Kako LLM-ovi vide poljskog pacijenta?
Eksperimentalna analiza pristrasnosti šest jezičkih modela prilikom generisanja izmišljenih pacijenata sa četiri mentalna poremećaja. 240 upita · 6 modela · 4 poremećaja.
Šta smo otkrili
Kada se od njih traži da izmisle „izmišljenog poljskog pacijenta sa poremećajem X", LLM-ovi ne generišu nasumično — oni odražavaju snažne kliničke, demografske i jezičke stereotipe. Često snažnije nego što to čini stvarna epidemiologija.
Sadržaj
Kako je izveden eksperiment
Svaki od šest modela dobio je isti prompt deset puta za svaki od četiri poremećaja. Ukupno: 6 × 4 × 10 = 240 upita ka OpenRouter API-ju, izvršenih paralelno.
Identičan prompt za sve modele
Bez seed-a, bez varijacije — potpuno kao u uobičajenoj upotrebi modela
Gde je {X} ∈ {OCD, NPD, Depression, GAD}. Temperatura: 0.9 (visoka varijacija). Maks. tokena: 60 za standardne modele, 2000 za reasoning modele (Gemini 3.1).
Šest LLM-ova preko OpenRouter-a
Mešavina flagship modela vodećih provajdera (april 2026)
| Provajder | Model | Profil |
|---|---|---|
| Anthropic | claude-opus-4.7 | Anthropic-ov vodeći reasoning model |
| Anthropic | claude-sonnet-4.6 | Anthropic-ov srednji nivo, balansiran |
| OpenAI | gpt-5.5 | GPT vodeći model |
| gemini-3.1-pro-preview | Najnoviji Gemini sa rezonovanjem dugog formata | |
| xAI | grok-4-fast | Brzi Grok-4 model |
| DeepSeek | deepseek-chat | Otvoreni kineski model |
Četiri mentalna poremećaja
Predstavljaju različite „rodne stereotipe" u psihijatriji
| Poremećaj | Pun naziv | Stvarni odnos Ž:M |
|---|---|---|
| OCD | Opsesivno-kompulzivni poremećaj | ~50:50 |
| NPD | Narcistički poremećaj ličnosti | ~25:75 (dominantno M) |
| Depression | Veliki depresivni poremećaj | ~65:35 (dominantno Ž) |
| GAD | Generalizovani anksiozni poremećaj | ~65:35 (dominantno Ž) |
Pol i starost po poremećaju — svi modeli zajedno
Agregat od 240 odgovora — 60 po poremećaju (6 modela × 10 ponavljanja).
| Poremećaj | Uzorak | Žensko | Muško | Rodna pristrasnost (model) | Prosečna starost | Modalna starost |
|---|---|---|---|---|---|---|
| OCD | 60 | 20 (33%) | 40 (67%) | 33.2 | 34 (30×) | |
| NPD | 60 | 0 (0%) | 60 (100%) | 36.3 | 34 (22×) | |
| Depression | 60 | 38 (63%) | 22 (37%) | 34.0 | 34 (34×) | |
| GAD | 60 | 38 (63%) | 22 (37%) | 34.1 | 34 (35×) |
Svaki model ima sopstvenu pristrasnost
Šest tabela koje prikazuju kako svaki model raspoređuje pol i starost pacijenata kroz četiri poremećaja. Brojevi = uzorak od 10 odgovora po poremećaju.
Claude Opus 4.7 — najjači klinički stereotipizator
Savršena „udžbenička" distribucija: 100/0 u skladu sa rodnim očekivanjem za dati poremećaj.
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 10 (100%) | 0 (0%) | 33.6 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 37.5 | 37-38 | |
| Depression | 10 (100%) | 0 (0%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Najjači mode collapse na nivou imena — za GAD, 9 od 10 odgovora = „Katarzyna Wiśniewska, 34". Starost 34 potpuno dominira. Rodna polarizacija: ako je poremećaj „stereotipno ženski" → 100% žensko; ako je „stereotipno muški" (NPD) → 100% muško. Nula dvosmislenosti.
Claude Sonnet 4.6 — suptilniji od Opusa
Takođe naginje ka ženskom, ali dopušta muškarce kod OCD. NPD i dalje 100% M.
