Resumen Técnico: Las narrativas internas parametrizan los estados afectivos

Enunciado del Problema

La relación entre las narrativas internas (pensamientos y sentimientos verbalizados) y los estados afectivos subyacentes, particularmente en el contexto de la depresión, sigue siendo poco comprendida. Aunque las evaluaciones psicológicas dependen en gran medida de descripciones verbales para medir la salud mental, la relación estructural y dinámica entre estas narrativas y la geometría latente de los trastornos afectivos no está bien cuantificada. Trabajos previos han establecido que los estados afectivos sesgan la atención, la memoria y el uso del lenguaje, y que los estados de ánimo pueden considerarse estados computacionales que restringen el comportamiento. Sin embargo, falta un marco que trate los estados afectivos como entidades computacionales capaces de ser parametrizadas por la estructura de las narrativas internas. Este artículo aborda la siguiente pregunta: ¿Pueden los Modelos de Lenguaje Grandes (LLM), que funcionan maximizando la predicción de tokens consistente con el contexto, servir como un proxy computacional para cuantificar y predecir la estructura latente y la dinámica de los estados afectivos humanos?

Metodología

Los autores realizaron dos estudios a gran escala (total $N=1257$) que utilizaron verbalizaciones abiertas de síntomas depresivos y representaciones de modelos de lenguaje grandes para probar tres hipótesis.

Estudio 1: Parametrización Estructural

• Participantes: $N=704$ hablantes nativos de inglés con diversos grados de severidad de la depresión.
• Procedimiento: Los participantes respondieron ocho preguntas abiertas derivadas del PHQ-9 (Cuestionario de Salud del Paciente) sobre síntomas depresivos específicos (por ejemplo, estado de ánimo, energía, sueño). Posteriormente, completaron cuestionarios estándar de opción múltiple: PHQ-9, GAD-7 (ansiedad) y SDS (Escala de Autoevaluación de la Depresión).
• Análisis con LLM:
  • Predicción: Los autores construyeron prompts que contenían la respuesta abierta de un participante y pidieron a varios LLM (Gemma2 2B/9B, Llama-3.1/3.2, Mistral-7B) que predijeran la etiqueta de opción múltiple correspondiente (A-D) mediante muestreo de logits.
  • Estructura Latente: Para probar si los LLM capturan la covarianza de los síntomas (la geometría latente), los autores compararon las correlaciones entre pares de ítems de los cuestionarios de verdad fundamental contra las correlaciones predichas por los LLM basadas en entradas abiertas.
  • Autoencoder Escaso Supervisado (sSAE): Se entrenó un autoencoder escaso supervisado sobre los estados ocultos del LLM (promediados a través de las respuestas abiertas) para predecir puntuaciones PHQ-9 estandarizadas en z. Esto permitió la extracción de un "subespacio de síntomas depresivos".
  • Perturbación: Los autores perturbaron las representaciones latentes del sSAE en direcciones específicas (aumentando o disminuyendo la severidad de los síntomas) y observaron los cambios resultantes en las respuestas de opción múltiple muestreadas por el LLM para probar la sensibilidad.

Estudio 2: Dinámica Temporal y Sensibilidad Contextual

• Participantes: $N=553$ participantes.
• Procedimiento: Los participantes se sometieron a un protocolo de inducción de estado de ánimo utilizando "entradas de diario" emocionalmente evocadoras (que representan extremos de estado de ánimo alto o bajo).
  • Tarea: Los participantes escucharon y recrearon estas entradas de diario, luego escribieron nuevas continuaciones. Un subconjunto (autobiográfico) recibió la instrucción de recordar eventos de vida similares, mientras que el otro (no autobiográfico) actuó como un personaje.
  • Medidas: Las evaluaciones de línea base y de seguimiento incluyeron el estado de ánimo momentáneo (Escala Visual Analógica), el recuerdo de palabras emocionales (análisis de sentimiento) y reevaluaciones abiertas del estado de ánimo/energía.
• Análisis: Los autores utilizaron el modelo sSAE entrenado en el Estudio 1 para cuantificar la severidad del síntoma "Sentirse triste, deprimido o sin esperanza" en los diarios de continuación de los participantes. Analizaron cómo los cambios en estas narrativas internas se correlacionaban con los cambios en las medidas afectivas autoinformadas.

Resultados Clave

1. Predicción de Puntuaciones Autoinformadas

Los LLM predijeron con éxito las puntuaciones estándar de depresión de opción múltiple basándose únicamente en verbalizaciones abiertas.

• Correlación: El modelo de mejor rendimiento (Gemma2 9B) mostró correlaciones de moderadas a altas ($r = 0.56 - 0.78$) entre las puntuaciones predichas y las de verdad fundamental en los ocho ítems de síntomas. Este rendimiento es comparable a la fiabilidad test-retest del propio PHQ-9.
• Sesgo: Se observó un sesgo sistemático donde el modelo sobreestimó la severidad para respuestas de "sin síntoma" y la subestimó para respuestas de alta severidad, probablemente debido a la falta de negación explícita en el texto abierto.

