Avaliação Comparativa de Modelos de Linguagem para Segurança Clínica: Um Guia Introdutório para Profissionais de Saúde Mental · Artigo de referência

Título original: Benchmarking Language Models for Clinical Safety: A Primer for Mental Health Professionals. Pode sustentar que scores de segurança mudam com prompt, temperatura e interface, e que modelos tendem a super…

Como a literatura científica descreve e avalia o uso de sistemas conversacionais de IA generativa, especialmente modelos grandes de linguagem e chatbots baseados em LLMs, em funções de psicoterapia, aconselhamento, psicoeducação, autocuidado em saúde mental ou suporte emocional, e que evidências existem sobre contextos de uso, aceitabilidade, efeitos relatados, segurança, manejo de crise, limitações e salvaguardas?

A literatura disponível descreve usos delimitados de chatbots e IA generativa em saúde mental. No corpus público atual, há sinal baixo a moderado de aceitabilidade e de apoio pontual em contextos de baixo risco, sobretudo quando a tarefa é estruturada e a supervisão humana permanece. Isso não demonstra que esses sistemas “façam terapia” no sentido clínico, nem que sejam seguros em crise ou capazes de substituir psicoterapia humana

Força da evidência: baixa a moderada para apoio pontual, aceitabilidade e usos estruturados ou supervisionados de baixo risco; baixa para benefício clínico sustentado; insuficiente/não demonstrada para segurança em crise e para substituição de psicoterapia humana

Estado público: briefing público pos AR0438 v1

Limitações e transparência metodológica: Esta versão pública continua sendo uma camada conservadora de uma revisão viva. A avaliação de qualidade segue preliminarprogramatica; 229 solicitações humanas permanecem pendentes; 125 registros fulltextexcluded e 16 pendentes já extraídos não entram na sustentação pública; 141 extrações avaliadas ficam fora da sustentação central; permanece uma diferença operacional de 200 registros entre triagem e manifest; a triagem foi conduzida por agentes A/B/árbitro, não por dois revisores humanos independentes; 5 cenários de sensibilidade ainda dependem de julgamento narrativo por falta de colunas estruturadas; 2 registros naoavaliavel recém-recuperados seguem com evidencetype=incerto fora do corpus público aguardando renormalização; e a cobertura de b…

Título editorial em português: Avaliação Comparativa de Modelos de Linguagem para Segurança Clínica: Um Guia Introdutório para Profissionais de Saúde Mental

Título original: Benchmarking Language Models for Clinical Safety: A Primer for Mental Health Professionals

O que este artigo pode sustentar: Pode sustentar que scores de segurança mudam com prompt, temperatura e interface, e que modelos tendem a supervalorizar respostas calorosas porém inadequadas

O que este artigo não pode sustentar: Não pode sustentar segurança em crise, capacidade terapêutica, nem que bom score no SIRI-2 equivalha a resposta adequada em conversa real

Alerta metodológico: Mostra como um benchmark de suicídio pode inflar alegações de segurança, mas não testa pacientes nem geração terapêutica real