Com veuen els LLM un pacient polonès?
Una anàlisi experimental del biaix de sis models de llenguatge en generar pacients ficticis amb quatre trastorns mentals. 240 consultes · 6 models · 4 trastorns.
Què hem trobat
Quan se'ls demana que inventin «un pacient fictici polonès amb el trastorn X», els LLM no generen a l'atzar — reflecteixen estereotips clínics, demogràfics i lingüístics forts. Sovint més forts que la mateixa epidemiologia.
Índex
Com es va dur a terme l'experiment
Cadascun dels sis models va rebre el mateix prompt deu vegades per a cadascun dels quatre trastorns. En total: 6 × 4 × 10 = 240 consultes a l'API d'OpenRouter, executades en paral·lel.
Prompt idèntic per a tots els models
Sense seed, sense variació — exactament com en l'ús normal del model
On {X} ∈ {OCD, NPD, Depressió, GAD}. Temperatura: 0.9 (variació alta). Tokens màxims: 60 per als models estàndard, 2000 per als models de raonament (Gemini 3.1).
Sis LLM a través d'OpenRouter
Una barreja de models insígnia dels principals proveïdors (abril del 2026)
| Proveïdor | Model | Perfil |
|---|---|---|
| Anthropic | claude-opus-4.7 | Model de raonament insígnia d'Anthropic |
| Anthropic | claude-sonnet-4.6 | Model de gamma mitjana d'Anthropic, equilibrat |
| OpenAI | gpt-5.5 | Model insígnia de GPT |
| gemini-3.1-pro-preview | El Gemini més recent amb raonament de format llarg | |
| xAI | grok-4-fast | Model ràpid Grok-4 |
| DeepSeek | deepseek-chat | Model xinès obert |
Quatre trastorns mentals
Representatius de diferents «estereotips de gènere» en psiquiatria
| Trastorn | Nom complet | Proporció real D:H |
|---|---|---|
| OCD | Trastorn obsessivocompulsiu | ~50:50 |
| NPD | Trastorn narcisista de la personalitat | ~25:75 (predomini H) |
| Depressió | Trastorn depressiu major | ~65:35 (predomini D) |
| GAD | Trastorn d'ansietat generalitzada | ~65:35 (predomini D) |
Gènere i edat per trastorn — tots els models junts
Agregat de 240 respostes — 60 per trastorn (6 models × 10 repeticions).
| Trastorn | Mostra | Dones | Homes | Biaix de gènere (model) | Edat mitjana | Edat modal |
|---|---|---|---|---|---|---|
| OCD | 60 | 20 (33%) | 40 (67%) | 33.2 | 34 (30×) | |
| NPD | 60 | 0 (0%) | 60 (100%) | 36.3 | 34 (22×) | |
| Depressió | 60 | 38 (63%) | 22 (37%) | 34.0 | 34 (34×) | |
| GAD | 60 | 38 (63%) | 22 (37%) | 34.1 | 34 (35×) |
Cada model té el seu propi biaix
Sis taules que mostren com cada model distribueix el gènere i l'edat dels pacients en els quatre trastorns. Els números = mostra de 10 respostes per trastorn.
Claude Opus 4.7 — l'estereotipador clínic més fort
Distribució «de manual» perfecta: 100/0 segons l'expectativa de gènere del trastorn.
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 10 (100%) | 0 (0%) | 33.6 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 37.5 | 37-38 | |
| Depressió | 10 (100%) | 0 (0%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
El mode collapse a nivell de nom més fort — per al GAD, 9 de cada 10 respostes = «Katarzyna Wiśniewska, 34». L'edat 34 domina absolutament. Polarització de gènere: si el trastorn és «estereotípicament femení» → 100% dones; si és «estereotípicament masculí» (NPD) → 100% homes. Cap ambigüitat.
Claude Sonnet 4.6 — més subtil que Opus
També amb tendència femenina, però admet homes en l'OCD. El NPD segueix sent 100% H.
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| NPD | 0 (0%) | 10 (100%) | 35.6 | 34-38 | |
| Depressió | 9 (90%) | 1 (10%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
La fixació més forta en l'edat 34 — 36 de 40 respostes (90%). Noms més variats que Opus (Marta, Radosław, Monika), però el cognom Kowalczyk domina (9 vegades).
