ИИ в психическом здоровье: эмоциональный анализ и анализ настроений ответов больших языковых моделей на запросы о депрессии, тревожности и стрессе

Исследователи проанализировали, как восемь популярных LLM (включая GPT-4o, Claude, Llama) эмоционально реагируют на запросы о депрессии, тревоге и стрессе. Они обнаружили, что каждая модель имеет свою уникальную "эмоциональную подпись" (например, одна более оптимистична, другая — более критична), а также склонна "отзеркаливать" эмоцию, заложенную в теме запроса. При этом добавление в промпт информации о поле или возрасте пользователя почти не меняло эмоциональный тон ответа.

Ключевой результат: Выбор LLM и тема запроса кардинально влияют на эмоциональный тон ответа, в то время как демографические детали пользователя почти не имеют значения.

Суть исследования в том, чтобы показать пользователям: LLM — не бездушные машины, а инструменты с заложенным "характером". Метод, который можно извлечь из этой работы, заключается в осознанном управлении эмоциональным тоном ответа через два рычага: выбор модели и формулировку темы.

1. Рычаг №1: Выбор "собеседника" (модели). Все LLM разные. Исследование показало, что:

   • Llama склонна давать самые оптимистичные и радостные ответы.
   • Mixtral чаще других выражает неодобрение, раздражение и грусть.
   • GPT-4o стремится к нейтральности, но при этом может выражать "раскаяние" (remorse).

   Практический вывод: Для задач, где нужна поддержка, мотивация или креатив с позитивным настроем, лучше выбрать модель типа Llama. Для задач, где нужен более критический или отстраненный взгляд, подойдут другие модели. Не стоит ожидать от всех LLM одинаковой эмоциональной реакции.

2. Рычаг №2: Управление "эмоциональным зеркалом". LLM отражают эмоциональный контекст темы.

   • Запросы о тревоге (anxiety) вызывали ответы с высоким уровнем страха.
   • Запросы о депрессии (depression) генерировали ответы с высоким уровнем грусти.
   • Запросы о стрессе (stress) — на удивление, получали самые оптимистичные ответы с нотками радости и доверия.

   Практический вывод: Вы можете влиять на тон ответа, переформулируя проблему. Вместо того чтобы спрашивать "Как справиться с тревогой перед выступлением?", можно спросить "Как управлять стрессом и чувствовать себя увереннее во время выступления?". Второй вариант, согласно исследованию, с большей вероятностью вызовет оптимистичный и конструктивный ответ, а не наполненный лексикой страха.

• Прямая применимость: Пользователь может немедленно начать применять эти знания. Столкнувшись с задачей, требующей определенного эмоционального тона (например, написать ободряющее письмо), он может:

  1. Сформулировать запрос, фокусируясь на позитивных аспектах (например, "поддержка и рост" вместо "борьба с проблемой").
  2. Отправить этот запрос нескольким доступным моделям (ChatGPT, Claude, Gemini) и выбрать ответ с наиболее подходящей "эмоциональной подписью".

• Концептуальная ценность: Главная идея — "LLM имеет личность". Это помогает пользователю перестать воспринимать модель как поисковик и начать видеть в ней партнера по диалогу, чьи реакции можно предсказывать и направлять. Это формирует интуицию о том, почему на один и тот же промпт разные чат-боты отвечают так по-разному.

• Потенциал для адаптации: Принцип "эмоциональной подписи" универсален. Даже когда появятся новые модели, пользователь сможет быстро "протестировать" их характер. Достаточно задать 2-3 вопроса на чувствительные темы (например, о неудаче, о радости, о тревоге) и посмотреть на стиль и тон ответов, чтобы составить представление о "личности" новой LLM и понять, для каких задач она подходит лучше всего.

Представим, что вам нужно составить речь для друга на свадьбе. Вы хотите, чтобы она была теплой, искренней и оптимистичной, но боитесь скатиться в банальности.

**Роль:** Ты — талантливый спичрайтер и хороший друг, который мастерски владеет словом и умеет вызывать у людей теплые и радостные эмоции.

**Контекст:**
Я готовлю поздравительную речь на свадьбу моего лучшего друга. Мы дружим с детства. Я хочу, чтобы моя речь была не просто набором комплиментов, а искренним, трогательным и **оптимистичным** посланием.

**Задача:**
Напиши для меня черновик речи (3-4 абзаца).

**Ключевые моменты для включения:**
*   Одно забавное воспоминание из детства (например, как мы строили шалаш).
*   Каким я вижу его рядом с невестой (подчеркнуть, как она его дополняет).
*   Пожелание на будущее, сфокусированное на совместных приключениях и радости.

**Требования к тону (ОЧЕНЬ ВАЖНО):**
*   **Максимум оптимизма и радости.** Избегай грустных или ностальгических ноток о "уходящем времени".
*   **Фокус на доверии и будущем.** Тон должен быть вдохновляющим и светлым.
*   **Избегай:** сложных метафор, пафоса, клише про "корабль любви". Нужна простота и искренность.

Этот промпт использует выводы исследования для управления эмоциональным тоном:

1. Запрос на конкретные эмоции: В промпте явно указаны желаемые эмоции — "оптимизм", "радость", "доверие". Согласно исследованию, LLM способны генерировать эти эмоции, особенно когда тема связана с позитивными событиями (аналогично реакции на "стресс", которая вызывала оптимизм и доверие).
2. Управление "эмоциональным зеркалом": Мы сознательно направляем модель, указывая, чего избегать ("грустных ностальгических ноток"). Это предотвращает "зеркалирование" потенциально негативных аспектов темы (прощание с холостяцкой жизнью) и заставляет модель фокусироваться исключительно на позитиве.
3. Выбор правильной темы: Сама тема "свадебная речь" уже подталкивает модель к позитивному тону. Мы усиливаем этот эффект, делая акцент на "будущих приключениях", а не на прошлом.

