💬 NLP

From Chatbots to Confidants: A Cross-Cultural Study of LLM Adoption for Emotional Support

Este estudo apresenta a primeira análise transcultural em grande escala da adoção de LLMs para suporte emocional em sete países, revelando variações significativas nas taxas de uso e nas percepções impulsionadas por fatores demográficos e contexto cultural, ao mesmo tempo que destaca as diversas necessidades emocionais que os usuários buscam atender por meio desses sistemas.

Autores originais: Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

Publicado 2026-04-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Natalia Amat-Lefort, Mert Yazan, Amanda Cercas Curry, Flor Miriam Plaza-del-Arco

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: O "Ouvido" Digital

Imagine que você tem um amigo muito inteligente, sempre disponível, que nunca julga, nunca fica cansado e está livre para conversar 24 horas por dia, 7 dias por semana. Isso é essencialmente sobre o que trata este estudo: pessoas usando chatbots de IA (como o ChatGPT) não apenas para escrever e-mails ou resolver problemas de matemática, mas para desabafar, sentir-se menos solitárias e processar suas emoções.

Os pesquisadores queriam saber: Quem está conversando com esses amigos digitais e por que alguns países os adoram enquanto outros são céticos?

Para descobrir, eles perguntaram a 4.641 pessoas de sete países diferentes (EUA, Reino Unido, Alemanha, França, Espanha, Itália e Países Baixos) sobre suas experiências. Eles também analisaram 731 mensagens reais enviadas por pessoas a esses bots.

1. O "Quem": Quem está usando esses bots?

O estudo descobriu que nem todos têm a mesma probabilidade de recorrer a uma IA para um desabafo. É como um clube onde a adesão depende da sua situação de vida.

O Ponto Ideal Demográfico: As pessoas mais propensas a usar esses bots têm entre 25 e 44 anos, são casadas, religiosas e ricas (ou sentem que têm um alto status social).
- Analogia: Pense nisso como uma cafeteria de alto padrão. As pessoas que vão lá com mais frequência não são os adolescentes pendurados na esquina ou os idosos que preferem chá em casa; são os adultos ocupados e estabelecidos que têm dinheiro e tempo para sentar e conversar.
Os "Não Usuários": Pessoas mais velhas (65+), solteiras, com menos educação ou renda mais baixa têm muito menos probabilidade de usar esses bots para suporte emocional.
A Lacuna de Gênero: Curiosamente, o gênero não fez uma grande diferença em quem os usava, mas afetou ligeiramente o quanto eles confiavam na privacidade do bot.

2. O "Onde": A Grande Divisão Cultural

Esta é a parte mais surpreendente do estudo. Os pesquisadores descobriram uma divisão massiva na forma como as pessoas se sentem em relação à IA, dependendo de onde vivem.

O "Mundo Anglófono" (Reino Unido e EUA): As pessoas aqui são os entusiastas. Elas confiam nos bots, veem grandes benefícios neles e os usam frequentemente.
- Analogia: Nos EUA e no Reino Unido, as pessoas tratam a IA como uma nova e empolgante assinatura de academia. Elas estão ansiosas para experimentá-la, pensando que isso as ajudará a ficar em forma (mentalmente).
Europa Continental (Alemanha, França, Espanha, Itália, Países Baixos): As pessoas aqui são os céticos. Elas são muito mais cautelosas, confiam menos nos bots e os usam com muito menos frequência.
- Analogia: Nesses países, as pessoas tratam a IA como um mecânico estranho e sem licença. Elas se preocupam: "Essa coisa vai consertar meu carro ou vai roubar meus dados e quebrar o motor?"
Países Baixos: Os holandeses foram os mais céticos de todos. Eles foram os menos propensos a confiar seus segredos aos bots.

