Resumo Técnico: coTherapist

Definição do Problema

O setor de saúde mental enfrenta uma tensão crítica devido à escassez de força de trabalho e ao aumento da demanda, necessitando de sistemas inteligentes para apoiar Especialistas em Saúde Mental (MHx). Embora os Grandes Modelos de Linguagem (LLMs) mostrem promessa no fornecimento de conselhos, implementações ingênuas frequentemente resultam em saídas inúteis, baseadas em roteiros ou prejudiciais. Além é disso, Pequenos Modelos de Linguagem (SLMs) genéricos, embora sejam eficientes em recursos, tipicamente falham em capturar as sutilezas relacionais, a empatia matizada e o raciocínio clínico estruturado necessários para uma assistência terapêutica eficaz. O desafio central é projetar um modelo leve e implantável que possa emular o comportamento terapêutico especializado — especificamente em tom, raciocínio conceitual e segurança — sem o overhead computacional de modelos de fundação massivos ou os riscos de alucinação de gerações não fundamentadas.

Metodologia

Os autores introduzem o coTherapist, um framework unificado projetado para transformar um SLM de 1 bilhão de parâmetros (especificamente o LLaMA 3.2-1B-Instruct) em um assistente clinicamente fundamentado. A metodologia emprega um pipeline de múltiplos estágios integrando adaptação de domínio, alinhamento estilístico, aumento de recuperação e raciocínio agêntico.

1. Conjunto de Dados: Psychotherapy Knowledge Corpus (PsyKC)

Um corpus curado de mais de 800 milhões de tokens foi reunido para fundamentar o modelo em práticas baseadas em evidências. O conjunto de dados inclui:

• 311 manuais de terapia e livros de psiquiatria (cobrindo CBT, DBT, ACT, etc.).
• 250 notas de aula e folhetos de treinamento.
• 552 transcrições de vídeos de aulas de programas de aconselhamento de pós-graduação.
• 121 diretrizes diagnósticas e de prática.
  Cada item é anotado com metadados referentes à modalidade terapêutica e transtornos específicos, garantindo cobertura de condições de alta prioridade (ex: depressão, ansiedade, trauma, transtornos de personalidade).

2. Pipeline de Treinamento do Modelo

O framework progride através de vários estágios incrementais para refinar o modelo base:

• Pré-treinamento de Adaptação de Domínio (DAP): Pré-treinamento contínuo não supervisionado no corpus PsyKC para infundir terminologia específica do domínio e precisão clínica.
• Fine-Tuning LoRA para Estilo: Low-Rank Adaptation (LoRA) aplicado a turnos de diálogo de terapeutas (do benchmark MentalCLOUDS) para alinhar o modelo com tons terapêuticos humanos, empatia e comunicação em primeira pessoa.
• Sintonização de Auto-instrução (Self-Instruction Tuning): Geração de aproximadamente 24k pares de instrução específicos de terapia para aumentar as capacidades de raciocínio e orientação estruturada.
• Geração Aumentada por Recuperação (RAG): Integração de uma camada RAG usando FAISS para busca de embeddings. Na inferência, as 3 passagens mais relevantes do PsyKC são recuperadas e prefixadas ao contexto para fundamentar as respostas em fontes autoritativas e reduzir alucinações.

3. O Framework de Raciocínio Agêntico

A iteração final do coTherapist aumenta o modelo potencializado por RAG com um pipeline agêntico de cinco etapas (Algoritmo 1):

1. Planejador (Planner): Converte a consulta do usuário em um plano clínico estruturado, identificando preocupações e construtos relevantes.
2. Recuperador (Retriever): Busca o contexto baseado no plano.
3. Raciocinador (Reasoner): Realiza uma análise interna privada de Cadeia de Pensamento (CoT) para rascunhar uma resposta clínica.
4. Crítico/Autorrefinador (Critic/Self-Refiner): Avalia o rascunho quanto à segurança, precisão conceitual e fidelidade ao framework, disparando loops de refinamento se necessário.
5. Gerador de Resposta (Response Generator): Remove os rastros de raciocínio interno para produzir uma saída final polida, de apoio e contextualmente adaptada.

