文章总结与翻译
一、文章主要内容
该研究聚焦大型语言模型（LLMs）在心理健康领域的情感与 sentiment 分析，旨在探究不同LLM对抑郁、焦虑、压力相关查询的响应特征。研究选取8个主流LLM（Claude Sonnet、Copilot、Gemini Pro、GPT-4o、GPT-4o mini、Llama、Mixtral、Perplexity），针对6类用户画像（基准型、女性、男性、年轻人、老年人、大学生），设计20个实用的心理健康相关问题，最终收集2880条模型响应数据，并采用先进工具对这些数据进行情感和 sentiment 评分分析。
研究结果显示，所有模型输出中，乐观、恐惧、悲伤是主导情绪，中性 sentiment 始终保持较高水平，感恩、喜悦、信任处于中等水平，愤怒、厌恶、爱等情绪则极少出现。不同LLM对情感表达模式影响显著，如Mixtral的负面情绪（反对、厌烦、悲伤）水平最高，而Llama的响应最乐观、最愉悦。心理健康问题类型对情感响应影响极大，焦虑相关查询引发的恐惧评分极高（0.974），抑郁相关查询产生更高的悲伤情绪（0.686）和最高的负面 sentiment，压力相关查询则带来最乐观的响应（0.755），且喜悦和信任情绪更强烈。相比之下，查询中的人口统计学特征对情感基调影响甚微。统计分析证实，模型特异性和问题类型特异性差异显著，而人口统计学影响极小。
二、文章创新点
- 研究视角创新：首次系统性地同时考察多个主流LLM在心理健康领域的情感与 sentiment 表达差异，以往研究多聚焦单一模型或某类特定功能，缺乏多模型横
