💬 NLP

All four leading LLMs talk more than they listen to personality-verified synthetic help-seekers

Este artigo revela que quatro principais modelos de linguagem de grande escala falham em distinguir entre buscadores de ajuda sintéticos com personalidade verificada em cenários de crise, exibindo consistentemente verbosidade excessiva e resolução prematura de problemas em vez de escuta eficaz ou estabilização emocional.

Autores originais: Pablo A. Fonseca, Raquel Rodríguez-Carvajal, Rafael A. Calvo

Publicado 2026-08-25

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pablo A. Fonseca, Raquel Rodríguez-Carvajal, Rafael A. Calvo

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

Quando uma pessoa enfrenta uma crise súbita e avassaladora — como saber que um ente querido foi diagnosticado com demência — sua mente muda de maneiras previsíveis. O estresse intenso estreita sua atenção, tornando difícil processar novas informações ou acompanhar explicações longas. Nesses momentos, o apoio humano mais eficaz segue um ritmo específico: ouvir primeiro para estabilizar as emoções da pessoa e só depois oferecer soluções ou conselhos. Hoje, muitas pessoas recorrem a chatbots de inteligência artificial em busca de ajuda durante esses exatos momentos de angústia, esperando por clareza e conforto. No entanto, esses assistentes digitais são frequentemente projetados para serem úteis ao fornecer informações rapidamente, o que pode levá-los a falar demais e resolver problemas cedo demais, potencialmente sobrecarregando um usuário que já está lutando para acompanhar o ritmo.

Uma equipe de pesquisadores do Imperial College London e da Universidad Autónoma de Madrid decidiu testar se os modelos de inteligência artificial mais avançados disponíveis hoje conseguem, de fato, adaptar-se a essa necessidade humana de ouvir em vez de falar. Eles construíram uma simulação sofisticada para servir como um campo de testes seguro. Em vez de arriscar pessoas reais em crise, criaram sete "buscadores de ajuda" sintéticos, cada um programado com um perfil psicológico distinto. Esses perfis não eram apenas descrições vagas, mas baseados em medidas científicas estabelecidas de personalidade, estilos de enfrentamento e resiliência. Cada um desses personagens digitais foi colocado em um cenário onde acabara de receber a notícia devastadora do diagnóstico de demência de um parente. Eles então participaram de uma conversa de dez turnos com quatro dos principais modelos de linguagem do mundo, que atuaram como os "conselheiros" tentando oferecer suporte.

Para garantir que os resultados fossem objetivos, os pesquisadores introduziram um terceiro papel: um "auditor" independente. Este auditor era outro modelo de inteligência artificial que ouvia toda a conversa sem conhecer o perfil psicológico do buscador de ajuda. Seu trabalho era julgar se o conselheiro havia ouvido com sucesso, se havia estabilizado as emoções da pessoa e se havia evitado armadilhas comuns, como dar conselhos prematuros ou falar demais. Os pesquisadores também verificaram se os buscadores de ajuda sintéticos estavam realmente se comportando de acordo com suas personalidades atribuídas, perguntando se um observador poderia identificar quem era quem apenas lendo os registros do chat.

O estudo revelou um padrão marcante e consistente em todos os quatro modelos de inteligência artificial testados. Independentemente de qual modelo estivesse atuando como conselheiro, todos falavam mais do que ouviam. Em todas as conversas, o conselheiro proferiu mais palavras do que o usuário, com a proporção de palavras do conselheiro para as do usuário variando de quase duas para uma até mais de três para uma. Além disso, todos os quatro modelos tenderam a saltar para a resolução de problemas antes que o usuário tivesse terminado de explicar sua situação ou expressar seus sentimentos. Esse comportamento vai contra o que os especialistas sabem sobre o suporte em crises, onde a prioridade é deixar a pessoa se sentir ouvida e se acalmar antes de oferecer quaisquer soluções. Os pesquisadores descobriram que essa tendência de ser verboso e orientado para soluções era um modo de falha compartilhado, não uma peculiaridade de um único modelo.

Apesar dessa falha compartilhada, o estudo descobriu que os modelos podiam ser distinguidos uns dos outros com base na qualidade de seu suporte. Um modelo, o DeepSeek-V3.2, teve um desempenho ligeiramente melhor que os outros, mostrando uma maior capacidade de apoiar o senso de autonomia e competência do usuário, enquanto gerava menos instâncias de comportamentos contraproducentes. No entanto, a diferença entre os melhores desempenhos era estreita, e nenhum dos modelos alcançou um nível de desempenho que pudesse ser considerado perfeito. A pesquisa também confirmou que os buscadores de ajuda sintéticos foram bem-sucedidos: os auditores independentes foram capazes de identificar com precisão os traços psicológicos específicos dos buscadores de ajuda apenas lendo a conversa, provando que esses personagens digitais podiam retratar de forma confiável personalidades humanas complexas.

