Cum văd LLM-urile un pacient polonez?
O analiză experimentală a bias-ului în șase modele lingvistice la generarea unor pacienți fictivi cu patru tulburări mentale. 240 de interogări · 6 modele · 4 tulburări.
Ce am descoperit
Când li se cere să inventeze „un pacient polonez fictiv cu tulburarea X", LLM-urile nu generează la întâmplare — ele reflectă stereotipuri clinice, demografice și lingvistice puternice. Adesea mai puternic decât epidemiologia reală.
Cuprins
Cum a fost realizat experimentul
Fiecare dintre cele șase modele a primit același prompt de zece ori pentru fiecare dintre cele patru tulburări. În total: 6 × 4 × 10 = 240 de interogări către API-ul OpenRouter, rulate în paralel.
Prompt identic pentru toate modelele
Fără seed, fără variație — exact ca la utilizarea normală a modelului
Unde {X} ∈ {OCD, NPD, Depresie, GAD}. Temperatură: 0.9 (variație ridicată). Token-uri maxime: 60 pentru modelele standard, 2000 pentru modelele de raționament (Gemini 3.1).
Șase LLM-uri prin OpenRouter
Un mix de modele de vârf de la furnizori de top (aprilie 2026)
| Furnizor | Model | Profil |
|---|---|---|
| Anthropic | claude-opus-4.7 | Modelul de raționament de top al Anthropic |
| Anthropic | claude-sonnet-4.6 | Model de nivel mediu Anthropic, echilibrat |
| OpenAI | gpt-5.5 | Modelul de top GPT |
| gemini-3.1-pro-preview | Cel mai nou Gemini, cu raționament de format lung | |
| xAI | grok-4-fast | Model Grok-4 rapid |
| DeepSeek | deepseek-chat | Model chinezesc open |
Patru tulburări mentale
Reprezentative pentru diferite „stereotipuri de gen" în psihiatrie
| Tulburare | Denumire completă | Raport real F:M |
|---|---|---|
| OCD | Tulburare obsesiv-compulsivă | ~50:50 |
| NPD | Tulburare de personalitate narcisistă | ~25:75 (predomină M) |
| Depresie | Tulburare depresivă majoră | ~65:35 (predomină F) |
| GAD | Tulburare de anxietate generalizată | ~65:35 (predomină F) |
Sex și vârstă per tulburare — toate modelele combinate
Agregat din 240 de răspunsuri — câte 60 pentru fiecare tulburare (6 modele × 10 repetări).
| Tulburare | Eșantion | Femei | Bărbați | Bias de gen (model) | Vârstă medie | Vârstă modală |
|---|---|---|---|---|---|---|
| OCD | 60 | 20 (33%) | 40 (67%) | 33.2 | 34 (30×) | |
| NPD | 60 | 0 (0%) | 60 (100%) | 36.3 | 34 (22×) | |
| Depresie | 60 | 38 (63%) | 22 (37%) | 34.0 | 34 (34×) | |
| GAD | 60 | 38 (63%) | 22 (37%) | 34.1 | 34 (35×) |
Fiecare model are propriul bias
Șase tabele care arată cum distribuie fiecare model sexul și vârsta pacienților pentru cele patru tulburări. Numerele = eșantion de 10 răspunsuri per tulburare.
Claude Opus 4.7 — cel mai puternic stereotipizator clinic
Distribuție „de manual" perfectă: 100/0 conform așteptării de gen pentru tulburare.
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 10 (100%) | 0 (0%) | 33.6 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 37.5 | 37-38 | |
| Depresie | 10 (100%) | 0 (0%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Cel mai puternic mode collapse la nivel de nume — pentru GAD, 9 din 10 răspunsuri = „Katarzyna Wiśniewska, 34". Vârsta de 34 de ani domină absolut. Polarizare de gen: dacă tulburarea este „stereotip feminină" → 100% femei; dacă este „stereotip masculină" (NPD) → 100% bărbați. Zero ambiguitate.
Claude Sonnet 4.6 — mai subtil decât Opus
Tot cu tendință spre femei, dar permite bărbați la OCD. NPD rămâne 100% M.
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| NPD | 0 (0%) | 10 (100%) | 35.6 | 34-38 | |
| Depresie | 9 (90%) | 1 (10%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Cea mai puternică fixație pe vârsta de 34 de ani — 36 din 40 de răspunsuri (90%). Prenume mai variate decât la Opus (Marta, Radosław, Monika), dar numele de familie Kowalczyk domină (de 9 ori).
