💬 NLP

Tell Me: An LLM-powered Mental Well-being Assistant with RAG, Synthetic Dialogue Generation, and Agentic Planning

Questo articolo introduce "Tell Me", un sistema completo per il benessere mentale basato su LLM che integra un assistente conversazionale basato su RAG, un generatore di dialoghi sintetici per la ricerca e l'aumento dei dati, e un team di pianificazione agentica per fornire piani di cura di sé personalizzati e meditazione guidata, con l'obiettivo di colmare le lacune nel supporto alla salute mentale attraverso un'innovazione dell'IA responsabile e consapevole del contesto.

Autori originali: Trishala Jayesh Ahalpara

Pubblicato 2026-06-23

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Trishala Jayesh Ahalpara

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina Tell Me come un "workshop di benessere" digitale creato dai ricercatori di Fujitsu. Non è un medico e non è un sostituto di un vero terapeuta. Immaginalo invece come un diario riflessivo ad alta tecnologia che può risponderti, aiutarti a esercitare le conversazioni e costruire per te un programma di cura di sé personalizzato.

Il documento presenta questo sistema come una collezione di tre strumenti distinti che lavorano insieme, come tre specialisti diversi in una singola stanza:

1. L' "Ascoltatore Colto" (L'Assistente RAG)

Immagina di parlare con un amico che ha letto tutti i libri sulla salute mentale, ma che ha bisogno di un rapido promemoria del consiglio specifico che si adatta alla tua situazione.

Come funziona: Invece di limitarsi a indovinare cosa dire in base al suo addestramento generale, questo strumento possiede una "biblioteca" di vere conversazioni terapeutiche (ma anonimizzate). Quando condividi un problema, cerca rapidamente in questa biblioteca conversazioni simili e utilizza quegli esempi per elaborare una risposta.
L'analogia: È come avere una conversazione in cui il tuo amico può estrarre istantaneamente una storia pertinente da un taccuino per dire: "Oh, qualcun altro si è sentito così, ed ecco come ha gestito la cosa", piuttosto che dare consigli generici come "Respira profondamente".
Cosa hanno scoperto: Nei loro test, le persone hanno percepito questa versione "collegata alla biblioteca" come più chiara e utile rispetto a una IA standard che non utilizza la biblioteca. Tuttavia, era a volte un pizzico più lenta perché doveva effettuare prima la "ricerca".

2. La "Stanza di Prove Sicura" (Generatore di Dialoghi Sintetici)

I ricercatori hanno spesso bisogno di dati per studiare la terapia, ma le sessioni di terapia reali sono private e non possono essere condivise.

Come funziona: Questo strumento agisce come un regista di scena. Gli fornisci un "profilo del personaggio" (ad esempio, "uno studente di 24 anni stressato per l'università") e lui interpreta entrambi i ruoli: lo studente ansioso e il terapeuta premuroso. Genera una conversazione finta basata su quel profilo.
L'analogia: Pensalo come un simulatore di volo per terapeuti. Proprio come i piloti si esercitano in un simulatore senza rischiare un vero aereo, i ricercatori possono usare queste conversazioni finte per studiare come funziona la terapia senza mai dover vedere un vero paziente privato.
Cosa hanno scoperto: Lo strumento è bravo a imitare la struttura della terapia (ascoltare e riflettere), ma il documento nota che a volte cerca di "aggiustare" i problemi troppo velocemente, come un meccanico che salta subito alla riparazione di un'auto prima di aver compreso appieno il rumore che la sta producendo.

3. Il "Project Manager Personale" (Il Pianificatore Agente)

Mentre il primo strumento ti aiuta a parlare dei tuoi sentimenti, questo strumento ti aiuta a fare qualcosa al riguardo.

Come funziona: Questo è un team di agenti IA che lavorano insieme. Un agente ascolta la tua conversazione ed estrae le preoccupazioni principali. Un secondo agente ricerca abitudini sane. Un terzo agente scrive un piano di 7 giorni e crea persino un file audio di meditazione guidata da ascoltare.
L'analogia: Immagina di dire a un personal trainer: "Sono stanco e stressato". Invece di dire solo "Buona fortuna", questo sistema agisce come un coach che ti scrive un programma di allenamento settimanale specifico, prenota la tua lezione di yoga e registra una nota vocale per guidarti attraverso un esercizio di respirazione.
Cosa hanno scoperto: Il sistema ha trasformato con successo una storia emotiva e disordinata in un programma di 7 giorni pulito e organizzato, con compiti mattutini, pomeridiani e serali, oltre a una traccia audio scaricabile.

