Knowledge Mapping and Frontier Analysis of Artificial Intelligence Applications in Mental Health Interventions: A CiteSpace‑Based Bibliometric Analysis

Durante décadas, o mundo tem enfrentado uma crise silenciosa na saúde mental. Há muito mais pessoas lutando contra a ansiedade, a depressão e outras condições do que terapeutas treinados para ajudá-las. A escassez é global e as listas de espera são longas. Nos últimos anos, um novo tipo de tecnologia surgiu para preencher essa lacuna: modelos de linguagem de grande escala. Estes são sistemas de computador treinados em vastas quantidades de texto que podem compreender e gerar linguagem humana com uma fluência surpreendente. Eles podem manter conversas, oferecer apoio emocional e até simular as técnicas de um terapeuta. A promessa é que essas ferramentas possam atuar como uma ponte, fornecendo cuidado imediato e acessível a milhões que atualmente não têm nenhum. Mas, à medida que esses ajudantes digitais se multiplicam, uma questão crítica permanece: eles estão realmente funcionando e como sabemos quais deles são seguros?

Para responder a isso, uma equipe de pesquisadores da China e dos Estados Unidos decidiu dar um passo atrás e observar todo o panorama da literatura científica sobre este tema. Em vez de testar um único chatbot ou realizar um novo experimento, eles reuniram e analisaram 1.685 estudos publicados na base de dados Web of Science, uma coleção massiva de pesquisa acadêmica. Eles utilizaram uma ferramenta de software especializada chamada CiteSpace para mapear como este campo cresceu, quem está realizando o trabalho e quais perguntas estão sendo feitas. O resultado é um quadro claro de um campo que está explodindo em tamanho, mas que ainda busca seu equilíbrio no mundo real.

A história deste campo de pesquisa é de uma aceleração súbita. Por quase quarenta anos, de 1982 até o início da década de 2020, o número de estudos publicados anualmente era minúsculo, frequentemente oscilando entre um e uma dúzia. Os pesquisadores estavam explorando a ideia, mas o progresso era lento e disperso. Então, em 2023, tudo mudou. Naquele ano, o número de publicações saltou de 22 para 65. O crescimento não parou por aí; ele disparou para 183 artigos em 2024, quase 600 em 2025 e atingiu 644 até meados de 2026. Este aumento dramático coincide perfeitamente com o lançamento público de ferramentas de inteligência artificial generativa avançadas, como os chatbots que agora podem escrever histórias e responder a perguntas complexas. Os dados sugerem que a chegada dessas novas e poderosas tecnologias acendeu um frenesi de interesse acadêmico, impulsionando o volume total de pesquisas nos últimos quatro anos para representar 93 por cento de todo o trabalho já realizado nesta área.

Quando os pesquisadores observaram quem está impulsionando essa explosão, encontraram um padrão distinto de esforço global. A China produziu o maior número de artigos, com 534 textos, seguida de perto pelos Estados Unidos com 438. Outras nações como Inglaterra, Japão e Coreia do Sul também contribuíram significativamente. No entanto, o mapa de colaboração conta uma história diferente do mapa de produção. Embora a China tenha o maior número de artigos, seus pesquisadores não estão tão profundamente conectados à rede global quanto seus homólogos americanos. Os Estados Unidos situam-se no centro da teia de colaboração, atuando como um polo que liga pesquisadores de muitos países diferentes. Em contraste, a pesquisa chinesa, embora prolífica, permanece um tanto isolada nesta rede. Isso sugere que, embora muitos países estejam produzindo trabalho, os Estados Unidos são atualmente o principal motor para conectar ideias e fomentar a cooperação internacional neste campo específico.

As instituições que lideram a frente são, em sua maioria, grandes universidades nos Estados Unidos e na Europa. A Universidade de Harvard, o sistema da Universidade da Califórnia e a Universidade de Londres estão entre os principais produtores de pesquisa. Esses grupos não estão apenas construindo melhores chatbots; eles estão testando-os rigorosamente. Estão investigando se essas ferramentas de inteligência artificial podem diagnosticar com precisão condições como depressão ou transtorno obsessivo-compulsivo. Estão realizando ensaios clínicos para ver se conversar com um programa de computador pode realmente melhorar os sintomas de um paciente em comparação ao cuidado tradicional. Também estão profundamente preocupados com a segurança, estudando como esses sistemas podem falhar quando um usuário expressa pensamentos suicidas ou como podem lidar com diferenças culturais sensíveis.

Apesar do rápido crescimento nos números, os pesquisadores descobriram que o campo ainda está em seus estágios iniciais de maturidade. Os tópicos mais comuns na literatura focam na própria tecnologia: como tornar os modelos melhores em compreender a emoção humana, como treiná-los em terapias específicas como a terapia cognitivo-comportamental e como garantir que eles não inventem fatos ou deem conselhos perigosos. Há uma forte ênfase na "modelagem computacional", o que significa usar a matemática para entender como o cérebro humano toma decisões e como essas ferramentas digitais podem imitar esses processos. Os pesquisadores também estão trabalhando arduamente para criar melhores formas de medir se essas ferramentas realmente funcionam, indo além de testes simples para ver se podem ser usadas em clínicas e centros comunitários reais.

No entanto, uma lacuna significativa permanece entre o laboratório e o hospital. A análise mostra que, embora haja uma riqueza de validação técnica e testes em pequena escala, há uma falta de estudos de larga escala e no mundo real que comprovem que essas ferramentas são seguras e eficazes para a população geral. A maior parte do trabalho atual ainda é sobre provar que a tecnologia pode funcionar, em vez de provar que ela funciona para todos na vida cotidiana. Os pesquisadores observam que questões como privacidade, o risco de os pacientes se tornarem excessivamente dependentes de uma máquina e a necessidade de supervisão humana ainda estão sendo resolvidas. Não existe ainda uma forma única e padronizada de avaliar essas ferramentas, e o caminho para obter sua aprovação para uso clínico generalizado ainda não está claro.

Os autores concluem que o campo é atualmente impulsionado pelo entusiasmo da nova tecnologia, mas precisa mudar o foco para construir uma base sólida para o futuro. Eles sugerem que o próximo passo não é apenas construir mais modelos, mas reunir pesquisadores de diferentes países e disciplinas para criar estudos amplos e de longo prazo. Eles defendem o desenvolvimento de regras claras sobre como humanos e inteligência artificial devem trabalhar juntos na terapia, garantindo que a tecnologia apoie o paciente sem substituir a essencial conexão humana. Os dados mostram um campo que está crescendo mais rápido do que sua infraestrutura, um lugar onde o potencial é imenso, mas onde a jornada de uma ideia promissora para uma ferramenta confiável e capaz de salvar vidas ainda está muito em curso.