Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models

Este artigo desenvolve modelos interpretáveis que integram traços psicológicos individuais e contextos situacionais inferidos a partir de dados de mídia social para prever o bem-estar, demonstrando que abordagens baseadas em teoria psicológica oferecem desempenho competitivo e maior transparência em comparação com embeddings de modelos de linguagem.

O essencial

Imagine que a saúde mental não é como uma cor de cabelo (algo fixo que você tem desde o nascimento), mas sim como o tempo.

Às vezes está ensolarado, às vezes chove, e às vezes há uma tempestade. O que define se você está "bem" ou "mal" não é apenas quem você é por dentro (sua personalidade), mas também o cenário em que você está. Se você está em uma festa, ser tímido pode ser um problema; se você está em uma sala de aula de meditação, ser tímido pode ser perfeito.

Este artigo é como um guia de meteorologia para a mente humana, criado por uma equipe de cientistas que misturam psicologia com inteligência artificial (IA). Eles querem entender como as pessoas se sentem olhando para o que elas escrevem nas redes sociais, mas de uma forma que faça sentido para a psicologia, não apenas para computadores.

Aqui está a explicação simples, usando analogias:

1. O Grande Problema: A Foto vs. O Filme

Antigamente, os cientistas tentavam medir a saúde mental tirando uma foto estática. Eles olhavam para uma pessoa e diziam: "Ela é depressiva" ou "Ela é resiliente".
Mas a vida é um filme, não uma foto. Como diz o artigo, o que é bom em um momento pode ser ruim em outro.

• Analogia: Imagine um guarda-costas. Em uma zona de guerra (situação de perigo), ele estar super alerta e tenso é adaptável (bom). Mas se esse mesmo guarda-costas estiver em um aniversário de criança, sendo super tenso e desconfiado, isso é maladaptável (ruim). O comportamento é o mesmo, mas o contexto muda tudo.

2. A Solução: Duas Lentes de Observação

Para entender esse "filme" da vida mental, a equipe usou duas lentes diferentes para analisar os textos das pessoas:

Lente A: O "Detetive de Contexto" (Situational 8 DIAMONDS)

A IA olha para o texto e tenta entender onde a pessoa está e o que está acontecendo. Eles usam um mapa chamado "DIAMONDS" (que significa Dever, Inteligência, Adversidade, Acasalamento, Positividade, Negatividade, Engano e Socialidade).

• Como funciona: Se alguém escreve "Meu chefe me gritou na frente de todos", a IA marca isso como "Adversidade" e "Negatividade". Ela entende o cenário da briga.

Lente B: O "Detetive de Personalidade" (Person-Level Traits)

A IA também olha para quem está escrevendo. Ela analisa traços como:

• Resiliência: Quão forte essa pessoa é?
• Distorções Cognitivas: Ela tende a pensar de forma irreal ou catastrófica?
• Motivos Ocultos: Ela busca poder, conexão ou realização?
• Como funciona: A IA lê o texto e diz: "Essa pessoa parece ter uma necessidade não atendida de conexão social" ou "Essa pessoa está usando um mecanismo de defesa de otimismo".

3. A Magia da IA: O "HaRT" (O Tradutor de Histórias)

Além dessas duas lentes, eles usaram um modelo de IA chamado HaRT.

• Analogia: Imagine que você tem um amigo que conhece você há 10 anos. Ele sabe como você fala quando está feliz, como fala quando está triste e como você reage a problemas. O HaRT é como esse amigo. Ele não lê apenas uma frase isolada; ele lê a história inteira daquela pessoa ao longo do tempo. Ele entende que, quando essa pessoa específica usa uma certa palavra, pode significar algo diferente do que significa para outra pessoa.

4. O Que Eles Descobriram?

Eles testaram essas ferramentas para prever o bem-estar das pessoas e identificar momentos de saúde mental boa (adaptáveis) ou ruim (maladaptáveis).

• O Resultado Surpreendente: A abordagem baseada em teoria (Lente A + Lente B) funcionou tão bem quanto as IAs mais modernas e complexas, mas com uma grande vantagem: ela é explicável.
• Por que isso importa? Se uma IA diz "essa pessoa está deprimida", mas não diz o porquê, é perigoso. Mas se a IA diz "essa pessoa está deprimida porque ela está em uma situação de 'Adversidade' (briga) e tem um traço de 'Distorção Cognitiva' (pensamento negativo)", os humanos conseguem entender e ajudar.

