💬 NLP

Mitigating Data Scarcity in Psychological Defense Classification with Context-Aware Synthetic Augmentation

Para abordar a escassez de dados e o desequilíbrio de classes na classificação de mecanismos de defesa psicológica, este artigo propõe um framework de aumento sintético consciente do contexto combinado com um modelo de classificação híbrido que aproveita a geração guiada por definições para superar significativamente as linhas de base existentes na tarefa compartilhada PsyDefDetect.

Autores originais: Hoang-Thuy-Duong Vu, Quoc-Cuong Pham, Huy-Hieu Pham

Publicado 2026-05-15

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Hoang-Thuy-Duong Vu, Quoc-Cuong Pham, Huy-Hieu Pham

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

Imagine que você está tentando ensinar um computador a entender as formas ocultas e inconscientes pelas quais as pessoas protegem seus sentimentos quando estão sob estresse. Na psicologia, essas são chamadas de Mecanismos de Defesa Psicológica. Elas são como escudos invisíveis que as pessoas erguem sem perceber. Às vezes, são saudáveis, e às vezes, não são.

O problema que os autores enfrentaram é que há muito poucos exemplos desses "escudos" em dados textuais para ensinar o computador. É como tentar aprender a identificar pássaros raros em uma floresta, mas você só tem fotos de três deles.

Veja como a equipe da VinUniversity resolveu isso, explicado de forma simples:

1. O Problema: A "Floresta Vazia"

Os pesquisadores encontraram dois principais obstáculos:

Dados insuficientes: Não havia exemplos suficientes de pessoas usando essas defesas para treinar um computador inteligente.
A Armadilha do "Pássaro Falso": Quando tentaram usar IA para criar mais exemplos (dados sintéticos), a IA frequentemente gerava texto que soava fluente, mas não fazia sentido psicológico. Era como a IA desenhando um pássaro que parecia real, mas tinha asas feitas de água. Isso confundia o computador e o tornava pior no aprendizado.

2. A Solução: A Receita "Estresse Primeiro"

Em vez de apenas pedir à IA para "escrever uma frase sobre uma defesa", a equipe deu a ela uma receita estrita baseada em regras psicológicas reais (chamadas de DMRS).

Passo 1: Encontre o Estressor. Eles disseram à IA: "Primeiro, identifique o estresse (como um término ruim ou perda de emprego). As defesas só acontecem por causa do estresse."
Passo 2: Use um Dicionário Clínico. Eles deram à IA as definições oficiais de cada mecanismo de defesa. É como dar a um chef um cartão de receita específico em vez de apenas dizer "faça um bolo".
Passo 3: O Filtro "Anotador de Máquina". Eles não confiaram cegamente na IA. Usaram uma segunda IA para verificar o texto gerado. Se a segunda IA não tivesse pelo menos 60% de certeza de que o texto estava correto, eles o descartavam. Isso garantia que os "pássaros falsos" fossem realmente pássaros, e não monstros de asas de água.

3. O Cérebro: Um Sistema de Duas Pistas

Para classificar o texto, eles construíram um cérebro híbrido com duas pistas trabalhando juntas:

Pista A (O Linguista): Analisa as palavras, o comprimento da frase e com que frequência a pessoa diz "eu".
Pista B (O Clínico): Usa os 150 indicadores psicológicos oficiais para construir um "perfil" da defesa sendo usada.
A Fusão: Eles combinaram essas duas pistas. É como ter um detetive que analisa as palavras faladas e um psicólogo que analisa a intenção por trás delas, e então eles votam juntos na resposta.

4. Os Resultados: Um Grande Salto, Mas com uma Pegadinha

A equipe testou seu sistema em um teste "cego" (um conjunto de dados que o computador nunca havia visto antes).

A Vitória: Seu sistema foi uma melhoria massiva em relação ao melhor método anterior. Ele passou de acertar cerca de 18% das respostas para 58%. Em termos de uma pontuação equilibrada (que conta o quão bem ele lida com casos raros), ele saltou de 8,6% para 24,6%.
A Pegadinha (O Efeito "Pântano"): O artigo aponta uma falha grave. O computador ainda tem o hábito de adivinhar uma resposta específica (Rótulo 7) para quase tudo, especialmente quando está confuso. É como um aluno que, quando não sabe a resposta, apenas escreve "C" em todas as questões. Como um tipo de resposta era muito comum nos dados de teste, o computador se apoiou nele demais, tornando difícil identificar corretamente as defesas mais raras e complexas.

