A avaliação diagnóstica de transtornos do neurodesenvolvimento em adultos, como o Transtorno de Déficit de Atenção/Hiperatividade (TDAH), o Transtorno do Espectro Autista (TEA) de alto funcionamento e a Síndrome de Desengajamento Cognitivo (CDS), enfrenta desafios significativos devido à sobreposição sintomática e à baixa sensibilidade discriminante de instrumentos tradicionais. Nesse contexto, a inteligência artificial, especificamente os Grandes Modelos de Linguagem (LLMs), surge como uma ferramenta disruptiva. Conforme investigado por Chiappone, Marocco e Milano (2026), os LLMs demonstram uma capacidade emergente de atuar como agentes simuladores, capazes de inferir perfis psicométricos complexos a partir de dados qualitativos, abrindo novas perspectivas para a fenotipagem digital na saúde mental.
A premissa central do estudo de Chiappone et al. (2026) reside na capacidade dos modelos GPT-4o e Qwen2-72B de “personificar” perfis psicológicos após o processamento de entrevistas qualitativas estruturadas. Diferente de abordagens anteriores que focavam em traços de personalidade amplos, esta pesquisa focou na sensibilidade dos modelos a variações de intensidade de traços neurodivergentes. Os resultados indicaram que, quando ancorados em narrativas pessoais, os LLMs conseguem gerar respostas a escalas de autorrelato (como ASRS, BAARS-IV, AQ e RAADS-R) que se aproximam significativamente das respostas reais dos indivíduos, mantendo uma estabilidade interna robusta, mesmo em condições de temperatura estocástica elevada.
Um aspecto técnico fundamental revelado pela pesquisa é a precisão com que os modelos discriminam dimensões específicas da neurodivergência. O GPT-4o, em particular, exibiu uma concordância notável com os dados humanos, capturando nuances de desatenção e dificuldades sociais com erros médios absolutos reduzidos. Essa habilidade sugere que os modelos de linguagem não estão apenas replicando padrões estatísticos superficiais, mas conseguem integrar o conteúdo semântico da experiência vivida do paciente para reconstruir um perfil psicométrico coerente. Chiappone et al. (2026) ressaltam que essa simulação é sensível à gravidade dos sintomas, o que posiciona os LLMs como potenciais assistentes na triagem clínica, capazes de sintetizar grandes volumes de dados qualitativos em métricas quantitativas acionáveis.
Entretanto, o uso de LLMs como agentes simuladores não está isento de desafios éticos e metodológicos. O estudo adverte sobre o risco de “estilização” ou viés do modelo, onde a IA pode tender a perfis arquetípicos em vez de capturar a idiossincrasia do indivíduo. Além disso, a dependência da qualidade do prompt e a opacidade dos algoritmos exigem cautela na implementação clínica. A proposta de Chiappone e colaboradores (2026) é que esses agentes simulativos sirvam como uma camada intermediária de análise, auxiliando o clínico a identificar padrões de sobreposição que poderiam passar despercebidos em avaliações convencionais, sem substituir o julgamento humano essencial.
Em conclusão, a pesquisa de Chiappone, Marocco e Milano (2026) estabelece um marco na aplicação de IA para a neurodiversidade adulta. Ao demonstrar que LLMs podem modelar de forma estável e precisa perfis de TDAH e TEA a partir de entrevistas, o estudo valida o uso de narrativas qualitativas como fonte rica para a computação psicométrica. O futuro da avaliação psicológica reside na sinergia entre a profundidade da narrativa humana e a capacidade analítica da inteligência artificial, promovendo diagnósticos mais personalizados e sensíveis às nuances do desenvolvimento neural.
Referência (ABNT):
CHIAPPONE, Francesco; MAROCCO, Davide; MILANO, Nicola. Large Language Models as simulative agents for neurodivergent adult psychometric profiles. Natural and Artificial Cognition Laboratory, University of Naples Federico II, [s. l.], p. 1-27, 2026. Disponível em: https://talkybot.onrender.com. Acesso em: 9 mai. 2026.