As descobertas sugerem que, embora os sistemas de inteligência artificial atuais sejam capazes de se envolver em conversas complexas de múltiplos turnos, eles ainda não aprenderam a habilidade crucial de contenção necessária para o suporte em crises. Eles ainda são ansiosos demais para falar e resolver, um traço que pode ser útil em muitos contextos, mas que é prejudicial quando uma pessoa está em angústia aguda e possui uma capacidade limitada de processar informações. Os pesquisadores concluíram que, para que essas ferramentas sejam verdadeiramente seguras e eficazes em situações de alto risco, elas precisam ser recalibradas para priorizar a escuta e a brevidade, espelhando a paciência de um conselheiro humano habilidoso em vez da eficiência de um mecanismo de busca. Este trabalho fornece uma nova maneira segura de testar e melhorar esses sistemas antes que sejam implantados para ajudar pessoas reais em seus momentos mais vulneráveis.

Resumo Técnico: Buscadores de Ajuda Sintéticos Verificados por Personalidade e Suporte em Crise via LLM

Declaração do Problema
Os Grandes Modelos de Linguagem (LLMs) são cada vez mais consultados durante momentos de angústia aguda, como ao receber um diagnóstico médico difícil. No entanto, os métodos de avaliação atuais dependem fortemente de benchmarks de turno único que avaliam a precisão factual, mas falham em capturar a dinâmica de conversas sustentadas e emocionalmente carregadas. Em cenários de crise, o estresse agudo estreita a atenção e reduz a memória de trabalho, necessitando de um estilo de suporte que priorize a escuta e a estabilização em vez da resolução imediata de problemas. Os benchmarks de segurança existentes são frequentemente estáticos, tornando-se obsoletos rapidamente, e falham em considerar como o comportamento de um LLM evolui através de interações de múltiplos turnos ou como ele se adapta a perfis psicológicos específicos de usuários. Além disso, há uma falta de evidências sobre se os LLMs podem apoiar efetivamente usuários com diversas características disposicionais (ex: estilos de enfrentamento, resiliência, reatância) em contextos de saúde de alto risco.

Metodologia: O Framework AAA
Os autores introduzem o framework Advisee–Advisor–Auditor (AAA), uma arquitetura de papéis separados projetada para simular e avaliar o suporte em crises de forma segura e em escala.

Advisees (Conselheiros/Buscadores de Ajuda): Foram instanciados sete buscadores de ajuda sintéticos, cada um atribuído a um perfil psicométrico específico baseado em cinco dimensões críticas para trajetórias de saúde mental de cuidadores: NEO-FFI (traços do Big Five), CHIP (estilos de enfrentamento), CSES-8 (autoeficácia de enfrentamento), Hong (reatância psicológica) e ResQ-Care (resiliência). Esses perfis foram especificados como faixas de pontuação (baixa, média, alta) em vez de adjetivos descritivos.
Advisors (Conselheiros/Apoiadores): Quatro LLMs amplamente utilizados atuaram como conselheiros: GPT-4.1, Claude-Sonnet-4.5, Mistral-Medium e DeepSeek-V3.2.
Auditors (Auditores): LLMs independentes avaliaram as conversas. No Estudo 1, um ensemble dos quatro modelos atuou como auditores para recuperar o perfil do Advisee apenas através do diálogo. Nos Estudos 2–4, um auditor de alta capacidade (gpt-5.4) avaliou os resultados.
Cenário: Todas as interações ocorreram em um cenário de crise aguda controlado: um cuidador familiar aprendendo sobre o diagnóstico de demência de um parente.
Design Experimental:
- Estudo 1: Testou se perfis especificados poderiam ser consistentemente reproduzidos por diferentes modelos de instanciação e recuperados por auditores cegos.
- Estudo 2: Mediu a estabilização emocional (Escala de Estresse Percebido, PANAS).
- Estudo 3: Avaliou o suporte para necessidades psicológicas básicas (Autonomia, Competência, Relacionamento) usando a escala METUX TENS-Life.
- Estudo 4: Avaliou a qualidade do suporte usando a Escala de Habilidades de Intervenção em Crise e Emergência (CEISS), o código de Integridade de Tratamento de Entrevista Motivacional (MITI) e um novo Counter Comportamental (Behavioral Counter).

