PsychAdapter: adaptando LLMs para refletir traços, personalidade e saúde mental

Por que moldar personalidades de IA importa

A maioria dos chatbots e ferramentas de escrita que as pessoas usam hoje soa estranhamente parecida: amigável, prolixa e um tanto genérica. Mas pessoas reais não são genéricas — diferimos em personalidade, humor, idade e circunstâncias de vida, e essas diferenças aparecem claramente em como escrevemos e falamos. Este artigo apresenta o PsychAdapter, uma nova maneira de dar a modelos de linguagem de grande porte (LLMs) “personalidades” ajustáveis e perfis de saúde mental, para que possam gerar texto que reflita melhor a enorme variedade de vozes humanas reais.

Ensinando máquinas a soar como pessoas diferentes

PsychAdapter é um pequeno complemento que se integra a modelos de linguagem existentes, como GPT‑2, Gemma ou LLaMA. Em vez de apenas fornecer palavras ao modelo e pedir que continue uma sentença, os pesquisadores também inserem um perfil compacto do autor: pontuações para os cinco grandes traços de personalidade (como Extroversão e Agradabilidade), níveis de depressão ou satisfação com a vida e informações demográficas básicas, como idade. Essas pontuações são contínuas, como um controle deslizante que pode ser ajustado em qualquer ponto entre muito baixo e muito alto, em vez de um conjunto fixo de rótulos. O PsychAdapter expande esse pequeno vetor e o conecta a cada camada do modelo para que todo o processo de escrita seja sutilmente guiado pelo perfil psicológico escolhido, sem depender de prompts complexos.

De controles de traço a sentenças com vida

Para treinar o PsychAdapter, a equipe usou grandes coleções de posts públicos em redes sociais e blogs. Modelos psicológicos separados primeiro estimaram personalidade, depressão, satisfação com a vida e idade para cada mensagem com base na linguagem usada. Essas pontuações estimadas tornaram‑se sinais de ensino: o modelo de linguagem foi treinado para reconstruir cada mensagem enquanto via o perfil psicológico correspondente. Uma vez treinado, o PsychAdapter pode receber qualquer combinação desejada de pontuações — por exemplo, “extroversão muito alta, baixa agradabilidade” ou “adulto mais velho com baixa satisfação com a vida” — e gerar textos novos que correspondam a esse perfil, às vezes a partir de um prompt curto como “Eu gosto de…”. O adaptador adicionado é minúsculo comparado ao modelo base (frequentemente menos de um décimo de um por cento dos parâmetros originais), de modo que pode ser compartilhado e encaixado facilmente.

Verificando se a IA realmente muda seu tom

Para avaliar se o PsychAdapter realmente capturava traços em vez de apenas produzir variações aleatórias, os pesquisadores pediram a psicólogos especialistas que atuassem como juízes. Para cada traço, o sistema gerou conjuntos de mensagens destinados a refletir níveis baixos, médios ou altos (por exemplo, baixa versus alta extroversão). Os especialistas, que não foram informados sobre quais eram quais, tiveram que associar cada grupo de textos ao nível pretendido. Ao longo dos traços, eles acertaram cerca de 87% das vezes para personalidade, e quase 97% das vezes para depressão e satisfação com a vida — muito acima do palpite aleatório. Quando o sistema foi incentivado com prompts simples, como “Eu gosto de…”, a precisão aumentou ainda mais. Um teste separado usou um modelo de IA avançado como avaliador; ele concordou com os especialistas humanos em nível semelhante ao que os especialistas concordavam entre si e às vezes detectou traços com mais consistência.

Misturando traços, idades e domínios de vida

PsychAdapter não se limita a um traço por vez. O sistema pode combinar dimensões de personalidade, níveis de saúde mental e fatores demográficos em um único perfil. Os autores mostraram que alterar a pontuação de “idade” enquanto se mantinha constante a depressão ou a satisfação com a vida conduzia a estilos diferentes de mensagens: vozes mais jovens falavam sobre pais, escola e primeiros dias de aula, enquanto vozes mais velhas mencionavam cônjuges, filhos e preocupações de longo prazo. Ao rotacionar matematicamente dois traços de personalidade (extroversão e agradabilidade) em “calor” e “dominância”, eles também mapearam as saídas em um modelo psicológico clássico de estilos interpessoais. Textos gerados em regiões rotuladas como “Seguro‑Dominante” ou “Frio‑Desapegado” corresponderam ao que a teoria previria. A abordagem funcionou tanto em tweets curtos quanto em posts de blog mais longos e em vários modelos de linguagem subjacentes diferentes.

Oportunidades e riscos para a interação humano‑IA

Como o PsychAdapter pode ajustar finamente o estilo e o tom emocional de uma IA, ele abre caminho para aplicações mais parecidas com humanos. Simulações de treinamento para terapeutas ou trabalhadores de linhas de crise poderiam expô‑los a parceiros conversacionais seguros, porém realistas, apresentando várias personalidades e níveis de sofrimento. Bots de atendimento ao cliente ou ferramentas educacionais poderiam ajustar a linguagem para coincidir com a idade do usuário, nível de leitura ou estilo preferido. Pesquisadores também podem usar o sistema como um laboratório: ao aumentar ou diminuir traços e solicitar tópicos específicos, eles podem explorar como personalidade e saúde mental podem moldar a linguagem em muitos contextos sem esperar por dados raros do mundo real.

O que isso significa para usuários comuns

Para um leigo, a conclusão é que sistemas de IA futuros podem não apenas responder perguntas — eles podem adotar uma ampla gama de vozes humanas reconhecíveis. Com algo como o PsychAdapter, um único modelo base pode ser suavemente remodelado para soar mais introvertido ou extrovertido, animado ou abatido, jovem ou velho, simplesmente movendo alguns controles deslizantes. Essa flexibilidade pode tornar as ferramentas de IA mais relacionáveis e úteis, mas também levanta novas preocupações éticas, como o risco de persuasão direcionada ou “personas” enganosas. Os autores argumentam que, se usado com responsabilidade, o PsychAdapter oferece uma maneira poderosa de estudar como nossos traços internos aparecem nas palavras e de construir IAs que reflitam melhor a diversidade da comunicação humana real.

Citação: Vu, H., Nguyen, H.A., Ganesan, A.V. et al. PsychAdapter: adapting LLMs to reflect traits, personality, and mental health. npj Artif. Intell. 2, 26 (2026). https://doi.org/10.1038/s44387-026-00071-9

Palavras-chave: psychadapter, IA sensível à personalidade, linguagem de saúde mental, modelos de linguagem de grande porte, geração de texto personalizada