Exemplos do que eles viram:

• Bom para a saúde mental: Sentir satisfação com a vida, ter harmonia e estar em situações de "Positividade" ou "Socialidade".
• Ruim para a saúde mental: Sentir que precisa de poder (controle), ter muita distorção cognitiva ou sentir que precisa de conexão social mas não a está recebendo (o que gera frustração).

5. Por que isso é importante para nós?

O artigo nos ensina que não somos robôs com um botão de "feliz" ou "triste". Somos seres complexos que mudam dependendo do lugar e do momento.

Ao usar a tecnologia para entender essa complexidade, em vez de apenas tentar "adivinhar" o que a pessoa sente, podemos criar ferramentas que:

1. Entendam o contexto: Não julguem uma reação de medo se a pessoa está em perigo real.
2. Sejam transparentes: Possam explicar por que estão preocupadas com alguém.
3. Respeitem a individualidade: Lembrem que o que funciona para um pode não funcionar para outro.

Resumo Final

Pense neste trabalho como a construção de um GPS para a saúde mental.
Em vez de apenas dizer "você está perdido" (você está doente), o GPS diz: "Você está tentando dirigir em uma estrada de terra (situação difícil) com um carro que tem um pneu furado (traço de personalidade). Vamos ajustar a rota ou consertar o pneu?"

É uma mistura de ciência humana (psicologia) com tecnologia inteligente (IA) para nos ajudar a navegar pelas tempestades e dias de sol da nossa vida mental, de forma mais humana e compreensível.

Resumo técnico

Resumo Técnico: Saúde Mental na Interseção entre Pessoa, Situação e Modelos de Linguagem

1. Problema e Contexto

A saúde mental é tradicionalmente tratada em modelos computacionais como um traço estático ou um estado fixo. No entanto, teorias psicológicas interacionistas e construtivistas argumentam que a saúde mental é um processo dinâmico, moldado pela interação contínua entre disposições individuais (traços de personalidade, motivações) e contextos situacionais.

O desafio central abordado neste trabalho é modelar essa dinâmica em dados de mídia social longitudinais. A tarefa envolve ir além de avaliações estáticas para prever o bem-estar e identificar estados de "self" adaptativos e maladaptativos, considerando como o contexto situa a expressão linguística do indivíduo ao longo do tempo. O trabalho participa da tarefa compartilhada CLPsych 2025, focada na modelagem longitudinal de mudanças de humor e estados.

2. Metodologia

A equipe (Seq2Psych) propôs uma abordagem híbrida que integra teoria psicológica rigorosa com métodos computacionais avançados de Processamento de Linguagem Natural (PLN). O pipeline de metodologia divide-se em duas vertentes principais de extração de características:

A. Linha de Base Orientada por Teoria (Principled Baseline)
Esta abordagem combina traços de nível pessoal com características contextuais inferidas da linguagem:

• Características Situacionais (S8D): Utilizando o framework Situational 8 DIAMONDS (Duty, Intellect, Adversity, Mating, Positivity, Negativity, Deception, Sociality), o modelo Deepseek-R1 (com few-shot prompting) anotou cada postagem para inferir scores de 1 a 9 sobre as dimensões psicológicas do contexto.
• Traços de Nível Pessoal (PLT - Person-Level Traits): Foram extraídos 19 traços psicológicos estáticos baseados em modelos pré-existentes e validados, incluindo:
  • Motivos Implícitos: Necessidade de realização, afiliação e poder (usando RoBERTa-Large).
  • Saúde Mental: Valência, harmonia na vida, satisfação com a vida, ansiedade e índices de depressão.
  • Resiliência: Nove facetas (ex: otimismo, kit de enfrentamento) via framework ReLM.
  • Distorções Cognitivas: Níveis de pensamento distorcido associados a estados emocionais maladaptativos.

B. Modelagem de Linguagem Humana (HaRT)
Para capturar padrões temporais e específicos do indivíduo, utilizou-se o modelo HaRT (Human-aware Recurrent Transformer).

• Treinado na tarefa de modelagem de linguagem humana (HuLM), o HaRT processa o histórico linguístico do usuário em sequência.
• Gera embeddings contextualizados pela pessoa, reconhecendo que padrões linguísticos só são plenamente compreendidos dentro do contexto temporal do indivíduo.
• Estes embeddings foram ajustados (fine-tuned) para prever scores de bem-estar contínuos e labels binários (adaptativo/maladaptativo).