Principais Contribuições

Avaliação Consciente da Personalidade: O artigo demonstra que os Advisees sintéticos podem receber perfis psicológicos específicos e não lexicais (incluindo enfrentamento e autoeficácia) que são recuperados de forma confiável por auditores independentes apenas a partir do diálogo. Isso valida o uso de agentes sintéticos para testes conscientes de personalidade.
O Counter Comportamental: Uma nova métrica fundamentada na teoria de intervenção em crise, entrevista motivacional e literatura de relacionamento terapêutico. Ela quantifica comportamentos contraproducentes específicos, como "resolução prematura de problemas", "compreensão falsa", "confiança prematura" e "verbosidade" (medida por contagem de palavras e proporções de fala-escuta).
Separação de Papéis: O framework AAA desacopla os papéis de buscador de ajuda, conselheiro e avaliador, permitindo o isolamento de variáveis (ex: mantendo o modelo do Advisee constante enquanto varia-se o Advisor) e a simulação segura de condições clínicas adversas.

Resultados

Recuperação de Perfil (Estudo 1): Os auditores recuperaram com sucesso os perfis especificados com alta concordância (ICC(2,4) = 0,91). As correlações entre as faixas especificadas e as pontuações recuperadas foram fortes ( $r = 0,78$ ). Isso se manteve válido não apenas para traços lexicais do Big Five, mas também para construtos de avaliação como reatância e autoeficácia, que anteriormente eram considerados difíceis de inferir a partir de texto. Um ensemble de auditores foi necessário para alcançar alta confiabilidade para construtos internos.
Estabilização Emocional (Estudo 2): Todos os quatro modelos reduziram o estresse percebido e o afeto negativo de alguma forma, mas não foram encontradas diferenças estatisticamente significativas entre os Advisors nos desfechos emocionais após a correção de multiplicidade. O perfil do Advisee explicou mais variância na mudança emocional do que o modelo do Advisor.
Necessidades Psicológicas (Estudo 3): Surgiram diferenças significativas no suporte às necessidades psicológicas básicas. O DeepSeek-V3.2 e o Claude-Sonnet-4.5 geralmente superaram o Mistral-Medium, que gerou a maior frustração e o menor suporte em autonomia, competência e relacionamento.
Qualidade do Suporte e Comportamento (Estudo 4):
- DeepSeek-V3.2 alcançou a maior pontuação composta (65,0), seguido pelo GPT-4.1 (59,9) e Claude-Sonnet-4.5 (59,6), com o Mistral-Medium ocupando o último lugar (34,8).
- Modos de Falha Compartilhados: Apesar das diferenças de ranking, todos os quatro modelos exibiram os mesmos modos de falha críticos:
  1. Verbosidade: Todos os Advisors falaram mais do que ouviram, com proporções de palavras excedendo 1:1 (variando de 1,79 a 3,26) e extensões de turno variando entre 280–590 palavras.
  2. Resolução Prematura de Problemas: Todos os modelos avançaram para soluções antes de explorar plenamente a situação do usuário, violando a sequência "ouvir antes de resolver" exigida para o suporte em crises.
  3. Falta de Estabilização Emocional: Embora tenham reduzido o estresse, falharam em se distinguir nos desfechos emocionais, sugerindo um efeito de teto em sua capacidade de gerenciar angústia aguda.

Significância e Alegações
O artigo alega que o framework AAA fornece um método reutilizável, seguro e consciente da personalidade para avaliar LLMs em contextos de crise aguda. Sua principal significância reside na exposição de um descompasso sistêmico entre os comportamentos atuais dos LLMs e as restrições cognitivas de usuários angustiados. Os autores argumentam que, embora os modelos possam passar por filtros de segurança estáticos, eles consistentemente falham em interações sustentadas ao serem excessivamente verbosos e rápidos demais em aconselhar, impondo assim uma carga de processamento aos usuários que possuem capacidade de atenção reduzida.

O estudo conclui que benchmarks baseados em resposta são necessários, mas insuficientes; avaliações de múltiplos turnos e conscientes da personalidade são necessárias para detectar esses déficits comportamentais. Os achados sugerem que calibrar os LLMs em direção à brevidade, escuta ativa e estabilização é um alvo de alto valor para melhorar os sistemas de suporte em crises. Os autores enfatizam que seus resultados são uma prova de conceito usando dados sintéticos e convocam trabalhos futuros envolvendo validação humana e diversos contextos culturais.

Mais como este