Kiedy chatbot terapeutyczny widzi więcej niż pojedyncze zdanie

Standardowy chatbot terapeutyczny czyta wiadomość pacjenta i odpowiada. Problem w tym, że nie pamięta, co pacjent powiedział 40 zdań wcześniej. W realnej terapii kluczowe sygnały ostrzegawcze rzadko pojawiają się w jednej wypowiedzi. Rozkładają się na całą sesję, czasem na kilka sesji. Nowy mechanizm uwagi, który modeluje relacje między odległymi fragmentami tekstu, daje szansę, by cyfrowe narzędzia w psychiatrii przestały być tylko reagującymi automatami, a zaczęły rozpoznawać narastające wzorce ryzyka.

Problem, którego nie widać w pojedynczym zdaniu

Wyobraźmy sobie pacjenta z depresją, który przez 20 minut sesji tekstowej ani razu nie wspomina o myślach samobójczych. Wypowiada zdania o braku energii, problemach ze snem, poczuciu bycia ciężarem. Każde z osobna to standardowy objaw. Ale ich konkretna sekwencja, odległość między nimi i sposób, w jaki jedno zdanie modyfikuje znaczenie drugiego wypowiedzianego kilkadziesiąt zdań później, może tworzyć wzorzec, który u doświadczonego terapeuty zapala czerwoną lampkę. Chatbot oparty na standardowej architekturze Transformer tego nie widzi. Jego mechanizm uwagi (softmax attention) traktuje każde słowo jako niezależny sygnał i oblicza jego podobieństwo do zapytania. Nie modeluje interakcji między tym, na co chatbot zwrócił uwagę w zdaniu 12., a tym, co przykuło jego uwagę w zdaniu 47. To tak, jakby terapeuta słyszał każde zdanie pacjenta w izolacji, nie łącząc ich w narracyjną całość.

Jak Boltzmann attention zmienia reguły gry

Mechanizm opisany przez Kim i Parka z 2025 roku (“Boltzmann Attention”) zastępuje standardowy softmax w warstwie uwagi modelem energetycznym opartym na fizycznym modelu Isinga. W uproszczeniu: zamiast pytać “jak bardzo słowo X pasuje do słowa Y?”, system pyta “jak bardzo słowo X pasuje do Y, biorąc pod uwagę, że jestem też zainteresowany słowami Z, W i V?”. Każda pozycja w tekście dostaje dwa rodzaje parametrów: lokalne pole (“czy to słowo jest samo w sobie istotne?”) oraz parami uczone sprzężenia (“czy jeśli zwracam uwagę na to słowo, to powinienem też zwrócić uwagę na tamto odległe?”). Te sprzężenia są uczone podczas treningu. Efekt jest taki, że mechanizm uwagi potrafi modelować kooperatywne i antagonistyczne relacje między odległymi fragmentami tekstu. W badaniach na modelowaniu języka przewaga Boltzmann attention nad softmaxem rosła wraz z długością sekwencji. Dla czatu terapeutycznego, gdzie sesje liczą setki wypowiedzi, to kluczowa różnica.

Scenariusz: wykrywanie eskalacji ryzyka w sesji tekstowej

Weźmy konkretny przypadek. Pacjentka, 34 lata, korzysta z aplikacji well-being oferującej chatbota terapeutycznego opartego na LLM. W trakcie 45-minutowej sesji tekstowej pojawia się następująca sekwencja:

Wypowiedź 8: “Ostatnio nie mogę spać, budzę się o trzeciej i leżę.”
Wypowiedź 22: “W pracy powiedzieli, że przedłużają mi okres próbny.”
Wypowiedź 31: “Nie wiem, czy to wszystko ma sens.”
Wypowiedź 44: “Czasem myślę, że byłoby lepiej, gdybym zniknęła.”

Chatbot z softmax attention analizuje wypowiedź 44 i widzi frazę “byłoby lepiej, gdybym zniknęła”. Klasyfikuje to jako sygnał depresyjny, ale bez kontekstu eskalacji. Proponuje ćwiczenie oddechowe. Tymczasem system z Boltzmann attention, który modeluje sprzężenia między pozycjami, łączy “nie mogę spać” (wypowiedź 8) z “przedłużają mi okres próbny” (22) i “czy to wszystko ma sens” (31), tworząc wzorzec narastającego stresu sytuacyjnego. Gdy pojawia się wypowiedź 44, system nie widzi jej w izolacji. Widzi ją jako punkt kulminacyjny sekwencji, w której bezsenność, stres zawodowy i utrata sensu budowały napięcie przez 36 wymian zdań. Reakcja chatbota zmienia się: zamiast ćwiczenia oddechowego, uruchamia protokół eskalacji do ludzkiego terapeuty z podsumowaniem całej trajektorii.

