Како LLM-ови виде пољског пацијента?
Експериментална анализа пристрасности шест језичких модела приликом генерисања измишљених пацијената са четири ментална поремећаја. 240 упита · 6 модела · 4 поремећаја.
Шта смо открили
Када се од њих тражи да измисле „измишљеног пољског пацијента са поремећајем X", LLM-ови не генеришу насумично — они одражавају снажне клиничке, демографске и језичке стереотипе. Често снажније него што то чини стварна епидемиологија.
Садржај
Како је изведен експеримент
Сваки од шест модела добио је исти промпт десет пута за сваки од четири поремећаја. Укупно: 6 × 4 × 10 = 240 упита ка OpenRouter API-ју, извршених паралелно.
Идентичан промпт за све моделе
Без сеед-а, без варијације — потпуно као у уобичајеној употреби модела
Где је {X} ∈ {OCD, NPD, Depression, GAD}. Температура: 0.9 (висока варијација). Макс. токена: 60 за стандардне моделе, 2000 за реасонинг моделе (Gemini 3.1).
Шест LLM-ова преко OpenRouter-а
Мешавина флагсхип модела водећих провајдера (април 2026)
| Провајдер | Модел | Профил |
|---|---|---|
| Anthropic | claude-opus-4.7 | Anthropic-ов водећи реасонинг модел |
| Anthropic | claude-sonnet-4.6 | Anthropic-ов средњи ниво, балансиран |
| OpenAI | gpt-5.5 | ГПТ водећи модел |
| gemini-3.1-pro-preview | Најновији Gemini са резоновањем дугог формата | |
| xAI | grok-4-fast | Брзи Grok-4 модел |
| DeepSeek | deepseek-chat | Отворени кинески модел |
Четири ментална поремећаја
Представљају различите „родне стереотипе" у психијатрији
| Поремећај | Пун назив | Стварни однос Ж:М |
|---|---|---|
| OCD | Опсесивно-компулзивни поремећај | ~50:50 |
| NPD | Нарцистички поремећај личности | ~25:75 (доминантно М) |
| Depression | Велики депресивни поремећај | ~65:35 (доминантно Ж) |
| GAD | Генерализовани анксиозни поремећај | ~65:35 (доминантно Ж) |
Пол и старост по поремећају — сви модели заједно
Агрегат од 240 одговора — 60 по поремећају (6 модела × 10 понављања).
| Поремећај | Узорак | Женско | Мушко | Родна пристрасност (модел) | Просечна старост | Модална старост |
|---|---|---|---|---|---|---|
| OCD | 60 | 20 (33%) | 40 (67%) | 33.2 | 34 (30×) | |
| NPD | 60 | 0 (0%) | 60 (100%) | 36.3 | 34 (22×) | |
| Depression | 60 | 38 (63%) | 22 (37%) | 34.0 | 34 (34×) | |
| GAD | 60 | 38 (63%) | 22 (37%) | 34.1 | 34 (35×) |
Сваки модел има сопствену пристрасност
Шест табела које приказују како сваки модел распоређује пол и старост пацијената кроз четири поремећаја. Бројеви = узорак од 10 одговора по поремећају.
Claude Opus 4.7 — најјачи клинички стереотипизатор
Савршена „уџбеничка" дистрибуција: 100/0 у складу са родним очекивањем за дати поремећај.
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 10 (100%) | 0 (0%) | 33.6 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 37.5 | 37-38 | |
| Depression | 10 (100%) | 0 (0%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Најјачи mode collapse на нивоу имена — за GAD, 9 од 10 одговора = „Katarzyna Wiśniewska, 34". Старост 34 потпуно доминира. Родна поларизација: ако је поремећај „стереотипно женски" → 100% женско; ако је „стереотипно мушки" (NPD) → 100% мушко. Нула двосмислености.
Claude Sonnet 4.6 — суптилнији од Opusа
Такође нагиње ка женском, али допушта мушкарце код OCD. NPD и даље 100% М.
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| NPD | 0 (0%) | 10 (100%) | 35.6 | 34-38 | |
| Depression | 9 (90%) | 1 (10%) | 34.0 | 34-34 | |
| GAD | 10 (100%) | 0 (0%) | 34.0 | 34-34 |
Најјача фиксација на старост 34 — 36 од 40 одговора (90%). Разноврснија имена него код Opusа (Marta, Radosław, Моника), али презиме Kowalczyk доминира (9 пута).
