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

Sintesi Tecnica: Pazienti Simulati che Imparano a Stigmatizzare Sé Stessi tramite l'Auto-Riflessione (SSR)

Definizione del Problema
Le attuali simulazioni basate su Large Language Model (LLM) per l'addestramento alla salute mentale spesso non riescono a catturare la realtà sfumata e contestuale della auto-stigmatizzazione. Sebbene i modelli esistenti possano simulare i pazienti, tendono a esibire comportamenti uniformemente conformisti o uniformemente resistenti. Mancano della capacità di modellare l'auto-stigmatizzazione come un processo cognitivo interno e dinamico in cui i pazienti interiorizzano stereotipi negativi, portando a resistenza situazionale, evitamento, negazione o autocondanna. Questa lacuna è esacerbata da tre sfide: la mancanza di integrazione tra i modelli psicologici di auto-stigmatizzazione e i framework computazionali, l'assenza di dataset che accoppino le espressioni dei pazienti con il loro ragionamento interno sottostante, e l'incapacità tecnica degli agenti attuali di modulare dinamicamente l'espressione dello stigma in base ai trigger conversazionali.

Metodologia
Gli autori propongono un nuovo framework di simulazione basato sul modello psicologico 3A1H di auto-stigmatizzazione di Corrigan (Awareness [Consapevolezza], Agreement [Accettazione], Application [Applicazione] e Harm [Danno]). L'approccio segue una pipeline a tre stadi:

1. Estrazione delle Espressioni di Stigma: Gli autori operazionalizzano l'auto-stigmatizzazione utilizzando cinque manifestazioni comportamentali derivate dalla letteratura clinica: Evitamento, Negazione, Autocondanna, Difensività e Preoccupazione Sociale. Utilizzando GPT-5, annotano automaticamente i turni di dialogo da corpora di salute mentale esistenti (es. Alexander Street Transcripts, D4, Client Reaction, ESConv) per queste manifestazioni, garantendo la consapevolezza del contesto valutando le espressioni insieme alla cronologia del dialogo. Annotano anche gli eventi di vita e i sintomi associati.
2. Costruzione del Dataset SSR: L'innovazione principale è il dataset di Auto-Riflessione Stigmatizzata (SSR). Per ogni espressione etichettata come stigma, il sistema genera un corrispondente monologo interiore che articola i pensieri non detti, guidati dallo stigma, che precedono l'espressione esterna. Questi monologhi sono strutturati per riflettere la progressione 3A1H (es. "Tutti dicono che le persone depresse siano deboli... Temo che possano avere ragione...") ma sono espressi come catene di ragionamento fluide e narrative.
3. Addestramento con la Catena di Stigma: Gli autori inquadrano la simulazione dello stigma come un compito di generazione condizionale sequenziale. I modelli vengono perfezionati (fine-tuning) utilizzando un obiettivo standard di modellazione del linguaggio per produrre due output in ordine: prima, il "Pensiero della Catena di Stigma" interno, e secondo, la risposta esterna del paziente. Ciò costringe il modello a imparare la mappatura dal contesto al ragionamento interno, e da quel ragionamento alla appropriata manifestazione verbale esterna.

Contributi Chiave

• Integrazione Teorica: Il primo framework computazionale che integra il modello psicologico 3A1H per simulare la progressione dinamica e per stadi dell'auto-stigmatizzazione negli agenti paziente.
• Dataset SSR: Una risorsa innovativa che accoppia le espressioni dei pazienti con i monologhi interni di stigma, creata aumentando molteplici corpora di dialogo sulla salute mentale.
• Validazione delle Prestazioni: Dimostrazione che i modelli addestrati con l'approccio SSR superano significativamente i baseline specializzati (come UPSD4 e Patient-ψ) nel generare risposte autentiche, sensibili al contesto e consapevoli dello stigma, valutate da esperti.

Risultati
Le valutazioni sui set di test tenuti separati (divisi in sottoinsiemi Stigma e Neutro) utilizzando backbone Llama-3.1-8B e Qwen3-8B hanno prodotto i seguenti risultati:

• Sensibilità al Contesto (RQ1 & RQ2): I modelli addestrati con SSR hanno ottenuto punteggi di Contextual Stigma F1 (CSF1) più elevati, in particolare nella classe negativa (astensione in contesti neutri). A differenza dei baseline che spesso producono eccessivamente lo stigma indipendentemente dal contesto, i modelli SSR hanno imparato ad aggiustare dinamicamente la propria espressione, mostrando un'alta sensibilità ai trigger pur mantenendo un comportamento appropriato nelle conversazioni neutre.
• Autenticità Clinica (RQ3):
  • Distribuzione: I modelli SSR hanno generato una distribuzione bilanciata di tipi di stigma (es. riducendo l'eccessiva dipendenza dall' "Autocondanna" osservata nei baseline) che si allinea più strettamente ai dati clinici reali.
  • Precisione Comportamentale: I modelli SSR hanno mostrato miglioramenti marcati nella generazione di comportamenti difficili come Negazione e Difensività, che i baseline spesso non riuscivano affatto a produrre.
  • Validità Psicometrica: Quando valutati rispetto a scale consolidate (SSMIS e ISMI), i modelli SSR hanno prodotto punteggi che indicano livelli significativi di auto-stigmatizzazione (passando da "minimi" a "lievi-moderati" o "moderati-gravi"), mentre i modelli non-SSR rimanevano in intervalli minimi.
  • Valutazione Umana: Gli esperti (professionisti della salute mentale) hanno valutato i modelli SSR come dotati della più alta Autenticità e del più chiaro cambiamento nei livelli di stigma percepito tra i contesti neutri e quelli che scatenano lo stigma rispetto a tutti i baseline.
  • Analisi Linguistica: L'analisi LIWC ha confermato che le risposte SSR esibivano un aumento del focus su di sé e una riduzione dell'apertura sociale, coerentemente con i marcatori linguistici dello stigma interiorizzato.

Significato e Rivendicazioni
Il documento sostiene che il framework SSR fornisce un passo cruciale verso simulazioni di pazienti realistiche e basate sulla teoria per l'addestramento clinico e i sistemi di dialogo empatici. Insegnando ai modelli a generare un ragionamento interno consapevole dello stigma prima di produrre risposte esterne, l'approccio produce simulazioni che non sono semplicemente "resistenti", ma riflettono dinamicamente la natura complessa e situazionale dell'auto-stigmatizzazione.

Gli autori posizionano esplicitamente questo lavoro come uno strumento orientato all'addestramento piuttosto che come uno strumento clinico pronto per l'impiego. Essi sottolineano che l'obiettivo è far progredire l'educazione di clinici empatici e lo sviluppo di sistemi di supporto che comprendano meglio l'impatto dell'auto-stigmatizzazione. Il documento mantiene una posizione modesta, riconoscendo limitazioni come la dipendenza da GPT-5 per l'annotazione e la necessità di futuri lavori per personalizzare le simulazioni in base alla storia individuale dei pazienti. Gli autori sottolineano che lo strumento è destinato esclusivamente alla ricerca e all'addestramento sotto la supervisione di esperti per evitare rischi di uso improprio, interpretazione errata o rinforzo degli stereotipi.