Resumo Técnico: DeepSAGE

Declaração do Problema

Embora os Grandes Modelos de Linguagem (LLMs) tenham demonstrado fluência e suporte na geração de respostas de aconselhamento, eles frequentemente carecem da progressão estruturada e direcionada a objetivos necessária para sessões terapêuticas coerentes. Os sistemas existentes frequentemente dependem de roteiros baseados em regras, pipelines de PLN superficiais ou interações lideradas pelo cliente que falham em guiar o usuário através de um processo psicologicamente fundamentado. Embora a Terapia Cognitivo-Comportamental (TCC) ofereça uma metodologia estruturada, os sistemas atuais baseados em LLM focam tipicamente em turnos de diálogo individuais ou componentes isolados, em vez de gerenciar uma sessão inteira como um processo estruturado e baseado em estágios. Consequentemente, o direcionamento terapêutico confiável em nível de sessão permanece amplamente inexplorado.

Metodologia

Os autores propõem o DeepSAGE (Strategic AI Guidance Engine), um framework híbrido que combina LLMs com Aprendizado por Reforço Profundo (DRL) para permitir um diálogo de aconselhamento consciente de estágios, fundamentado na primeira sessão de TCC.

1. Framework Estruturado por Estágios

A sessão de aconselhamento é modelada como uma sequência de onze estágios distintos derivados da literatura clínica (Beck, 2020), cada um com objetivos terapêuticos explícitos:

1. Saudação (Greet)
2. Definir Agenda (Set Agenda)
3. Verificação de Humor (Mood Check)
4. Obter Atualizações (Obtain Updates)
5. Discutir Diagnóstico (Discuss Diagnosis)
6. Identificar Problemas e Propósitos (Identify Problems and Purposes)
7. Educar sobre o Modelo Cognitivo (Educate About Cognitive Model)
8. Aplicar o Modelo Cognitivo a um Problema do Cliente (Apply Cognitive Model to a Client Problem)
9. Solicitar Resumo (Elicit Summary)
10. Revisar Lição de Casa (Review Homework)
11. Solicitar Feedback (Elicit Feedback)

2. Mecanismo de Transição de Estágio

Um controlador externo determina quando avançar para o próximo estágio ($S_{i+1}$) com base em um critério de sucesso quantitativo $G(S_i, r_t)$. Essa pontuação é computada após a resposta do cliente ($r_t$) e combina:

• Similaridade Semântica: Similaridade de cosseno entre a resposta do cliente e a descrição do objetivo do estágio.
• Implicação de NLI: Probabilidade de que a resposta implique o objetivo do estágio, garantindo que o cliente realmente satisfaça o objetivo em vez de apenas falar superficialmente sobre ele.
  Um estágio é considerado completo se $G(S_i, r_t) \geq \tau$ (limiar) ou se o número máximo de turnos ($T_{max}$) para aquele estágio for atingido.

3. Arquitetura Híbrida LLM-DRL

Quando um estágio ainda não está completo, um agente de DRL seleciona uma intenção terapêutica para guiar a geração de resposta do LLM.

• Estado ($s_t$): Composto por um embedding semântico do histórico de diálogo recente ($h_t$) e um vetor contextual ($c_t$) que codifica o índice do estágio atual e a contagem de turnos.
• Espaço de Ação: Sete intenções terapêuticas adaptadas de Hill e O'Grady (2001): Suporte, Encorajar Catarse, Esclarecer, Focar, Identificar Sentimentos, Identificar Cognições Maladaptativas e Normalizar Experiência.
• Função de Recompensa ($R_t$): Uma função modular que equilibra:
  • Relevância ($Rel_t$): Coerência com a entrada do cliente e alinhamento com os objetivos do estágio.
  • Contagem de Autodescritivação ($SDC_t$): Encorajamento do engajamento do cliente via pronomes de primeira pessoa e menções a entidades pessoais.
  • Penalidade de Turno de Estágio ($-\lambda T_t$): Desencorajar loops excessivos para promover a conclusão oportuna da sessão.
• Treinamento: A política é otimizada usando Otimização de Política Próxima (PPO).

