SSR: Can Simulated Patients Learn to Stigmatize Themselves? Modeling Self-Stigma through Internal Monologue

Résumé technique : Patients simulés apprenant à s'auto-stigmatiser via l'Auto-Réflexion de Stigmatisation (SSR - Self-Reflection on Stigma)

Énoncé du problème
Les simulations actuelles de modèles de langage de grande taille (LLM) pour la formation en santé mentale ne parviennent souvent pas à capturer la réalité nuancée et sensible au contexte de l'auto-stigmatisation. Bien que les modèles existants puissent simuler des patients, ils ont tendance à présenter des comportements soit uniformément conformes, soit uniformément résistants. Ils manquent de la capacité de modéliser l'auto-stigmatisation comme un processus cognitif interne dynamique où les patients intériorisent des stéréotypes négatifs, menant à une résistance situationnelle, de l'évitement, du déni ou de l'autoculpabilisation. Cette lacune est exacerbée par trois défis : un manque d'intégration entre les modèles psychologiques de l'auto-stigmatisation et les cadres computationnels, l'absence de jeux de données associant les énoncations des patients à leur raisonnement interne sous-jacent, et l'incapacité technique des agents actuels à moduler dynamiquement l'expression de la stigmatisation en fonction des déclencheurs conversationnels.

Méthodologie
Les auteurs proposent un nouveau cadre de simulation fondé sur le modèle psychologique 3A1H de l'auto-stigmatisation de Corrigan (Awareness/Conscience, Agreement/Accord, Application/Application, et Harm/Préjudice). L'approche suit un pipeline en trois étapes :

1. Extraction des énoncations de stigmatisation : Les auteurs opérationnalisent l'auto-stigmatisation à travers cinq manifestations comportementales dérivées de la littérature clinique : l'Évitement, le Déni, l'Autoculpabilisation, la Défensivité et la Préoccupation Sociale. En utilisant GPT-5, ils annotent automatiquement les tours de parole de corpus de dialogue de santé mentale existants (ex. : Alexander Street Transcripts, D4, Client Reaction, ESConv) pour ces manifestations, garantissant la sensibilité au contexte en évaluant les énoncations aux côtés de l'historique du dialogue. Ils annotent également les événements de vie et les symptômes associés.
2. Construction du jeu de données SSR : L'innovation centrale est le jeu de données Stigmatized Self-Reflection (SSR). Pour chaque énonciation étiquetée comme stigmatisée, le système génère un monologue interne correspondant qui articule les pensées non dites, dictées par la stigmatisation, précédant l'énonciation. Ces monologues sont structurés pour refléter la progression 3A1H (ex. : « Tout le monde dit que les personnes dépressives sont faibles... Je crains qu'ils n'aient pas tort... »), mais sont exprimés sous forme de chaînes de raisonnement narratives fluides.
3. Entraînement avec la "Chaîne de Stigmatisation" : Les auteurs cadrent la simulation de la stigmatisation comme une tâche de génération conditionnelle séquentielle. Les modèles sont affinés (fine-tuned) en utilisant un objectif standard de modélisation de langage pour produire deux sorties dans l'ordre : d'abord, la « Chaîne de Pensées de Stigmatisation » interne, puis la réponse externe du patient. Cela force le modèle à apprendre la correspondance entre le contexte et le raisonnement interne, et de ce raisonnement à une manifestation verbale externe appropriée.

Principales contributions

• Intégration théorique : Le premier cadre computationnel intégrant le modèle psychologique 3A1H pour simuler la progression dynamique et par étapes de l'auto-stigmatisation chez les agents patients.
• Jeu de données SSR : Une ressource novatrice associant les énoncations des patients à des monologues internes de stigmatisation, créée en augmentant plusieurs corpus de dialogues de santé mentale.
• Validation des performances : Démonstration que les modèles affinés avec l'approche SSR surpassent de manière significative les bases spécialisées (telles que UPSD4 et Patient-ψ) dans la génération de réponses authentiques, sensibles au contexte et évaluées par des experts comme étant conscientes de la stigmatisation.

Résultats
Les évaluations sur des ensembles de test non vus (divisés en sous-ensembles Stigmatisation et Neutre) utilisant les architectures Llama-3.1-8B et Qwen3-8B ont produit les conclusions suivantes :

• Sensibilité au contexte (RQ1 & RQ2) : Les modèles entraînés par SSR ont obtenu des scores de F1 de Stigmatisation Contextuelle (CSF1) plus élevés, particulièrement dans la classe négative (retenue dans les contextes neutres). Contrairement aux modèles de base qui produisent souvent une stigmatisation excessive quel que soit le contexte, les modèles SSR ont appris à ajuster dynamiquement leur expression, montrant une haute sensibilité aux déclencheurs tout en maintenant un comportement approprié dans les conversations neutres.
• Authenticité clinique (RQ3) :
  • Distribution : Les modèles SSR ont généré une distribution équilibrée de types de stigmatisation (ex. : réduisant la dépendance excessive à l'« Autoculpabilisation » observée chez les modèles de base) qui s'aligne plus étroitement sur les données cliniques réelles.
  • Précision comportementale : Les modèles SSR ont montré des améliorations marquées dans la génération de comportements difficiles comme le Déni et la Défensivité, que les modèles de base échouent souvent totalement à produire.
  • Validité psychométrique : Lorsqu'ils sont évalués par rapport à des échelles établies (SSMIS et ISMI), les modèles SSR produisent des scores indiquant des niveaux significatifs d'auto-stigmatisation (passant de « minimal » à « léger-à-modéré » ou « modéré-à-sévère »), tandis que les modèles non-SSR restent dans des plages minimales.
  • Évaluation humaine : Les évaluateurs experts (professionnels de la santé mentale) ont jugé les modèles SSR comme ayant l'Authenticité la plus élevée et le changement le plus clair de perception des niveaux de stigmatisation entre les contextes neutres et les contextes déclencheurs de stigmatisation par rapport à toutes les bases de comparaison.
  • Analyse linguistique : L'analyse LIWC a confirmé que les réponses SSR présentaient une augmentation de l'auto-focalisation et une réduction de l'ouverture sociale, cohérent avec les marqueurs linguistiques de la stigmatisation intériorisée.

Signification et revendications
L'article affirme que le cadre SSR constitue une étape cruciale vers des simulations de patients réalistes et fondées sur la théorie pour la formation clinique et les systèmes de dialogue empathiques. En apprenant aux modèles à générer un raisonnement interne conscient de la stigmatisation avant de produire des réponses externes, l'approche produit des simulations qui ne sont pas simplement « résistantes », mais qui reflètent dynamiquement la nature complexe et situationnelle de l'auto-stigmatisation.

Les auteurs positionnent explicitement ce travail comme un outil orienté vers la formation plutôt que comme un instrument clinique prêt pour le déploiement. Ils soulignent que l'objectif est de faire progresser l'éducation des cliniciens empathiques et le développement de systèmes de soutien qui comprennent mieux l'impact de l'auto-stigmatisation. L'article maintient une position modeste, reconnaissant des limites telles que la dépendance à GPT-5 pour l'annotation et la nécessité de travaux futurs pour personnaliser les simulations en fonction de l'histoire individuelle des patients. Les auteurs insistent sur le fait que l'outil est destiné strictement à la recherche et à la formation sous la supervision d'experts afin d'éviter les risques de mauvaise utilisation, de mauvaise interprétation ou de renforcement des stéréotypes.