Experimentação:
Os modelos foram avaliados usando validação cruzada aninhada de 5 dobras (5-fold nested CV) em um conjunto de dados pequeno (30 usuários, 343 postagens, 199 anotadas). As tarefas incluíram:

1. Previsão de scores contínuos de bem-estar (Regressão Ridge).
2. Classificação binária de estados adaptativos e maladaptativos (Regressão Logística).

3. Principais Contribuições

1. Integração Teórica-Computacional: Proposição de uma linha de base teórica que combina traços de personalidade inferidos por linguagem com o contexto situacional (S8D), alinhando-se diretamente com teorias psicológicas de interação pessoa-situação.
2. Modelagem Contextualizada pela Pessoa: Uso do HaRT para gerar representações que capturam a evolução temporal e a singularidade do indivíduo, superando a visão estática de modelos de linguagem padrão.
3. Análise de Interpretabilidade: Avaliação não apenas da precisão preditiva, mas da coerência psicológica das características mais preditivas, permitindo explicações humanas sobre por que certos estados são classificados como adaptativos ou maladaptativos.
4. Abordagem Híbrida: Demonstração de que a combinação de características teóricas (S8D + PLT) com embeddings de modelos de linguagem (HaRT) oferece o melhor equilíbrio entre desempenho e interpretabilidade.

4. Resultados

• Previsão de Bem-Estar:
  • A linha de base teórica (S8D + PLT) alcançou uma correlação de Pearson ($r$) de 0.629 e MSE de 2.149.
  • O modelo HaRT ajustado (HaRTWB-FT) obteve desempenho superior na validação interna ($r=0.684$), mas mostrou sinais de overfitting na validação cruzada de 5 dobras.
  • Nos resultados oficiais, a linha de base teórica (S8D + PLT) superou a variante puramente baseada em dados (HaRT + Ridge), destacando a robustez da abordagem teórica em conjuntos de dados pequenos.
• Identificação de Estados Adaptativos/Maladaptativos:
  • Modelos baseados apenas em traços (PLT) ou distorções (Dist) mostraram desempenho razoável, mas com baixa variação nas probabilidades previstas.
  • A combinação de HaRT + PLT demonstrou maior sensibilidade às variações linguísticas, melhorando a detecção de evidências de estados. O modelo combinado para estados maladaptativos atingiu um F1 macro de 0.58 e AUC de 0.77.
• Análise Qualitativa:
  • As características mais positivamente correlacionadas com o bem-estar foram: "satisfação com a vida", "positividade" (situacional) e "harmonia na vida".
  • As características negativamente correlacionadas incluíram: "crença em poder superior" (resiliência), "escala de depressão" e "necessidade de afiliação" (interpretada como uma necessidade frustrada de conexão social).

5. Significado e Conclusão

O trabalho demonstra que a modelagem computacional da saúde mental deve transcender a análise puramente estatística de texto. Ao integrar teoria psicológica (interacionismo e construtivismo) com modelos de linguagem avançados, é possível criar sistemas que:

• São Interpretáveis: Fornecem explicações baseadas em constructos psicológicos validados (ex: como o contexto de "Adversidade" interage com a "Resiliência" de um indivíduo).
• Capturam a Dinâmica: Reconhecem que um comportamento pode ser adaptativo em um contexto (ex: vigilância em combate) e maladaptativo em outro (ex: em sala de aula).
• Equilibram Precisão e Explicabilidade: Mostram que, em dados limitados, abordagens teóricas podem superar modelos de "caixa preta" puramente baseados em dados, enquanto a combinação de ambos oferece o melhor desempenho geral.

Limitações e Considerações Éticas:
O estudo reconhece limitações no tamanho da amostra (30 usuários) e a natureza interpretativa dos rótulos de "verdade fundamental". Além disso, destaca riscos éticos críticos, como privacidade, viés cultural nos modelos treinados em inglês e o perigo de diagnósticos automatizados sem supervisão humana. O trabalho conclui que o futuro da computação em psicologia deve priorizar a responsabilidade teórica e a dignidade humana, tratando os indivíduos como entidades dinâmicas e contextualmente situadas.