先按标题、关键词、摘要和全文解读四部分整理，并严格保留专业术语与格式要求。中文标题：印度尼西亚精神科出院后家庭照护者支持用基于规则的聊天机器人开发：一项探索性质性研究

《Journal of Multidisciplinary Healthcare》：Development of a Rule-Based Chatbot for Supporting Family Caregivers After Psychiatric Hospital Discharge: An Exploratory Qualitative Study in Indonesia

　　

摘要目的 家庭照护者在精神障碍患者出院后的支持中发挥关键作用。然而，照护者常常面临信息有限、照护负担沉重以及心理健康服务可及性受限等困难。本研究旨在探索精神科患者出院后照护者在信息与技能方面的需求，并在印度尼西亚据此开发一个定制化的聊天机器人（chatbot）咨询系统原型。

材料与方法 本研究采用探索性质性设计，在社会认知理论（Social Cognitive Theory, SCT）指导下探索照护者需求，并支持初步的基于规则的聊天机器人原型开发。研究通过对8名参与者进行半结构式访谈收集资料，其中包括5名心理健康专业人员和3名家庭照护者，同时辅以对67份匿名化 WhatsApp 咨询记录和5份出院教育文件的分析。数据采用 Braun 和 Clarke 框架下的归纳性主题分析（inductive thematic analysis）进行分析，并使用 NVivo 进行整理。通过三角互证（triangulation）、成员核查（member checking）和同行讨论（peer debriefing）增强研究可信度。研究将识别出的主题转化为聊天机器人功能，包括心理教育、照护指导、复发支持和转诊导航，随后由6名多学科专家进行验证。

结果 主题分析识别出照护者需求的9个领域：患者病情理解、治疗与药物管理、居家照护实践、社区支持、照护者负担与应对策略、支持性卫生服务、在线咨询系统障碍、对数字媒介的期望，以及聊天机器人实施的未来挑战。照护者强调，出院后需要持续性的心理教育、明确的复发预防指导以及可及的咨询渠道。基于上述发现，研究将识别出的照护者需求转化为一个初步的基于规则的决策树聊天机器人原型（KJOL-ITEUNGBOT），用于支持照护信息提供和转诊导航。

结论 印度尼西亚精神科患者的家庭照护者在出院后面临复杂的信息性与心理社会性挑战。基于聊天机器人的咨询系统可作为一种潜在有用的工具，用于支持照护者获取信息并获得出院后指导。未来研究应在更广泛的临床场景中评估该聊天机器人的可用性、有效性与可扩展性。

本文发表于《Journal of Multidisciplinary Healthcare》，聚焦精神科患者出院后家庭照护者支持这一长期被忽视但临床与公共卫生意义突出的议题。研究背景在于，严重精神障碍如精神分裂症、双相障碍和重性抑郁障碍具有较高患病负担，患者出院后1年内复发风险较高，而家庭照护者在维持治疗依从性、监测复发征象、促进社会功能恢复方面承担核心职责。然而，现有出院指导多以医院为中心，信息传递有限、个体化不足，照护者对诊断、药物、不良反应、家庭照护、复诊流程及危机应对往往理解不充分。同时，在印度尼西亚这类中低收入国家，心理健康服务资源有限、污名依旧存在、就医流程复杂，进一步加重了照护者的情绪、经济和社会压力。数字健康（digital health）工具，尤其是聊天机器人，具有全天候、低成本、可扩展和匿名性等特点，因此研究人员开展本研究，意在系统识别照护者的真实需求，并将其转化为可落地的出院后支持工具。

研究人员采用探索性质性研究，首先从照护经验与服务供给两端梳理家庭照护者在出院后的信息与技能需求，再基于所得主题构建一个面向照护者的基于规则的聊天机器人原型。研究结论指出，照护者需求具有多维度、彼此交织的特征，既包括疾病知识与复发识别，也包括药物管理、家庭沟通、社区支持、服务转介和情绪应对；将这些主题进一步结构化后，可以形成一个具有心理教育、照护指导、复发支持和转诊导航功能的决策树聊天机器人。其重要意义在于，研究不仅补足了以往数字心理健康研究主要面向患者、较少关注照护者的不足，也为资源受限环境中“出院后连续支持”的数字化实现提供了概念框架与原型依据。

在方法上，研究以社会认知理论（SCT，一种强调认知、行为与环境交互影响健康行为的理论）作为概念框架，于2025年5月14日至2026年2月15日间开展。样本包括8名受访者，其中5名为心理健康专业人员、3名为家庭照护者；另纳入67份匿名化 WhatsApp 咨询记录和5份出院教育文件，样本与文件主要来源于印度尼西亚西爪哇省精神病院相关服务场景。研究通过半结构式深度访谈、文件审查与聊天记录分析收集资料，采用 Braun 和 Clarke 归纳性主题分析法，由两名研究人员独立编码，并借助 NVivo 完成主题整理；同时通过三角互证、成员核查、审计轨迹和专家验证提升可信度。随后，研究将主题、类别与编码分别转译为聊天机器人的决策节点、分支结构和回复内容，并以 Python、MySQL 与基于规则的决策树架构构建 KJOL-ITEUNGBOT 原型。

