Un estudio con 108 participantes comparó las calificaciones de siete modelos de lenguaje con encuestas diarias y entrevistas clínicas, y encontró indicios de que aportan información que los autorreportes no recogen.
Un equipo de investigadores de universidades de Estados Unidos evaluó si los modelos de lenguaje, sistemas de inteligencia artificial (IA) que procesan y generan texto, pueden estimar el nivel de depresión de una persona a partir de un relato breve sobre su día. El trabajo, publicado en npj Digital Medicine, concluyó que las calificaciones de los modelos se relacionan con las encuestas que respondieron los participantes y con una entrevista clínica, y que además parecen captar información que esas encuestas no recogen.
Dar seguimiento a los cambios de la depresión a lo largo del tiempo es importante tanto para la investigación como para la práctica clínica, y la herramienta más usada son los cuestionarios breves que la persona responde sobre sí misma. Los autores señalan que este método tiene límites. Una escala cubre un abanico reducido de síntomas, no recoge el contexto cotidiano en el que ocurren y está expuesta a sesgos de respuesta, como minimizar o exagerar los síntomas, contestar siempre lo mismo o interpretar de forma distinta las preguntas de un día a otro. Responder las mismas preguntas durante semanas acentúa esos problemas. Las entrevistas con un especialista captan mejor el contexto, pero no pueden hacerse a diario.
Para probar si los modelos de lenguaje pueden ayudar a resolver esas limitaciones, el equipo trabajó con 108 participantes de entre 18 y 40 años, con una edad promedio de 28.3 años, de los cuales 53% eran mujeres. Fueron reclutados en Pittsburgh entre 2016 y 2018 como parte de un estudio más amplio y se seleccionaron según su historial de atención en salud mental: 45% recibía tratamiento al inicio, 23% lo había recibido en el pasado y 31% nunca lo había recibido. Cada persona hizo una entrevista clínica y, durante 14 a 21 días, respondió al final de cada día tres preguntas sobre su estado de ánimo, con una puntuación de 0 a 100 (“me sentí deprimido”, “me sentí sin esperanza” y “en general me concentré en el lado negativo de las cosas”), y grabó con su teléfono un video de alrededor de un minuto. La consigna fue describir el suceso más significativo del día, quiénes estaban, cómo se comportó y cómo se sintió, sin preguntar por síntomas de depresión. En promedio, los participantes completaron 77% de los días, con 14.9 diarios cada uno.
El audio de cada video se transcribió de forma automática y el texto se entregó a siete modelos de lenguaje disponibles comercialmente: GPT-4.1 y GPT-4.1-Mini, de OpenAI; Claude-3.7-Sonnet, de Anthropic; Gemini-2.5-Pro, de Google; Grok-3-Beta, de xAI; Llama-4-Maverick, de Meta, y Qwen3-235B, de Alibaba. A cada uno se le pidió que respondiera las mismas tres preguntas de la encuesta diaria como si fuera el participante, con una puntuación de 0 a 100, sin ejemplos ni entrenamiento específico para la tarea. Las calificaciones de los siete modelos se promediaron en un solo índice, porque el objetivo era evaluar el enfoque en general y no el desempeño de un modelo en particular.
Las calificaciones de los modelos mostraron una relación clara con el autorreporte. La medida utilizada fue la correlación, que va de -1 a 1 y es más alta cuanto más suben y bajan juntas dos mediciones. Al comparar los días de una misma persona fue de 0.45, y al promediar los días de cada participante para obtener una puntuación general, de 0.61. Con la gravedad de los síntomas evaluada en la entrevista clínica fue de 0.53. Los resultados fueron parecidos con los siete modelos, con valores de entre 0.40 y 0.45 en la comparación día a día y de entre 0.55 y 0.64 en la puntuación general. Además, tanto las calificaciones de los modelos como los autorreportes se relacionaron de forma casi idéntica con las emociones negativas y positivas del día, el estrés y el número de situaciones estresantes, con una similitud de 0.98 dentro de cada persona y de 0.94 entre personas.
Los investigadores también quisieron saber si los modelos aportan algo distinto del autorreporte. Para ello analizaron qué variables seguían asociadas con las calificaciones de los modelos una vez descontado el efecto de la encuesta, y viceversa. Dentro de cada persona, ambas mediciones aportaron información adicional sobre las variaciones diarias del estado de ánimo y del estrés. Entre personas, los resultados se dividieron: solo el autorreporte mantuvo una relación propia con las emociones y con la gravedad del estrés percibido, mientras que solo las calificaciones de los modelos se asociaron con la cantidad de situaciones estresantes vividas en promedio. Ambas mediciones se relacionaron con la depresión evaluada en la entrevista clínica, con una asociación adicional de 0.33 en cada caso. Para los autores, el patrón sugiere que los autorreportes podrían ser más sensibles a experiencias subjetivas, mientras que los modelos detectarían efectos más sutiles del estrés que las personas no perciben o que la encuesta no incluye. Plantean que combinar una encuesta de tres preguntas con una grabación de un minuto podría ofrecer la mayor cobertura con poca carga para el participante.
El equipo también revisó posibles sesgos. Probó si la relación entre las calificaciones de los modelos y el autorreporte cambiaba según la edad, el sexo, el número de síntomas de depresión mayor evaluado en la entrevista o el rasgo de depresividad, y no encontró diferencias claras, aunque advierte que la muestra era demasiado pequeña para descartar efectos pequeños. En un análisis exploratorio, pidió a uno de los modelos, GPT-4.1 Mini, que justificara sus calificaciones con fragmentos de los diarios. Según los autores, las explicaciones parecían razonables y mostraron que el modelo podía incorporar el contexto, por ejemplo al reconocer el nerviosismo ante una entrevista de trabajo como una reacción esperable y no como un signo de depresión. Aclaran, sin embargo, que estas justificaciones se generan después de la calificación y no prueban cómo llegó el modelo a ella.
El estudio reconoce limitaciones. La muestra es pequeña, proviene de una sola ciudad y está formada en su mayoría por personas blancas (78%), por lo que los resultados podrían no aplicarse a otros grupos ni a personas con cuadros psiquiátricos más graves. Tampoco se evaluó si el desempeño cambia según características como la raza o el idioma, aunque los autores recuerdan que los sistemas de transcripción automática pueden ser menos precisos con algunos hablantes. Además, las calificaciones se contrastaron con encuestas y entrevistas, y no con desenlaces clínicos como la respuesta a un tratamiento, la evolución del cuadro o la afectación funcional.
En cuanto a posibles aplicaciones, los autores plantean que el método funcionaría como una entrevista clínica diaria de bajo costo y escalable, que podría permitir un monitoreo remoto más sensible a señales tempranas de un episodio de ánimo y, a futuro, una evaluación pasiva a partir de conversaciones rutinarias, como llamadas a una clínica o consultas de atención primaria. Insisten en que el papel de estas herramientas en el corto plazo sería apoyar y no reemplazar a los profesionales, por ejemplo al ofrecer una calificación adicional que el clínico pueda considerar junto con su propia valoración. Como siguientes pasos proponen replicar el estudio con muestras más amplias y diversas, incluir más variables clínicas, comparar la carga que implica grabar un audio frente a llenar una encuesta y probar distintas consignas para obtener el relato. Los datos de las calificaciones y el código del análisis están disponibles en la plataforma OSF.