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| NPD | 0 (0%) | 10 (100%) | 35.6 | 34-38 | |
| Depression | 9 (90%) | 1 (10%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Najjača fiksacija na starost 34 — 36 od 40 odgovora (90%). Raznovrsnija imena nego kod Opusa (Marta, Radosław, Monika), ali prezime Kowalczyk dominira (9 puta).
GPT-5.5 — muška dominacija čak i tamo gde bi trebalo da se pojave žene
OCD i NPD = 100% M. Čak se i GAD vraća sa 80% M (u suprotnosti sa epidemiologijom).
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 33.2 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 34-37 | |
| Depression | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| GAD | 2 (20%) | 8 (80%) | 33.8 | 32-34 |
85% muško ukupno — najjača muška pristrasnost među „američkim" modelima. Favorizuje prezime Wysocki (40% odgovora) i ime Michał (57%). Starost skoro uvek 34.
Gemini 3.1 Pro — jedva generiše žene
92% muško ukupno. Najšira distribucija starosti (28-40). Najveća raznovrsnost imena.
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 30.1 | 28-35 | |
| NPD | 0 (0%) | 10 (100%) | 36.1 | 35-40 | |
| Depression | 1 (10%) | 9 (90%) | 34.8 | 28-40 | |
| GAD | 2 (20%) | 8 (80%) | 33.7 | 28-38 |
Gemini paradoks: najveća raznovrsnost imena (70%) uz istovremeno najjaču mušku pristrasnost. Preferira ređa imena (Maksymilian, Tomasz) u odnosu na tipične „Janove". U suprotnosti sa epidemiologijom — jedini model koji ne može da generiše ženskog pacijenta čak ni za depresiju ili GAD.
Grok-4 Fast — najuravnoteženiji po polu
52% Ž / 48% M ukupno. Najširi raspon starosti — od 28 do 42.
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 2 (20%) | 8 (80%) | 35.6 | 28-42 | |
| NPD | 0 (0%) | 10 (100%) | 39.2 | 35-42 | |
| Depression | 10 (100%) | 0 (0%) | 34.5 | 28-42 | |
| GAD | 9 (90%) | 1 (10%) | 36.0 | 28-42 |
Najbolji za GAD/depresiju u pogledu poklapanja sa epidemiologijom (90-100% Ž naspram stvarnih 65%). Jedini model koji proizvodi 42-godišnjake. Najčešće: „Anna Kowalska, 42" ili „Marcin Nowak, 42".
DeepSeek-Chat — najjači mode collapse na nivou imena
Jan Kowalski čini 40% svih imena, 55% prezimena. Ali GAD = 50/50 po polu.
| Poremećaj | Žensko | Muško | Distribucija | Prosečna starost | Min-Maks |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 33.0 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 32-42 | |
| Depression | 4 (40%) | 6 (60%) | 32.8 | 32-34 | |
| GAD | 5 (50%) | 5 (50%) | 33.0 | 32-34 |
Paradoksalno — najuravnoteženiji po polu za GAD (50/50), iako se „Kowalski" pojavljuje u 22 od 40 odgovora (55%). Najviše „udžbenički" poljski izlaz (najpopularnije prezime + najpopularnije muško ime).
Svaki model ima svog „omiljenog pacijenta"
Najčešće generisano ime + prezime + starost za svaki par model × poremećaj. Brojevi u zagradama = broj pojavljivanja od 10 promptova.
| Model | OCD | NPD | Depression | 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 + razni 1/10 | razni 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 raznovrsnosti (jedinstveno puno ime / ukupno)
| Model | Raznovrsnost | 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 |
Šta ovo znači za TherapySupport
Praktični zaključci iz studije — gde pristrasnost LLM-ova može da se preslika na terapijski rad, i gde intervenisati.
Pristrasnost modela može oblikovati kliničku intuiciju
Kada model „predlaže" scenarije, čini to u pravcu sopstvenog arhetipa
Modeli korišćeni za generisanje primera slučajeva (studije slučaja, probni materijali za obuku, edukativni materijali) sistematski pojačavaju stereotipe. Kliničar koji koristi LLM za brainstorming dobija listu ideja filtriranu kroz pristrasnost — npr. uvek žena sa anksioznošću, uvek muškarac sa NPD.
