💬 NLP

When Less Is More: An Empirical Study of Minimal Responses in Counseling Dialogues and the Behavior of LLMs

Este artigo demonstra empiricamente que, embora as respostas mínimas sejam cruciais para um aconselhamento humano eficaz, elas são significativamente sub-representadas em diálogos gerados por LLMs e frequentemente subvalorizadas pelas atuais estruturas de avaliação, uma vez que os modelos têm dificuldade em utilizá-las apropriadamente sem instrução explícita.

Autores originais: Zhiyang Qi

Publicado 2026-08-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zhiyang Qi

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

No espaço silencioso de uma sessão de aconselhamento, a ferramenta mais poderosa que um terapeuta costuma manejar não é uma explicação longa ou uma estratégia complexa, mas sim um som simples. Um suave "mm-hmm", um breve "entendo" ou um curto "sim" podem sinalizar atenção profunda, validar os sentimentos de um cliente e convidá-lo a continuar falando. Estes são conhecidos como respostas mínimas. Elas não interrompem o fluxo da história de uma pessoa; em vez disso, agem como uma mão gentil no ombro, dizendo: "Estou aqui e estou ouvindo". Por décadas, conselheiros humanos confiaram nessas pequenas pistas verbais para construir confiança e encorajar os clientes a explorar seus pensamentos mais profundos. No entanto, à medida que a inteligência artificial começa a assumir o papel de um conselheiro virtual, uma questão crítica surgiu: pode um computador aprender a arte de dizer menos para alcançar mais?

Um pesquisador da Universidade de Tóquio propôs-se a investigar exatamente esta questão. Ele examinou o quão bem os sistemas atuais de inteligência artificial compreendem o valor da brevidade no apoio psicológico. O pesquisador analisou uma vasta coleção de conversas de aconselhamento, comparando aquelas registradas de terapeutas humanos reais contra aquelas geradas por modelos de linguagem de grande escala, os sofisticados programas de computador que alimentam os chatbots modernos. Ele encontrou uma diferença marcante. Nas gravações do mundo real, as respostas mínimas eram comuns, aparecendo frequentemente enquanto os terapeutas encorajavam os clientes a continuar compartilhando seus fardos. Nas conversas geradas por computador, no entanto, esses reconhecimentos breves estavam quase inteiramente ausentes. Em vez disso, a inteligência artificial tendia a produzir respostas longas e ricas em informações, que frequentemente incluíam perguntas ou conselhos, mesmo quando a situação pedia silêncio e presença simples.

Para entender por que essa lacuna existia, o pesquisador desenvolveu um método cuidadoso para identificar essas respostas curtas em diferentes idiomas, incluindo chinês, japonês e inglês. Eles procuraram por enunciados de conselheiros que fossem muito curtos e não introduzissem novos tópicos ou perguntas, verificando se o cliente continuava a falar imediatamente depois. Sua análise confirmou que os terapeutas humanos usam essas pistas mínimas em aproximadamente cinco a vinte e quatro por cento de seus turnos, dependendo do conjunto de dados. Em contraste, os modelos de inteligência artificial treinados em dados sintéticos — conversas criadas por computadores em vez de registradas de humanos — produziram respostas mínimas em taxas tão baixas quanto 0,00% e 0,35% nos modelos específicos testados. Os modelos treinados em dados sintéticos pareciam ter aprendido um padrão rígido: ouvir e, em seguida, oferecer imediatamente uma resposta detalhada e útil. Eles pareciam perder o valor interacional sutil de simplesmente abrir espaço para o cliente.

O pesquisador então testou se esses sistemas de inteligência artificial poderiam ser ensinados a usar respostas mínimas se explicitamente solicitados. Eles pegaram momentos específicos de sessões de aconselhamento reais onde um terapeuta humano havia usado uma frase curta e de apoio e pediram à inteligência artificial para gerar uma resposta para a mesma situação. Quando recebiam uma instrução padrão para agir como um conselheiro, os modelos comerciais mais avançados produziam respostas longas e detalhadas. No entanto, quando o pesquisador adicionou uma instrução específica para usar uma resposta curta quando o cliente ainda estava expressando emoções, os modelos mudaram seu comportamento. Eles geraram com sucesso respostas mínimas em quase todos os casos, provando que a tecnologia é capaz de produzi-las. Contudo, sem essa instrução específica, os modelos ainda tinham dificuldade em reconhecer o momento certo de ser breve, muitas vezes voltando ao hábito de fornecer informação demais.