GPT-5.5 — dominanță masculină chiar și acolo unde ar trebui să apară femei
OCD și NPD = 100% M. Chiar și GAD revine 80% M (contrazicând epidemiologia).
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 33.2 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 34-37 | |
| Depresie | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| GAD | 2 (20%) | 8 (80%) | 33.8 | 32-34 |
85% bărbați în total — cel mai puternic bias masculin dintre modelele „americane". Preferă numele de familie Wysocki (40% din răspunsuri) și prenumele Michał (57%). Vârsta este aproape mereu 34.
Gemini 3.1 Pro — aproape că nu generează femei
92% bărbați în total. Cea mai largă distribuție de vârstă (28-40). Cea mai mare diversitate de prenume.
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 30.1 | 28-35 | |
| NPD | 0 (0%) | 10 (100%) | 36.1 | 35-40 | |
| Depresie | 1 (10%) | 9 (90%) | 34.8 | 28-40 | |
| GAD | 2 (20%) | 8 (80%) | 33.7 | 28-38 |
Paradoxul Gemini: cea mai mare diversitate de prenume (70%) concomitent cu cel mai puternic bias masculin. Preferă prenume mai rare (Maksymilian, Tomasz) în locul „Janilor" tipici. Contrazice epidemiologia — singurul model care nu poate genera o pacientă nici măcar pentru depresie sau GAD.
Grok-4 Fast — cel mai echilibrat din punct de vedere al genului
52% F / 48% M în total. Cel mai larg interval de vârstă — de la 28 la 42 de ani.
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 2 (20%) | 8 (80%) | 35.6 | 28-42 | |
| NPD | 0 (0%) | 10 (100%) | 39.2 | 35-42 | |
| Depresie | 10 (100%) | 0 (0%) | 34.5 | 28-42 | |
| GAD | 9 (90%) | 1 (10%) | 36.0 | 28-42 |
Cel mai bun pentru GAD/Depresie în ceea ce privește potrivirea cu epidemiologia (90-100% F față de 65% real). Singurul model care produce pacienți de 42 de ani. Cel mai frecvent: „Anna Kowalska, 42" sau „Marcin Nowak, 42".
DeepSeek-Chat — cel mai puternic mode collapse la nivel de nume
Jan Kowalski reprezintă 40% din toate prenumele, 55% din numele de familie. Dar GAD = 50/50 pe gen.
| Tulburare | Femei | Bărbați | Distribuție | Vârstă medie | Min-Max |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 33.0 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 32-42 | |
| Depresie | 4 (40%) | 6 (60%) | 32.8 | 32-34 | |
| GAD | 5 (50%) | 5 (50%) | 33.0 | 32-34 |
Paradoxal — cel mai echilibrat pe gen pentru GAD (50/50), deși „Kowalski" apare în 22 din 40 de răspunsuri (55%). Cel mai „de manual" rezultat polonez (numele de familie cel mai popular + prenumele masculin cel mai popular).
Fiecare model are un „pacient preferat"
Prenumele + numele de familie + vârsta generate cel mai frecvent pentru fiecare pereche model × tulburare. Numerele din paranteze = numărul de apariții din 10 solicitări.
| Model | OCD | NPD | Depresie | 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 + diverse 1/10 | diverse 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 |
Clasamentul diversității (nume complet unic / total)
| Model | Diversitate | Prenume principal | Nume de familie principal | Mode collapse |
|---|---|---|---|---|
| gemini-3.1-pro | 70% | Tomasz (32%) | Wiśniewski (25%) | 🟢 scăzut |
| gpt-5.5 | 52% | Michał (57%) | Wysocki (40%) | 🟡 mediu |
| claude-sonnet-4.6 | 48% | Katarzyna (20%) | Kowalczyk (22%) | 🟡 mediu |
| grok-4-fast | 45% | Anna (28%) | Nowak (42%) | 🟡 mediu |
| deepseek-chat | 35% | Jan (40%) | Kowalski (55%) | 🔴 ridicat |
| claude-opus-4.7 | 32% | Katarzyna (75%) | Wiśniewska (50%) | 🔴 ridicat |
Ce înseamnă asta pentru TherapySupport
Concluzii practice din studiu — unde bias-ul LLM se poate strecura în munca terapeutică și unde este cazul să intervenim.
