質」與「模型效能」之間的因果關係。

研究團隊採用監督式微調（SFT），針對 Llama-3.1、GPT-4o 等五種模型進行「溫暖人格訓練」 (不是單純寫Prompt叫AI角色扮演)。他們利用 GPT-4o 將 ShareGPT 對話數據轉換為具備同理心、包容性語言且友善的版本 (ShareGPT是少數擁有真實世界人類與大型語言模型（LLM）對話日誌的大規模且公開可用的數據)，同時嚴格控制不改變原始資訊內容。微調後的模型透過 SocioT Warmth 指標驗證，確認其在語言機率分布上確實展現出更高的社會溫暖度 (SocioT Warmth是基於社會心理學「刻板印象內容模型」並經人類驗證的自動化度量衡)。

研究的精髓在於多維度的壓力測試。團隊在 TriviaQA、MedQA 等數據集中，系統性地植入「情緒狀態」（如悲傷、憤怒）與「錯誤用戶信念」等變因。這種設計能精準區分模型錯誤是由於基礎能力不足，還是為了維持溫暖關係而產生的趨炎附勢（Sycophancy）行為。這個步驟很重要！

最後，團隊透過「冷淡風格微調」作為對照組，證實了性能下滑並非微調過程的副作用，而是「溫暖特質」與「準確性」之間存在的本質權衡。這套方法學成功將抽象的社交風格轉化為可量化的安全基準，揭示了人格訓練對 AI 誠實度的負面干擾。

醫學、心理治療與人工智慧

醫學、心理治療與人工智慧

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

醫學頂尖期刊《刺胳針》（The Lancet 2026 May 16）最近刊登了一篇由哈佛大學人類學宗師 Arthur Kleinman 教授團隊撰寫的精彩專題評論〈醫學、心理治療與人工智慧〉（Medicine, psychotherapy, and artificial intelligence）：

1. AI 因缺乏道德情感自我，易因偏誤反射而有害地固化患者僵化認知，本質上只是人類孤獨的數位投射 
2. AI 應定位於行政優化與臨床測量，並採取「人類主導」的混合模型，不可越俎代庖取代實體人類照護

生成式人工智慧（AI）的突飛猛進，以史無前例的速度重塑醫療與精神健康照顧的樣貌。當臨床醫學面對這場技術潮流時，其核心提問已從技術性的「模型能否執行治療？」進到哲學與臨床醫學的本質：「當我們試圖將心理治療交給電腦程式時，我們究竟遺漏了什麼？」哈佛大學 Gardner 與 Kleinman 教授在《The Lancet》發表的這篇專論，從神經科學與精神醫學歷史的角度，指明了跨越數位幻覺的關鍵指標：人類心智的動態潛意識與人際間的互為主體性（inter-subjectivity）。

文章指出，精神醫學長期以來存在一種將患者「去潛意識化」的機械論誤解，而 AI 的出現恰好迎合了過往對於「完美治療客觀性與中立性」的虛構幻想。然而，從神經科學、社會科學、文學和其他學門來看，動態潛意識的存在似乎是人類經驗的核心，因此也是我們所謂的精神病理學與心理治療經驗的核心。心理治療的本質並非單純的資訊交換或客觀指令的輸入，而是一個立體的生物心理社會過程。

人類心智的特質在於其動態性，也就是個體意識到與未意識到的事物是變動的，且取決於多種因素，例如情緒狀態的波動，而這些波動本身只有透過我們人類大腦的特定物理架構和神經調控模式才可能實現。同時，社會和我們的社交經驗也會影響我們的大腦與心智，無論是在童年發展還是貫穿一生的每時每刻體驗。因此，任何具有實質療效的臨床介入，都高度依賴於醫師與患者之間所建立的情感環境（例如轉移或反轉移），而這個環境最不可或缺的成分，是治療師身為「另一個擁有獨立、可識別之人類心智的社會動物」。