研究结果部分首先呈现参与者特征与文件分析结果。深度访谈对象由照护者与精神卫生专业人员构成，年龄约29–60岁，以女性居多，教育程度多为专科至本科。文件审查显示，67个 WhatsApp 号码对应98条引用片段，5份出院教育文件对应19条引用片段。这些材料与访谈资料相互补充，说明出院后照护者持续存在广泛而反复的信息需求。

在“Thematic Findings”部分，研究从整体资料中提炼出2个主要议题，即“知识与技能”和“数字媒介”，共形成94个编码、25个类别与9个主题。其中，“知识与技能”包含71个编码、17个类别和6个主题；“数字媒介”包含23个编码、8个类别和3个主题。9个照护者需求领域分别为：治疗、支持性信息服务、照护者相关问题、社区支持、患者病情、患者居家照护、在线心理健康咨询（KJOL）障碍、聊天机器人实施的未来挑战，以及对数字媒介（聊天机器人）的期待。研究据此指出，照护者需求不是单一知识缺口，而是围绕照护过程形成的复合性支持需求。

在“Patient Condition”部分，研究通过疾病理解和患者监测两类资料发现，照护者迫切需要关于诊断、复发征象、预后及恢复可能性的清晰解释。访谈和聊天记录显示，家属对自言自语、情绪不稳等早期复发信号高度敏感，却缺乏系统识别框架；同时也希望在出院后仍可与医院保持联系，以便及时了解病情变化。该部分表明，持续性心理教育与结构化随访机制对于早期识别病情变化和支持康复具有关键作用。

在“Treatment”部分，研究发现照护者在药物、复诊随访及心理治疗方面存在显著需求。家属不仅关心药物种类、剂量、用途与相互作用，也担心药物不良反应和依赖问题；临床人员则强调不可擅自停药。部分患者因创伤体验或害怕再次住院而抗拒复诊，家属还面临国家健康保险（JKN）转诊流程、排班与预约等行政障碍。研究据此指出，治疗支持必须覆盖药物依从性、复诊可及性和家庭心理教育，而不应局限于出院当时的一次性说明。

在“Home Care”部分，研究显示，家庭在患者回家后需要针对具体症状风险的实操性指导，包括暴力、自杀、幻觉、妄想及社交退缩的应对。受访者强调建立日常作息、强化自主活动、使用共情性沟通和营造安全家庭环境的重要性。该部分说明，出院后照护并非简单监督，而是融合护理教育与行为支持的一整套家庭实践。

在“Community Support”部分，研究发现，社区接纳、社会安全感和社会再融入机会有助于长期康复，而污名和排斥则持续构成障碍。参与者特别提及 Puskesmas、RT/RW 与村级管理者等地方机构在支持持续康复中的作用。研究据此认为，社区支持不仅是外部资源，更是精神康复过程中的治疗性因素。

在“Caregiver Burden and Coping”部分，研究揭示照护者承受身体、情绪、经济和社会多维负担，包括失眠、疲惫、额外生活成本上升及社会隔离。应对方式则包括家庭内部任务分担、宗教或精神接纳、WhatsApp 同伴群组支持，以及咨询和支持性心理治疗。该部分说明，照护者支持应被纳入精神卫生连续服务体系，而非仅作为患者治疗的附属环节。

在“Supporting Health Services”部分，研究发现家属对医院行政流程、门诊安排、康复项目和急诊接诊程序常感到困惑，希望获得更透明的服务信息与更清晰的就医路径。该发现提示，服务信息素养和沟通系统优化同样是照护支持的重要组成部分，因为流程不清会直接加重焦虑并延误就医。

在“Barriers in Online Mental Health Consultation (KJOL)”部分，参与者认为现有 KJOL 在线服务缺乏实时响应，也无法提供24小时支持，尤其在病情紧急时难以满足需要。这一发现表明，技术平台的存在并不等同于可用性，临床场景中的响应速度、连续性与可达性才决定其实际价值。

在“Expected Digital Media (Chatbot)”部分，照护者与专业人员共同期待一个24小时可用、操作简单、便于访问、能够提供实用健康信息的聊天机器人，并希望其与现有 KJOL 服务整合，用于健康促进与知识普及。研究表明，理想的数字工具应既具教育功能，也具服务连接功能。

