心理健康 App、数字疗法、远程咨询与线上干预的效果证据与监管。
一项预注册、样本量充足的随机对照试验以美国与英国成年人群为代表样本（N = 5049），比较正念、自我关怀和感恩三种每次5至10分钟的简短冥想练习与对照条件的效果。结果显示，简短冥想练习小幅改善主观幸福感的一个方面，即消极情感，且这种反应可通过干预前特征进行预测。作者提出，未来应开展前瞻性随机试验，检验算法指导的干预分配能否提升个性化冥想推荐的效果。
推荐理由：预注册、大样本的随机对照试验比较三种简短冥想练习，并尝试用干预前特征预测个体反应。
一项前瞻性注册的伞形综述汇总了2015年7月1日至2026年5月15日发表的59项元分析，比较屏幕暴露量与问题性使用等不同定义下的健康结局关联。结果显示，一般屏幕暴露与近视、超重/肥胖存在小到中等关联，而问题性或高强度指标并未一致放大这些结局；心理健康方面，社交媒体使用时长与抑郁症状的关联较弱（r = 0.11），问题性使用的关联更大（r = 0.29）。
推荐理由：伞形综述比较了屏幕暴露量与问题性使用在不同健康结局上的关联差异，为区分使用时长与使用质量提供证据。
一项范围综述筛查12,058条记录后纳入2015至2025年间发表的45项研究，用覆盖七个领域、76个提取条目评估其方法学特征，发现理论—干预匹配、因果架构和政策相关性等多个领域普遍存在局限，提示既往结果不一致可能部分源于研究设计与实施薄弱，而非干预效应本身存在差异。
推荐理由：梳理45项社交媒体减量研究的普遍方法学短板，并指出证据人群与限制政策目标人群之间的错位。
美国首批主修儿童行为健康的本科生已从俄勒冈大学Ballmer研究所毕业，进入一个在多个州可获职业执照的新行为健康岗位。俄勒冈和内华达率先为这一岗位建立执照与计费路径，称为Licensed Behavioral Health and Wellness Practitioner（BHWP），相关立法分别于2026年和2025年以两党支持通过，俄勒冈的法案将于2027年1月生效。
推荐理由：呈现美国首个本科级行为健康从业者执照路径的落地过程，可了解任务转移如何进入州级立法与支付体系。
一项针对德语成年样本（N = 446）的研究开展了为期6周、基于理论的手机端干预，尝试降低一般人群的神经质水平。作者指出，许多人希望自己不那么神经质，这类改变可能带来广泛益处，但关于非临床干预及其改变机制的证据仍然有限。
推荐理由：研究用手机端干预尝试降低一般人群的神经质水平，为这一非临床人格改变路径提供了初步证据。
一项预注册研究将828名成人随机分配到数字单次干预（SSI）或等待名单，并用机器学习方法开发针对该干预的治疗匹配算法。作者指出，部分数字单次干预对抑郁似乎有效，至少对青少年如此，但并非所有人都能获益，因此尝试用算法识别更适合该干预的人群。研究使用的干预为Common（原文截断）。
推荐理由：研究用机器学习为数字单次干预匹配适合的抑郁患者，提示个性化分配可能改善心理治疗的可及性。
Nature Reviews Psychology的Journal Club文章讨论了对话式AI用于情感支持时的一个特点：这类系统以维持用户参与为目标，因而更倾向于认可用户而非提出质疑。
推荐理由：借Hudon与Stip的论文梳理对话式AI为何更易迎合而非质疑用户，为理解精神病性脆弱人群使用AI的风险提供理论线索。
一项纳入895名16至24岁性少数与性别少数青年的随机对照试验发现，自动短信监测、线上同伴支持和教练式辅导三种干预均未显著减轻抑郁与焦虑症状，也未稳定心理健康服务使用。
推荐理由：随机对照试验显示，对性少数与性别少数青年的三种干预未能改善其抑郁焦虑症状，为同类项目设计提供了参照。
一项多中心、双盲、假对照随机临床试验检验了节律稳定App对心境障碍患者心境发作复发的预防作用，研究结果发表于 American Journal of Psychiatry 2026年9月刊（第183卷第9期，657-667页）。作者来自韩国多所大学附属医院及研究机构，摘要未提供样本量、随访时长与效应量等具体数据。
推荐理由：多中心双盲假对照设计检验节律稳定App能否减少心境障碍复发，为数字疗法补充了较高证据等级。
一项基于7166名青少年的前瞻性队列研究发现，社交媒体使用时间上升的轨迹与之后尝试酒精、大麻和尼古丁的几率更高有关。
推荐理由：基于7000余名青少年的五年追踪数据，区分出四类社交媒体使用轨迹，为早期识别物质使用风险提供线索。
研究提出 MATCH 框架，结合档案数据与计算机算法，把来访者匹配给治疗师，使平均疗效优于分配给下一位可预约的治疗师，同时兼顾治疗师的可用性。研究使用某大型私立大学咨询中心 2014 至 2019 年的 CCAPS-62 与 OQ-45 数据，共 10,100 个治疗疗程，并通过模拟和统计检验评估该方法。
推荐理由：用真实咨询数据演示机器学习匹配来访者与治疗师，并说明在治疗师排班受限时仍可能改善疗效。