Depression Symptoms and Relational Patterns in 187k ChatGPT Histories

Resumen Técnico: Síntomas de Depresión y Patrones Relacionales en 187k Historiales de ChatGPT

Planteamiento del Problema
Los Modelos de Lenguaje Extensos (LLM), como ChatGPT, se utilizan cada vez más como sistemas conversacionales privados y siempre disponibles. Si bien investigaciones previas en CSCW y HCI han examinado cómo los individuos utilizan sistemas en red para la divulgación y el apoyo entre pares, se sabe poco sobre cómo las personas con síntomas depresivos interactúan con agentes conversacionales no humanos y siempre activos. A diferencia de las comunidades de apoyo en línea tradicionales, los LLM ofrecen interacción uno a uno sin pares, moderadores o clínicos. Este estudio aborda la brecha en la comprensión de cómo los individuos con distintos niveles de severidad de síntomas depresivos utilizan ChatGPT, investigando específicamente si estas interacciones funcionan como una "infraestructura de apoyo informal" emergente y si las respuestas de los LLM se adaptan apropiadamente a la angustia del usuario, particularmente respecto a la redirección profesional.

Metodología
El estudio analiza un conjunto de datos de 187.093 conversaciones de ChatGPT de 766 participantes reclutados vía Prolific (EE. UU., Reino Unido, Canadá) en la primavera de 2026.

• Medición de Síntomas: Los participantes completaron el Cuestionario de Salud del Paciente-8 (PHQ-8). El estudio compara dos grupos: aquellos con puntuaciones < 10 (por debajo del umbral de síntomas moderados, $N=571$) y aquellos con puntuaciones ≥ 10 (síntomas moderados o mayores, $N=195$). El PHQ-8 se trata como una medida de la severidad de los síntomas recientes, no como un diagnóstico clínico.
• Procesamiento de Datos: El análisis combina métricas deterministas (uso en tiempo local, longitud de la conversación) con características léxicas y anotaciones derivadas de LLM.
  • Anotaciones de LLM: Utilizando gpt-4o-mini (temperatura 0), los autores generaron etiquetas para temas (p. ej., salud mental, problemas interpersonales, soledad), tipos de búsqueda de ayuda, niveles de divulgación, búsqueda de apoyo, redirección profesional y respuestas de estilo sicofante (acuerdo no crítico, obsequiosidad, entusiasmo).
  • Alcance: Las etiquetas de tema y de nivel de conversación se aplicaron al corpus completo. Las etiquetas de nivel de turno y de lado de la respuesta se aplicaron a subconjuntos específicos (conversaciones de Salud/Salud Mental y muestras aleatorias no relacionadas con la salud).
• Análisis Estadístico:
  • Comparaciones: Se utilizaron pruebas de Welch ponderadas por participante, la $d$ de Cohen y valores $q$ de Benjamini-Hochberg ajustados por FDR para comparar grupos.
  • Modelos de Sensibilidad: Los modelos ponderados por conversación ajustaron covariables demográficas, de uso, de tema, de familia de modelos, de tiempo de calendario y de posición en el historial.
  • Análisis de Lenguaje: El Análisis Diferencial de Lenguaje (DLA) utilizó 1-gramas, LIWC2022 y características de LDA a través del texto del usuario, del asistente y combinado.
  • Predicción: Se utilizó la regresión logística regularizada con validación cruzada de 5 pliegues estratificada repetida para probar si el lenguaje por sí solo podía predecir el estado de PHQ ≥ 10.