在“Future Challenges in Chatbot Implementation”部分，研究提出未来实施面临的主要障碍包括数字素养差异、经济与地理不平等，以及自动化系统难以传递共情的问题。研究对象也担心由他人转述信息可能导致理解偏差。该部分说明，精神卫生场景中的人工智能（AI）设计必须坚持以用户为中心，并重视语义准确性与情感适配。

在“Translation of Qualitative Findings into Chatbot Features”部分，研究将药物管理、复发预防、照护负担、沟通困难和服务可及性受限等主题转化为聊天机器人的具体功能，包括心理教育、照护指导、复发支持、应对信息和转诊导航。每一类照护问题均对应特定决策节点与回复路径，体现出从质性主题到系统设计的直接映射关系。

在“Prototype KJOL-ITEUNGBOT”部分，研究正式提出 KJOL-ITEUNGBOT 原型，其名称意为“Informasi, Teman, Edukasi Untuk Ngerawat Gangguan Jiwa”，即面向精神障碍照护的信息、陪伴与教育工具。该系统被设计为基于互联网的在线心理健康咨询支持平台，面向出院后患者家庭提供24/7持续支持，并采用基于规则的决策树架构，使照护者能够沿预设路径获取针对性信息或转介建议。

在“System Features”部分，原型包含4项核心功能：心理健康信息传播模块、药物与日常照护管理模块、照护者情绪应对支持模块，以及与 KJOL 在线咨询相衔接的转诊链接；另设基于 IP 地址的使用计数器以监测利用情况。这说明原型不仅面向知识传递，也兼顾服务连接与后续监测。

在“User Interface”部分，研究展示了界面原型的交互逻辑：用户可通过分层问题菜单选择与药物管理相关的常见问题，系统则输出强调依从性、风险提示和后续建议的情境化文本回复，并在复杂或紧急情况中提供 KJOL 的 WhatsApp 联系方式。该界面使用印度尼西亚语，以提高目标人群的可及性与语境适配性。

在“Decision Tree Structure”部分，研究说明聊天机器人以照护者的一般性问题为起点，逐步引导进入疾病理解、诊断、康复、复发原因及预警信号等主题路径；若用户输入提示复杂或潜在严重情况，系统将转向专业心理健康咨询服务。该结构的价值在于路径透明、可解释性强，并可在精神卫生服务中提升安全性。

在“Expert Validation”部分，6名多学科专家提出若干改进建议，包括简化诊断类别、将复发管理与病情监测整合、补充药物治疗作用与不良反应说明、采用更易于照护者理解的语言、增加邻近卫生服务和危机反应转介路径、强化医院服务与医保获取信息，以及避免不必要的个人信息采集、支持对话历史记录、并整合至 KJOL 网站与 WhatsApp 服务。该部分说明，原型虽已形成基础结构，但仍需通过多专业协作进一步优化可用性和临床适配性。

讨论部分指出，本研究弥补了既往精神健康聊天机器人研究主要关注患者、较少关注出院后家庭照护者的不足。研究发现，照护者需求跨越病情认知、药物管理、家庭照护、情绪负担、社区支持和卫生服务可及性等多个层面，并且彼此相互影响：知识不足会加剧焦虑，沟通困难会放大照护负担，经济与流程障碍又会限制服务利用。KJOL-ITEUNG 的设计正是对这些交织需求的结构化回应。研究同时从社会认知理论视角解释了其设计逻辑：照护者在药物管理、复发识别和家庭照护上的不确定性反映出较低的照护自我效能；聊天机器人通过持续心理教育和分步骤指导可增强行为能力，并通过24小时可达性形成强化机制。讨论亦明确指出，该原型尚未进行可用性或有效性验证，其对复发率和照护者负担的实际影响仍待后续研究检验；此外，基础设施、数字素养和资源限制也可能影响推广。

局限性方面，研究者指出本研究为单中心探索性质性研究，外部可推广性有限；样本量较小，尽管达到主题饱和，但仍难涵盖全部照护者经验；原型尚未完成可用性与有效性测试；当前基于决策树的方案在语言适应性上可能不如 AI 驱动系统灵活；此外，研究未系统评估照护者数字素养，而这可能显著影响工具采纳。

研究结论部分可译为：本研究对印度尼西亚精神科医院出院后精神障碍患者家庭照护者的需求提供了探索性认识。研究结果清晰表明，在照护知识与技能、情绪负担以及心理健康照护服务可获得性等多个方面，均存在以照护者为中心的干预需求。此外，这些需求被进一步转化为一个基于决策树的聊天机器人应用原型，展示了数字健康如何在资源受限环境中改善患者出院后照护者获取信息与指导的可及性。未来仍需进一步研究以确定该聊天机器人干预的可行性、有效性和可推广性；在应用过程中，还应处理数字素养与网络安全相关问题。若经过持续完善与验证，该聊天机器人应用有望成为适用于印度尼西亚及类似情境的有价值心理健康照护平台。