Il Quadro Generale

Il documento sottolinea che Tell Me è un prototipo per la ricerca, non un dispositivo medico.

La sicurezza prima di tutto: Il sistema ha un "guardrail" che agisce come un buttafuori. Se dici qualcosa che indica che potresti farti del male, interrompe la conversazione e ti indirizza immediatamente verso aiuti nel mondo reale.
L'obiettivo: Gli autori vedono questo come un modo per abbassare la barriera nell'accesso al supporto. Proprio come ci alleniamo per mantenere la forma fisica, sperano che strumenti come questo possano diventare una parte normale della manutenzione mentale quotidiana — qualcosa che usi per riflettere e pianificare, completando (ma mai sostituendo) l'assistenza professionale.

In breve: È uno strumento tre-in-uno che ti aiuta a chiacchierare con un'IA colta, permette ai ricercatori di esercitarsi con sessioni di terapia finte e costruisce per te un piano di cura di sé personalizzato con guide audio.

Sintesi Tecnica: Tell Me – Un assistente per il benessere mentale basato su LLM

Problema

Nonostante la rapida adozione dei Large Language Models (LLM) nelle applicazioni di salute mentale, gli attuali sistemi affrontano tre persistenti limitazioni:

Mancanza di Contesto: Le risposte rimangono spesso generiche o superficiali a causa di un'insufficiente contestualizzazione.
Scarsità di Dati e Riservatezza: L'accesso a dialoghi terapeutici autentici è limitato, ostacolando la disponibilità di dataset, la riproducibilità e l'addestramento di modelli specializzati.
Funzionalità Statica: Molti strumenti di benessere esistenti mancano della capacità di adattarsi alle esigenze individuali o agli stati emotivi in evoluzione, offrendo poco più di consigli statici.

Metodologia

Gli autori introducono Tell Me, un prototipo open-source progettato come un banco di prova leggero ed estensibile per applicazioni responsabili di LLM nel benessere mentale. L'architettura del sistema integra tre moduli distinti, unificati tramite un front-end Streamlit che supporta l'inferenza sia basata su cloud (es. GPT-4o, Claude 3.7 Sonnet) che locale (Ollama).

1. Assistente basato su RAG (Dialogo consapevole del contesto)

Questo modulo centrale fornisce un dialogo riflessivo e fondato sulla conoscenza.

Base di Conoscenza: Utilizza dataset open-source (Counsel Chat e Mental Health Counseling Conversations) riformattati in uno schema Contesto–Risposta.
Recupero (Retrieval): Impiega il modello di embedding BAAI/bge-small-en-v1.5, selezionato per le sue prestazioni sul Massive Text Embedding Benchmark (MTEB) e per l'efficienza di inferenza. I documenti sono suddivisi in chunk (128 token) e recuperati tramite un VectorIndexRetriever (top-3 risultati tramite similarità del coseno).
Sicurezza: Un guardrail guidato da LLM (Sentiment_chain tramite LangChain) pre-elabora gli input per rilevare segnali di alto rischio (es. autolesionismo), attivando un meccanismo deterministico di instradamento verso la crisi anziché una generazione a testo libero.
Memoria: Mantiene la coerenza conversazionale utilizzando un ChatMemoryBuffer (limite di 3.000 token).

2. Generatore di Dialoghi Sintetici

Per affrontare la scarsità di dati, questo modulo genera trascrizioni sintetiche cliente–terapeuta condizionate da profili utente definiti (demografia, preoccupazioni, anamnesi).

Architettura: Implementata tramite LangChain utilizzando due oggetti LLMChain isolati con Conversation Buffer Memory.
Processo: Una "Client Chain" interpreta il ruolo del persona dell'utente, mentre una "Therapist Chain" utilizza tecniche di ascolto riflessivo. Il sistema passa iterativamente la cronologia della chat tra i due modelli per produrre trascrizioni multi-turno.

3. Pianificatore di Benessere Agente (CrewAI)

Questo modulo traduce il dialogo in supporto azionabile a lungo termine utilizzando un framework di orchestrazione multi-agente.