Hallazgos Clave

1. Contenido y Divulgación: Los participantes con puntuaciones de PHQ más altas ($\ge$ 10) llevaron significativamente más temas de salud mental, problemas interpersonales, soledad y preocupaciones centradas negativamente en sí mismos a ChatGPT.
   • Participación en Salud Mental: 5.7% vs. 3.1% para el grupo de PHQ inferior.
   • Divulgación: Los participantes con PHQ más alto exhibieron niveles de divulgación más altos (1.71 vs. 1.48) y una mayor proporción de conversaciones de búsqueda de apoyo (11.3% vs. 5.3%).
   • Marcadores Lingüísticos: Los usuarios con PHQ más alto emplearon más pronombres de primera persona del singular (30.83 vs. 25.32 por cada 1k palabras) y términos absolutistas (4.33 vs. 3.68 por cada 1k palabras).
2. Patrones Temporales: Los participantes con PHQ más alto mostraron un uso temporal distintivo:
   • Uso Nocturno: Una mayor proporción de conversaciones ocurrió entre las 23:00 y las 04:59 (14.2% vs. 9.7%).
   • Patrones Recurrentes: Entre los usuarios activos, los participantes con PHQ más alto tuvieron más meses donde las conversaciones de salud mental excedieron el 5% de su uso mensual.
3. Respuesta y Redirección:
   • Redirección Profesional: A pesar de la mayor divulgación y búsqueda de apoyo, las tasas de redirección profesional no fueron significativamente diferentes entre los grupos (16.9% para PHQ $\ge$ 10 vs. 16.0% para PHQ < 10).
   • Sicofancia: Las diferencias en la sicofancia (acuerdo no crítico, obsequiosidad) fueron débiles y no robustas tras ajustar por covariables. Los datos sugieren que ChatGPT no trata generalmente a los usuarios con PHQ más alto de forma más sicofante; más bien, estos usuarios simplemente entran en contextos donde la validación y los límites son más consecuentes.
4. Capacidad Predictiva: La predicción del estado de PHQ basada en el lenguaje fue modesta. El mejor modelo (usando características de LIWC del usuario) alcanzó un AUROC de 0.591, con una precisión de 0.341 y un recall de 0.487 en el umbral por defecto. Los autores concluyen que esto es insuficiente para el cribado clínico o el triaje.

Contribuciones

1. Análisis Empírico: El estudio proporciona el primer vínculo a gran escala entre la medición de síntomas depresivos mediante encuestas (PHQ-8) e historiales de conversación de LLM longitudinales (más de 187k conversaciones).
2. Encuadre Conceptual: Enmarca a ChatGPT no meramente como una herramienta de productividad, sino como una infraestructura de apoyo informal emergente que es privada, persistente y disponible fuera de horarios ordinarios, distinta de las comunidades de pares o entornos clínicos.
3. Cautela Metodológica: El documento demuestra que, si bien los signos lingüísticos de angustia son detectables, son demasiado débiles para justificar el cribado clínico basado en historiales privados de LLM. También destaca la necesidad de analizar los turnos tanto del usuario como del asistente conjuntamente, ya que las respuestas del asistente covarían con la severidad de los síntomas del usuario.

Significancia y Reivindicaciones
El artículo argumenta que los LLM están funcionando cada vez más como infraestructuras de apoyo informal, particularmente para individuos que experimentan síntomas depresivos que pueden carecer de acceso al apoyo humano o considerar la divulgación como un riesgo. Los hallazgos revelan una "brecha de establecimiento de límites": mientras que los usuarios con mayores síntomas participan en más interacciones de alta divulgación y búsqueda de apoyo recurrente, la redirección profesional del sistema no escala de manera robusta con esta necesidad.

Los autores enfatizan que estos historiales no deben tratarse como datos de cribado clínico debido al modesto poder predictivo de los modelos de lenguaje. En cambio, los datos sirven como evidencia de que los LLM están llenando un vacío relacional. El estudio sugiere implicaciones de diseño para reconocer patrones de alta divulgación o búsqueda de apoyo recurrente para proporcionar respuestas cálidas y delimitadas sin sobrepasar los límites profesionales ni ofrecer consejos clínicos no verificados. Los autores declaran explícitamente que sus datos observacionales no pueden determinar si el uso de LLM sustituye o complementa el apoyo humano, ni pueden inferir causalidad respecto a los cambios en los síntomas.