Por que a diferença?
O estudo usou uma "lente" estatística especial para separar a cultura da demografia. Eles descobriram que, mesmo que você pegasse um americano rico e casado e um alemão rico e casado, o americano ainda teria mais probabilidade de confiar no bot. A cultura importa. Parece que, nos países de língua inglesa, há uma atitude mais aberta em relação ao uso da tecnologia para saúde mental, enquanto em partes da Europa há mais preocupação com a privacidade e uma preferência mais forte pela interação humana.

3. O "O Quê": O que as pessoas estão realmente dizendo?

Os pesquisadores analisaram 731 mensagens reais enviadas por pessoas aos bots. Eles descobriram que as pessoas não estão apenas pedindo piadas; elas estão sofrendo.

Os Principais Temas:
1. Estresse e Ansiedade: "Estou sobrecarregado."
2. Conflitos Relacionais: "Meu parceiro não está respondendo minhas mensagens."
3. Solidão: "Sinto que não pertenço."
4. Problemas Familiares: "Como lido com meu irmão difícil?"
5. Lutas de Saúde Mental: Lidando com depressão ou luto.
Por que as pessoas os usam:
- Disponibilidade 24/7: O bot está lá às 3 da manhã quando um terapeuta humano está dormindo.
- Sem Julgamento: As pessoas se sentem seguras dizendo coisas a uma máquina que têm medo demais de dizer a um amigo ou membro da família.
- Custo: É gratuito (ou mais barato que terapia).

4. O "Pulo do Gato": É seguro?

O artigo destaca uma tensão. As pessoas se sentem seguras conversando com esses bots porque acham que o bot é um "confidente não julgador". No entanto, os autores apontam alguns riscos:

O Problema do "Amigo Falso": Os bots são projetados para ser agradáveis. Eles frequentemente concordam com você ou tentam confortá-lo, mas não entendem verdadeiramente você. Eles podem encorajá-lo demais sem oferecer uma verificação da realidade.
Ilusão de Privacidade: Embora os usuários se sintam seguros, os dados que compartilham não são protegidos por leis de "sigilo médico-paciente". As empresas são donas dos dados.
O "Viés em Inglês": O estudo observa que os bots funcionam melhor em inglês. Se você fala holandês, francês ou alemão, o bot pode soar um pouco artificial, o que pode explicar por que falantes de línguas não inglesas são menos entusiastas.

Resumo

Este artigo é um instantâneo de um novo mundo onde as pessoas estão recorrendo a robôs para conforto.

Quem? Principalmente adultos mais jovens, ricos e casados.
Onde? Muito mais popular nos EUA e no Reino Unido do que na Europa.
Por quê? Porque estão solitárias, estressadas e precisam de alguém para ouvir sem julgar.
O Aviso: Embora esses bots sejam úteis, eles não são médicos perfeitos. Eles são como um vizinho muito educado, sempre disponível, que ouve seus problemas, mas não sabe realmente a verdade completa sobre sua vida ou as regras legais que protegem seus segredos.

Os pesquisadores concluem que precisamos ter cuidado com a forma como construímos e regulamentamos essas ferramentas para garantir que sejam seguras para todos, não apenas para as pessoas que já estão confortáveis com a tecnologia.

1. Declaração do Problema

Enquanto os Modelos de Linguagem de Grande Escala (LLMs) são cada vez mais utilizados para tarefas instrumentais, sua adoção como "confidentes sempre disponíveis e não julgadores" para suporte emocional está crescendo rapidamente. No entanto, existem lacunas significativas na compreensão empírica desse fenômeno:

Falta de Dados em Nível Populacional: Não está claro quão comum é o uso de LLMs para suporte emocional entre o público em geral.
Pontos Cegos Socioculturais: A pesquisa existente está predominantemente confinada a estudos de um único país (frequentemente EUA/Reino Unido), deixando uma lacuna na compreensão de como os contextos culturais e fatores sociodemográficos moldam as percepções e a adoção.
Padrões de Divulgação Desconhecidos: Há evidências limitadas sobre o que os usuários realmente divulgam a esses sistemas ao buscar suporte emocional.
Conflação de Fatores: Estudos anteriores frequentemente falham em desvendar se as diferenças observadas na adoção são devidas a efeitos culturais genuínos ou meramente a artefatos de composições demográficas variadas (por exemplo, idade, educação, status socioeconômico) entre as regiões.

