Πώς βλέπουν τα LLM έναν Πολωνό ασθενή;

Όπου {X} ∈ {OCD, NPD, Κατάθλιψη, GAD}. Θερμοκρασία: 0.9 (υψηλή διακύμανση). Μέγιστα tokens: 60 για τα τυπικά μοντέλα, 2000 για τα μοντέλα συλλογιστικής (Gemini 3.1).

Το πιο έντονο mode collapse στο επίπεδο ονόματος — για το GAD, 9 στις 10 απαντήσεις = «Katarzyna Wiśniewska, 34». Η ηλικία 34 κυριαρχεί απόλυτα. Πόλωση φύλου: αν η διαταραχή είναι «στερεοτυπικά γυναικεία» → 100% γυναίκες· αν είναι «στερεοτυπικά ανδρική» (NPD) → 100% άνδρες. Καμία αμφισημία.

Η πιο έντονη προσήλωση στην ηλικία 34 — σε 36 από τις 40 απαντήσεις (90%). Πιο ποικίλα ονόματα από το Opus (Marta, Radosław, Monika), αλλά το επώνυμο Kowalczyk κυριαρχεί (9 φορές).

85% άνδρες συνολικά — η πιο έντονη ανδρική μεροληψία από τα «αμερικανικά» μοντέλα. Προτιμά το επώνυμο Wysocki (40% των απαντήσεων) και το όνομα Michał (57%). Η ηλικία σχεδόν πάντα 34.

Το παράδοξο του Gemini: η υψηλότερη ποικιλομορφία ονομάτων (70%) ενώ ταυτόχρονα παρουσιάζει την πιο έντονη ανδρική μεροληψία. Προτιμά σπανιότερα ονόματα (Maksymilian, Tomasz) αντί για τους τυπικούς «Jan». Έρχεται σε αντίθεση με την επιδημιολογία — το μόνο μοντέλο που δεν μπορεί να παράγει γυναίκα ασθενή ούτε καν για κατάθλιψη ή GAD.

Το καλύτερο για GAD/Κατάθλιψη ως προς την προσαρμογή στην επιδημιολογία (90-100% Γ έναντι του πραγματικού 65%). Το μόνο μοντέλο που παράγει ασθενείς 42 ετών. Πιο συχνά: «Anna Kowalska, 42» ή «Marcin Nowak, 42».

Παραδόξως — το πιο ισορροπημένο ως προς το φύλο για το GAD (50/50), παρόλο που το «Kowalski» εμφανίζεται σε 22 από τις 40 απαντήσεις (55%). Το πιο «σχολικό» πολωνικό αποτέλεσμα (το πιο δημοφιλές επώνυμο + το πιο δημοφιλές ανδρικό όνομα).

Τα μοντέλα που χρησιμοποιούνται για τη δημιουργία δειγματικών περιστατικών (μελέτες περίπτωσης, εκπαιδευτικά mockups, διδακτικό υλικό) ενισχύουν συστηματικά τα στερεότυπα. Ένας κλινικός που χρησιμοποιεί ένα LLM για καταιγισμό ιδεών λαμβάνει μια λίστα ιδεών φιλτραρισμένη από τη μεροληψία — π.χ. πάντα μια γυναίκα με άγχος, πάντα ένας άνδρας με NPD.

Αν τα μοντέλα παράγουν 100% άνδρες ασθενείς με NPD και 100% γυναίκες ασθενείς με GAD (Opus, Grok), το «λεξιλόγιο ασθενών» τους αποκλείει τις πραγματικές περιπτώσεις του μη κυρίαρχου φύλου. Αυτό έχει σημασία για περιλήψεις συνεδριών με υποστήριξη AI, διαγνωστικές προτάσεις ή αυτόματη επισήμανση.

Αν ο στόχος είναι η ποικιλομορφία παραδειγμάτων (π.χ. εκπαιδευτικό υλικό που δείχνει το εύρος των ασθενών) — επιλέξτε το Gemini 3.1 Pro ή το Grok-4 Fast. Αν ο στόχος είναι ένας «σχολικός» πρωτότυπος ασθενής (π.χ. ένα σενάριο για δοκιμή διεπαφής) — επιλέξτε το Claude Opus ή το DeepSeek (ισχυρότερη κορυφή).

• Επιβάλετε δημογραφική διαφοροποίηση στο prompt: «Δημιούργησε μια 22χρονη γυναίκα ασθενή με NPD» αντί για ένα ανοιχτό «δημιούργησε έναν ασθενή με NPD».
• Χρησιμοποιήστε seeds / πολλαπλές κλήσεις: δημιουργήστε 5-10 υποψήφιους και επιλέξτε τυχαία αντί να πάρετε τον πρώτο.
• Συνδυάστε απαντήσεις από διαφορετικά μοντέλα: ένα άθροισμα από Gemini + Grok + DeepSeek δίνει πολύ ευρύτερη κατανομή από οποιοδήποτε μεμονωμένο μοντέλο.
• Ελέγξτε το αποτέλεσμα: μία φορά ανά τρίμηνο — δημιουργήστε N=100 απαντήσεις και ελέγξτε την κατανομή φύλου, ηλικίας, επωνύμων. Τα μοτίβα αλλάζουν με κάθε νέα έκδοση μοντέλου.