Essa tendência tem um efeito colateral significativo na forma como julgamos a qualidade dessas conversas. O estudo revelou que os métodos atuais usados para avaliar as respostas de aconselhamento da inteligência artificial frequentemente penalizam a brevidade. Quando o pesquisador pediu à inteligência artificial para avaliar as respostas com base em critérios padrão como profissionalismo e completude, as respostas curtas e humanas de natureza mínima receberam pontuações baixas. Os avaliadores favoreceram as respostas longas e ricas em conteúdo, embora essas respostas longas fossem mais propensas a interromper o fluxo de pensamento do cliente. No mundo real, um conselheiro que fala demais pode encerrar a disposição de um cliente para compartilhar, mas os sistemas de avaliação atuais parecem valorizar a aparência de perícia sobre o fluxo real da conversa.

As descobertas sugerem que o caminho para melhores sistemas de aconselhamento artificial requer uma mudança na forma como esses modelos são treinados e avaliados. Simplesmente alimentar os computadores com mais dados não é suficiente se esses dados carecem do ritmo natural da interação humana. O estudo indica que modelos treinados em dados sintéticos, gerados por computador, falham em aprender a nuance das respostas mínimas, enquanto aqueles treinados em conversas humanas reais apresentam melhor desempenho. Além disso, o pesquisador alerta que confiar em sistemas de pontuação automatizados pode, inadvertidamente, levar os desenvolvedores a criar chatbots que falam demais, perdendo o poder terapêutico do silêncio. Para que a inteligência artificial realmente apoie a saúde mental, ela deve aprender que, às vezes, a coisa mais profissional e empática que pode dizer é nada, ou apenas algumas palavras que digam: "Eu te ouço".

Resumo Técnico: "Quando Menos é Mais: Um Estudo Empírico de Respostas Mínimas em Diálogos de Aconselhamento e o Comportamento de LLMs"

Definição do Problema
No aconselhamento psicológico, o suporte eficaz muitas vezes depende de "respostas mínimas" — enunciados breves, como sinais de escuta (backchannels: "Mm-hmm", "Entendo") ou declarações empáticas concisas. Estas servem funções interacionais críticas: sinalizar escuta atenta, expressar empatia e encorajar os clientes a continuarem suas narrativas sem interrupção. No entanto, os sistemas de aconselhamento baseados em Grandes Modelos de Linguagem (LLMs) e as estruturas de avaliação existentes tendem a favorecer respostas explícitas, ricas em informações e estruturalmente completas. Esse viés corre o risco de negligenciar o valor terapêutico da brevidade, levando potencialmente os modelos a gerar respostas verbosas ou padronizadas que interrompem o fluxo do cliente. Além disso, os métodos atuais de avaliação baseados em LLM podem desvalorizar sistematicamente as respostas mínimas, penalizando-as por carecerem de densidade de conteúdo, mesmo quando são interacionalmente apropriadas.

Metodologia
O autor emprega uma abordagem de duas frentes envolvendo análise de conjuntos de dados e avaliação generativa em três idiomas (chinês, japonês e inglês).

Análise de Conjuntos de Dados Cross-Lingual:
- Conjuntos de Dados: O estudo analisa sete conjuntos de dados de diálogos de aconselhamento: quatro gerados por LLM (CACTUS, CPsyCounD, PsyDTCorpus, SmileChat) e três coletados por humanos (AnnoMI, PsyDial-D4, KokoroChat).
- Pipeline de Identificação: Um método de filtragem de dois estágios é desenvolvido para identificar respostas mínimas:
  - Estágio 1 (Baseado em Regras): Filtra os enunciados do conselheiro com base em limiares de comprimento (ex: ≤15 caracteres para chinês/japonês, ≤10 palavras para inglês) e no comprimento do enunciado subsequente do cliente (para garantir que o cliente continuou falando). Exclui perguntas curtas, diretivas, saudações e frases logísticas usando listas de palavras-chave predefinidas.
  - Estágio 2 (Verificação Baseada em LLM): Utiliza o GPT-5.4-mini para verificar contextualmente os candidatos, classificando-os em: (1) respostas do tipo backchannel, (2) respostas empáticas/reflexivas breves, ou (3) outras respostas curtas. Apenas as duas primeiras categorias são contadas como respostas mínimas.
Avaliação Generativa:
- Configuração: O autor selecionou manualmente de 284 a 300 contextos de diálogo por idioma onde conselheiros humanos utilizaram respostas mínimas.
- Modelos: Avaliou modelos de código aberto de propósito geral (Qwen, Llama), um modelo comercial de última geração (GPT-5.4) e modelos específicos de aconselhamento (SoulChat2.0, MindChat, KokoroChat-Full, PsyDial-Pi4).
- Estratégias de Prompting:
  - Prompt Geral: Pede ao modelo para gerar a próxima resposta com base no histórico (testando a adequação natural).
  - Prompt Instrucional: Instrui explicitamente o modelo a priorizar respostas mínimas quando o cliente está expressando emoções (testando a capacidade de seguir instruções).
- Métricas de Avaliação: As respostas foram avaliadas por dois LLMs (GPT-5.4-mini e Gemini-3.1-Flash-Lite) quanto a:
  - Taxa de Resposta Mínima (MR): Porcentagem de respostas geradas que se qualificam como mínimas.
  - Risco de Interrupção: Uma pontuação de 0 a 5 (quanto menor, melhor) estimando a probabilidade de interromper o cliente.
  - Qualidade da Resposta: Uma pontuação composta (0–2 para abrangência, 0–3 para profissionalismo/autenticidade, 0–1 para segurança) baseada em estruturas existentes (Zhang et al., 2024).