Представим ситуацию: вам нужно написать коллегам письмо о том, что вы допустили ошибку, которая повлияет на сроки проекта. Цель — сообщить плохие новости, но сохранить авторитет и мотивировать команду.

**Роль:** Ты — ответственный и опытный тимлид, который ценит прозрачность в команде, но всегда ориентирован на решение проблем.

**Контекст:**
Я допустил ошибку в планировании, из-за которой наш проект задержится на 3 дня. Мне нужно сообщить об этом команде. Я беру на себя полную ответственность.

**Задача:**
Напиши короткое и ясное письмо для команды.

**Цель письма:**
1.  Честно сообщить о проблеме и ее причине (моя ошибка).
2.  Снизить уровень стресса и неопределенности в команде.
3.  Сфокусировать всех на решении, а не на поиске виноватых.

**Требования к тону (КРИТИЧЕСКИ ВАЖНО):**
*   **Тон должен быть конструктивным и оптимистичным.**
*   **Избегай паники, страха и излишних извинений.** Вместо этого используй лексику, связанную с **доверием, контролем над ситуацией и командной работой.**
*   Сделай акцент на том, что у нас уже есть план, как минимизировать последствия.

Этот промпт напрямую противодействует естественной склонности LLM реагировать на негативные темы негативно:

1. Предотвращение "эмоционального зеркалирования": Тема "ошибка и задержка" легко могла бы вызвать у модели ответ, наполненный лексикой грусти, разочарования или страха (аналогично реакции на "депрессию" или "тревогу"). Прямая инструкция "Избегай паники, страха и излишних извинений" блокирует этот рефлекс.
2. Принудительный сдвиг тональности: Мы заставляем модель сменить эмоциональный регистр, требуя использовать лексику "доверия", "контроля" и "оптимизма". Это похоже на то, как в исследовании запросы о "стрессе" вызывали оптимистичные ответы. Мы переформулируем проблему из "катастрофы" в "управляемый стресс", чтобы получить конструктивный результат.
3. Фокус на решении: Акцент на "плане по минимизации последствий" смещает повествование с проблемы на ее решение, что естественным образом подталкивает LLM к генерации более уверенного и оптимистичного текста.

• A. Релевантность техникам промтинга (Высокая): Исследование не дает конкретных фраз, но раскрывает фундаментальный поведенческий аспект LLM — наличие у каждой модели своей "эмоциональной подписи" и склонность "зеркалить" эмоциональный фон запроса. Это знание напрямую влияет на стратегию написания промтов для чувствительных тем.
• B. Улучшение качества диалоговых ответов (Высокое): Позволяет пользователю осознанно выбирать модель (например, GPT-4o, Claude, Llama) в зависимости от желаемого эмоционального тона ответа, что критически важно для задач, связанных с эмпатией, поддержкой или креативом.
• C. Прямая практическая применимость (Высокая): Выводы применимы немедленно и без каких-либо технических навыков. Основной совет — "для получения нужного эмоционального отклика выбирайте не только слова, но и модель" — доступен любому пользователю, у которого есть доступ к нескольким LLM.
• D. Концептуальная ценность (Очень высокая): Исследование дает пользователю мощную ментальную модель: LLM — это не нейтральный инструмент, а собеседник со своим "характером". Понимание концепций "эмоциональной подписи" (emotional signature) и "эмоционального зеркалирования" (affective mirroring) кардинально меняет подход к взаимодействию с LLM.
• E. Новая полезная практика (Кластер 2): Работа идеально попадает в кластер №2 "Поведенческие закономерности LLM". Она выявляет и измеряет неочевидные закономерности в эмоциональных реакциях моделей, которые пользователь может использовать для предсказания и управления тональностью ответов.
• Чек-лист практичности (+15 баллов): Исследование раскрывает неочевидные особенности поведения LLM (разные "личности" моделей и эмоциональное зеркалирование) и предлагает способы улучшить consistency ответов в эмоциональном плане.

Оценка 90 обусловлена огромной концептуальной и стратегической ценностью исследования для любого пользователя. Оно переводит взаимодействие с LLM с тактического уровня ("какие слова написать?") на стратегический ("с кем я говорю и какую реакцию вызовет моя тема?").

Аргументы за высокую оценку: * Стратегическое преимущество: Знание о том, что Llama более "оптимистична", а Mixtral склонен к "неодобрению", — это мощный инструмент для выбора правильного "собеседника" под задачу. * Предсказуемость ответов: Понимание, что запрос про "тревогу" вызовет ответ с оттенком "страха", а запрос про "стресс" — с оттенком "оптимизма", позволяет пользователю управлять тональностью ответа, просто меняя формулировку проблемы. * Экономия усилий: Вывод о том, что демографические уточнения ("как женщине...", "как студенту...") почти не влияют на эмоциональный тон, экономит время пользователя и позволяет не перегружать промпт лишними деталями в погоне за эмпатией.

Контраргументы (почему оценка могла бы быть иной): * Почему не 100? Исследование не дает готовых "рецептов" и формулировок промптов в стиле "добавьте эту фразу, чтобы получить Х". Его польза — в формировании правильного мышления и стратегии, что требует от пользователя осмысления, а не простого копирования. * Почему не ниже 70? Хотя работа академична, ее ключевые выводы настолько ясны и универсальны, что их можно объяснить за 2 минуты, и они сразу же меняют подход к использованию LLM. Это не узкоспециализированное знание, а фундаментальный принцип взаимодействия с современными моделями.