2. Metodologia

Os autores conduziram um estudo quantitativo em grande escala e transcultural utilizando uma abordagem de métodos mistos.

Coleta de Dados:
- Amostra: 4.641 participantes recrutados por meio de painéis Qualtrics em sete países: EUA, Reino Unido, Alemanha, França, Espanha, Itália e Países Baixos.
- Estratégia de Amostragem: A amostragem por cotas garantiu distribuição uniforme entre os países ( $N=200$ por país) e equilíbrio de gênero.
- Desenho do Questionário: Um questionário de quatro etapas cobrindo demografia, padrões de uso, construtos de percepção e uma coleta opcional de prompts de resposta aberta.
- Controle de Qualidade: Filtros rigorosos excluíram bots, duplicatas, respostas em linha reta e falhas em verificações de atenção. Os tempos de conclusão foram validados contra a mediana.
- Tradução: O questionário foi traduzido para seis idiomas (inglês, espanhol, francês, italiano, alemão, holandês) e revisado por especialistas nativos para garantir precisão cultural e linguística.
Estrutura Analítica:
- Análise Demográfica: Testes de qui-quadrado compararam usuários versus não usuários.
- Construtos de Percepção: Três variáveis compostas foram criadas usando escalas Likert de 5 pontos:
  1. Confiança e Privacidade (TRU): Credibilidade, transparência e segurança dos dados.
  2. Benefícios Percebidos (BENF): Acessibilidade, relação custo-benefício e segurança psicológica.
  3. Intenção e Comportamento de Uso (USE): Atitude em relação ao uso e frequência real.
- Modelagem Estatística: Modelos Lineares Mistos de Ligação Cumulativa (CLMM) foram empregados para prever os três construtos.
  - Efeitos Fixos: Variáveis demográficas (Idade, Gênero, Educação, SES, Religião, Estado Civil).
  - Efeitos Aleatórios: País (para isolar a variância cultural da variância demográfica).
- Análise de Prompts: 731 prompts reais de usuários foram coletados. Eles foram incorporados usando M3-Embedding (multilíngue) e Sentence-Transformer, e depois agrupados usando HDBSCAN e UMAP. Os tópicos foram categorizados via LLM (GPT-5.2) e avaliação manual.

3. Principais Contribuições

Primeiro Estudo Empírico Transcultural: Fornece a primeira evidência em nível populacional da adoção de LLMs para suporte emocional em sete nações ocidentais diversas.
Desvendar Cultura vs. Demografia: Utiliza modelagem mista avançada para separar os efeitos do contexto cultural da composição demográfica, revelando que ambos são impulsionadores significativos, mas distintos.
Corpus de Prompts do Mundo Real: Curadoria e análise de 731 prompts multilíngues, identificando os tópicos emocionais específicos com os quais os usuários buscam ajuda (por exemplo, solidão, trauma, conflitos relacionais).
Mapeamento da Paisagem Sociotécnica: Destaca a interação complexa entre o estigma da saúde mental, a alfabetização digital, as preocupações com privacidade e o acesso ao cuidado tradicional na formação da adoção de IA.

4. Principais Resultados

A. Taxas de Adoção e Demografia

Variância na Adoção: As taxas de adoção variam dramaticamente por país, indo de 20% (França, Países Baixos) a 59% (Reino Unido). A média entre os sete países é de 28,9%.
Perfil do Usuário: Os usuários têm significativamente mais probabilidade de ser:
- Idosos entre 25–44 anos (em comparação com não usuários, que tendem a ser mais velhos).
- Status Socioeconômico (SES) mais alto (o preditor mais forte).
- Casados/Com parceiro.
- Religiosos.
- Altamente Educados (Mestrado/Doutorado).
Padrões de Uso: O ChatGPT é o agente dominante (79,7%). Os principais casos de uso incluem gerenciamento de estresse/ansiedade (49,4%), processamento emocional (41,3%) e suporte relacional (30,2%).