Principais Contribuições

Evidência Empírica de Disparidade: O estudo fornece a primeira análise sistemática cross-lingual mostrando que as respostas mínimas são substancialmente mais comuns em conjuntos de dados coletados por humanos (variando de ~5% a 24% dos turnos do conselheiro) do que em conjuntos de dados gerados por LLM (frequentemente <0,2% ou quase ausentes).
Análise de Comportamento do Modelo: O artigo demonstra que modelos treinados em dados sintéticos têm dificuldade em gerar respostas mínimas, enquanto modelos treinados em dados humanos (ou retreinados com eles) apresentam desempenho significavelmente superior.
Identificação de Viés de Avaliação: O autor revela que as métricas padrão de avaliação de qualidade baseadas em LLM favorecem respostas ricas em conteúdo. Quando os modelos são forçados a gerar respostas mínimas, suas pontuações de "qualidade" caem significativamente, embora suas pontuações de "risco de interrupção" melhorem, indicando um desalinhamento entre as rubricas de avaliação atuais e a adequação terapêutica.

Resultados

Distribuição de Datasets: As respostas mínimas foram quase inexistentes em conjuntos de dados gerados por LLM (ex: 4 instâncias ou 0,00% no CACTUS, 0,15% no CPsyCounD), mas prevalentes nos coletados por humanos (ex: 24,37% no AnnoMI, 5,12% no KokoroChat).
Capacidades de Geração:
- Modelos treinados sinteticamente: Modelos como SoulChat2.0 e MindChat (treinados em dados sintéticos) geraram respostas mínimas com taxas de 0,00% e 0,35%, respectivamente, sob prompting geral.
- Modelos treinados em dados humanos: Modelos retreinados em dados humanos (PsyDial-Pi4, KokoroChat-Full) alcançaram taxas de MR de 12,68% e 82,67%, respectivamente.
- Seguimento de Instruções: LLMs comerciais robustos (GPT-5.4) puderam gerar respostas mínimas quando explicitamente instruídos (97,18% em chinês, 82,00% em japonês), mas falharam em fazê-lo naturalmente sob prompting geral (0,00%).
Discrepância de Avaliação: Existe uma forte correlação negativa entre as taxas de resposta mínima e as pontuações de qualidade baseadas em LLM (Pearson $r = -0,86$ ). Inversamente, há uma forte correlação positiva entre as pontuações de qualidade e o risco de interrupção ( $r = 0,89$ ). Isso sugere que as estruturas de avaliação atuais penalizam justamente os comportamentos (brevidade) que reduzem o risco de interrupção no aconselhamento.

Significância e Alegações
O artigo alega que a trajetória atual da pesquisa de diálogo de aconselhamento — dependendo fortemente de dados sintéticos e métricas de avaliação densas em conteúdo — corre o risco de produzir sistemas terapeuticamente ineficazes devido à incapacidade de utilizar respostas mínimas. O autor argumenta que:

Construção de Dados: Os conjuntos de dados de aconselhamento devem incluir explicitamente e preservar as respostas mínimas para treinar modelos que compreendam o fluxo interacional.
Desenvolvimento de Modelos: Os modelos precisam aprender não apenas como gerar respostas mínimas, mas quando elas são apropriadas, uma habilidade atualmente ausente em LLMs de propósito geral sem instrução explícita.
Reforma da Avaliação: As estruturas de avaliação devem ser revisadas para valorizar a adequação interacional (ex: baixo risco de interrupção) em vez da mera abrangência de conteúdo, pois os métodos atuais de "LLM-como-Juiz" podem desvalorizar sistematicamente técnicas de aconselhamento essenciais.

O autor conclui que, embora os LLMs possam ser instruídos a produzir respostas mínimas, eles ainda não determinam confiavelmente sua adequação, destacando uma lacuna crítica no desenvolvimento de sistemas de aconselhamento virtuais seguros e realistas.

Resumo Técnico: "Quando Menos é Mais: Um Estudo Empírico de Respostas Mínimas em Diálogos de Aconselhamento e o Comportamento de LLMs"

Mais como este