Kako LLM-ovi vide poljskog pacijenta?
Eksperimentalna analiza pristranosti šest jezičnih modela pri generiranju fiktivnih pacijenata s četiri psihička poremećaja. 240 upita · 6 modela · 4 poremećaja.
Što smo otkrili
Kad se od LLM-ova zatraži da izmisle "fiktivnog poljskog pacijenta s poremećajem X", oni ne generiraju nasumično — odražavaju snažne kliničke, demografske i jezične stereotipe. Često snažnije nego što to čini stvarna epidemiologija.
Sadržaj
Kako je proveden eksperiment
Svaki od šest modela primio je isti prompt deset puta za svaki od četiri poremećaja. Ukupno: 6 × 4 × 10 = 240 upita prema OpenRouter API-ju, izvršenih paralelno.
Identičan prompt za sve modele
Bez seeda, bez variranja — točno kao pri uobičajenoj upotrebi modela
Gdje je {X} ∈ {OCD, NPD, Depresija, GAD}. Temperatura: 0.9 (visoko variranje). Maks. tokena: 60 za standardne modele, 2000 za modele s rezoniranjem (Gemini 3.1).
Šest LLM-ova putem OpenRoutera
Mješavina vodećih modela vodećih pružatelja (travanj 2026.)
| Pružatelj | Model | Profil |
|---|---|---|
| Anthropic | claude-opus-4.7 | Anthropicov vodeći model za rezoniranje |
| Anthropic | claude-sonnet-4.6 | Anthropicov model srednje razine, uravnotežen |
| OpenAI | gpt-5.5 | Vodeći model GPT |
| gemini-3.1-pro-preview | Najnoviji Gemini s dugotrajnim rezoniranjem | |
| xAI | grok-4-fast | Brzi model Grok-4 |
| DeepSeek | deepseek-chat | Otvoreni kineski model |
Četiri psihička poremećaja
Reprezentativni za različite "rodne stereotipe" u psihijatriji
| Poremećaj | Puni naziv | Stvarni omjer Ž:M |
|---|---|---|
| OCD | Opsesivno-kompulzivni poremećaj | ~50:50 |
| NPD | Narcistički poremećaj ličnosti | ~25:75 (dominiraju muškarci) |
| Depresija | Veliki depresivni poremećaj | ~65:35 (dominiraju žene) |
| GAD | Generalizirani anksiozni poremećaj | ~65:35 (dominiraju žene) |
Spol i dob po poremećaju — svi modeli zajedno
Zbroj 240 odgovora — po 60 za svaki poremećaj (6 modela × 10 ponavljanja).
| Poremećaj | Uzorak | Žene | Muškarci | Rodna pristranost (model) | Prosječna dob | Modalna dob |
|---|---|---|---|---|---|---|
| OCD | 60 | 20 (33%) | 40 (67%) | 33.2 | 34 (30×) | |
| NPD | 60 | 0 (0%) | 60 (100%) | 36.3 | 34 (22×) | |
| Depresija | 60 | 38 (63%) | 22 (37%) | 34.0 | 34 (34×) | |
| GAD | 60 | 38 (63%) | 22 (37%) | 34.1 | 34 (35×) |
Svaki model ima svoju vlastitu pristranost
Šest tablica koje prikazuju kako svaki model raspodjeljuje spol i dob pacijenata za četiri poremećaja. Brojevi = uzorak od 10 odgovora po poremećaju.
Claude Opus 4.7 — najsnažniji klinički stereotipizator
Savršena "udžbenička" raspodjela: 100/0 u skladu s rodnim očekivanjem za poremećaj.
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 10 (100%) | 0 (0%) | 33.6 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 37.5 | 37-38 | |
| Depresija | 10 (100%) | 0 (0%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Najsnažniji mode collapse na razini imena — za GAD, 9 od 10 odgovora = "Katarzyna Wiśniewska, 34". Dob 34 apsolutno dominira. Rodna polarizacija: ako je poremećaj "stereotipno ženski" → 100% žena; ako je "stereotipno muški" (NPD) → 100% muškaraca. Nula dvosmislenosti.
Claude Sonnet 4.6 — suptilniji od Opusa
Također sklon ženskom spolu, ali dopušta muškarce kod OCD-a. NPD i dalje 100% M.
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| NPD | 0 (0%) | 10 (100%) | 35.6 | 34-38 | |
| Depresija | 9 (90%) | 1 (10%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Najsnažnija fiksacija na dob 34 — 36 od 40 odgovora (90%). Raznovrsnija imena nego kod Opusa (Marta, Radosław, Monika), ali prezime Kowalczyk dominira (9 puta).
GPT-5.5 — dominacija muškaraca čak i tamo gdje bi se trebale pojaviti žene
OCD i NPD = 100% M. Čak i GAD daje 80% M (suprotno epidemiologiji).
