Resumen Técnico: UTS en PsyDefDetect

Definición del Problema

El artículo aborda la tarea compartida PsyDefDetect en BioNLP 2026, que requiere clasificar los enunciados objetivo en diálogos de apoyo emocional en nueve niveles de la Escala de Clasificación de Mecanismos de Defensa (DMRS). La DMRS es un instrumento clínico jerárquico que abarca desde el Nivel 1 (defensas basadas en la acción) hasta el Nivel 7 (afrontamiento altamente adaptativo).

El desafío central es doble:

1. Ambigüedad Contextual: Los mecanismos de defensa se definen por su función psicológica y no por su forma lingüística. La misma expresión superficial puede indicar diferentes niveles dependiendo del contexto (por ejemplo, reconocer una dificultad sin respuesta emocional puede indicar el Nivel 6 Aislamiento del Afecto en lugar del Nivel 7 Afrontamiento Adaptativo).
2. Desequilibrio Severo de Clases: El conjunto de datos exhibe un efecto "Atractor L7", donde el Nivel 7 (Altamente Adaptativo) constituye el 51,9 % de los datos de entrenamiento, mientras que las clases de defensa de nivel inferior (L1–L5) representan colectivamente solo el 21,5 %. Esto lleva a que los Modelos de Lenguaje Grande (LLM) sobrepredigan la clase mayoritaria, confundiendo la participación emocional con el afrontamiento adaptativo.

Metodología

El sistema propuesto, UTS en PsyDefDetect, emplea una arquitectura de consejo deliberativo de múltiples fases, potenciada por un conjunto de anulación dirigido.

1. Consejo Deliberativo de Múltiples Fases

Construido sobre la API de Gemini 2.5, el sistema reemplaza la votación estándar con un proceso estructurado de evaluación de evidencia:

• Fase 1 (Propuesta): Tres agentes especialistas (Analista Clínico, Especialista en Mecanismos, Analista de Patrones) generan de forma independiente etiquetas candidatas y alternativas.
• Fase 2 (Defensa): Defensores específicos de cada clase evalúan la fuerza de la evidencia para cada etiqueta candidata, calificándolas como FUERTE, MODERADA o DÉBIL. Esta fase utiliza ejemplos de pocos disparos recuperados.
• Fase 3 (Resolución): Una función de resolución arbitra basándose en la calidad de la evidencia y no en el recuento de votos. Una calificación única FUERTE gana inmediatamente; los empates se resuelven mediante una comparación directa par a par.

Codificación del Conocimiento Clínico:
Un componente crítico es la codificación de la jerarquía DMRS como un espectro de integración afecto-cognición. El sistema razona sobre lo que está ausente (afecto faltante, cognición bloqueada, realidad negada) en lugar de solo sobre lo que está presente. Se implementaron cinco reglas a nivel de prompt:

1. Integración de más de 60 indicadores conductuales de DMRS-Q.
2. Distinción entre emoción y defensa (por ejemplo, "me siento triste" no es una defensa sin distorsión).
3. Preferencia por defensas de nivel inferior (menos maduras) en casos ambiguos.
4. Una lista de vigilancia para pares de clases de alta confusión.
5. Una puerta de verificación L7 que requiere un mecanismo adaptativo nombrado.

2. Recuperación y Ajuste Fino

• Recuperación: Se utiliza TF-IDF con Relevancia Marginal Máxima (MMR) para la Fase 1 para garantizar la diversidad, evitando la agrupación del contenido emocional que podría causar la recuperación semántica. La exclusión por ID de diálogo se aplica estrictamente para prevenir fugas de recuperación (ejemplos del mismo diálogo).
• Ajuste Fino: Se ajustaron finamente tres modelos Qwen3.5 (9B, 35B-A3B MoE y una variante especializada de 9B) utilizando LoRA en cuantización de 4 bits.
  • Intervención Clave: El entrenamiento utilizó pérdida solo de completado (train_on_responses_only), calculando la pérdida únicamente en el token de etiqueta. Esto evitó que el modelo desperdiciara actualizaciones de gradiente en la autocompletación de diálogos, aumentando la precisión del 25–55 % al 59–65 %.
  • Autoconsistencia: La inferencia implica múltiples ejecuciones (temperatura=0.3) para generar puntuaciones de confianza.