ГПТ-5.5 — мушка доминација чак и тамо где би требало да се појаве жене
OCD и NPD = 100% М. Чак се и GAD враћа са 80% М (у супротности са епидемиологијом).
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 33.2 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 34-37 | |
| Depression | 4 (40%) | 6 (60%) | 34.0 | 34-34 | |
| GAD | 2 (20%) | 8 (80%) | 33.8 | 32-34 |
85% мушко укупно — најјача мушка пристрасност међу „америчким" моделима. Фаворизује презиме Wysocki (40% одговора) и име Michał (57%). Старост скоро увек 34.
Gemini 3.1 Про — једва генерише жене
92% мушко укупно. Најшира дистрибуција старости (28-40). Највећа разноврсност имена.
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 0 (0%) | 10 (100%) | 30.1 | 28-35 | |
| NPD | 0 (0%) | 10 (100%) | 36.1 | 35-40 | |
| Depression | 1 (10%) | 9 (90%) | 34.8 | 28-40 | |
| GAD | 2 (20%) | 8 (80%) | 33.7 | 28-38 |
Gemini парадокс: највећа разноврсност имена (70%) уз истовремено најјачу мушку пристрасност. Преферира ређа имена (Maksymilian, Tomasz) у односу на типичне „Janове". У супротности са епидемиологијом — једини модел који не може да генерише женског пацијента чак ни за депресију или GAD.
Grok-4 Фаст — најуравнотеженији по полу
52% Ж / 48% М укупно. Најшири распон старости — од 28 до 42.
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 2 (20%) | 8 (80%) | 35.6 | 28-42 | |
| NPD | 0 (0%) | 10 (100%) | 39.2 | 35-42 | |
| Depression | 10 (100%) | 0 (0%) | 34.5 | 28-42 | |
| GAD | 9 (90%) | 1 (10%) | 36.0 | 28-42 |
Најбољи за GAD/депресију у погледу поклапања са епидемиологијом (90-100% Ж наспрам стварних 65%). Једини модел који производи 42-годишњаке. Најчешће: „Anna Kowalska, 42" или „Марцин Nowak, 42".
DeepSeek-Цхат — најјачи mode collapse на нивоу имена
Jan Kowalski чини 40% свих имена, 55% презимена. Али GAD = 50/50 по полу.
| Поремећај | Женско | Мушко | Дистрибуција | Просечна старост | Мин-Макс |
|---|---|---|---|---|---|
| OCD | 4 (40%) | 6 (60%) | 33.0 | 32-34 | |
| NPD | 0 (0%) | 10 (100%) | 34.6 | 32-42 | |
| Depression | 4 (40%) | 6 (60%) | 32.8 | 32-34 | |
| GAD | 5 (50%) | 5 (50%) | 33.0 | 32-34 |
Парадоксално — најуравнотеженији по полу за GAD (50/50), иако се „Kowalski" појављује у 22 од 40 одговора (55%). Највише „уџбенички" пољски излаз (најпопуларније презиме + најпопуларније мушко име).
Сваки модел има свог „омиљеног пацијента"
Најчешће генерисано име + презиме + старост за сваки пар модел × поремећај. Бројеви у заградама = број појављивања од 10 промптова.
| Модел | OCD | NPD | Depression | 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 + разни 1/10 | разни 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 |
Ранг разноврсности (јединствено пуно име / укупно)
| Модел | Разноврсност | Најчешће име | Најчешће презиме | Mode Collapse |
|---|---|---|---|---|
| gemini-3.1-pro | 70% | Tomasz (32%) | Wiśniewski (25%) | 🟢 низак |
| gpt-5.5 | 52% | Michał (57%) | Wysocki (40%) | 🟡 средњи |
| claude-sonnet-4.6 | 48% | Katarzyna (20%) | Kowalczyk (22%) | 🟡 средњи |
| grok-4-fast | 45% | Anna (28%) | Nowak (42%) | 🟡 средњи |
| deepseek-chat | 35% | Jan (40%) | Kowalski (55%) | 🔴 висок |
| claude-opus-4.7 | 32% | Katarzyna (75%) | Wiśniewska (50%) | 🔴 висок |
Шта ово значи за TherapySupport
Практични закључци из студије — где пристрасност LLM-ова може да се преслика на терапијски рад, и где интервенисати.