Principais Contribuições

1. Psychotherapy Knowledge Corpus (PsyKC): Um conjunto de dados especializado de mais de 800M de tokens composto por livros didáticos, transcrições de aulas e diretrizes, projetado para fundamentar SLMs tanto em passos procedimentais quanto em lógica clínica conceitual.
2. O Framework coTherapist: Uma arquitetura inovadora para um modelo de 1 bilhão de parâmetros que combina pré-treinamento contínuo, fine-tuning LoRA, RAG e raciocínio agêntico para alcançar comportamento de nível especialista em ambientes de recursos restritos.
3. T-BARS (Therapist Behavior Rating Scale): Um novo framework de avaliação que analisa quatro pilares: Alinhamento de Estilo Comportamental, Raciocínio Conceitual, Competência Relacional e Execução de Técnica. Utiliza juízes baseados em LLM e perfilamento psicométrico (Big Five, MBTI, MMPI-2) para medir a semelhança com o terapeuta além das métricas padrão de NLP.

Resultados

A avaliação foi conduzida em um benchmark de 100 perguntas curado por clínicos licenciados, utilizando métricas automáticas, T-BARS, análise psicométrica e avaliação humana por 20 especialistas do domínio.

• Métricas Automáticas: O coTherapist alcançou as pontuações mais altas em BLEU, METEOR, BERTScore, BLEURT e InfoLM, superando o modelo base e variantes intermediárias (ex: TG-RAG).
• Desempenho T-BARS: O coTherapist pontuou significativamente acima das linhas de base, aproximando-se do desempenho humano.
  • Modelo Base: Pontuação média ~1.6.
  • TG-RAG: Pontuação média ~2.5.
  • coTherapist: Pontuação média ~3.2 (Média Humana: 3.5).
  • Melhorias notáveis foram observadas em Alinhamento de Estilo Comportamental (3.3) e Competência Relacional (3.4).
• Perfil Psicométrico: O modelo exibiu um perfil de personalidade consistente com traços terapêuticos: alta Amabilidade (0.78) e Conscienciosidade (0.72), e baixa Neuroticismo (0.29). Foi classificado como tipo "INFJ" (Conselheiro).
• Avaliação Humana: Especialistas avaliaram o coTherapist significativamente acima da linha de base TG-RAG em todos os critérios:
  • Precisão: 4.2 vs. 2.1.
  • Segurança e Confiabilidade: 3.8 vs. 2.6.
  • Clareza: 4.1 vs. 2.2.
    Os especialistas descreveram o sistema como um "estagiário bem treinado", capaz de recall de protocolos e reflexão de estilo supervisão.

Significância e Alegações

O artigo afirma que pequenos modelos de linguagem podem ser projetados para exibir comportamento de nível especialista, oferecendo um caminho escalável para ferramentas digitais de saúde mental. Ao priorizar a fidelidade comportamental sobre o desempenho bruto, o coTherapist demonstra que modelos leves podem ser implantados em ambientes de recursos restritos (ex: dispositivos de borda, <2GB VRAM) enquanto mantêm segurança clínica e empatia.

O sistema é explicitamente posicionado como uma ferramenta de suporte para MHx, não um substituto. É projetado para auxiliar no recall de protocolos, conceitualização de casos e reflexão de estilo supervisão. Os autores enfatem que o sistema é atualmente restrito à supervisão de baixo risco e não deve ser usado para interação direta com clientes ou gestão de crises sem supervisão cuidadosa. O trabalho sugere que a combinação de dados específicos de domínio, aumento de recuperação e raciocínio agêntico permite que os SLMs diminuam a lacuna entre chatbots genéricos e assistentes terapêuticos qualificados.