心理治療透過兩個心智在同一個物理空間中的意識與潛意識碰撞，才得以引導患者打破僵化的自我認知的故事。從這個視角審視 AI 聊天機器人，其臨床限制便昭然若揭。AI 無法感知的非語言訊息僅是表象，由於生成式 AI 的底層邏輯是基於人類數據的偏誤反射，它極易成為一面放大用戶潛意識渴望的鏡子，反而有害地固化了患者的病理認知。患者若對 AI 產生深層的共鳴感，本質上只是一種「數位投射」，如同夢境，其背後本質上「空無一人」。意即：AI 因為「一味迎合和缺乏主體性」，反而會強化精神疾病患者「僵化的自我」，這在臨床安全與倫理上是一記重大的警鐘。

照護與提供照護不可避免地是生物心理社會（biopsychosocial）與人類互為主體性（intersubjective）的 。沒有情感、道德自我以及在局部世界中的社會地位，聊天機器人無法取代臨床醫師，但我們確實相信 AI 可以作為臨床實務的輔助。例如，AI 在行政上的用途（包括病歷紀錄、筆記或在某些醫療系統中與第三方支付機構對接）相當直接，並具有讓醫師有更多時間陪伴患者。AI 有潛力以過往在大規模層面上不可行的方式，來測量並藉此提升照護品質 。

把 AI 放進心理治療（特別是需要講求人性的「動力取向治療」）其實很複雜。AI 的好處是隨手可用、很會抓重點；未來的做法，大概會是由經驗豐富的醫生來把關。患者平時可以先跟聊天機器人對話或寫作，AI 再把內容摘要報告給醫生，確保過程安全、符合倫理。但無論如何，患者和真人治療師的實體見面絕對不能省。就算見面的次數或時間變少，只要有真人互動，就能保住心理治療的核心靈魂，同時又能享受 AI 帶來的便利。

這就像是「對著牆壁練網球」。你一個人對著牆壁瘋狂練習，確實能流汗、能進步；但說到底，球場上還是需要一個活生生的對手，才能有真正的來回互動，也需要教練在旁邊看著。這意味著「人類臨床醫師主導」的混合模型（Hybrid Model）應確實可行。在最核心的治療關鍵上，保留人類醫師深思熟慮的判斷與不可或缺的互動，以在數據洪流中守護醫學的人文底蘊與病人的安全。

後記：把AI調成「暖男」模式所付出的代價！

Oxford 大學的研究團隊測試了五大主流 AI 模型，發現當我們訓練 AI 變得更友善、更有同理心時，它們的錯誤率竟然飆升了 10% 到 30%。更誇張的是，AI 會為了「不掃你的興」而開始趨炎附勢，而且更容易傳播陰謀論、給出錯誤的醫療建議，只因為「暖男」想優先維持跟你的「良好關係」。這篇Nature的最新文章告訴我們，在目前的技術下，「社交溫度」與「事實準確」竟然是互斥的！ 當 AI 忙著當你的暖男閨蜜時，它就沒辦法當你的專業顧問了。

Ibrahim L, Hafner FS, Rocher L. Training language models to be warm can reduce accuracy and increase sycophancy. Nature. 2026 Apr;652(8112):1159-1165. 

音樂正在變簡單嗎？從大數據分析看見數位時代下的音樂結構萎縮與趨同

音樂正在變簡單嗎？從大數據分析看見數位時代下的結構萎縮與趨同

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

對我而言，音樂從來不只是耳機裡流淌的旋律，而是生命中不可或缺的呼吸與節奏。我對音樂的熱愛毫無邊界，清晨習慣讓巴哈無伴奏大提琴組曲以嚴謹深邃的邏輯開啟一天的思緒，午後則沉浸於爵士樂即興碰撞的自由浪漫，或在搖滾樂的生命張力與電子合成器的未來意象間尋找共鳴；而當靈魂渴望最壯闊的洗滌時，我總會走向馬勒，在如同交響宇宙般的宏大編制中，沈浸於他那跨越生與死、痛苦與昇華的純粹戲劇性。

