ChatGPT, patients fantômes et enfants suivis pendant 4 ans

ChatGPT pour les devoirs, c'est différent de ChatGPT pour les peines de cœur

Votre étudiant utilise ChatGPT pour préparer un exposé — ou pour lui confier ses angoisses du soir. La différence, elle se voit dans le cerveau.

Des chercheurs ont scanné le cerveau de 222 étudiants universitaires et leur ont demandé comment ils utilisaient les outils d'IA générative. Pas juste « combien de fois par semaine », mais surtout « pour quoi » : pour des tâches concrètes — rédiger, coder, réviser — ou pour des raisons émotionnelles — parler de ses angoisses, obtenir du réconfort, combler une forme de solitude numérique. Le résultat est un clivage net. Les étudiants qui utilisent l'IA de façon fonctionnelle ont de meilleures notes (corrélation modeste mais statistiquement solide), un cortex préfrontal dorsolatéral — la zone du cerveau qui gère la planification et le contrôle — légèrement plus volumineux, et un réseau autour de l'hippocampe qui fonctionne de façon plus intégrée. Pensez à une salle de sport : utiliser un outil cognitif de façon active semble renforcer les circuits qu'on mobilise. Ceux qui utilisent l'IA pour un soutien socio-émotionnel, c'est l'inverse. Plus de dépression, plus d'anxiété sociale, et un volume plus faible dans des zones liées à la régulation émotionnelle. Ils représentent 6,8 % des répondants — une minorité, mais pas négligeable. Le hic, et il est important : cette étude photographie un instant T. Elle ne suit personne dans le temps. Est-ce que l'IA émotionnelle crée ces difficultés, ou est-ce que les personnes déjà vulnérables se tournent vers elle ? Franchement, personne ne sait encore. La causalité reste entière, et il serait dommage de jeter le bébé avec l'eau du bain avant d'avoir la réponse.

Les LLMs simulent des patients psychiatriques, mais ratent la population entière

Imaginez un stade rempli de mannequins qui font tous exactement 1m75 — de loin, ça ressemble à une foule ; de près, il manque tous les extrêmes.

Des chercheurs ont généré 28 800 profils psychiatriques simulés — en demandant à quatre grands modèles de langage (GPT-4o-mini, DeepSeek-V3, Gemini et GLM) de « jouer » des patients issus de 120 groupes démographiques différents — puis ont comparé ces profils aux données réelles de grandes enquêtes de santé américaines comme le NHANES. Les LLMs sont de très bons acteurs pour les cas moyens. Chaque profil individuel est cliniquement cohérent : pas de symptôme impossible, pas d'erreur sur les critères diagnostiques. Zéro violation sur 28 714 cas. C'est impressionnant. Mais la distribution d'ensemble rate complètement la réalité. Chez certains modèles, la variété des profils simulés — l'étendue des cas, des légers aux très sévères — est comprimée jusqu'à 62 % par rapport à la vraie population. Comme ce stade de mannequins identiques : individuellement plausible, collectivement faux. Plus grave encore : 36 % des « patients » changent de catégorie diagnostique entre deux simulations identiques. Et les groupes les plus mal représentés sont les personnes trans, dont la souffrance est systématiquement sous-estimée de 5,4 points sur le PHQ-9 — l'échelle standard qui mesure la dépression de 0 à 27. Le hic, et il est structurel : ces modèles sont déjà utilisés pour tester des thérapies numériques, entraîner des chatbots de soutien, ou simuler des populations dans des études cliniques. Si les patients simulés ne ressemblent pas aux patients réels — surtout les plus vulnérables — les outils développés dessus seront biaisés dès le départ. Soyons honnêtes : c'est un problème qu'on n'a pas encore commencé à résoudre.

Prédire qui boira à 12 ans : impulsivité, gènes, et présence des parents

Sur 11 868 enfants suivis pendant quatre ans, les chercheurs ont pu identifier — avant que ça arrive — qui commencerait à consommer de l'alcool ou du cannabis.

L'étude ABCD — Adolescent Brain Cognitive Development — est l'une des plus grandes études longitudinales sur le développement des enfants américains. Une équipe a suivi 11 868 participants pendant environ quatre ans, en mesurant régulièrement leurs comportements, leur environnement familial, et leurs données génétiques. L'objectif : comprendre ce qui prédit qu'un enfant commencera à consommer de l'alcool, de la nicotine ou du cannabis — et à quel âge. Le facteur protecteur le plus robuste ? La surveillance parentale. Dans les modèles qui tentent d'isoler les causes, un niveau de supervision élevé divise le risque de consommation précoce par deux à trois. C'est l'équivalent d'un filet de sécurité sur un chantier : il ne garantit rien, mais il change radicalement les statistiques d'accident. Du côté des facteurs de risque, l'impulsivité — notamment le manque de planification et la recherche de sensations — est l'un des prédicteurs les plus stables. La génétique pèse aussi dans la balance : le score de risque polygénique lié à la nicotine — un indicateur qui agrège des centaines de petites variantes génétiques en un seul chiffre — était associé à un risque de consommation de toute substance presque trois fois plus élevé. À la fin du suivi, 36 % des enfants avaient essayé l'alcool. Le hic : l'étude porte sur des enfants américains, ce qui limite la généralisation à d'autres contextes culturels. Et les scores polygéniques ont été calculés sur des populations à majorité européenne — leur précision est plus faible pour les enfants d'autres origines. Je simplifie, mais ce biais de représentation est un vrai problème dans toute la génétique comportementale.

Ces trois études ne se parlent pas directement, mais elles disent quelque chose de cohérent. Les outils numériques entrent dans le champ de la santé mentale à toute vitesse — pour détecter, prédire, simuler, accompagner. Les deux premières études nous rappellent que la manière dont on les utilise compte énormément, et que les patients les plus vulnérables sont systématiquement ceux que ces outils représentent le moins bien. La troisième nous ramène à quelque chose de plus fondamental : les vrais leviers du risque chez les jeunes restent humains — un parent présent, une impulsivité prise au sérieux. Ce que je lis dans ces trois papiers, c'est une mise en garde utile : l'IA peut nous aider à voir ce qu'on ratait avant, mais elle hérite de tous nos angles morts. Et tant qu'on ne corrige pas ces angles morts, les outils les plus sophistiqués du monde seront surtout bons pour les cas faciles.

À surveiller dans les prochaines semaines : les résultats de suivi de la cohorte ABCD Study (release 6.0 attendue en 2026) devraient permettre de voir si les prédicteurs identifiés ici tiennent sur une plus longue durée. Du côté des LLMs en santé mentale, l'équipe de PsychBench a annoncé un roadmap communautaire séparé — ça vaut le coup d'œil. La vraie question ouverte que j'aimerais voir traitée : est-ce qu'un LLM peut simuler fidèlement une population clinique si on lui fournit les bonnes données épidémiologiques en entrée ? Personne n'a encore une réponse solide.

• INSERM — Dossier addictions : alcool, tabac, drogues
• Wikipedia — PHQ-9, l'échelle de mesure de la dépression
• INSERM — Dossier santé mentale des jeunes