Characterizing psychological concerns in semi-structured healthcare conversations using conversational NLP and large language models

Os seres humanos estão constantemente trocando mais do que apenas palavras; eles estão compartilhando estados mentais, fardos emocionais e ritmos sociais através do fluxo da conversa. Durante décadas, os profissionais de saúde mental confiaram em questionários padronizados para medir como uma pessoa lida com a interação social ou quanta angústia psicológica ela carrega. Esses levantamentos, preenchidos com caneta e papel ou em uma tela, pedem que as pessoas avaliem seus próprios sentimentos e comportamentos. Embora úteis, essas ferramentas capturam um instantâneo estático da autopercepção, em vez da realidade dinâmica e viva de uma conversa enquanto ela acontece. Elas não conseguem ouvir a hesitação em uma voz, a repetição de uma preocupação ou as maneiras sutis pelas quais uma pessoa se conecta — ou falha em se conectar — com outro ser humano. À medida que a tecnologia avança, uma nova questão surgiu no campo da psicologia e da ciência da computação: podemos ensinar as máquinas a ouvir a maneira como as pessoas falam durante uma entrevista clínica e, apenas através dessas palavras faladas, compreender o panorama social e emocional do interlocutor?

Esta questão está no cerne de um estudo recente conduzido por pesquisadores da Universidade Internacional Cristã e do Hospital Heartland Shigisan, no Japão. A equipe queria ver se as ferramentas modernas de linguagem de computador poderiam analisar as transcrições de conversas reais entre um psiquiatra e um paciente para revelar padrões ocultos relacionados à comunicação social e ao sofrimento emocional. Eles não estavam tentando construir uma máquina que pudesse diagnosticar um paciente ou substituir um médico. Em vez disso, fizeram uma pergunta mais fundamental: as palavras específicas que as pessoas escolhem, os tópicos que trazem à tona e o ritmo de seu diálogo contêm pistas mensuráveis sobre seu estado mental? Para descobrir, recorreram a um conjunto de ferramentas conhecidas como processamento de linguagem natural, que permite aos computadores ler e compreender o texto humano, e a modelos de linguagem de grande escala, que são sistemas de inteligência artificial avançados capazes de resumir ideias complexas e identificar temas em vastas quantidades de escrita.

Os pesquisadores reuniram um grupo de 62 adultos no Japão e pediram que participassem de uma conversa semiestruturada com um psiquiatra. Estas não foram conversas de fluxo livre, mas sessões guiadas projetadas para parecerem um check-in padrão. O psiquiatra, que foi mantido sem conhecimento das pontuações pessoais dos participantes em testes psicológicos, fez perguntas sobre como a pessoa estava se sentindo, quais coisas boas ou difíceis haviam acontecido naquela semana e quais tópicos estavam em sua mente. As conversas duraram, em média, cerca de onze minutos. Durante essas sessões, os participantes também completaram dois questionários conhecidos. Um mediava seu nível de angústia psicológica, perguntando sobre sentimentos de nervosismo, desesperança e inutilidade. O outro mediava sua responsividade social, observando o quão bem entendiam pistas sociais, mantinham relacionamentos e se engajavam com outros.

Uma vez que as conversas foram gravadas e transcritas, os pesquisadores inseriram o texto em seus modelos de computador. Eles decomporam o diálogo em muitos tipos diferentes de características. Algumas características eram contagens simples, como quantas palavras o participante falou em comparação ao médico, ou quão variado era seu vocabulário. Outras eram mais complexas, medindo o quão semelhantes eram as palavras e ideias do participante em relação às do psiquiatra. A parte mais significativa de sua análise envolveu o uso de um modelo de linguagem de grande escala para ler a transcrição completa de cada participante e extrair "itens de agenda" específicos. O computador foi solicitado a identificar se o participante havia falado sobre depressão, ansiedade, família, trabalho ou seu futuro, e a classificar o quanto de preocupação ele expressou sobre cada tópico. Isso permitiu que os pesquisadores fossem além da contagem de palavras e passassem a observar o conteúdo psicológico real do que estava sendo dito.

Os resultados revelaram uma conexão clara entre o que as pessoas diziam e como elas pontuaram nos questionários. O achado mais marcante foi que a capacidade do computador de identificar preocupações específicas, particularmente aquelas relacionadas à depressão, estava fortemente ligada às pontuações dos participantes. Quando o modelo de linguagem detectava que um participante estava expressando uma preocupação significativa sobre depressão, essa pessoa tendia a ter pontuações mais altas tanto no questionário de angústia psicológica quanto no de responsividade social. Isso sugere que a maneira como as pessoas naturalmente falam sobre suas lutas contém um sinal direto de seu estado interno. Curiosamente, os modelos de computador foram muito melhores em prever as pontuações de angústia psicológica do que em prever as pontuações de comunicação social. Embora os modelos pudessem detectar sinais de dor emocional com uma precisão razoável, eles tiveram dificuldades em capturar as nuances da interação social apenas a partir do texto.

O estudo também destacou que o tipo de informação extraída pelo computador importava muito. Medidas simples de quão semelhantes eram as palavras entre o médico e o paciente, ou quantas palavras foram faladas, mostraram conexões muito fracas com os resultados dos questionários. Foi a compreensão semântica mais profunda da conversa — a capacidade de compreender que uma pessoa estava falando sobre "autoavaliação" ou "ansiedade em relação ao futuro" — que forneceu o verdadeiro insight. Os pesquisadores descobriram que, quando combinavam esses resumos de tópicos de alto nível com as contagens de palavras mais básicas, as previsões do computador melhoravam ligeiramente, mas os tópicos em si carregavam o maior peso. Isso indica que o conteúdo de uma conversa é mais revelador do sofrimento de uma pessoa do que a estrutura mecânica de sua fala.

Apesar desses resultados promissores, os pesquisadores são cuidadosos ao notar os limites de seu trabalho. O grupo de pessoas que estudaram era relativamente pequeno, e o estudo foi exploratório, o que significa que foi desenhado para ver o que era possível, em vez de fornecer uma resposta final e definitiva. Os modelos de computador não atingiram a perfeição na precisão, e os pesquisadores enfatizam que essas ferramentas não estão prontas para serem usadas como dispositivos diagnósticos em uma clínica. A forte ligação entre as pontuações de angústia e as pontuações sociais também torna difícil separar completamente as duas no banco de dados; é possível que as conversas tenham refletido um estado geral de mal-estar que influenciou ambas as medidas. Além disso, o estudo baseou-se inteiramente em texto, ignorando o tom de voz, as expressões faciais e o contato visual, que também são partes vitais da comunicação humana.

No entanto, o estudo oferece um vislumbre convincente do futuro da avaliação de saúde mental. Ele demonstra que as palavras que as pessoas escolhem em uma conversa não são apenas ruído aleatório, mas estão estruturadas de formas que refletem sua realidade psicológica. Ao usar modelos de linguagem avançados para ouvir temas específicos como depressão ou ansiedade, os computadores podem começar a quantificar aspectos da experiência humana que antes eram acessíveis apenas através do autorrelato subjetivo ou da observação clínica. Os pesquisadores sugerem que, no futuro, essas técnicas poderiam ajudar a criar ambientes de treinamento mais realistas para profissionais de saúde, permitindo que pratiquem a comunicação com clientes virtuais que exibem diversos padrões de comportamento social e emocional. Por enquanto, o trabalho serve como uma prova de conceito: as histórias que contamos, mesmo em conversas breves e estruturadas, contêm um mapa mensurável de nossas vidas interiores.