2. Recuperación de la Estructura Latente de los Síntomas

El estudio demostró que las representaciones de los LLM capturan la estructura de covarianza subyacente de la depresión.

• Matrices de Correlación: Las correlaciones entre pares de ítems predichas por los LLM a partir de entradas abiertas coincidieron estrechamente con las matrices de correlación de verdad fundamental del PHQ-9, GAD-7 y SDS.
• Similitud Estructural: Métricas que incluyen bases de Descomposición en Valores Singulares (SVD) y medidas de proyección confirmaron que las estructuras derivadas de los LLM se alineaban con la geometría latente de verdad fundamental. Los modelos de peor rendimiento no lograron capturar esta estructura, lo que sugiere que capturar el patrón de covarianza es esencial para la validez de constructo.

3. Perturbación Latente y Sensibilidad

El espacio latente del sSAE demostró ser sensible a perturbaciones específicas.

• Dirección: Al perturbar las representaciones de los estados ocultos en la dirección de síntomas específicos (por ejemplo, aumentando la "desesperanza"), los autores lograron dirigir las respuestas muestreadas del LLM hacia puntuaciones de severidad más altas o más bajas.
• Tamaño del Efecto: Se observaron tamaños de efecto significativos de Cohen's $d$ para la mayoría de los ítems, confirmando que el espacio latente contiene una representación significativa y manipulable de la severidad de los síntomas.

4. Dinámica y Sensibilidad Contextual

El Estudio 2 confirmó que los estados afectivos son sensibles a cambios contextuales y que estos cambios se reflejan en las narrativas internas.

• Éxito de Inducción: La inducción de estado de ánimo alteró con éxito el estado de ánimo momentáneo, el sentimiento del recuerdo de palabras y la severidad de los síntomas autoinformados.
• Seguimiento Narrativo: La severidad de los diarios de continuación, cuantificada por el sSAE, predijo la magnitud del cambio afectivo.
• Adherencia: El grado en que los participantes se adhirieron al tono emocional de la intervención (similitud de su texto con el estado inducido) predijo la extensión del cambio de estado de ánimo.
• Predicción de Línea Base: La severidad de línea base de la narrativa interna de un participante predijo la magnitud de su cambio afectivo posterior, respaldando la hipótesis de que los estados afectivos restringen el espacio de pensamientos posibles.

Significado y Afirmaciones

El artículo afirma proporcionar un marco computacional para comprender los estados afectivos humanos, estableciendo paralelismos entre la función del afecto y la mecánica de los LLM basados en transformadores.

1. Estados Afectivos como Restricciones Computacionales: Los autores argumentan que los estados afectivos funcionan para maximizar la consistencia temporal y contextual, restringiendo el espacio de posibles respuestas lingüísticas. Esto se alinea con la forma en que los LLM maximizan la predicción del siguiente token dado un contexto.
2. Cuantificación de la Geometría Latente: El estudio demuestra que las narrativas internas, cuando se cuantifican mediante representaciones de LLM, capturan la geometría latente de la depresión. Esto sugiere que la "estructura" de un trastorno no es solo un artefacto estadístico de los cuestionarios, sino que está incrustada en las relaciones semánticas de cómo los individuos verbalizan sus experiencias.
3. Implicaciones Terapéuticas: La capacidad de cuantificar los estados afectivos y su dinámica ofrece una herramienta potencial para:
   • Evaluación: Medir la severidad de la depresión a partir de cualquier fuente de texto libre.
   • Monitoreo Terapéutico: Rastrear el proceso y los resultados de terapias psicológicas ricas en lenguaje verbal.
   • Psiquiatría de Precisión: Identificar componentes individuales del cambio psicológico para diseñar intervenciones dirigidas.
4. Paralelo de Meta-Aprendizaje: El artículo postula que los LLM, entrenados en vastos textos humanos, han meta-aprendido las dependencias de entrada-salida de los estados afectivos humanos (por ejemplo, la baja autoestima que precede a la desesperanza). Este paralelismo emergente permite que los LLM actúen como una sonda para el meta-razonamiento humano y el "problema intratable" de decidir sobre qué pensar.

Los autores mantienen una postura modesta, señalando limitaciones como el enfoque específico en la depresión (PHQ-9), la posible variabilidad en la calidad de las respuestas abiertas y la necesidad de validación en diversas poblaciones y otros síndromes de salud mental. No afirman reemplazar el diagnóstico clínico, sino ofrecer un método computacional escalable para parametrizar y comprender la dinámica de los estados afectivos.