L'IA apprend à écouter — mais fait encore des erreurs de débutant

Les IA qui jouent aux patients sont crédibles — mais statistiquement fausses

Imaginez un acteur qui joue parfaitement un rôle de dépressif — chaque réplique sonne juste — mais quand on remplit la salle avec ses clones, les statistiques de la vraie vie disparaissent.

Une équipe a construit PsychBench, un outil pour auditer ce que les grands modèles de langage — GPT-4o-mini, DeepSeek-V3, Gemini, GLM — produisent quand on leur demande de simuler des patients psychiatriques. Le protocole est rigoureux : 28 800 profils générés, répartis sur 120 combinaisons démographiques, comparés à deux grandes bases de données de population réelle (NHANES et NESARC-III). Résultat central : les IA produisent des individus qui semblent tout à fait plausibles. Zéro violation des critères DSM-5 sur les 28 714 cas testés. Chaque profil, pris seul, tient la route. Problème : dès qu'on regarde la foule, la réalité s'efface. DeepSeek-V3 comprime la variabilité des symptômes à 62 % sous le niveau réel — comme si tous les patients convergeaient vers un dépressif moyen, lisse, sans les cas extrêmes qui existent pourtant dans les vraies cohortes. Et 37 % des cas changent de catégorie diagnostique entre deux sessions d'affilée, malgré des corrélations en apparence solides. Le biais le plus frappant touche les personnes transgenres : les modèles sous-estiment systématiquement leurs scores de dépression de 5,4 points en moyenne — là où la littérature clinique documente au contraire une surexposition au stress minoritaire. Pourquoi ça compte ? Ces modèles servent déjà à entraîner des thérapeutes IA, à tester des outils de détection, à construire des jeux de données synthétiques. Si le mannequin de formation est statistiquement faux, tout ce qu'on construit dessus l'est aussi. Le hic : PsychBench mesure la fidélité épidémiologique, pas la qualité clinique des interactions. Un modèle peut rater les distributions populationnelles et rester utile dans d'autres contextes. C'est un signal d'alarme, pas un verdict.

Comment vous racontez votre histoire prédit votre état mental — pas les mots que vous choisissez

On a analysé 830 textes d'écriture thérapeutique et découvert que la structure du récit — pas les mots — prédit mieux la dépression, l'anxiété et le trauma.

Une équipe a collecté 830 textes d'écriture thérapeutique en mandarin, produits dans six contextes différents entre 2018 et 2024 — cliniques, écoles, populations post-catastrophe — sur une tranche d'âge allant de 9 à 50 ans. Ensuite, ils ont comparé trois façons d'analyser ces textes automatiquement. Première approche : compter les mots. Combien de fois quelqu'un dit « triste », « mort », « seul » — c'est ce que fait LIWC, le dictionnaire psychologique standard. Deuxième approche : encoder le sens global avec des vecteurs sémantiques. Troisième approche : demander à un grand modèle de langage d'évaluer la structure narrative — comment l'histoire est organisée dans le temps, comment les événements s'enchaînent, comment la personne se positionne dans son propre récit. La troisième approche gagne nettement. Et ce qui prédit le mieux, c'est la structure, pas le contenu. Pensez à quelqu'un qui raconte sa journée en sautant du coq à l'âne, sans début ni fin, sans fil temporel — cette désorganisation est, selon les données, un signal de dépression. À l'inverse, quelqu'un qui raconte sans jamais ancrer les événements dans un espace physique précis — « ça s'est passé quelque part, je ne sais plus où » — présente un signal d'anxiété. C'est contre-intuitif : on aurait parié sur les mots sombres. Mais la façon dont on organise le temps dans une histoire semble porter une information que les mots seuls ne transportent pas. Le hic : tous les textes sont en mandarin, issus de contextes très variés. La généralisation à d'autres langues et cultures reste à démontrer. Et les méthodes statistiques exactes ne sont pas entièrement visibles dans la version disponible du papier.

Une IA évalue les entretiens cliniques en dépression — et fait mieux que certains humains sur les cas difficiles

Sur les entretiens cliniques où deux humains sont le plus en désaccord, un système IA s'est approché de l'expert de référence plus près que les évaluateurs humains eux-mêmes.

ADAPTS est un système qui écoute — ou lit la transcription de — longs entretiens cliniques, puis attribue des scores de sévérité pour la dépression et l'anxiété, comme le ferait un clinicien formé. L'idée centrale : plutôt que de tout analyser d'un bloc, le système décompose l'entretien en sous-tâches symptôme par symptôme. Un agent se concentre uniquement sur le sommeil, un autre sur l'humeur, un autre sur la concentration — puis les résultats sont agrégés. L'équipe a testé le système sur 204 entretiens issus de deux bases de données indépendantes avec des structures très différentes, contre des scores cliniciens de référence (les outils HAM-D, HAM-A et MADRS, qui sont les étalons du secteur). Le résultat le plus frappant concerne les cas difficiles — ceux où les évaluateurs humains eux-mêmes étaient le plus en désaccord. Sur ces cas, l'IA a obtenu une erreur absolue de 22 points, contre 26 pour les humains originaux. Autrement dit : sur les entretiens les plus ambigus, la machine s'est révélée plus stable. Le protocole étendu, qui intègre des conventions cliniques qualitatives, atteint un coefficient de concordance ICC de 0,877 — ce qui est considéré comme une très bonne fiabilité dans le domaine. Pourquoi ça compte ? Les entretiens cliniques manquent d'évaluateurs formés, surtout dans les zones sous-dotées. Un outil fiable pourrait aider au triage ou à la recherche clinique. Le hic : 204 entretiens, c'est petit. Le système n'a pas été fine-tuné — il fonctionne en mode zéro-shot, ce qui est impressionnant mais fragile. Aucune validation en condition réelle d'utilisation clinique n'est rapportée.

Trois papiers, un même fil rouge : les machines apprennent à écouter la souffrance mentale, mais leurs angles morts sont précis et documentables. PsychBench montre que les IA produisent des individus convaincants tout en ratant les statistiques de population — et qu'elles reproduisent, voire amplifient, les angles morts sur les groupes marginalisés. L'étude sur les narratives montre que l'information cliniquement pertinente se cache dans la structure du récit, pas dans les mots — ce que les approches actuelles de traitement automatique du langage ont largement ignoré. Et ADAPTS montre qu'une décomposition intelligente des tâches peut rendre l'IA plus stable que certains humains, sur les cas difficiles. Ce que ces trois résultats disent ensemble, c'est que le problème n'est pas « l'IA peut-elle comprendre la santé mentale » mais « quelles erreurs fait-elle, et sur qui ». La prochaine étape n'est pas d'améliorer les scores moyens — c'est de cartographier les bords du territoire.

À surveiller dans les semaines qui viennent : la conférence ACL 2026 devrait publier plusieurs papiers sur l'évaluation des LLMs en psychiatrie computationnelle — ce sera un bon moment pour voir si les résultats de PsychBench se répliquent sur d'autres modèles. La question ouverte que j'aimerais voir adressée : est-ce qu'un système comme ADAPTS tient la route quand on le teste en dehors des bases de données académiques, dans un vrai service de soins avec des contraintes de temps réel ?

• INSERM — La dépression, qu'est-ce que c'est ?
• Wikipedia — PHQ-9 (questionnaire de dépression)
• Pour la Science — Dossier santé mentale et numérique