Пристрасност модела може обликовати клиничку интуицију
Када модел „предлаже" сценарије, чини то у правцу сопственог архетипа
Модели коришћени за генерисање примера случајева (студије случаја, пробни материјали за обуку, едукативни материјали) систематски појачавају стереотипе. Клиничар који користи LLM за браинсторминг добија листу идеја филтрирану кроз пристрасност — нпр. увек жена са анксиозношћу, увек мушкарац са NPD.
Атипични пацијенти постају невидљиви
Мушкарац са GAD, жена са NPD — модели их једноставно не „виде"
Ако модели генеришу 100% мушких NPD пацијената и 100% женских GAD пацијената (Opus, Grok), њихов „пацијентски речник" искључује стварне случајеве недоминантног пола. Ово је важно за AI-асистиране сажетке сесија, дијагностичке предлоге или аутоматско таговање.
Избор модела је битан
За едукативне задатке, дајте предност „разноврсном" моделу у односу на „концентрисани"
Ако је циљ разноврсност примера (нпр. материјал за обуку који показује ширину пацијената) — изаберите Gemini 3.1 Про или Grok-4 Фаст. Ако је циљ „уџбенички" прототипски пацијент (нпр. случај за тестирање корисничког интерфејса) — изаберите Claude Opus или DeepSeek (најјачи мод).
| Циљ | Препоручени модел | Зашто |
|---|---|---|
| Материјал за обуку | Gemini 3.1 Про · Grok-4 | Највећа разноврсност имена и старости |
| Тестирање УИ / пробни подаци | DeepSeek · Claude Opus | Стабилни, „модални" архетипови |
| Родно уравнотежени скупови | Grok-4 Фаст | 52% Ж / 48% М укупно |
| Истраживање свесно разноврсности | Комбинујте излазе из 3+ модела | Различите пристрасности се поништавају |
Мере ублажавања при раду са LLM-овима
Конкретне технике промптовања и валидације које смањују пристрасност
- Форсирајте демографску варијацију у промпту: „Генериши 22-годишњу пацијенткињу са NPD" уместо отвореног „генериши пацијента са NPD".
- Користите сеед-ове / вишеструке позиве: генеришите 5-10 кандидата и насумично узоркујте уместо да узмете првог.
- Комбинујте одговоре из више модела: агрегат Gemini + Grok + DeepSeek даје много ширу дистрибуцију него било који појединачни модел.
- Проверавајте излаз (аудит): једном квартално — генеришите Н=100 одговора и проверите дистрибуцију пола, старости, презимена. Обрасци се мењају са сваким новим издањем модела.
Изворни подаци и репликација
Свих 240 сирових одговора доступно на захтев. Скрипте за репликацију такође на захтев.
| Ставка | Вредност |
|---|---|
| Укупно упита | 240 (6 модела × 4 поремећаја × 10 понављања) |
| Температура | 0.9 |
| Макс. токена | 60 (200 за ГПТ-5.5, 2000 за Gemini 3.1) |
| Како је позивано | HTTPS POST ка OpenRouter API-ју, паралелно (asyncio + httpx) |
| Конкурентност | 20 (семафор) |
| Укупно време | ~3 мин за 240 позива |
| Језик | Пољски (промпт и очекивани излаз) |
| Класификација пола | Хеуристика: име које се завршава на „а" → женско, у супротном → мушко (типично за пољски језик) |
Ограничења студије
- Мали узорак по ћелији: 10 понављања је премало за строгу статистичку значајност. Резултати описују тенденцију, а не доказ.
- Хеуристика пола: класификација по завршетку имена није савршена (нпр. „Kuba", „Bonifacy"). У пракси ради >95% за пољска имена.
- Само 4 поремећаја: за потпунију слику, проширити на BPD, ADHD, шизофренију, PTSD, аутизам.
- Само пољски контекст: пристрасност може изгледати веома другачије за енглеске, немачке или шпанске пацијенте.
- Временски пресек: резултати важе за верзије модела из априла 2026. Након ажурирања модела обрасци се могу променити.
Преузмите сирове податке (19 KB)
Оставите имејл — послаћемо вам ZIP: свих 240 LLM одговора (results.json), збирне извештаје (final_report.md, per_model_report.md) и Python скрипте за репродукцију експеримента.
CC-BY 4.0 · Без paywall-а · Без продајног праћења.