5. O Que Eles Aprenderam

Definições Importam: A qualidade da "receita" (a definição dada à IA) foi o fator mais importante. Definições melhores significavam dados falsos melhores, o que significava um computador mais inteligente.
Mais Dados Nem Sempre é Melhor: Se eles gerassem muito dado falso, o computador ficava confuso com o ruído. Um pouco de dado falso de alta qualidade era melhor do que uma montanha de dados de baixa qualidade.
O Contexto é Rei: Você não pode olhar apenas para uma frase; precisa entender o estresse que a desencadeou.

A Conclusão

Os autores construíram um sistema que usou com sucesso dados falsos "inteligentes" para ensinar um computador a detectar defesas psicológicas, dobrando seu desempenho. No entanto, eles admitem que o sistema ainda luta com os tipos mais comuns de respostas e precisa de mais trabalho (como especialistas humanos verificando o trabalho) antes que possa ser usado em um consultório médico real. Por enquanto, é uma poderosa ferramenta de pesquisa, não uma ferramenta de diagnóstico.

Resumo Técnico: VISHC no PSYDEFDETECT

Declaração do Problema

A classificação automática de Mecanismos de Defesa Psicológica (MDPs) a partir de texto apresenta desafios significativos para o Processamento de Linguagem Natural (PLN). Diferentemente de tarefas padrão de PLN, os MDPs são processos inconscientes e dependentes do contexto que se manifestam por meio de pistas sutis (por exemplo, inconsistência narrativa, mudanças no enquadramento emocional) em vez de marcadores lexicais explícitos. Essa natureza implícita cria ambiguidade semântica, onde textos de superfície idênticos podem refletir processos defensivos distintos dependendo da intenção.

Esses desafios são agravados pela severa escassez de dados e desequilíbrio de classes em conjuntos de dados disponíveis como o PSYDEFCONV. Além disso, a tarefa inclui rótulos auxiliares ("Sem Defesa" e "Precisa de Mais Informações") que carecem de itens clínicos de defesa correspondentes, violando suposições padrão de multiclasse e distorcendo as distribuições. Embora os Modelos de Linguagem de Grande Escala (LLMs) ofereçam aumento de dados sintéticos, a geração sem fundamentação frequentemente produz texto fluente, mas teoricamente inválido ("alucinando defesas"), introduzindo ruído que corrói a confiabilidade do modelo.

Metodologia

Os autores propõem um framework de Aumento Sintético Consciente do Contexto (CASA) acoplado a uma arquitetura de Fusão Híbrida de Características para abordar essas questões. O pipeline consiste em três etapas principais:

1. Aumento Sintético de Dados Consciente do Contexto

Em vez de parafraseamento padrão, o sistema utiliza Geração Ancorada em Estressores e Prompting Guiado por Teoria:

Ancoragem em Estressores: Os prompts são ancorados em estressores específicos identificados a partir de diálogos (por exemplo, perda de emprego, rejeição) para garantir que as defesas geradas reflitam respostas realistas a ameaças percebidas, em vez de expressões emocionais genéricas.
Prompting Guiado por Teoria: Os prompts utilizam definições clínicas estruturadas da Escala de Avaliação de Mecanismos de Defesa (DMRS), incluindo o nome da defesa, definição formal e padrões comportamentais. Isso orienta o LLM (Llama-3-8B-Instruct) a gerar amostras que expressem o papel teórico da defesa.
Controle de Qualidade: Um filtro de "máquina como anotador" retém apenas lotes gerados onde um classificador secundário alcança concordância substancial (Cohen's $\kappa \ge 0.60$ ). Um esquema de balanceamento suave limita as classes minoritárias a 500 instâncias totais (reais + sintéticas) para evitar overfitting a artefatos de geração.

2. Extração de Características de Duplo Domínio

O sistema extrai dois conjuntos de características complementares para cada enunciado:

Heurísticas Linguísticas: Seis características leves capturando pistas de superfície, incluindo comprimento do enunciado, densidade de pronomes de primeira pessoa, densidade de insight, flags fáticos, flags de enfrentamento maduro e intensidade emocional. Essas ajudam a distinguir respostas não defensivas das defensivas.
Perfil de Defesa DMRS: Uma representação fundamentada clinicamente derivada de 150 indicadores da DMRS. Um modelo NLI estima probabilidades de implicação para esses indicadores, que são agregados em 30 escores de mecanismo e mapeados para 9 níveis de defesa.

