No mundo moderno, a inteligência artificial tornou-se uma companheira familiar para responder perguntas, desde o planejamento de uma viagem até a redação de um e-mail. No campo da saúde e nutrição, as pessoas recorrem cada vez mais aos chatbots para obter conselhos sobre o que comer ou como perder peso. No entanto, permanece uma lacuna significativa entre uma resposta genérica e uma que realmente ajude um indivíduo. Uma recomendação que ignora a idade específica, o peso, o histórico médico e os hábitos diários de uma pessoa é fundamentalmente diferente de um plano personalizado. Embora muitas ferramentas atuais tentem adaptar os conselhos simplesmente colando o perfil de um usuário em uma solicitação, elas frequentemente falham em compreender verdadeiramente os detalhes antes de falar. Isso deixa uma lacuna estrutural crítica: o computador vê os dados, mas não faz uma pausa para analisar o que esses dados significam para a pessoa específica que está fazendo a pergunta.

Pesquisadores da Universidade ITMO, em São Petersburgo, desenvolveram um novo método para preencher essa lacuna, visando tornar os conselhos nutricionais mais seguros e úteis. Eles chamam sua abordagem de PA-CoT, que significa Profile-Adaptive Chain-of-Thought (Cadeia de Pensamento Adaptável ao Perfil). Em vez de apressar a geração de uma resposta, este método força a inteligência artificial a dar um passo atrás deliberadamente e analisar o perfil do usuário como uma tarefa separada e dedicada. Pense nisso como um médico que lê o prontuário de um paciente e anota os principais problemas antes de falar com o paciente, em vez de tentar descobrir o diagnóstico enquanto fala. Os pesquisadores testaram essa ideia contra outras onze formas comuns de solicitar comandos (prompting) à IA, usando um novo conjunto de 200 cenários realistas de consultoria nutricional. Seus achados mostram que, ao separar a análise dos dados do usuário da geração do conselho, o sistema produz recomendações significativamente mais personalizadas e seguras do que os métodos padrão.

O cerne deste novo método reside em como ele estrutura o processo de pensamento. Nas abordagens tradicionais, uma IA recebe uma pergunta e um bloco de texto contendo o perfil do usuário, e então tenta responder a tudo de uma só vez. Os pesquisadores descobriram que isso frequentemente leva a IA a perder detalhes cruciais ou a oferecer conselhos genéricos que podem ser prejudiciais. O PA-CoT altera o fluxo de trabalho, dividindo-o em estágios distintos. Primeiro, o sistema analisa o perfil do usuário para identificar os pontos mais críticos que a resposta deve abordar. Ele observa valores específicos, como idade, peso e objetivos dietéticos, e determina exatamente o que a resposta precisa cobrir. Esta etapa cria um roteiro claro para a próxima fase. Somente após a conclusão desta análise é que a IA gera a resposta real, utilizando o roteiro para garantir que cada peça de dado relevante seja tecida no conselho. Por fim, um terceiro estágio atua como uma verificação de segurança, revisando a resposta gerada para garantir que ela não contenha recomendações prejudiciais e inclua os avisos necessários para grupos vulneráveis.

Para testar se esse passo extra realmente fazia diferença, a equipe criou um novo benchmark chamado QPA, que significa Question-Profile-Answer (Pergunta-Perfil-Resposta). Eles construíram este conjunto de dados a partir de milhares de perguntas médicas reais encontradas em fóruns online, filtrando-as para manter apenas aquelas relacionadas à nutrição. Para cada pergunta, eles extraíram os detalhes do perfil do usuário, como idade, peso e objetivos de saúde, criando um conjunto estruturado de 200 casos de teste. Esses casos foram projetados para mimetizar situações do mundo real onde os dados podem estar incompletos, tal como ocorre frequentemente em aplicativos de saúde reais. Os pesquisadores então rodaram seu método PA-CoT contra uma ampla gama de outras técnicas, incluindo o prompting padrão, métodos que tentam refinar respostas através da repetição e sistemas automatizados que otimizam a forma como as perguntas são feitas. Cada resposta foi pontuada por um juiz de IA avançado em quatro critérios: se o conselho era factualmente correto, se cobria todas as partes da pergunta, quão bem utilizava o perfil específico do usuário e se era seguro.