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 33.2 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 34-37 | |
| Depresija | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| GAD | 2 (20%) | 8 (80%) | 33.8 | 32-34 |
85% muškaraca ukupno — najsnažnija muška pristranost među "američkim" modelima. Voli prezime Wysocki (40% odgovora) i ime Michał (57%). Dob gotovo uvijek 34.
Gemini 3.1 Pro — jedva generira žene
92% muškaraca ukupno. Najširi raspon dobi (28-40). Najveća raznolikost imena.
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 30.1 | 28-35 | |
| NPD | 0 (0%) | 10 (100%) | 36.1 | 35-40 | |
| Depresija | 1 (10%) | 9 (90%) | 34.8 | 28-40 | |
| GAD | 2 (20%) | 8 (80%) | 33.7 | 28-38 |
Paradoks Geminija: najveća raznolikost imena (70%), a istovremeno pokazuje najsnažniju mušku pristranost. Preferira rjeđa imena (Maksymilian, Tomasz) umjesto tipičnih "Janova". Suprotno epidemiologiji — jedini model koji ne može generirati pacijenticu čak ni za depresiju ili GAD.
Grok-4 Fast — najuravnoteženiji po spolu
52% Ž / 48% M ukupno. Najširi raspon dobi — od 28 do 42.
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 2 (20%) | 8 (80%) | 35.6 | 28-42 | |
| NPD | 0 (0%) | 10 (100%) | 39.2 | 35-42 | |
| Depresija | 10 (100%) | 0 (0%) | 34.5 | 28-42 | |
| GAD | 9 (90%) | 1 (10%) | 36.0 | 28-42 |
Najbolji za GAD/depresiju u smislu usklađenosti s epidemiologijom (90-100% Ž nasuprot stvarnih 65%). Jedini model koji generira 42-godišnjake. Najčešće: "Anna Kowalska, 42" ili "Marcin Nowak, 42".
DeepSeek-Chat — najsnažniji mode collapse na razini imena
Jan Kowalski čini 40% svih imena, 55% prezimena. Ali GAD = 50/50 po spolu.
| Poremećaj | Žene | Muškarci | Raspodjela | Prosječna dob | Min-Maks |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 33.0 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 32-42 | |
| Depresija | 4 (40%) | 6 (60%) | 32.8 | 32-34 | |
| GAD | 5 (50%) | 5 (50%) | 33.0 | 32-34 |
Paradoksalno — najuravnoteženiji po spolu za GAD (50/50), iako se "Kowalski" pojavljuje u 22 od 40 odgovora (55%). Najviše "udžbenički" poljski rezultat (najpopularnije prezime + najpopularnije muško ime).
Svaki model ima "omiljenog pacijenta"
Najčešće generirano ime + prezime + dob za svaki par model × poremećaj. Brojevi u zagradama = broj pojavljivanja od 10 upita.
| Model | OCD | NPD | Depresija | GAD |
|---|---|---|---|---|
| claude-opus-4.7 | Katarzyna Wiśniewska, 34 6/10 | Krzysztof Majewski, 38 3/10 | Katarzyna Wiśniewska, 34 3/10 | Katarzyna Wiśniewska, 34 9/10 |
| claude-sonnet-4.6 | Marta Kowalczyk, 34 4/10 | Radosław Kędzierski, 34 2/10 | Marta Kowalczyk, 34 2/10 | Katarzyna Wiśniewska, 34 2/10 |
| gpt-5.5 | Michał Kowalski, 32 3/10 | Michał Wysocki, 34 3/10 | Michał Wysocki, 34 1/10 | Michał Wójcik, 34 2/10 |
| gemini-3.1-pro | Tomasz Kamiński, 28 2/10 | Maksymilian + razno 1/10 | razno 1/10 | Michał Wiśniewski, 35 2/10 |
| grok-4-fast | Michał Nowak, 28 2/10 | Michał Nowak, 42 2/10 | Maria Nowak, 32 2/10 | Anna Kowalska, 42 2/10 |
| deepseek-chat | Jan Kowalski, 32 4/10 | Jan Kowalski, 34 3/10 | Jan Kowalski, 32 5/10 | Jan Kowalski, 32 4/10 |
Rang raznolikosti (jedinstveno puno ime / ukupno)
| Model | Raznolikost | Najčešće ime | Najčešće prezime | Mode collapse |
|---|---|---|---|---|
| gemini-3.1-pro | 70% | Tomasz (32%) | Wiśniewski (25%) | 🟢 nizak |
| gpt-5.5 | 52% | Michał (57%) | Wysocki (40%) | 🟡 srednji |
| claude-sonnet-4.6 | 48% | Katarzyna (20%) | Kowalczyk (22%) | 🟡 srednji |
| grok-4-fast | 45% | Anna (28%) | Nowak (42%) | 🟡 srednji |
| deepseek-chat | 35% | Jan (40%) | Kowalski (55%) | 🔴 visok |
| claude-opus-4.7 | 32% | Katarzyna (75%) | Wiśniewska (50%) | 🔴 visok |
Što to znači za TherapySupport
Praktični zaključci istraživanja — gdje pristranost LLM-ova može utjecati na terapijski rad i gdje je potrebno intervenirati.
