Resumo Técnico: Narrativas internas parametrizam estados afetivos

Declaração do Problema

A relação entre narrativas internas (pensamentos e sentimentos verbalizados) e estados afetivos subjacentes, particularmente no contexto da depressão, permanece pouco compreendida. Embora as avaliações psicológicas dependam fortemente de descrições verbais para avaliar a saúde mental, a relação estrutural e dinâmica entre essas narrativas e a geometria latente dos transtornos afetivos não é bem quantificada. Trabalhos anteriores estabeleceram que estados afetivos enviesam a atenção, a memória e o uso da linguagem, e que os humores podem ser vistos como estados computacionais que restringem o comportamento. No entanto, falta um quadro teórico que trate os estados afetivos como entidades computacionais capazes de serem parametrizadas pela estrutura das narrativas internas. Este artigo aborda a seguinte questão: Grandes Modelos de Linguagem (LLMs), que funcionam maximizando a previsão de tokens consistentes com o contexto, podem servir como um proxy computacional para quantificar e prever a estrutura latente e a dinâmica dos estados afetivos humanos?

Metodologia

Os autores conduziram dois estudos em grande escala (total $N=1257$) utilizando verbalizações abertas de sintomas depressivos e representações de grandes modelos de linguagem para testar três hipóteses.

Estudo 1: Parametrização Estrutural

• Participantes: $N=704$ falantes fluentes de inglês com variados graus de gravidade da depressão.
• Procedimento: Os participantes responderam a oito perguntas abertas derivadas do PHQ-9 (Questionário de Saúde do Paciente) sobre sintomas depressivos específicos (por exemplo, humor, energia, sono). Posteriormente, completaram questionários padrão de múltipla escolha: PHQ-9, GAD-7 (ansiedade) e SDS (Escala de Depressão Autoavaliada).
• Análise por LLM:
  • Previsão: Os autores construíram prompts contendo a resposta aberta de um participante e solicitaram a vários LLMs (Gemma2 2B/9B, Llama-3.1/3.2, Mistral-7B) que previssem a etiqueta de múltipla escolha correspondente (A-D) via amostragem de logits.
  • Estrutura Latente: Para testar se os LLMs capturam a covariância dos sintomas (a geometria latente), os autores compararam as correlações entre pares de itens dos questionários de verdade com as correlações previstas pelos LLMs com base nas entradas abertas.
  • Autoencoder Esparsificado Supervisionado (sSAE): Um autoencoder esparsificado supervisionado foi treinado nos estados ocultos do LLM (médias entre as respostas abertas) para prever escores PHQ-9 padronizados em z. Isso permitiu a extração de um "subespaço de sintomas depressivos".
  • Perturbação: Os autores perturbaram as representações latentes do sSAE em direções específicas (aumentando ou diminuindo a gravidade dos sintomas) e observaram as mudanças resultantes nas respostas de múltipla escolha amostradas pelo LLM para testar a sensibilidade.

Estudo 2: Dinâmicas Temporais e Sensibilidade Contextual

• Participantes: $N=553$ participantes.
• Procedimento: Os participantes passaram por um protocolo de indução de humor usando "diários" emocionalmente evocativos (representando extremos de humor alto ou baixo).
  • Tarefa: Os participantes ouviram e recriaram esses diários, depois escreveram novas continuações. Um subconjunto (autobiográfico) foi solicitado a recordar eventos de vida semelhantes, enquanto o outro (não autobiográfico) atuou como um personagem.
  • Medidas: Avaliações de linha de base e acompanhamento incluíram humor momentâneo (Escala Visual Analógica), recordação de palavras emocionais (análise de sentimento) e reavaliações abertas de humor/energia.
• Análise: Os autores utilizaram o modelo sSAE treinado no Estudo 1 para quantificar a gravidade do sintoma "Sentir-se triste, deprimido ou sem esperança" nos diários de continuação dos participantes. Eles analisaram como mudanças nessas narrativas internas correlacionaram-se com mudanças nas medidas afetivas autorrelatadas.

Principais Resultados

1. Previsão de Escores Autorrelatados

Os LLMs previram com sucesso escores padrão de múltipla escolha de depressão baseados exclusivamente em verbalizações abertas.

• Correlação: O modelo de melhor desempenho (Gemma2 9B) mostrou correlações moderadas a altas ($r = 0,56 - 0,78$) entre escores previstos e de verdade em todos os oito itens de sintomas. Esse desempenho é comparável à confiabilidade teste-reteste do próprio PHQ-9.
• Viés: Observou-se um viés sistemático onde o modelo superestimou a gravidade para respostas de "nenhum sintoma" e subestimou para respostas de alta gravidade, provavelmente devido à falta de negação explícita em texto aberto.