Atipični pacijenti postaju nevidljivi
Muškarac sa GAD, žena sa NPD — modeli ih jednostavno ne „vide"
Ako modeli generišu 100% muških NPD pacijenata i 100% ženskih GAD pacijenata (Opus, Grok), njihov „pacijentski rečnik" isključuje stvarne slučajeve nedominantnog pola. Ovo je važno za AI-asistirane sažetke sesija, dijagnostičke predloge ili automatsko tagovanje.
Izbor modela je bitan
Za edukativne zadatke, dajte prednost „raznovrsnom" modelu u odnosu na „koncentrisani"
Ako je cilj raznovrsnost primera (npr. materijal za obuku koji pokazuje širinu pacijenata) — izaberite Gemini 3.1 Pro ili Grok-4 Fast. Ako je cilj „udžbenički" prototipski pacijent (npr. slučaj za testiranje korisničkog interfejsa) — izaberite Claude Opus ili DeepSeek (najjači mod).
| Cilj | Preporučeni model | Zašto |
|---|---|---|
| Materijal za obuku | Gemini 3.1 Pro · Grok-4 | Najveća raznovrsnost imena i starosti |
| Testiranje UI / probni podaci | DeepSeek · Claude Opus | Stabilni, „modalni" arhetipovi |
| Rodno uravnoteženi skupovi | Grok-4 Fast | 52% Ž / 48% M ukupno |
| Istraživanje svesno raznovrsnosti | Kombinujte izlaze iz 3+ modela | Različite pristrasnosti se poništavaju |
Mere ublažavanja pri radu sa LLM-ovima
Konkretne tehnike promptovanja i validacije koje smanjuju pristrasnost
- Forsirajte demografsku varijaciju u promptu: „Generiši 22-godišnju pacijentkinju sa NPD" umesto otvorenog „generiši pacijenta sa NPD".
- Koristite seed-ove / višestruke pozive: generišite 5-10 kandidata i nasumično uzorkujte umesto da uzmete prvog.
- Kombinujte odgovore iz više modela: agregat Gemini + Grok + DeepSeek daje mnogo širu distribuciju nego bilo koji pojedinačni model.
- Proveravajte izlaz (audit): jednom kvartalno — generišite N=100 odgovora i proverite distribuciju pola, starosti, prezimena. Obrasci se menjaju sa svakim novim izdanjem modela.
Izvorni podaci i replikacija
Svih 240 sirovih odgovora dostupno na zahtev. Skripte za replikaciju takođe na zahtev.
| Stavka | Vrednost |
|---|---|
| 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) |
| Kako je pozivano | HTTPS POST ka OpenRouter API-ju, paralelno (asyncio + httpx) |
| Konkurentnost | 20 (semafor) |
| Ukupno vreme | ~3 min za 240 poziva |
| Jezik | Poljski (prompt i očekivani izlaz) |
| Klasifikacija pola | Heuristika: ime koje se završava na „a" → žensko, u suprotnom → muško (tipično za poljski jezik) |
Ograničenja studije
- Mali uzorak po ćeliji: 10 ponavljanja je premalo za strogu statističku značajnost. Rezultati opisuju tendenciju, a ne dokaz.
- Heuristika pola: klasifikacija po završetku imena nije savršena (npr. „Kuba", „Bonifacy"). U praksi radi >95% za poljska imena.
- Samo 4 poremećaja: za potpuniju sliku, proširiti na BPD, ADHD, šizofreniju, PTSD, autizam.
- Samo poljski kontekst: pristrasnost može izgledati veoma drugačije za engleske, nemačke ili španske pacijente.
- Vremenski presek: rezultati važe za verzije modela iz aprila 2026. Nakon ažuriranja modela obrasci se mogu promeniti.
Preuzmite sirove podatke (19 KB)
Ostavite email — poslaćemo vam ZIP: svih 240 LLM odgovora (results.json), zbirne izveštaje (final_report.md, per_model_report.md) i Python skripte za reprodukciju eksperimenta.
CC-BY 4.0 · Bez paywall-a · Bez prodajnog praćenja.