無論是跨時空的古典對話、還是對當下情感的即興捕捉，每一種曲風，都是一種觀看世界的方式。無論是壯闊的管弦樂、孤寂的民謠，還是充滿實驗性質的前衛音軌，都可以讓聆樂者在不同的階段和情境，找到與靈魂共振的優雅語言。

然而，當科學家從這種感性的沈浸中抽離，以一種近乎「解剖」的角度審視音樂時，支撐起這些人類情感的音樂骨架，究竟經歷了什麼樣的演化？剛剛 Scientific Reports 刊登一篇音樂演化的研究，作者利用「網絡科學 (network-based representation of music)」分析了近四百年、約兩萬首涵蓋古典、爵士、流行、搖滾、電子及嘻哈等六大類型，並將音樂轉換為加權有向網絡，結果相當有意思：

隨著時間推進，音樂整體正逐漸走向「簡化」與「同質化」。

研究團隊將音樂中的「旋律」與「和弦」轉化為數學上的加權有向網路，藉此捕捉音符轉換間的隱性邏輯。這項研究發現，音樂類型的區分不僅在於節奏或音色，更在於其網路拓樸結構。古典樂與爵士樂展現了高密度的網路特徵與豐富的層次感，這與其深厚的理論基礎與對非預期轉換的容許度有關。相比之下，流行樂與鄉村樂的網路結構顯得極為緊湊且具備高度預測性，反映了商業音樂對「洗腦旋律」與「公式化和弦」的偏好。

這項研究的方法論建立在將「時間序列」轉化為「空間網絡」的創新邏輯上。研究團隊利用大數據分析，將近兩萬首音樂作品解構為「加權有向網路（Weighted Directed Networks）」。在旋律網路中，每一個獨特的音高被定義為節點（Node），而音符之間的相繼出現則被視為有向邊（Edge），其轉換頻率則構成邊的權重。這種建模方式讓複雜的音樂作品轉化為可量化的數學拓樸結構，使研究者能跨越文化與美學的感性藩籬，利用網路科學中的指標—如效率（Efficiency）、熵（Entropy）與群聚係數，去精確測量音樂結構的資訊量與組織邏輯。

以Figure 1為例，就是將上述抽象建模過程視覺化的關鍵過程。該圖透過四首代表性曲目：(1) Air on the G String（Bach G弦之歌）、(2) Autumn Leaves（枯葉，爵士曲）、(3) Never Gonna Give You Up（洗腦流行曲）、(4) Crazy Train（瘋狂列車，重金屬經典），展示了音樂網絡的具象特徵：節點的大小反映了該音符在曲中出現的中心性（度數），而邊的清晰度則標示了音符轉換的頻率。從圖中可以直觀觀察到，複雜音樂（如古典與爵士）的網絡呈現分散且豐富的連結路徑，展現出高度的非預期性；而流行音樂則呈現高度集中的核心結構，顯示出公式化與重複性的特徵。圖一不僅證明了不同音樂類型在數學結構上的本質差異，更為後續分析四百年來西方音樂「結構簡化」與「風格趨同」的趨勢奠定了實證基礎。

古典與爵士音樂的結構最複雜

本研究的結果揭示了西方音樂演化中一個令人警示的趨勢：結構的「簡化」與「同質化」。透過分析跨越四百年的兩萬首作品，數據顯示音樂作品的網路複雜度（如資訊熵與網路效率）隨時間推移而顯著下降。特別是在二十世紀後半葉，儘管製作技術日益精進，但旋律與和聲的內在骨架卻趨於公式化。古典樂與爵士樂等歷史悠久的流派，原本擁有高密度的網路特徵與豐富的音符轉換邏輯，但近代作品在拓樸特徵上已逐漸向結構簡單的流行音樂靠攏，顯示出全球化與商業化競爭下，不同流派間的結構邊界正在模糊，導致整體文化多樣性的縮減。