3. Arquitetura de Fusão Híbrida de Características

O modelo emprega uma estratégia de fusão tardia:

Codificador Textual: O MentalRoBERTa codifica a entrada formatada como [Estressor:S|Turno:T] para condicionar a representação tanto ao contexto quanto à resposta, produzindo um embedding de 768 dimensões.
Codificadores de Características: As características heurísticas (7 dimensões) e DMRS (30 dimensões) são processadas através de MLPs dedicados para produzir vetores de 32 dimensões cada.
Fusão: Os três vetores (768 + 32 + 32) são concatenados em um vetor de 832 dimensões, passam por camadas totalmente conectadas e são classificados em 9 rótulos.

Contribuições Principais

Aumento Fundamentado Psicologicamente: O artigo demonstra que a qualidade das definições no prompting governa diretamente a fidelidade da geração. O uso de definições baseadas na DMRS supera significativamente descrições de classes superficiais.
Engenharia de Características Clínicas: A integração de características estruturadas de todos os 150 itens da DMRS com heurísticas linguísticas preenche a lacuna entre teoria clínica e classificação neural.
Base Forte para Baixos Recursos: O sistema estabelece uma base competitiva para classificação de MDPs em cenários de baixos recursos, superando significativamente bases existentes sem exigir novos conjuntos de dados massivos anotados por humanos.

Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados PSYDEFCONV (tarefa compartilhada BioNLP@ACL 2026).

Ganhos de Desempenho: O sistema proposto alcançou uma precisão de 58,26% e um macro-F1 de 24,62% no conjunto de testes cego. Isso representa uma melhoria substancial sobre a base DMRS CO-PILOT (Precisão: 18,01% $\to$ 58,26%; Macro-F1: 8,63% $\to$ 24,62%).
Escala de Aumento: O desempenho atingiu o pico em uma escala de aumento de $\times 2$ (macro-F1 27,99%), indicando um equilíbrio ótimo entre cobertura de classes e ruído sintético. A escalada agressiva ( $\times 10$ ) levou à degradação do desempenho devido ao acúmulo de ruído.
Questões de Desequilíbrio de Classes: Apesar das melhorias, o modelo exibiu um "efeito de sumidouro do Rótulo 7", onde a classe "Alta Adaptabilidade" (Rótulo 7) absorveu erros de outras classes. Por exemplo, 77% das instâncias "Neuróticas" (Rótulo 5) foram classificadas erroneamente como Rótulo 7. Consequentemente, embora a precisão geral seja alta, o macro-F1 para classes minoritárias permanece baixo (abaixo de 0,30 para seis das oito classes).

Significado e Limitações

O artigo afirma que a especificidade clínica nas definições de classe é o principal motor da eficácia do aumento sintético neste domínio. Ao fundamentar a geração na teoria da DMRS, o sistema mitiga com sucesso a escassez de dados melhor do que abordagens de LLM sem fundamentação.

No entanto, os autores mantêm uma postura modesta quanto à prontidão clínica do sistema:

Teto de Aumento: O balanceamento ingênuo de contagens é insuficiente quando a classe majoritária (Rótulo 7) compartilha alta sobreposição linguística com classes adjacentes.
Cegueira Temporal: A modelagem atual em nível de turno falha em capturar mudanças defensivas que ocorrem ao longo de múltiplos turnos de diálogo.
Restrições de Validade: Embora o filtro de "máquina como anotador" garanta consistência de rótulos, ele não garante validade clínica. Os autores enfatizam que o sistema é um protótipo de pesquisa e não deve ser usado como ferramenta de diagnóstico sem revisão de especialistas.
Ambiguidade da Tarefa: Os rótulos 0 ("Sem Defesa") e 8 ("Precisa de Mais Informações") carecem de estruturas de indicadores da DMRS, tornando-os difíceis de sintetizar e classificar efetivamente dentro do framework atual.

Trabalhos futuros são sugeridos para incluir decodificação baseada em restrições, validação com humano no loop e modelagem em nível de diálogo para abordar a volatilidade temporal e o viés de classe majoritária.