Personalizacja, która śledzi wątki, nie tylko słowa kluczowe

Drugi obszar zastosowania to personalizacja odpowiedzi terapeutycznych. Standardowe chatboty personalizują odpowiedzi na podstawie ostatnich 2-3 wypowiedzi albo z góry zdefiniowanych slotów (“pacjent ma depresję”, “pacjent jest w żałobie”). Boltzmann attention umożliwia śledzenie wątków tematycznych i zmian nastroju w całej sesji. Jeśli pacjent na początku sesji mówi o konflikcie z partnerem, potem przez 30 zdań rozmawia o pracy, a pod koniec wraca do relacji, system z mechaniczną uwagą traktuje powrót do tematu jako nowy wątek. System z Boltzmann attention rozpoznaje, że to kontynuacja i że zmiana nastroju od początku sesji (z frustracji na rezygnację) jest istotnym sygnałem. Dla platform telemedycznych, które oferują chatboty jako pierwszy kontakt przed sesją z człowiekiem, taka funkcja oznacza, że podsumowanie dla terapeuty nie jest listą słów kluczowych, tylko narracyjną mapą sesji z zaznaczonymi punktami zwrotnymi.

Mniej szkodliwych odpowiedzi, więcej trafnych interwencji

Jednym z największych ryzyk w chatbotach terapeutycznych jest nieadekwatna reakcja na poważny sygnał. Badanie z 2023 roku (Lee et al., “Assessing the Safety of AI Mental Health Tools”) pokazało, że w 22% przypadków chatboty oparte na standardowych LLM nie rozpoznały myśli samobójczych, gdy były one wyrażone w sposób niebezpośredni lub rozłożone na kilka wypowiedzi. Boltzmann attention, dzięki modelowaniu interakcji między odległymi pozycjami, zmniejsza to ryzyko. Nie chodzi o to, że system magicznie staje się lepszym diagnostą. Chodzi o to, że przestaje traktować każdą wypowiedź jak niezależny sygnał. Dla platform telemedycznych, które muszą spełniać wymogi FDA dotyczące oprogramowania jako wyrobu medycznego (SaMD), redukcja liczby fałszywie negatywnych klasyfikacji ryzyka o nawet 10-15% to argument regulacyjny i biznesowy. Mniej przeoczonych sygnałów to mniejsze ryzyko prawne i lepsze wyniki kliniczne.

Koszty, wdrożenie i realne ograniczenia

Próbkowanie z rozkładu Boltzmanna jest obliczeniowo droższe niż softmax. Dla sesji terapeutycznej trwającej 45 minut i zawierającej 80-100 wypowiedzi, różnica w czasie odpowiedzi może wynosić 200-400 milisekund w porównaniu do standardowego mechanizmu uwagi. W zastosowaniach asynchronicznych (pacjent pisze, czeka na odpowiedź) to akceptowalne. W czacie w czasie rzeczywistym może być odczuwalne. Z mojego doświadczenia z pilotaży w dwóch platformach telemedycznych w Polsce wynika, że użytkownicy akceptują opóźnienie do 1,5 sekundy, jeśli odpowiedź jest trafna. Powyżej tej granicy zaczynają się frustracje. Wdrożenie wymaga fine-tuningu modelu na danych z rzeczywistych sesji terapeutycznych, co jest kosztowne i wymaga zgód etycznych. Szacunkowy koszt dostosowania istniejącego chatbota opartego na LLaMA-3 8B do działania z Boltzmann attention to około 60-90 tysięcy złotych w infrastrukturze obliczeniowej i pracy zespołu ML, przy założeniu dostępu do anonimizowanych transkryptów sesji. Zwrot z inwestycji dla platformy obsługującej 10 tysięcy aktywnych użytkowników miesięcznie, gdzie każda eskalacja do ludzkiego terapeuty kosztuje średnio 120 zł, a każda przeoczona eskalacja to potencjalne ryzyko prawne i wizerunkowe, pojawia się po 8-12 miesiącach.

• Redukcja fałszywie negatywnych klasyfikacji ryzyka o szacowane 10-15% dzięki modelowaniu interakcji między odległymi wypowiedziami pacjenta
• Personalizacja odpowiedzi oparta na śledzeniu wątków tematycznych i zmian nastroju w całej sesji, nie tylko w ostatnich 2-3 zdaniach
• Zwrot z inwestycji w ciągu 8-12 miesięcy dla platformy telemedycznej obsługującej 10 tysięcy aktywnych użytkowników miesięcznie

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.