DS@GT ARC at eRisk 2026: Hybrid Multi-Agent LLM System with Structured Algorithmic Guidance for Conversational Depression Screening

Imagina un mundo donde un robot amigable y conversador pudiera sentarse con alguien y averiguar suavemente si se siente decaído, sin tener que hacer nunca las preguntas directas y aterradoras como "¿Está usted deprimido?". Este es el sueño del cribado conversacional de la depresión. Los científicos saben desde hace tiempo que herramientas como el Inventario de Depresión de Beck (BDI-II) son excelentes para medir la tristeza y otros síntomas, pero que normalmente necesitan a un médico humano capacitado para hacer las preguntas. Eso es caro y difícil de escalar. Aquí entran los Modelos de Lenguaje de Gran Tamaño (LLM): programas informáticos superinteligentes que pueden hablar como los humanos. La gran pregunta que se hacen los investigadores es: ¿Podemos construir un robot entrevistador que sea lo suficientemente inteligente como para detectar los signos de la depresión simplemente charlando, sin necesidad de un humano en el proceso? El desafío es complicado porque estos robots no pueden simplemente "saber" la respuesta; tienen que adivinarla basándose en una conversación, y no se les puede decir la respuesta correcta mientras están aprendiendo.

En este artículo, un equipo de Georgia Tech (DS@GT) intenta resolver este rompecabezas para una competición llamada eRisk 2026. Construyeron un sistema para entrevistar a personajes de computadora (llamados "personas") que fingen tener diferentes niveles de depresión. El objetivo era obtener una puntuación y enumerar los cuatro síntomas principales, todo ello manteniendo una conversación natural. El equipo comenzó con una idea simple: usar un único IA superpotente y muy costoso para hacer todo el trabajo. Pero eso era costoso y a veces inconsistente. Así que evolucionaron su sistema hacia un "equipo" de IAs: una para charlar, otra para calificar y un gestor para mantener el rumbo. ¿Su mayor descubrimiento? Cambiaron al entrevistador "estrella" y costoso por un modelo de código abierto más barato (Gemma 27B) y utilizaron trucos matemáticos ingeniosos para ayudarlo a mantenerse en la tarea. Sorprendentemente, este equipo más barato funcionó casi tan bien como el equipo caro, demostrando que no siempre necesitas el cerebro más potente (y costoso) para hacer el trabajo, siempre y cuando tengas una buena estrategia.

La historia del equipo de robots parlantes

El equipo de Georgia Tech, conocido como DS@GT, participó en un concurso en el que tenían que construir un sistema para entrevistar a 20 personajes de computadora diferentes. Cada personaje era una "persona" que simulaba ser una persona con un nivel específico de depresión. Las reglas eran estrictas: el sistema tenía que actuar como una conversación natural, sin hacer nunca preguntas directas como "¿Está usted triste?", sino que debía averiguar la respuesta escuchando la charla. Al final, el sistema tenía que adivinar una puntuación total (de 0 a 63) y nombrar hasta cuatro síntomas clave.

El equipo probó tres enfoques diferentes, como mejorar el motor de un coche paso a paso.

1. El prototipo de un solo motor
Primero, probaron un sistema "monolítico". Imagina a un solo robot haciendo todo: haciendo las preguntas, escuchando las respuestas y calificando el estado de ánimo, todo al mismo tiempo. Funcionaba, pero era un poco inestable. A veces, el robot se confundía, daba puntuaciones diferentes para la misma persona en días distintos, o se quedaba sin tiempo antes de preguntar sobre todos los sentimientos importantes. Era como un estudiante intentando hacer un examen, escribir un ensayo y calificar el ensayo, todo en una sola respiración: demasiado para manejar a la vez.

2. El equipo multi-agente (La línea base)
Para solucionar la confusión, dividieron el trabajo. Construyeron un Sistema Multi-Agente. Piensa en esto como un pequeño equipo de especialistas:

• El Entrevistador: Un robot cuyo único trabajo es charlar de forma natural y hacer las preguntas de seguimiento adecuadas.
• El Calificador: Un robot diferente que observa toda la charla y actualiza constantemente la puntuación y el nivel de confianza para cada síntoma posible.
• El Orquestador: Un robot gestor que le dice al Entrevistador: "¡Oye, aún no hemos preguntado sobre el sueño, ve a preguntar eso ahora!", y decide cuándo terminar la conversación.

Este enfoque de equipo fue mucho más fiable. Sin embargo, tenía un inconveniente: era caro. Dado que utilizaban una IA de pago de alto nivel (GPT-5-nano) para el Entrevistador, y tenían que ejecutar la conversación muchas veces para obtener un buen promedio, el coste aumentaba rápidamente.

