DS@GT ARC at eRisk 2026: Hybrid Multi-Agent LLM System with Structured Algorithmic Guidance for Conversational Depression Screening

Imagine um mundo onde um robô amigável e comunicativo pudesse se sentar com alguém e descobrir gentilmente se a pessoa está se sentindo mal, sem nunca fazer as perguntas assustadoras e diretas como "Você está deprimido?". Este é o sonho da triagem conversacional de depressão. Cientistas sabem há muito tempo que ferramentas como o Inventário de Depressão de Beck (BDI-II) são ótimas para medir a tristeza e outros sintomas, mas geralmente precisam de um médico humano treinado para fazer as perguntas. Isso é caro e difícil de escalar. Entram em cena os Modelos de Linguagem de Grande Escala (LLMs): programas de computador superinteligentes que podem conversar como humanos. A grande questão que os pesquisadores estão fazendo é: Podemos construir um robô entrevistador que seja inteligente o suficiente para detectar os sinais de depressão apenas conversando, sem precisar de um humano no processo? O desafio é complicado porque esses robtes não podem simplesmente "saber" a resposta; eles têm que adivinhar baseados em uma conversa, e não podem ser informados da resposta correta enquanto estão aprendendo.

Neste artigo, uma equipe da Georgia Tech (DS@GT) tenta resolver esse quebra-cabeça para uma competição chamada eRisk 2026. Eles construíram um sistema para entrevistar personagens de computador (chamados de "personas") que estão fingindo ter diferentes níveis de depressão. O objetivo era obter uma pontuação e listar os quatro principais sintomas, tudo isso mantendo a conversa natural. A equipe começou com uma ideia simples: usar apenas um IA supercaro e poderoso para fazer todo o trabalho. Mas isso era custoso e às vezes inconsistente. Então, eles evoluíram seu sistema para uma "equipe" de IAs: uma para conversar, uma para dar a nota e um gerente para manter as coisas no trilho. A maior descoberta deles? Eles trocaram o entrevistador "estrela" caro por um modelo de código aberto mais barato (Gemma 27B) e usaram truques matemáticos inteligentes para ajudá-lo a manter o foco. Surpreendentemente, essa equipe mais barata teve um desempenho quase tão bom quanto a equipe cara, provando que você nem sempre precisa do cérebro mais poderoso (e caro) para realizar o trabalho, desde que tenha um bom plano de jogo.

A História da Equipe de Robôs Falantes

A equipe da Georgia Tech, conhecida como DS@GT, entrou em um concurso onde tinha que construir um sistema para entrevistar 20 personagens de computador diferentes. Cada personagem era uma "persona" simulando uma pessoa com um nível específico de depressão. As regras eram rígidas: o sistema tinha que agir como uma conversa natural, nunca fazendo perguntas diretas como "Você está triste?", mas sim descobrindo a resposta ao ouvir o chat. Ao final, o sistema tinha que adivinhar uma pontuação total (de 0 a 63) e nomear até quatro sintomas principais.

A equipe tentou três abordagens diferentes, como atualizar o motor de um carro passo a passo.

1. O Protótipo de Motor Único
Primeiro, eles tentaram um sistema "monolítico". Imagine um único robô fazendo tudo: fazendo as perguntas, ouvindo as respostas e avaliando o humor, tudo de uma vez. Funcionou, mas era um pouco instável. Às vezes o robô ficava confuso, dava pontuações diferentes para a mesma pessoa em dias diferentes ou ficava sem tempo antes de perguntar sobre todos os sentimentos importantes. Era como um aluno tentando fazer uma prova, escrever uma redação e corrigir a redação, tudo em um único fôlego — muita coisa para lidar de uma só vez.

2. A Equipe Multiagente (O Baseline)
Para corrigir a confusão, eles dividiram o trabalho. Construíram um Sistema Multiagente. Pense nisso como uma pequena equipe de especialistas:

• O Entrevistador: Um robô cujo único trabalho é conversar naturalmente e fazer as perguntas de acompanhamento certas.
• O Pontuador: Um robô diferente que observa toda a conversa e atualiza constantemente a pontuação e o nível de confiança para cada sintoma possível.
• O Orquestrador: Um robô gerente que diz ao Entrevistador: "Ei, ainda não perguntamos sobre o sono, vá perguntar isso agora!" e decide quando encerrar a conversa.