圖四是本研究最精采的部分之一，它利用 UMAP（均勻流形逼近與投影） 技術，將音樂的「音程特徵」投射到一個高維空間，讓我們能以「鳥瞰」的方式觀察音樂流派的基因差異：古典樂與爵士樂明顯佔據了地圖上方的高複雜度區域，與下方的流行、搖滾等流派拉開了顯著距離。研究進一步將音樂特徵拆解為兩大核心維度，發現決定音樂深度的靈魂指標—「第二維度（加權效率與熵）」，與小二度及大二度等具備張力的不穩定音程高度相關。圖四的數據結果實證了古典大師們善於運用這些音程創造非預期性的聽覺層次，而現代音樂則傾向於使用更穩定、容易預測的音程組合 。

這種「同質化」現象反映了文化演化的多重因素。首先，錄音技術與廣播媒體的普及，使得受歡迎的結構範式被快速複製；其次，商業市場對低認知成本音樂的需求，促使創作者轉向更簡單、易記的旋律模式。雖然現代音樂在音色實驗與製作技術上日益精進，但其內在的骨架—即旋律與和聲的組織邏輯—卻正在喪失其原有的多樣性。

當我們讀到這些數據時，或許心中湧起一種複雜的惆悵。原來，當我們在演算法推薦的清單中感到「似曾相識」時，那並非錯覺，而是音樂骨架正在縮水。我們正身處一場「數位文化演化」！在Apple Music、Spotify、YouTube與演算法推薦的時代，我們聽到的音樂，可能正在被無形地「優化」成更容易被接受、記憶與傳播的形式。

Di Marco, N., Loru, E., Galeazzi, A. et al. Decoding the evolution of melodic and harmonic structure of Western music through the lens of network science. Sci Rep 16, 11121 (2026). https://doi.org/10.1038/s41598-026-42872-7

病人早已經在用AI尋求心理支持，臨床醫師應主動聊聊病人怎麼用！

病人早已經在用AI尋求心理支持，臨床醫師應主動聊聊病人怎麼用！

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

• 民眾正逐漸將生成式人工智慧作為心理健康資源。超過13.1%五百萬名美國青年曾向AI尋求心理健康建議，其中18至21歲族群的比例更高達22.2%。
• AI能提供陪伴、心理教育，但也可能給出不準確或有害的回應。
• 醫師若能了解病人從AI中獲得什麼，就能一起討論、澄清誤解，轉化成治療素材。
• 把AI變成深化醫病關係的機會：詢問時先不批判、展現好奇，聽病人覺得有幫助的地方，再一起討論需要注意的部分！
• 你們覺得呢？醫師該不該 routinely 問病人有沒有用ChatGPT談心理問題？

Ref: Saba SK, Weeks WB. Patients Use AI-Clinicians Should Ask How. JAMA Psychiatry. 2026 Apr 1. doi: 10.1001/jamapsychiatry.2026.0451. Epub ahead of print. PMID: 41920560. 

美國民眾正逐漸將生成式人工智慧（AI）作為心理健康資源。超過五百萬名美國青年（13.1%）曾向AI尋求心理健康建議，其中18至21歲族群的比例更高達22.2%。2025年一項針對有心理健康問題且使用大型語言模型成人的研究顯示，近半數受試者使用這些工具尋求支持，包括焦慮、憂鬱症及個人建議。

使用者尋求的情感支持、陪伴、心理教育，以及幫助處理困難經驗，常發生在療程之間，有時甚至取代臨床照護。雖然專業指引多聚焦於臨床醫師如何使用AI工具，但關於與病人討論其AI使用情況的對話至關重要，卻較少受到重視。