B. Percepções Transculturais (A "Divisão do Mundo Anglófono")

Efeito Cultural: Mesmo após o controle de variáveis demográficas, existe uma divisão nítida.
- Mundo Anglófono (Reino Unido, EUA): Mostram percepções consistentemente positivas em Confiança, Benefícios e Uso.
- Europa Continental: Mostram percepções mais céticas ou negativas.
- Países Baixos: Destacam-se como o país mais cético, com as pontuações mais baixas em todos os construtos, provavelmente devido a altas preocupações com privacidade e normas estritas de proteção de dados.
Significância Estatística: O Reino Unido e os EUA formam um cluster distinto, estatisticamente diferente de todas as outras nações. Os países da Europa continental (Alemanha, França, Espanha, Itália) são amplamente homogêneos, embora os Países Baixos divergam significativamente deles.

C. Achados do Modelo Misto

Impulsionadores Demográficos:
- SES: Estar no bracket de SES mais alto (>7) é o preditor positivo mais forte de confiança, benefícios e uso.
- Idade: O grupo etário de 25–44 anos é o mais positivo; ter 65+ anos é o preditor negativo mais forte.
- Religião: Crentes (independentemente da fé específica) têm visões mais positivas do que não crentes.
- Estado Civil: Indivíduos casados/com parceiro são mais positivos do que solteiros.
Impulsionadores Culturais: Os efeitos aleatórios em nível de país confirmam que o contexto cultural influencia independentemente a percepção. O Reino Unido e os EUA têm grandes interceptos positivos, enquanto os Países Baixos têm um grande intercepto negativo.

D. Análise de Prompts (Divulgações dos Usuários)

Conteúdo: Dos 731 prompts, 36,5% relacionavam-se ao bem-estar mental.
Tópicos Principais:
1. Estresse e ansiedade gerais.
2. Conflitos relacionais.
3. Questões familiares e de cuidado.
4. Solidão.
5. Trauma e lutas de saúde mental.
Consistência Transcultural: As distribuições de tópicos foram consistentes entre os países, sugerindo necessidades humanas universais de suporte emocional, independentemente do contexto cultural.

5. Significado e Implicações

Preocupações Éticas e de Segurança: O estudo revela um paradoxo de "segurança percebida". Os usuários sentem-se seguros ao divulgar dados sensíveis devido à falta de julgamento humano, mas frequentemente carecem de proteção legal (sem confidencialidade médico-paciente) e podem receber respostas "sycophantic" (aduladoras) ou não críticas dos LLMs.
Desigualdade no Acesso: A alta adoção entre grupos de alto SES, educados e mais jovens sugere uma "divisão digital" onde populações vulneráveis (mais velhas, SES mais baixo) podem ser excluídas ou carecer da alfabetização para usar essas ferramentas efetivamente.
Design e Governança: As descobertas exigem:
- Benchmarks Multilíngues: Modelos atuais podem favorecer falantes de inglês (entusiasmo do mundo anglófono), potencialmente oferecendo uma experiência superior a usuários de inglês em comparação com falantes de outros idiomas.
- Estruturas de Governança: Necessidade urgente de regulamentações sobre privacidade de dados, especialmente dada a sensibilidade das divulgações de saúde mental.
- Alfabetização em IA: Programas para ajudar os usuários a avaliar criticamente as limitações da IA como ferramenta terapêutica.
Pesquisa Futura: Destaca a necessidade de expandir estudos além dos contextos ocidentais e investigar os impactos psicológicos de longo prazo da ligação emocional humano-IA.

Em conclusão, o artigo estabelece que a adoção de LLMs para suporte emocional não é uniforme, mas é moldada por uma matriz complexa de privilégio socioeconômico e atitudes culturais em relação à privacidade e saúde mental, com uma divisão distinta entre populações de língua inglesa e da Europa continental.