Agenti:
- Analizzatore di Trascrizioni: Estrae emozioni, preoccupazioni e trigger.
- Generatore di Piani: Crea una routine di cura di sé strutturata di sette giorni.
- Generatore di Meditazione: Scrive script per sessioni audio guidate.
Workflow: Gli agenti operano sequenzialmente. L'output dell'Analizzatore funge da contesto rigoroso per il Generatore di Piani. Lo script della meditazione finale viene convertito in modo asincrono in audio tramite integrazione Text-to-Speech (TTS) (es. Edge Neural TTS, ElevenLabs) e consegnato come MP3.

Contributi Chiave

Assistente RAG Sensibile al Contesto: Un sistema testato su nove LLM e dieci scenari di benessere, validato attraverso un framework di valutazione "LLM-as-a-judge" e uno studio umano in cieco confrontando gli output RAG rispetto ai non-RAG.
Generatore di Dialoghi Sintetici: Uno strumento condizionato dal profilo per l'aumento sicuro dei dati che genera scambi terapeutici realistici senza compromettere la riservatezza del paziente.
Pianificatore Agente: Un workflow basato su CrewAI che adatta dinamicamente le conversazioni in piani di cura di sé azionabili e meditazioni guidate, colmando il divario tra strumenti statici e supporto dinamico.

Risultati della Valutazione

Prestazioni di Recupero

In una valutazione di solo recupero utilizzando 30 coppie query-documento sintetiche:

Hit Rate@5: 1.0000
MRR@5: 0.9222
Nota: Gli autori avvertono che l'Hit Rate perfetto è probabilmente un sottoprodotto dello spazio di ricerca ristretto ( $N=30$ ) e delle query sintetiche, servendo principalmente come controllo di coerenza.

Benchmark LLM-as-a-Judge

Nove modelli sono stati valutati su 10 prompt in cinque dimensioni (Sicurezza, Empatia, Utilità, Chiarezza, Qualità Complessiva).

Top Performer: Claude 3.7 Sonnet ha ottenuto il punteggio più alto (9.5/10) quando giudicato da GPT-5.
Osservazioni: I modelli ad alte prestazioni (Claude, Gemma-3, LLaMA-3) hanno dimostrato validazione empatica, dialogo invitante e sensibilità culturale. I modelli meno performanti hanno mostrato problemi come la patologizzazione delle esperienze dell'utente o l'offerta di consigli generici tendenti alla minimizzazione.

Valutazione Umana

Uno studio entro il soggetto con 10 partecipanti ha confrontato l'assistente abilitato a RAG con una baseline non-RAG.

Vantaggi RAG: I partecipanti hanno valutato il sistema RAG significativamente più alto in Chiarezza (4.2 vs 3.5) e Utilità (4.0 vs 3.9). Il feedback qualitativo ha descritto l'assistente RAG come "organizzato", "centrato" e capace di validare gli input dell'utente.
Compromessi: Il sistema non-RAG è stato notato come più veloce ma meno coinvolgente. Il sistema RAG ha occasionalmente sofferto di tempi di risposta più lenti.
Complessivo: L'assistente RAG ha ottenuto un punteggio medio complessivo più alto (3.8 vs 3.6), suggerendo che il grounding tramite recupero migliora il valore per il supporto riflessivo.

Significato e Rivendicazioni

Il documento posiziona Tell Me non come un sostituto della terapia professionale, ma come uno spazio riflessivo per l'elaborazione emotiva e un banco di prova per la ricerca per l'innovazione responsabile.

Utilità della Ricerca: Il sistema affronta la carenza di dati terapeutici riservati fornendo un meccanismo per generare dialoghi sintetici guidati dal profilo, consentendo sperimentazioni e aumento dei dati più sicuri.
Colmare le Lacune: Dimostra come gli assistenti conversazionali possano abbassare le barriere al supporto, integrando l'assistenza esistente, offrendo un adattamento dinamico (tramite il Pianificatore Agente) dove i tool statici falliscono.
Potenziale Interdisciplinare: Gli autori evidenziano il sistema come una piattaforma per la collaborazione tra ricercatori NLP e professionisti della salute mentale per far avanzare l'interazione uomo-IA.
Modestia: Gli autori riconoscono esplicitamente i limiti, inclusa la dimensione ridotta del campione dello studio umano, la mancanza di validazione clinica da parte di professionisti abilitati e il fatto che i dialoghi sintetici non possono catturare appieno la sfumatura degli scambi terapeutici reali. Il sistema è presentato come un prototipo per la riflessione quotidiana e la manutenzione emotiva, analogamente a come l'attività fisica integra le cure mediche.