3. La configuración híbrida (El gran experimento)
El equipo se hizo una pregunta audaz: ¿Podemos reemplazar al costoso Entrevistador con un modelo de código abierto más barato (Gemma 27B) si le damos mejores instrucciones?

Reemplazaron al Entrevistador de pago por el modelo de código abierto Gemma 27B. Pero sabían que este modelo era un poco más "débil": podría no seguir las instrucciones tan perfectamente o profundizar tanto en las emociones. Para solucionar esto, no se limitaron a esperar lo mejor; construyeron tres "redes de seguridad algorítmicas" para guiar al modelo más débil:

• El Árbol de Diálogo: En lugar de dejar que el robot inventara preguntas sobre la marcha, le dieron un mapa preescrito (un árbol). Comenzaba con preguntas específicas sobre la tristeza y seguía un camino ramificado basado en las respuestas. Esto evitaba que el robot se desviara del tema.
• Agregación ponderada por fiabilidad: Dado que el modelo más débil podría cometer errores, realizaron la entrevista 20 veces en lugar de 10. Luego, en lugar de simplemente elegir la respuesta intermedia, utilizaron un método matemático inteligente (inspirado en el marco "Weaver") para ponderar las respuestas. Si la mayoría de las ejecuciones coincidían en un síntoma, esa respuesta recibía más peso. Es como preguntar a 20 estudiantes una pregunta y confiar en la respuesta en la que la mayoría está de acuerdo, en lugar de simplemente elegir una.
• Imputación por agrupamiento (Cluster Imputation): A veces, el robot omitía un síntoma por completo porque se le acababa el tiempo. El sistema tenía un plan de respaldo: si omitía un síntoma pero detectaba signos fuertes de síntomas relacionados (como ver "fatiga" y "problemas de sueño" cuando omitió la "pérdida de energía"), el sistema adivinaba la puntuación faltante basándose en esas pistas. Esto evitaba que la puntuación final fuera demasiado baja solo porque el robot olvidó hacer una pregunta.

Los resultados: Más barato y igual de bueno

El equipo ejecutó su sistema en todas las 20 personas y envió tres versiones diferentes de sus resultados.

• La Ejecución 1 utilizó el equipo de pago costoso (Línea base).
• Las Ejecuciones 2 y 3 utilizaron el equipo híbrido más barato con el Entrevistador de código abierto.

Los resultados fueron sorprendentes. El sistema híbrido, utilizando el modelo de código abierto Gemma 27B, funcionó de hecho mejor que el sistema de pago costoso en la métrica principal de puntuación (ADODL).

• La Ejecución 3 (Híbrida) obtuvo 0.9063, situándose en el 3er lugar de todas las ejecuciones de todos los equipos de la competición.
• La Ejecución 1 (Línea base de pago) obtuvo 0.8841.

Aún más impresionante, el sistema híbrido costó aproximadamente $2 por persona, mientras que el sistema de pago costó unos $8. ¡Esto es una reducción de costos del 75% para obtener mejores resultados!

Los autores sugieren que esto demuestra que un modelo de código abierto más débil puede competir con un modelo de pago más fuerte si se le proporciona suficiente "supervisión algorítmica" (el mapa, las matemáticas y los planes de respaldo). Sin embargo, también señalaron un pequeño fallo: el sistema híbrido fue muy bueno detectando síntomas físicos (como cansancio o problemas de sueño), pero a veces pasaba por alto los emocionales más profundos (como la culpa o la tristeza). Esto llevó a puntuaciones ligeramente más bajas para la identificación de síntomas específicos, aunque la puntuación general de la depresión fue precisa.

Lo que esto significa

El artículo concluye que no es necesario tener la IA más cara para construir una buena herramienta de cribado de salud mental. Al utilizar una estructura de equipo inteligente y darle a la IA un mapa claro a seguir, un modelo de código abierto más barato puede hacer un trabajo fantástico. Esto es muy importante porque significa que tales herramientas podrían utilizarse en lugares donde el dinero es escaso o donde la privacidad es una gran preocupación (ya que el modelo de código abierto puede ejecutarse en ordenadores locales sin enviar datos a las grandes empresas tecnológicas).

El equipo admite que no realizaron una prueba de "cara a cara" perfecta donde mantuvieran todo exactamente igual excepto por el modelo, porque las reglas de la competición cambiaban semana tras semana. Pero la evidencia que tienen sugiere fuertemente que, con la guía adecuada, una IA más pequeña puede rendir muy por encima de su categoría.