首先，AI使用情況能讓我們一窺病人的內心世界。人們很可能會向AI傾訴他們不願與臨床醫師分享的擔憂，例如尷尬的恐懼、擔心被評判的想法、看似明顯卻難以啟齒的問題，以及尚未成形的想法。

其次，AI會影響病人處理自身問題的方式。這些模型可能過度迎合，只提供認同而缺乏適當挑戰；容易產生幻覺，提供不正確或有害的資訊。如果臨床醫師知道病人從這些工具中獲得什麼，就可以用正確具有治療性的角度處理這些內容，探索病人尋求支持的原因、強化有益的部分、修正誤導性回應，並幫助病人發展對AI的批判能力。

第三，AI使用情況應視為臨床評估的一部分。臨床醫師會關心病人的運動、物質使用、正念冥想應用程式、自助書籍及支持團體參與情況，因為了解病人的因應方式對醫療也很重要。AI作為一種科技與求助行為，也應視為臨床評估的一部分。社群媒體對心理健康的影響如今已有充分文獻支持，但臨床界曾經遲遲未將其納入常規評估，以致一代年輕人在缺乏足夠臨床支持的情況下使用這些平台。

臨床醫師無需成為AI專家，但基本的AI素養是必要的

醫師應該了解大型語言模型是根據大量訓練資料預測可能的文字序列並產生回應，所以病人可能面臨特定風險：（一）雖然回應聽起來權威，但往往不完整、缺乏危機處理協議與問責；（二）心理健康領域中AI使用的研究仍處於起步階段，且進行困難；（三）AI可能提供有害資訊、不能適當回應自殺意念、甚至強化有害行為，或反映社會污名與偏見；（四）病人可能未充分認識隱私風險；（五）過度依賴AI尋求社交連結也可能成為問題，尤其對仍在發展中的年輕人而言；（六）快速的變化使得制定明確臨床使用指引極具挑戰性，因此，持續掌握最新發展是AI素養的重要組成。最具臨床意義的是了解個別病人如何使用AI，並據此做出回應。

臨床醫師的會談技術很重要（表格列出實務方法）

第一，正常化（不批判、肯定）AI用於心理健康，並以開放態度提問，能傳達好奇心，病人較不會感受到不認同。

• 「很多人都在使用像 ChatGPT 這樣的人工智慧工具，包括用來尋求心理健康支持。你有試過嗎？」

第二，先探索益處再討論疑慮，能展現真誠興趣，並幫助臨床醫師理解AI在病人生活中的具體角色。

• 「你用它來做什麼？哪些部分對你有幫助？」

第三，先詢問病人的疑慮，再分享臨床醫師的疑慮，能開啟關於潛在風險的對話。

• 「有沒有哪些回應讓你覺得不太有幫助，或是讓你感覺更糟？」

第四，病人有意願接受建議後再提供資訊（例如AI不準確、偏見、有害回應、污召化）。

• 「我可以分享幾個需要注意的地方嗎？」

第五，邀請持續對話

• 「我很希望能持續聽你分享這件事的發展、你覺得還有什麼有幫助的地方，或是出現任何疑慮。這可能有助於我們一起想出可以努力的方向。」

使用隱喻（如「一個知識豐富但有時過度自信的朋友」）能有效傳達AI的效用與限制。最後，表達希望持續討論AI的意願（包括邀請病人帶入相關提示與輸出），能將AI納入持續治療，而非視為一次性篩檢問題。這種方法能將AI使用轉化為治療素材，包括病人被吸引的主題、不確定的回應，以及可能正在學習的內容。

AI對心理健康有好有壞，兼具兩面，取決於情境。若未進行常規評估，臨床醫師就無法觀察病人與這些工具的互動，並可能遭遇無法預測的風險。既然病人已在使用生成式AI進行心理健康相關互動，臨床醫師無需等到有明確研究結果才開始詢問。臨床醫師應以好奇而非批判的態度進行對話，但也要提供資訊、信任，並隨著AI發展持續更新知識和素養。