3. Conjunto de Anulación Dirigida

Para abordar la tendencia del consejo a estar "seguro pero equivocado" en las clases minoritarias (específicamente el atractor L7), se desarrolló un sistema de anulación dirigido:

• Anulaciones Tipo A: Corrige las sobrepredicciones de L7 cuando un modelo ajustado finamente muestra una autoconsistencia ≥80 % para una clase minoritaria y es corroborado por un resolvedor par a par.
• Anulaciones Tipo B: Corrige confusiones de minoritaria a minoritaria cuando ≥3 de 6 fuentes independientes están de acuerdo.
• Selección Agéntica: La selección de anulaciones fue gestionada por un sistema estructurado de múltiples agentes que comprende un Constructor (escanea candidatos), un Crítico (argumenta contra las propuestas) y un Guardián de Regresión (rechaza firmemente envíos que fallan en verificaciones estructurales). Esta descomposición formal de roles produjo una mayor ganancia en F1 en una iteración que ocho intentos ad hoc anteriores combinados.

Resultados Clave

El sistema obtuvo el 2º lugar entre 64 entradas (F1 0.406) en el ranking de la tarea compartida.

• Impacto de las Reglas Clínicas: La integración de reglas de razonamiento clínico en el prompt proporcionó la mayor ganancia individual, aumentando el F1 de 0.268 a 0.382 (+11.4 puntos porcentuales).
• Impacto de la Anulación: El conjunto dirigido de 16 anulaciones (7 Tipo A, 9 Tipo B) añadió +2.4pp a la puntuación F1, llevando el resultado final a 0.406.
• Precisión: El sistema logró la mayor precisión (0.461) entre todos los equipos del top 5, reflejando la naturaleza conservadora de la estrategia de anulación.
• Análisis de Errores:
  • Atractor L7: El 54 % de los errores estables fueron predicciones incorrectas de L7.
  • Seguros pero Equivocados: Para las clases minoritarias (L3, L4, L6, L8), el 59–80 % de las predicciones estables fueron incorrectas, mientras que las predicciones inestables fueron paradójicamente más precisas.
  • Sobreajuste: Las modificaciones que mejoraron el F1 del conjunto de entrenamiento degradaron consistentemente el rendimiento en la prueba, indicando sobreajuste del prompt.

Significado y Afirmaciones

El artículo postula que la idea principal para esta tarea es que los mecanismos de defensa se definen por lo que está ausente. Codificar este "razonamiento basado en la ausencia" en reglas clínicas resultó más efectivo que los cambios arquitectónicos o la escalabilidad de modelos.

Los autores destacan que:

1. Descomposición Formal de Roles: Estructurar el proceso de selección de anulaciones en roles distintos (Constructor, Crítico, Guardián) fue más efectivo que la automatización por sí sola, evitando el sesgo de confirmación y mejorando la calidad de la evidencia.
2. Estrategia de Recuperación: Para la selección de pocos disparos bajo desequilibrio de clases, TF-IDF con MMR superó a la recuperación semántica al evitar la agrupación del contenido emocional, preservando así la diversidad de clases.
3. Intervención de Entrenamiento: El uso de pérdida solo de completado durante el ajuste fino fue una intervención crítica y de alto impacto que mejoró significativamente el rendimiento del modelo en esta tarea de clasificación específica.

El sistema se enmarca explícitamente como una herramienta de investigación para analizar constructos psicológicos en diálogos, no como un instrumento de diagnóstico clínico. El trabajo representa uno de los primeros estudios computacionales a gran escala que aplica LLMs a la clasificación jerárquica de mecanismos de defensa en conversaciones terapéuticas naturalistas.