Essa abordagem de equipe foi muito mais confiável. No entanto, tinha um ponto negativo: era caro. Como estavam usando uma IA de alto nível paga (GPT-5-nano) para o Entrevistador, e precisavam rodar a conversa muitas vezes para obter uma boa média, o custo subia rápido.

3. A Configuração Híbrida (O Grande Experimento)
A equipe fez uma pergunta ousada: Podemos substituir o Entrevistador caro por um modelo de código aberto mais barato (Gemma 27B) se dermos instruções melhores?

Eles trocaram o Entrevistador pago pelo Gemma 27B de código aberto. Mas sabiam que este modelo era um pouco "mais fraco" — ele poderia não seguir as instruções tão perfeitamente ou não aprofundar tanto nas emoções. Para corrigir isso, eles não apenas esperaram pelo melhor; construíram três "redes de segurança algorítmicas" para guiar o modelo mais fraco:

• A Árvore de Diálogo: Em vez de deixar o robô inventar perguntas na hora, deram a ele um mapa pré-escrito (uma árvore). Ele começava com perguntas específicas sobre tristeza e seguia um caminho ramificado baseado nas respostas. Isso impediu o robço de sair do tópico.
• Agregação Ponderada pela Confiabilidade: Como o modelo mais fraco poderia cometer erros, eles realizaram a entrevista 20 vezes em vez de 10. Então, em vez de apenas escolher a resposta do meio, usaram um método matemático inteligente (inspirado no framework "Weaver") para ponderar as respostas. Se a maioria das execuções concordasse sobre um sintoma, essa resposta recebia mais peso. É como perguntar a 20 alunos uma questão e confiar na resposta em que a maioria concorda, em vez de apenas escolher uma.
• Imputação por Agrupamento (Cluster Imputation): Às vezes, o robô perdia um sintoma inteiro porque o tempo acabava. O sistema tinha um plano de contingência: se ele perdesse um sintoma, mas visse sinais fortes de sintomas relacionados (como ver "fadiga" e "problemas de sono" quando perdeu "perda de energia"), ele adivinhava a pontuação ausente com base nesses sinais. Isso evitava que a pontuação final fosse muito baixa apenas porque o robô esqueceu de fazer uma pergunta.

Os Resultados: Mais Barato e Tão Bom Quanto

A equipe rodou seu sistema em todas as 20 personas e enviou três versões diferentes de seus resultados.

• Rodada 1 usou a equipe cara e paga (Baseline).
• Rodadas 2 e 3 usaram a equipe híbrida mais barata com o Entrevistador de código aberto.

Os resultados foram surpreendentes. O sistema híbrido, usando o modelo mais barato Gemma 27B, teve um desempenho melhor do que o sistema pago caro na principal métrica de pontuação (ADODL).

• Rodada 3 (Híbrida) pontuou 0.9063, ficando em 3º lugar entre todas as rodadas de todas as equipes da competição.
• Rodada 1 (Baseline Pago) pontuou 0.8841.

Ainda mais impressionante, o sistema híbrido custou cerca de $2 por persona, enquanto o sistema pago custou cerca de $8. Isso é uma redução de custo de 75% para obter resultados melhores!

Os autores sugerem que isso prova que um modelo de código aberto mais fraco pode competir com um modelo pago mais forte se você der a ele suficiente "supervisão algorítmica" (o mapa, a matemática e os planos de contingência). No entanto, eles também notaram uma pequena falha: o sistema híbrido foi muito bom em detectar sintomas físicos (como cansaço ou problemas de sono), mas às vezes perdia os emocionais mais profundos (como culpa ou tristeza). Isso levou a pontuações ligeiramente menores para a identificação de sintomas específicos, embora a pontuação geral de depressão estivesse precisa.

O Que Isso Significa

O artigo conclui que você não precisa necessariamente da IA mais cara para construir uma boa ferramenta de triagem de saúde mental. Ao usar uma estrutura de equipe inteligente e dar à IA um mapa claro para seguir, um modelo de código aberto mais barato pode fazer um trabalho fantástico. Isso é importante porque significa que tais ferramentas poderiam ser usadas em lugares onde o dinheiro é curto ou onde a privacidade é uma grande preocupação (já que o modelo de código aberto pode rodar em computadores locais sem enviar dados para as grandes empresas de tecnologia).

A equipe admite que não fez um teste "head-to-head" perfeito onde mantivessem tudo exatamente igual exceto pelo modelo, porque as regras da competição mudavam semana a semana. Mas a evidência que possuem sugere fortemente que, com a orientação certa, um IA menor pode pesar muito acima de sua categoria.