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

Technische Samenvatting: Gesimuleerde Patiënten die Leren te Stigmatiseren via Zelfreflectie (SSR)

Probleemstelling
Huidige simulaties met Large Language Models (LLM's) voor training in de geestelijke gezondheidszorg schieten vaak tekort in het vastleggen van de genuanceerde, contextgevoelige realiteit van zelfstigma. Hoewel bestaande modellen patiënten kunnen simuleren, hebben ze de neiging om ofwel uniform meegaand ofwel uniform weerbarstig gedrag te vertonen. Ze missen het vermogen om zelfstigma te modelleren als een dynamisch, intern cognitief proces waarbij patiënten negatieve stereotypen internaliseren, wat leidt tot situationele weerstand, vermijding, ontkenning of zelfverwijt. Deze kloof wordt verergerd door drie uitdagingen: een gebrek aan integratie tussen psychologische modellen van zelfstigma en computationele kaders, de afwezigheid van datasets die patiëntuitspraken koppelen aan hun onderliggende interne redenering, en het technische onvermogen van huidige agenten om de expressie van stigma dynamisch te moduleren op basis van conversationele triggers.

Methodologie
De auteurs stellen een nieuw simulatiekader voor dat geworteld is in het 3A1H psychologische model van zelfstigmatisering (Awareness, Agreement, Application, en Harm) van Corrigan. De aanpak volgt een driefasige pipeline:

1. Extractie van Stigma-uitspraken: De auteurs operationaliseren zelfstigma aan de hand van vijf gedragsmanifestaties afgeleid uit de klinische literatuur: Vermijding (Avoidance), Ontkenning (Denial), Zelfverwijt (Self-blame), Defensiviteit (Defensiveness) en Sociale Zorg (Social Concern). Met behulp van GPT-5 annoteren zij automatisch dialoogbeurten uit bestaande corpora voor de geestelijke gezondheidszorg (bijv. Alexander Street Transcripts, D4, Client Reaction, ESConv) voor deze manifestaties, waarbij zij contextbewustheid waarborgen door uitspraken samen met de dialooggeschiedenis te evalueren. Zij annoteren ook bijbehorende levensgebeurtenissen en symptomen.
2. Constructie van de SSR-dataset: De kerninnovatie is de Stigmatized Self-Reflection (SSR) dataset. Voor elke met stigma gelabelde uitspraak genereert het systeem een bijbehorende interne monoloog die de onuitgesproken, door stigma gedreven gedachten articuleert die aan de uitspraak voorafgingen. Deze monologen zijn gestructureerd om de 3A1H-progressie te weerspiegelen (bijv. "Iedereen zegt dat depressieve mensen zwak zijn... Ik ben bang dat ze een punt hebben...") maar worden uitgedrukt als vloeiende, narratieve redeneerketens.
3. Training met Chain of Stigma: De auteurs kaderen de simulatie van stigma als een sequentiële conditionele generatietaak. Modellen worden gefinetuned met een standaard taalmodelleringsobjectief om twee outputs in volgorde te produceren: eerst de interne "Chain of Stigma Thoughts", en daarna de externe patiëntrespons. Dit dwingt het model om de mapping van context naar interne redenering, en van die redenering naar een passende externe verbale manifestatie, te leren.

Belangrijkste Bijdragen

• Theoretische Integratie: Het eerste computationele kader dat het psychologische 3A1H-model integreert om de dynamische, fasegewijze progressie van zelfstigma in patiëntagenten te simuleren.
• SSR-dataset: Een nieuwe bron die patiëntuitspraken koppelt aan interne stigma-monologen, gecreëerd door meerdere corpora voor de geestelijke gezondheidszorg te augmenteren.
• Prestatievalidatie: Demonstratie dat modellen die gefinetuned zijn met de SSR-aanpak significant beter presteren dan gespecialiseerde baselines (zoals UPSD4 en Patient-ψ) in het genereren van authentieke, contextgevoelige en door experts beoordeelde stigma-bewuste responsen.

Resultaten
Evaluaties op hold-out testsets (verdeeld in Stigma en Neutrale subsets) met Llama-3.1-8B en Qwen3-8B backbones leverden de volgende bevindingen op:

• Contextgevoeligheid (RQ1 & RQ2): SSR-getrainde modellen behaalden hogere Contextual Stigma F1 (CSF1) scores, met name in de negatieve klasse (terughoudendheid in neutrale contexten). In tegen tegenstelling tot baselines die vaak ongeacht de context stigma overproduceren, leerden SSR-modellen hun expressie dynamisch aan te passen, waarbij ze een hoge sensitiviteit voor triggers toonden terwijl ze gepast gedrag behielden in neutrale gesprekken.
• Klinische Authenticiteit (RQ3):
  • Distributie: SSR-modellen genereerden een gebalanceerde distributie van stigmatypen (bijv. het verminderen van de overmatige nadruk op "Zelfverwijt" die bij baselines werd gezien) die nauwer aansloot bij de grondwaarheid van klinische data.
  • Gedragsprecisie: SSR-modellen vertoonden duidelijke verbeteringen in het genereren van uitdagend gedrag zoals Ontkenning en Defensiviteit, gedrag dat baselines vaak geheel niet produceerden.
  • Psychometrische Validiteit: Wanneer gescoord tegen gevestigde schalen (SSMIS en ISMI), produceerden SSR-modellen scores die wijzen op betekenisvolle niveaus van zelfstigma (verschuivend van "minimaal" naar "licht-tot-matig" of "matig-tot-ernstig"), terwijl niet-SSR-modellen in minimale bereiken bleven.
  • Menselijke Evaluatie: Expert-raters (professionals in de geestelijke gezondheidszorg) beoordeelden de SSR-modellen als zijnde de meest Authentiek en met de duidelijkste verschuiving in waargenomen stigmatatieniveaus tussen neutrale en stigma-triggerende contexten vergeleken met alle baselines.
  • Linguïstische Analyse: LIWC-analyse bevestigde dat SSR-responsen een toename in zelffocus en een afname in sociale openheid vertoonden, consistent met de linguïstische markers van geïnternaliseerd stigma.

Betekenis en Claims
Het artikel claimt dat het SSR-kader een cruciale stap vormt naar realistische, theoretisch onderbouwde patiëntsimulaties voor klinische training en empathische dialoogsystemen. Door modellen te leren om een interne, stigma-bewuste redenering te genereren vóór het produceren van externe reacties, levert de aanpak simulaties op die niet louter "weerbarstig" zijn, maar dynamisch de complexe, situationele aard van zelfstigma weerspiegelen.

De auteurs positioneren dit werk expliciet als een trainingsgericht hulpmiddel in plaats van een voor klinische inzet gereed instrument. Zij benadrukken dat het doel is om de educatie van empathische clinici en de ontwikkeling van ondersteunende systemen die de impact van zelfstigma beter begrijpen, te bevorderen. Het artikel behoudt een bescheiden houding door beperkingen te erkennen, zoals de afhankelijkheid van GPT-5 voor annotatie en de noodzaak voor toekomstig werk om simulaties te personaliseren op basis van individuele patiëntgeschiedenissen. De auteurs benadrukken dat het instrument strikt bedoeld is voor onderzoek en training onder deskundig toezicht om risico's op misbruik, misinterpretatie of de versterking van stereotypen te voorkomen.