Os resultados foram claros e decisivos. O PA-CoT alcançou a maior pontuação média entre os doze métodos testados. Mais importante ainda, ele liderou o grupo nas duas áreas que mais importam para conselhos de saúde: personalização e segurança. O método pontuou significativamente mais alto em personalização do que seu concorrente mais próximo, com uma diferença tão grande que os intervalos de confiança estatística não se sobrepuseram. Isso significa que a melhoria não foi uma coincidência, mas um resultado consistente. Da mesma forma, obteve a pontuação mais alta em segurança, garantindo que o conselho estivesse livre de recomendações prejudiciais. Os pesquisadores descobriram que outros métodos complexos, que tentavam otimizar o prompt automaticamente ou refinar a resposta através de múltiplas iterações, não tiveram o mesmo desempenho. Na verdade, algumas dessas abordagens mais complicadas pontuaram menos em personalização do que métodos simples. Isso sugere que adicionar complexidade não leva automaticamente a melhores resultados; em vez disso, a chave foi a escolha arquitetônica específica de analisar o perfil do usuário antes de gerar a resposta.

Uma das descobertas mais marcantes foi como o método lidou com o equilíbrio entre ser útil e ser seguro. Em muitas tentativas anteriores, tornar uma IA mais personalizada tornava-a mais arriscada, pois o sistema poderia tentar se ajustar demais aos dados do usuário e acidentalmente sugerir algo perigoso. O PA-CoT resolveu isso separando as tarefas. O estágio que cria o conselho personalizado focou inteiramente no uso dos dados do usuário, enquanto um estágio separado focou inteiramente na segurança. Isso permitiu que o sistema fosse altamente personalizado sem comprometer a segurança. Por exemplo, em um caso de teste envolvendo um adolescente tentando perder peso, o sistema identificou corretamente que a idade e o peso do usuário eram fatores críticos e gerou um plano que respeitava esses limites, ao mesmo tempo em que sinalizou a necessidade de supervisão médica profissional. Em contraste, outros métodos frequentemente davam conselhos genéricos que ignoravam a idade do usuário ou falhavam em incluir os avisos de segurança necessários.

Os pesquisadores também exploraram quanto dado era necessário para que o sistema funcionasse efetivamente. Eles descobriram que, mesmo quando o perfil do usuário estava incompleto, com muitos campos marcados como desconhecidos, o método ainda desempenhava bem. O sistema conseguia identificar quais peças de informação estavam faltando e, em um cenário de produto do mundo real, poderia ser projetado para fazer perguntas de acompanhamento ao usuário para preencher essas lacunas. No estudo atual, o sistema trabalhou com os dados fixos disponíveis, mas a arquitetura foi construída para lidar com a natureza dinâmica das conversas reais. O custo de usar este método também foi considerado; embora exigisse mais etapas de processamento computacional do que uma resposta de etapa única simples, o custo extra foi mínimo comparado ao ganho significativo em qualidade e segurança.

Este trabalho destaca uma mudança fundamental em como a inteligência artificial pode ser aplicada a campos sensíveis como a saúde. Ele demonstra que a maneira como um modelo é instruído a pensar é tão importante quanto o próprio modelo. Ao tratar o perfil do usuário não como um bloco estático de texto, mas como um assunto para análise dedicada, os pesquisadores criaram um sistema que respeita a individualidade da pessoa que pede ajuda. O estudo não afirma que este sistema substitui médicos ou nutricionistas profissionais; os autores declaram explicitamente que se trata de um protótipo de pesquisa e que a implementação no mundo real exigiria validação por especialistas humanos. No entanto, os resultados fornecem evidências sólidas de que uma abordagem de raciocínio estruturada em múltiplas etapas pode melhorar significativamente a qualidade do conselho gerado por IA. À medida que a inteligência artificial se integra cada vez mais na vida cotidiana, métodos como este oferecem um caminho para ferramentas que não são apenas inteligentes, mas também ponderadas, seguras e verdadeiramente úteis para as pessoas que mais precisam delas.