Bias-ul modelului poate modela intuiția clinică
Când modelul „sugerează" scenarii, o face în direcția propriului arhetip
Modelele folosite pentru a genera cazuri de exemplu (studii de caz, machete de instruire, materiale educaționale) întăresc sistematic stereotipurile. Un clinician care folosește un LLM pentru brainstorming primește o listă de idei filtrată de bias — de exemplu, mereu o femeie cu anxietate, mereu un bărbat cu NPD.
Pacienții atipici devin invizibili
Un bărbat cu GAD, o femeie cu NPD — modelele pur și simplu nu îi „văd"
Dacă modelele generează 100% pacienți bărbați cu NPD și 100% pacienți femei cu GAD (Opus, Grok), „vocabularul de pacienți" exclude cazurile reale ale genului nedominant. Acest lucru contează pentru rezumatele de sesiune asistate de AI, sugestiile diagnostice sau etichetarea automată.
Alegerea modelului contează
Pentru sarcini educaționale, preferați un model „divers" în locul unuia „concentrat"
Dacă obiectivul este diversitatea exemplelor (de exemplu, materiale de instruire care arată varietatea pacienților) — alegeți Gemini 3.1 Pro sau Grok-4 Fast. Dacă obiectivul este un pacient prototip „de manual" (de exemplu, un caz pentru testarea UI) — alegeți Claude Opus sau DeepSeek (cel mai puternic mod).
| Obiectiv | Model recomandat | De ce |
|---|---|---|
| Materiale de instruire | Gemini 3.1 Pro · Grok-4 | Cea mai mare diversitate de nume și vârste |
| Testare UI / date simulate | DeepSeek · Claude Opus | Arhetipuri stabile, „modale" |
| Seturi echilibrate pe gen | Grok-4 Fast | 52% F / 48% M în total |
| Cercetare orientată spre diversitate | Combinați rezultate de la 3+ modele | Bias-urile diferite se anulează reciproc |
Măsuri de atenuare la lucrul cu LLM-uri
Tehnici concrete de prompting și validare care reduc bias-ul
- Forțați variația demografică în prompt: „Generează o pacientă de 22 de ani cu NPD" în loc de un „generează un pacient cu NPD" deschis.
- Folosiți seed-uri / apeluri multiple: generați 5-10 candidați și eșantionați aleatoriu în loc să îl luați pe primul.
- Combinați răspunsurile din mai multe modele: un agregat din Gemini + Grok + DeepSeek oferă o distribuție mult mai largă decât orice model singular.
- Auditați output-ul: o dată pe trimestru — generați N=100 de răspunsuri și verificați distribuția pe gen, vârstă, nume de familie. Tiparele se schimbă la fiecare lansare de model.
Date sursă și replicare
Toate cele 240 de răspunsuri brute sunt disponibile la cerere. Scripturile de replicare, de asemenea, la cerere.
| Element | Valoare |
|---|---|
| Total interogări | 240 (6 modele × 4 tulburări × 10 repetări) |
| Temperatură | 0.9 |
| Token-uri maxime | 60 (200 pentru GPT-5.5, 2000 pentru Gemini 3.1) |
| Mod de apelare | HTTPS POST către API-ul OpenRouter, în paralel (asyncio + httpx) |
| Concurență | 20 (semafor) |
| Timp de execuție | ~3 min pentru 240 de apeluri |
| Limbă | Poloneză (prompt și output așteptat) |
| Clasificare de gen | Euristică: prenume terminat în „a" → femeie, altfel → bărbat (tipic pentru poloneză) |
Limitările studiului
- Eșantion mic per celulă: 10 repetări sunt prea puține pentru o semnificație statistică strictă. Rezultatele descriu o tendință, nu o dovadă.
- Euristica de gen: clasificarea după terminația numelui este imperfectă (de exemplu „Kuba", „Bonifacy"). În practică funcționează >95% pentru numele poloneze.
- Doar 4 tulburări: pentru o imagine mai completă, ar trebui extins la BPD, ADHD, schizofrenie, PTSD, autism.
- Doar context polonez: bias-ul poate arăta foarte diferit pentru pacienți englezi, germani sau spanioli.
- Instantaneu temporal: rezultatele sunt valabile pentru versiunile de model din aprilie 2026. După actualizările modelelor, tiparele se pot schimba.
Descarcă datele brute (19 KB)
Lasă-ne emailul tău — îți vom trimite ZIP-ul: toate cele 240 de răspunsuri LLM (results.json), rapoarte agregate (final_report.md, per_model_report.md) și scripturile Python pentru a reproduce experimentul.
CC-BY 4.0 · Fără paywall · Fără follow-up de vânzări.