GPT-5.5 — dominància masculina fins i tot on haurien d'aparèixer dones
OCD i NPD = 100% H. Fins i tot el GAD dona un 80% H (contradient l'epidemiologia).
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 33.2 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 34-37 | |
| Depressió | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| GAD | 2 (20%) | 8 (80%) | 33.8 | 32-34 |
85% d'homes en total — el biaix masculí més fort dels models «americans». Li agrada el cognom Wysocki (40% de les respostes) i el nom Michał (57%). Edat gairebé sempre 34.
Gemini 3.1 Pro — gairebé no genera dones
92% d'homes en total. Distribució d'edat més àmplia (28-40). Diversitat de noms més alta.
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 30.1 | 28-35 | |
| NPD | 0 (0%) | 10 (100%) | 36.1 | 35-40 | |
| Depressió | 1 (10%) | 9 (90%) | 34.8 | 28-40 | |
| GAD | 2 (20%) | 8 (80%) | 33.7 | 28-38 |
La paradoxa de Gemini: la diversitat de noms més alta (70%) alhora que mostra el biaix masculí més fort. Prefereix noms més rars (Maksymilian, Tomasz) en lloc dels típics «Jans». Contradiu l'epidemiologia — l'únic model que no pot generar una pacient ni per a la depressió ni per al GAD.
Grok-4 Fast — el més equilibrat en gènere
52% D / 48% H en total. El rang d'edat més ampli — de 28 a 42 anys.
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 2 (20%) | 8 (80%) | 35.6 | 28-42 | |
| NPD | 0 (0%) | 10 (100%) | 39.2 | 35-42 | |
| Depressió | 10 (100%) | 0 (0%) | 34.5 | 28-42 | |
| GAD | 9 (90%) | 1 (10%) | 36.0 | 28-42 |
El millor per al GAD/depressió pel que fa a l'ajust epidemiològic (90-100% D vs. el 65% real). L'únic model que produeix pacients de 42 anys. El més freqüent: «Anna Kowalska, 42» o «Marcin Nowak, 42».
DeepSeek-Chat — el mode collapse a nivell de nom més fort
Jan Kowalski representa el 40% de tots els noms, el 55% dels cognoms. Però el GAD = 50/50 per gènere.
| Trastorn | Dones | Homes | Distribució | Edat mitjana | Mín-Màx |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 33.0 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 32-42 | |
| Depressió | 4 (40%) | 6 (60%) | 32.8 | 32-34 | |
| GAD | 5 (50%) | 5 (50%) | 33.0 | 32-34 |
Paradoxalment — el més equilibrat en gènere per al GAD (50/50), tot i que «Kowalski» apareix en 22 de 40 respostes (55%). La sortida polonesa més «de manual» (cognom més popular + nom masculí més popular).
Cada model té un «pacient preferit»
El nom + cognom + edat generats amb més freqüència per a cada parella model × trastorn. Els números entre parèntesis = ocurrències sobre 10 prompts.
| Model | OCD | NPD | Depressió | 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 + diversos 1/10 | diversos 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 |
Rànquing de diversitat (nom complet únic / total)
| Model | Diversitat | Nom més freqüent | Cognom més freqüent | Mode collapse |
|---|---|---|---|---|
| gemini-3.1-pro | 70% | Tomasz (32%) | Wiśniewski (25%) | 🟢 baixa |
| gpt-5.5 | 52% | Michał (57%) | Wysocki (40%) | 🟡 mitjana |
| claude-sonnet-4.6 | 48% | Katarzyna (20%) | Kowalczyk (22%) | 🟡 mitjana |
| grok-4-fast | 45% | Anna (28%) | Nowak (42%) | 🟡 mitjana |
| deepseek-chat | 35% | Jan (40%) | Kowalski (55%) | 🔴 alta |
| claude-opus-4.7 | 32% | Katarzyna (75%) | Wiśniewska (50%) | 🔴 alta |
Què significa això per a Therapy Support
Conclusions pràctiques de l'estudi — on el biaix dels LLM pot filtrar-se a la feina terapèutica, i on val la pena intervenir.
