From Pre-trained Models to Large Language Models: A Comprehensive Survey of AI-Driven Psychological Computing

Resumo Técnico: Da Computação Psicológica Tradicional à Era dos Grandes Modelos de Linguagem

1. O Problema: Fragmentação Metodológica e Limitações de Domínio

A interseção entre Inteligência Artificial (IA) e ciência psicológica cresceu exponencialmente (de 859 publicações em 2000 para quase 30.000 em 2025). No entanto, o campo enfrenta uma fragmentação metodológica crítica:

• Organização Centrada no Domínio: A pesquisa é tradicionalmente organizada por subdisciplinas psicológicas (ex: depressão, personalidade, cognição), o que obscurece as semelhanças computacionais entre tarefas de diferentes domínios.
• Reinvenção da Roda: Técnicas computacionais idênticas são desenvolvidas independentemente para problemas distintos (ex: detecção de suicídio e avaliação de personalidade usam arquiteturas similares, mas raramente há transferência de conhecimento entre elas).
• Desafios Específicos da Psicologia: Diferente da IA convencional, a computação psicológica lida com:
  • Validade de Construto: O modelo deve medir o constructo teórico real, não apenas correlatos superficiais.
  • Incerteza de Rótulos: Diagnósticos psicológicos envolvem julgamento subjetivo e desacordo entre especialistas, não havendo uma "verdade absoluta" (ground truth) objetiva.
  • Privacidade e Ética: Dados extremamente sensíveis exigem conformidade rigorosa (HIPAA, GDPR).
  • Validade Ecológica e Cultural: Comportamentos variam drasticamente conforme o contexto cultural e situacional, limitando a generalização de modelos treinados em populações ocidentais.

2. Metodologia: Uma Taxonomia Computacional

Os autores propõem uma mudança de paradigma: organizar as tarefas de IA em psicologia baseando-se em padrões de processamento computacional e não em domínios de aplicação. A metodologia baseia-se em uma formulação formal da tarefa $T = \langle X, Y, F \rangle$, onde $X$ é o espaço de entrada (multimodal), $Y$ é o espaço de saída (constructos psicológicos) e $F$ é a função computacional.

A taxonomia proposta classifica as tarefas em quatro tipos fundamentais:

1. Tarefas de Classificação:
   • Objetivo: Identificar estados psicológicos discretos (ex: diagnóstico de depressão, tipos de personalidade Big Five, risco de suicídio).
   • Desafio: Aprender fronteiras de decisão em espaços de alta dimensão, lidando com desequilíbrio de classes e validade construtiva.
2. Tarefas de Regressão:
   • Objetivo: Quantificar medições contínuas (ex: gravidade da depressão, níveis de estresse, capacidade cognitiva).
   • Desafio: Mapear entradas para espaços de saída contínuos mantendo a interpretabilidade clínica e lidando com incerteza de medição.
3. Tarefas Relacionais Estruturadas:
   • Objetivo: Extrair e modelar relações complexas entre constructos (ex: redes de sintomas, grafos de suporte social, trajetórias temporais).
   • Desafio: Capturar dependências temporais e estruturais usando arquiteturas baseadas em grafos ou sequências.
4. Tarefas Generativas e Interativas:
   • Objetivo: Criar conteúdo psicológico personalizado e engajar o usuário dinamicamente (ex: chatbots terapêuticos, sistemas de educação adaptativa, intervenção em crise).
   • Desafio: Síntese de respostas contextualmente apropriadas, manutenção de contexto em diálogos multi-turno e adaptação ao estado do usuário.