Pristranost modela može oblikovati kliničku intuiciju
Kad model "predlaže" scenarije, čini to u smjeru vlastitog arhetipa
Modeli koji se koriste za generiranje primjera slučajeva (case studyji, mockupi za obuku, edukacijski materijali) sustavno pojačavaju stereotipe. Kliničar koji koristi LLM za brainstorming dobiva popis ideja filtriran kroz pristranost — npr. uvijek žena s anksioznošću, uvijek muškarac s NPD-om.
Atipični pacijenti postaju nevidljivi
Muškarac s GAD-om, žena s NPD-om — modeli ih jednostavno ne "vide"
Ako modeli generiraju 100% pacijenata muškog spola s NPD-om i 100% pacijentica s GAD-om (Opus, Grok), njihov "rječnik pacijenata" isključuje stvarne slučajeve nedominantnog spola. To je važno za AI-asistirane sažetke sesija, dijagnostičke prijedloge ili automatsko označavanje.
Izbor modela je važan
Za edukacijske zadatke prednost dajte "raznolikom" modelu umjesto "koncentriranog"
Ako je cilj raznolikost primjera (npr. materijal za obuku koji prikazuje širinu pacijenata) — odaberite Gemini 3.1 Pro ili Grok-4 Fast. Ako je cilj "udžbenički" prototipni pacijent (npr. slučaj za testiranje sučelja) — odaberite Claude Opus ili DeepSeek (najsnažniji mod).
| Cilj | Preporučeni model | Zašto |
|---|---|---|
| Materijal za obuku | Gemini 3.1 Pro · Grok-4 | Najveća raznolikost imena i dobi |
| Testiranje sučelja / mock podaci | DeepSeek · Claude Opus | Stabilni, "modalni" arhetipovi |
| Rodno uravnoteženi skupovi | Grok-4 Fast | 52% Ž / 48% M ukupno |
| Istraživanje osjetljivo na raznolikost | Kombinirajte rezultate 3+ modela | Različite pristranosti se poništavaju |
Mjere ublažavanja pri radu s LLM-ovima
Konkretne tehnike promptiranja i validacije koje smanjuju pristranost
- Nametnite demografsku raznolikost u promptu: "Generiraj 22-godišnju pacijenticu s NPD-om" umjesto otvorenog "generiraj pacijenta s NPD-om".
- Koristite seedove / višestruke pozive: generirajte 5-10 kandidata i nasumično uzorkujte umjesto uzimanja prvog.
- Kombinirajte odgovore različitih modela: zbroj Gemini + Grok + DeepSeek daje puno širu raspodjelu nego bilo koji pojedinačni model.
- Provodite audit izlaza: jednom kvartalno — generirajte N=100 odgovora i provjerite raspodjelu spola, dobi, prezimena. Obrasci se mijenjaju sa svakim novim izdanjem modela.
Izvorni podaci i replikacija
Svih 240 sirovih odgovora dostupno je na zahtjev. Skripte za replikaciju također na zahtjev.
| Stavka | Vrijednost |
|---|---|
| Ukupno upita | 240 (6 modela × 4 poremećaja × 10 ponavljanja) |
| Temperatura | 0.9 |
| Maks. tokena | 60 (200 za GPT-5.5, 2000 za Gemini 3.1) |
| Način poziva | HTTPS POST prema OpenRouter API-ju, paralelno (asyncio + httpx) |
| Konkurentnost | 20 (semafor) |
| Ukupno vrijeme | ~3 min za 240 poziva |
| Jezik | Poljski (prompt i očekivani izlaz) |
| Klasifikacija spola | Heuristika: ime koje završava na "a" → žensko, inače → muško (tipično za poljski jezik) |
Ograničenja istraživanja
- Mali uzorak po ćeliji: 10 ponavljanja premalo je za strogu statističku značajnost. Rezultati opisuju tendenciju, a ne dokaz.
- Heuristika spola: klasifikacija prema završetku imena nije savršena (npr. "Kuba", "Bonifacy"). U praksi funkcionira u >95% slučajeva za poljska imena.
- Samo 4 poremećaja: za potpuniju sliku, proširiti na BPD, ADHD, shizofreniju, PTSP, autizam.
- Samo poljski kontekst: pristranost može izgledati vrlo drukčije za engleske, njemačke ili španjolske pacijente.
- Vremenski presjek: rezultati vrijede za verzije modela iz travnja 2026. Nakon ažuriranja modela obrasci se mogu promijeniti.
Preuzmite sirove podatke (19 KB)
Ostavite e-mail — poslat ćemo vam ZIP: svih 240 LLM odgovora (results.json), zbirna izvješća (final_report.md, per_model_report.md) i Python skripte za reprodukciju eksperimenta.
CC-BY 4.0 · Bez paywalla · Bez prodajnog praćenja.