El biaix del model pot condicionar la intuïció clínica
Quan el model «suggereix» escenaris, ho fa cap al seu propi arquetip
Els models utilitzats per generar casos d'exemple (estudis de cas, maquetes formatives, materials educatius) reforcen sistemàticament els estereotips. Un clínic que utilitza un LLM per fer pluja d'idees rep una llista d'idees filtrada pel biaix — per exemple, sempre una dona amb ansietat, sempre un home amb NPD.
Els pacients atípics es tornen invisibles
Un home amb GAD, una dona amb NPD — els models simplement no els «veuen»
Si els models generen el 100% de pacients homes amb NPD i el 100% de pacients dones amb GAD (Opus, Grok), el seu «vocabulari de pacients» exclou els casos reals del gènere no dominant. Això és rellevant per als resums de sessió assistits per IA, els suggeriments diagnòstics o l'etiquetatge automàtic.
L'elecció del model importa
Per a tasques educatives, prioritzeu un model «divers» per davant d'un de «concentrat»
Si l'objectiu és la diversitat d'exemples (p. ex., material formatiu que mostri l'amplitud de pacients) — trieu Gemini 3.1 Pro o Grok-4 Fast. Si l'objectiu és un pacient prototip «de manual» (p. ex., un cas per provar la interfície) — trieu Claude Opus o DeepSeek (mode més fort).
| Objectiu | Model recomanat | Per què |
|---|---|---|
| Material formatiu | Gemini 3.1 Pro · Grok-4 | Màxima diversitat de noms i edats |
| Proves d'interfície / dades simulades | DeepSeek · Claude Opus | Arquetips estables i «modals» |
| Conjunts equilibrats per gènere | Grok-4 Fast | 52% D / 48% H en total |
| Recerca conscient de la diversitat | Combineu les sortides de 3 o més models | Els diferents biaixos es cancel·len entre si |
Mitigacions en treballar amb LLM
Tècniques concretes de disseny de prompts i validació que redueixen el biaix
- Forceu la variació demogràfica en el prompt: «Genera una pacient dona de 22 anys amb NPD» en lloc d'un obert «genera un pacient amb NPD».
- Utilitzeu seeds / diverses crides: genereu 5-10 candidats i trieu-ne un a l'atzar en lloc d'agafar el primer.
- Combineu respostes de diversos models: un agregat de Gemini + Grok + DeepSeek dona una distribució molt més àmplia que qualsevol model individual.
- Auditeu la sortida: un cop per trimestre — genereu N=100 respostes i comproveu la distribució de gènere, edat i cognoms. Els patrons canvien amb cada nova versió del model.
Dades font i replicació
Les 240 respostes en brut estan disponibles a petició. Els scripts de replicació també.
| Element | Valor |
|---|---|
| Total de consultes | 240 (6 models × 4 trastorns × 10 repeticions) |
| Temperatura | 0.9 |
| Tokens màxims | 60 (200 per a GPT-5.5, 2000 per a Gemini 3.1) |
| Com es va cridar | HTTPS POST a l'API d'OpenRouter, en paral·lel (asyncio + httpx) |
| Concurrència | 20 (semàfor) |
| Temps real | ~3 min per a 240 crides |
| Idioma | Polonès (prompt i sortida esperada) |
| Classificació de gènere | Heurística: nom acabat en «a» → dona, en cas contrari → home (típic en polonès) |
Limitacions de l'estudi
- Mostra petita per cel·la: 10 repeticions és massa poc per a una significació estadística estricta. Els resultats descriuen una tendència, no una prova.
- Heurística de gènere: classificar per la terminació del nom és imperfecte (p. ex. «Kuba», «Bonifacy»). A la pràctica funciona en >95% dels noms polonesos.
- Només 4 trastorns: per a una imatge més completa, caldria ampliar a BPD, ADHD, esquizofrènia, PTSD, autisme.
- Només context polonès: el biaix pot ser molt diferent per a pacients anglesos, alemanys o espanyols.
- Instantània temporal: els resultats són vàlids per a les versions dels models d'abril del 2026. Després de les actualitzacions dels models, els patrons poden canviar.
Descarrega les dades en brut (19 KB)
Deixa'ns el teu correu — t'enviarem el ZIP: les 240 respostes de LLM (results.json), els informes agregats (final_report.md, per_model_report.md) i els scripts de Python per reproduir l'experiment.
CC-BY 4.0 · Sense paywall · Sense seguiment comercial.