3. Evolução Tecnológica e Análise de Métodos

O artigo analisa mais de 300 trabalhos representativos, traçando a evolução através de duas eras tecnológicas:

• Era de Modelos Pré-treinados (PLMs - 2018-2022):
  • Abordagem: Fine-tuning supervisionado de modelos como BERT e GPT-2.
  • Estratégia: Engenharia de características específica para a tarefa, pré-treinamento adaptativo de domínio (ex: ClinicalBERT, PsychBERT) e fusão multimodal (texto + áudio + vídeo).
  • Limitação: Requer grandes quantidades de dados rotulados específicos do domínio.
• Era dos Grandes Modelos de Linguagem (LLMs - 2023 em diante):
  • Abordagem: Aprendizado Zero-shot e Few-shot via Prompt Engineering e Instruction Tuning.
  • Inovações: Uso de raciocínio em cadeia (Chain-of-Thought) para diagnósticos complexos, agentes multi-agente para simulação de terapias, e geração de dados sintéticos para superar a escassez de dados.
  • Vantagem: Redução drástica da necessidade de dados de treinamento específicos e capacidade de generalização emergente.

4. Principais Contribuições

O artigo oferece quatro contribuições principais para a literatura:

1. Taxonomia Computacional: A primeira estrutura sistemática que unifica tarefas psicológicas dispersas sob quatro paradigmas computacionais, permitindo transferência de conhecimento entre subcampos isolados.
2. Análise Técnica Trans-Era: Uma revisão detalhada da evolução dos métodos, desde a engenharia de características até a adaptação de LLMs, cobrindo abordagens unimodais e multimodais.
3. Levantamento Sistemático de Recursos: Um compêndio abrangente de conjuntos de dados (datasets), métricas de avaliação e benchmarks, categorizados por tipo de tarefa e acessibilidade (público, restrito, privado).
4. Análise de Desafios e Direções Futuras: Identificação crítica de obstáculos fundamentais e proposição de caminhos de pesquisa.

5. Resultados e Desafios Identificados

A análise revela que, embora os LLMs tenham reduzido as barreiras de implantação, desafios fundamentais persistem:

• Interpretabilidade Clínica: Modelos de "caixa preta" não são suficientes; a psicologia exige explicações alinhadas à teoria (ex: por que um sintoma foi associado a um diagnóstico) para ganhar a confiança clínica.
• Incerteza de Rótulos: A maioria dos pipelines de ML ignora o desacordo entre anotadores, tratando-o como ruído, quando na verdade reflete a ambiguidade inerente aos constructos psicológicos.
• Privacidade: Técnicas como Federated Learning e Differential Privacy são necessárias, mas ainda enfrentam trade-offs difíceis entre precisão e proteção de dados sensíveis.
• Validade Cultural: Modelos treinados predominantemente em dados ocidentais falham em contextos culturais não ocidentais, onde a manifestação de sintomas e normas sociais diferem.
• Adaptação de Longo Prazo: A maioria dos modelos é estática. Sistemas psicológicos eficazes precisam de mecanismos de aprendizado contínuo para se adaptar às mudanças no estado do paciente ao longo do tempo sem sofrer "esquecimento catastrófico".

6. Significado e Impacto

Este trabalho é significativo porque:

• Unifica o Campo: Ao mudar o foco de "qual problema psicológico" para "qual problema computacional", o artigo permite que avanços em um domínio (ex: detecção de emoção em chatbots) sejam rapidamente aplicados a outros (ex: avaliação de risco de suicídio).
• Ponte entre Teoria e Prática: Fornece um framework formal que respeita as nuances da ciência psicológica (validade de construto, ética) enquanto aproveita a potência dos LLMs.
• Guia para Pesquisa Futura: Define direções claras, como a integração de estruturas simbólicas de conhecimento com redes neurais, o desenvolvimento de "gêmeos digitais" mentais para simulação de intervenções e a criação de sistemas de intervenção em laço fechado (closed-loop) que monitoram e ajustam tratamentos em tempo real.

Em suma, o artigo estabelece uma fundação para acelerar o progresso na psicologia computacional, transformando uma paisagem fragmentada em um campo coeso capaz de oferecer soluções escaláveis e eticamente robustas para a saúde mental global.