Do Lápis e Papel à Inteligência Artificial: A Nova Era Da Psicologia

Pesquisadores estão explorando como a inteligência artificial, em especial os grandes modelos de linguagem, pode transformar a avaliação psicológica. Em vez de depender apenas de questionários, essa tecnologia analisa a linguagem das pessoas de forma rápida e detalhada, oferecendo resultados mais confiáveis e acessíveis. Essa inovação pode ampliar o alcance da psicologia, economizar recursos e revelar aspectos psicológicos de forma mais natural, mas também exige cuidado com ética e privacidade.

Medir de forma precisa é a base da ciência psicológica. Durante o último século, pesquisadores criaram métodos para validar conceitos abstratos, como inteligência, personalidade ou ansiedade. Esses métodos permitiram avanços importantes, mas ainda dependem, em grande parte, de questionários em que as pessoas respondem sobre si mesmas. 

Esse tipo de avaliação tem muitas limitações: pode ser influenciado por aquilo que a pessoa gostaria que os outros pensassem, por lembranças distorcidas, por diferenças culturais ou até pela dificuldade de ter uma percepção clara sobre si mesmo.

Por isso, psicólogos têm buscado maneiras de combinar diferentes métodos de avaliação, o que chamamos de “avaliação multimétodo”. Quando diferentes técnicas são usadas em conjunto, os resultados são mais confiáveis. Mas, na prática, isso é pouco comum porque exige muito tempo, dinheiro e esforço.

Nos últimos anos, os avanços da inteligência artificial, especialmente os chamados grandes modelos de linguagem, abriram novas oportunidades para melhorar e facilitar a avaliação psicológica. A linguagem humana, que sempre foi uma das formas mais ricas de expressão, pode agora ser analisada por essas ferramentas de forma rápida e detalhada. 

Isso é útil porque a linguagem é um comportamento observável (menos sujeito a distorções), acontece em contextos naturais (o que aumenta a validade dos resultados) e permite que a pessoa se expresse sem ficar presa a perguntas fechadas de questionários.

Além disso, usar a linguagem como ferramenta de avaliação tem vantagens práticas. Grandes modelos de linguagem podem ser aplicados em grande escala, economizando tempo e recursos. Por exemplo, enquanto um conjunto de questionários pode exigir horas de preenchimento, uma amostra curta de fala ou texto pode ser suficiente para que o modelo avalie diferentes aspectos psicológicos. Isso torna possível usar esse recurso até em situações emergenciais ou em locais com poucos profissionais de saúde mental.

Para entender como essa tecnologia evoluiu, precisamos olhar para a história dos modelos de linguagem. No início, psicólogos utilizavam programas simples de contagem de palavras para associar o uso de certos termos a estados psicológicos. 

Esses programas, como o famoso LIWC (Investigação Linguística e a Contagem de Palavras), conseguiram mostrar que a forma como usamos palavras está ligada a nossas emoções, atenção e até à personalidade. Mas havia um problema: a linguagem é complexa, cheia de ambiguidades, e os primeiros métodos não conseguiam captar os diferentes significados de uma mesma palavra em contextos variados.

A solução veio com os chamados “embeddings de palavras”, representações matemáticas que permitiam capturar relações semânticas (de significado) e sintáticas (de estrutura) entre palavras. Depois, surgiram modelos mais sofisticados, como as redes neurais recorrentes e as redes de memória de curto prazo, que aprenderam a adaptar o significado das palavras de acordo com o contexto. Embora melhores, esses modelos eram lentos e exigiam muito poder computacional.

A grande revolução veio com a criação da arquitetura chamada “transformador”. Esse modelo introduziu o mecanismo de “autoatenção”, que analisa todas as palavras de uma frase em relação umas às outras ao mesmo tempo, capturando nuances de significado e contexto de forma muito mais precisa.

Isso possibilitou o nascimento dos grandes modelos de linguagem, capazes de processar quantidades gigantescas de dados e de realizar tarefas complexas como tradução, resumo de textos, análise de sentimentos e até a geração de linguagem natural.

Hoje, esses modelos podem ser usados de diferentes formas: alguns são especializados em compreender textos (como para classificar sentimentos), outros em gerar textos (como escrever respostas ou resumos), e outros combinam as duas funções (como traduzir ou responder perguntas).

No campo da psicologia, grandes modelos de linguagem representam uma oportunidade única de complementar os questionários tradicionais com análises mais ricas da linguagem das pessoas. Eles podem ampliar o alcance das avaliações, aumentar a precisão dos diagnósticos e oferecer alternativas em contextos com poucos recursos. No entanto, também trazem desafios éticos, como a privacidade dos dados e o risco de interpretações erradas.

Este artigo oferece um guia para psicólogos sobre como usar grandes modelos de linguagem em avaliações psicológicas. O objetivo desta visão geral é fornecer orientações acessíveis sobre uma metodologia inovadora e complexa. Apesar dos rápidos avanços, sabe-se relativamente pouco sobre o uso de modelos de IA para avaliação psicológica. 

Embora um número crescente de estudos de alta qualidade esteja surgindo, muitos enfrentam limitações relacionadas ao tamanho da amostra, diversidade, tipos de dados linguísticos ou mensuração psicológica. Os autores do artigo incentivam os psicólogos a buscarem contribuições psicométricas, metodológicas e interdisciplinares sólidas na área em evolução do uso de IA para avaliação psicológica.

LEIA MAIS:

Large Language Models for Psychological Assessment: A Comprehensive Overview

Jocelyn Brickman, Mehak Gupta, and Joshua R. Oltmanns 

Advances in Methods and Practices in Psychological Science. 2025;8(3).

https://doi.org/10.1177/25152459251343582

Abstract: 

Large language models (LLMs) are extraordinary tools demonstrating potential to improve the understanding of psychological characteristics. They provide an unprecedented opportunity to supplement self-report in psychology research and practice with scalable behavioral assessment. However, they also pose unique risks and challenges. In this article, we provide an overview and guide for psychological scientists to evaluate LLMs for psychological assessment. In the first section, we briefly review the development of transformer-based LLMs and discuss their advances in natural language processing. In the second section, we describe the experimental design process, including techniques for language data collection, audio processing and transcription, text preprocessing, and model selection, and analytic matters, such as model output, model evaluation, hyperparameter tuning, model visualization, and topic modeling. At each stage, we describe options, important decisions, and resources for further in-depth learning and provide examples from different areas of psychology. In the final section, we discuss important broader ethical and implementation issues and future directions for researchers using this methodology. The reader will develop an understanding of essential ideas and an ability to navigate the process of using LLMs for psychological assessment.