4. Configuração de Avaliação

O sistema foi avaliado utilizando clientes simulados por LLM (Transtorno de Ansiedade e Transtorno Depressivo Maior) em um ambiente controlado. Os baselines incluíram bots de recuperação aumentada, LLMs padrão e várias estratégias de prompting (LLM4CBT, Full-Protocol, Stage-Prompt).

Principais Contribuições

1. Primeiro Framework Estruturado por Estágios: Os autores propõem um framework que modela uma sessão inicial de TCC como onze estágios com objetivos explícitos e detecção automatizada de estágio para gerenciamento de diálogo.
2. Arquitetura Híbrida: Desenvolvimento de uma arquitetia LLM-DRL onde uma política de DRL seleciona intenções terapêuticas para guiar a geração do LLM, permitindo progresso estruturado enquanto preserva a flexibilidade conversacional.
3. Otimização Fundamentada Terapeuticamente: Design de um espaço de ação e uma função de recompensa que otimizam conjuntamente o engajamento do cliente, a relevância semântica, a progressão de estágio e a conclusão.
4. Demonstração Empírica: Evidência de que o DeepSAGE supera a recuperação, o prompting e as alternativas de estruturação por estágio não-DRL em termos de engajamento simulado, autodescritivação e eficiência da sessão.

Resultados

Em avaliações simuladas envolvendo 100 sessões por condição:

• Engajamento e Autodescritivação: O DeepSAGE alcançou a maior Comprimento de Utterance do Usuário (UL) e Contagem de Autodescritivação (SDC) para clientes com Transtorno de Ansiedade (AD) e Transtorno Depressivo Maior (MDD). Para MDD, melhorou o UL em ~59,9% e o SDC em ~80,8% em comparação com o baseline não-DeepSAGE mais forte (LLM4CBT).
• Queda de Intensidade Emocional (EID): O DeepSAGE demonstrou forte alívio emocional, alcançando o maior EID para clientes com AD e um resultado equilibrado para MDD (combinando redução de angústia com alto engajamento, ao contrário dos LLMs padrão que mostraram alto EID, mas baixo engajamento).
• Eficiência da Sessão: O DeepSAGE alcançou a maior Taxa de Sucesso da Sessão (SSR) enquanto exigiu o menor número de utterances do conselheiro. Comparado à variante de ablação DeepSAGE_R (seleção de ação aleatória), o DeepSAGE melhorou a SSR em ~10,9% (AD) e ~8,6% (MDD), enquanto reduziu os turnos do conselheiro em ~9,3% e ~7,0%, respectivamente.
• Revisão de Especialistas: Especialistas da área avaliaram as conversas geradas como amplamente plausíveis com processos de TCC reconhecíveis, embora alguns tenham observado uma dependência ocasional de perguntas ou solução precoce de problemas.

Significância e Limitações

O artigo afirma que combinar o diálogo estruturado por estágios com a seleção de estratégia aprendida é uma abordagem promissora para o aconselhamento por IA, demonstrando melhorias comparativas no controle de diálogo, engajamento e eficiência da sessão. Os resultados sugerem que uma política aprendida é superior ao prompting estático ou à seleção de ação aleatória para navegar na complexa dinâmica de uma sessão de TCC.

No entanto, os autores mantêm uma postura modesta quanto à validade clínica:

• Natureza Simulada: A avaliação depende principalmente de clientes simulados e métricas baseadas em modelos. Os achados demonstram melhorias comparativas no controle de diálogo, em vez de eficácia clínica comprovada.
• Restrições de Segurança: O espaço de ação atual carece de mecanismos dedicados de escalonamento de crise ou encaminhamento. Testes de estresse de segurança indicam que o sistema seleciona "Identificar Cognições Maladaptativas" para entradas de alto risco, o que não é uma resposta clínica apropriada para crises agudas.
• Status de Implantação: O DeepSAGE é um protótipo de pesquisa, não uma ferramenta clínica licenciada. Os autores afirmam explicitamente que ele não deve ser implantado com usuários reais sem a supervisão de um clínico licenciado, detecção de crise dedicada e rigorosa avaliação humana de segurança e eficácia.

O trabalho posiciona o DeepSAGE como um passo em direção a fluxos de trabalho humano-IA, onde o suporte de diálogo estruturado é combinado com a supervisão do clínico, em vez de um substituto para profissionais de saúde mental.