2. Recuperação da Estrutura Latente de Sintomas

O estudo demonstrou que as representações dos LLMs capturam a estrutura de covariância subjacente da depressão.

• Matrizes de Correlação: As correlações entre pares de itens previstas pelos LLMs a partir de entradas abertas corresponderam estreitamente às matrizes de correlação de verdade do PHQ-9, GAD-7 e SDS.
• Semelhança Estrutural: Métricas incluindo bases de Decomposição em Valores Singulares (SVD) e medidas de projeção confirmaram que as estruturas derivadas dos LLMs alinharam-se com a geometria latente de verdade. Modelos de desempenho inferior falharam em capturar essa estrutura, sugerindo que capturar o padrão de covariância é essencial para a validade construtiva.

3. Perturbação Latente e Sensibilidade

O espaço latente do sSAE provou ser sensível a perturbações específicas.

• Direcionamento: Ao perturbar as representações de estado oculto na direção de sintomas específicos (por exemplo, aumentando o "desespero"), os autores direcionaram com sucesso as respostas amostradas do LLM para escores de gravidade mais altos ou mais baixos.
• Tamanho do Efeito: Foram observados tamanhos de efeito significativos de Cohen's $d$ para a maioria dos itens, confirmando que o espaço latente contém uma representação significativa e manipulável da gravidade dos sintomas.

4. Dinâmicas e Sensibilidade Contextual

O Estudo 2 confirmou que os estados afetivos são sensíveis a mudanças contextuais e que essas mudanças são refletidas nas narrativas internas.

• Sucesso na Indução: A indução de humor alterou com sucesso o humor momentâneo, o sentimento de recordação de palavras e a gravidade autorrelatada dos sintomas.
• Rastreamento Narrativo: A gravidade dos diários de continuação, quantificada pelo sSAE, previu a magnitude da mudança afetiva.
• Adesão: O grau em que os participantes aderiram ao tom emocional da intervenção (semelhança de seu texto com o estado induzido) previu a extensão da mudança de humor.
• Previsão de Linha de Base: A gravidade de linha de base da narrativa interna de um participante previu a magnitude de sua mudança afetiva subsequente, apoiando a hipótese de que estados afetivos restringem o espaço de pensamentos possíveis.

Significado e Alegações

O artigo alega fornecer um quadro computacional para entender estados afetivos humanos, traçando paralelos entre a função do afeto e os mecanismos de LLMs baseados em transformadores.

1. Estados Afetivos como Restrições Computacionais: Os autores argumentam que os estados afetivos funcionam para maximizar a consistência temporal e contextual, restringindo o espaço de possíveis respostas linguísticas. Isso alinha-se com a forma como os LLMs maximizam a previsão do próximo token dado o contexto.
2. Quantificação da Geometria Latente: O estudo demonstra que as narrativas internas, quando quantificadas via representações de LLM, capturam a geometria latente da depressão. Isso sugere que a "estrutura" de um transtorno não é apenas um artefato estatístico de questionários, mas está embutida nas relações semânticas de como os indivíduos verbalizam suas experiências.
3. Implicações Terapêuticas: A capacidade de quantificar estados afetivos e suas dinâmicas oferece uma ferramenta potencial para:
   • Avaliação: Avaliar a gravidade da depressão a partir de qualquer fonte de texto livre.
   • Monitoramento Terapêutico: Rastrear o processo e os resultados de terapias psicológicas ricas em verbalização.
   • Psiquiatria de Precisão: Identificar componentes individuais de mudança psicológica para projetar intervenções direcionadas.
4. Paralelo de Meta-Aprendizado: O artigo postula que os LLMs, treinados em vastos textos humanos, meta-aprenderam as dependências entrada-saída dos estados afetivos humanos (por exemplo, baixa autoestima precedendo o desespero). Esse paralelo emergente permite que os LLMs atuem como uma sonda para o meta-raciocínio humano e o "problema intratável" de decidir sobre o que pensar.

Os autores permanecem modestos, notando limitações como o foco específico na depressão (PHQ-9), a variabilidade potencial na qualidade das respostas abertas e a necessidade de validação em diversas populações e outras síndromes de saúde mental. Eles não alegam substituir o diagnóstico clínico, mas sim oferecer um método computacional escalável para parametrizar e entender a dinâmica dos estados afetivos.