Les escales d'autoinforme que fan servir psicòlegs i psiquiatres per mesurar el benestar d'una persona —qüestionaris que es responen un cop cada setmana o cada mes— donen només fotografies soltes d'un estat que en realitat varia dia a dia. Els dispositius portables (wearables) que registren son, activitat o freqüència cardíaca ofereixen, en canvi, un flux continu de dades, però ningú havia posat a prova de manera sistemàtica si els agents d'intel·ligència artificial basats en models de llenguatge són capaços de raonar sobre setmanes senceres d'aquesta informació, en lloc de limitar-se a consultes puntuals i a curt termini.
Un equip de deu investigadors, encapçalat per Yu Yvonne Wu i Arvind Pillai amb la participació de Nicholas C. Jacobson i Lisa A. Marsch, del Center for Technology and Behavioral Health de Dartmouth College, ha presentat BALMS (Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing), el primer banc de proves sistemàtic per avaluar agents basats en models de llenguatge sobre dades longitudinals de salut mental. El treball, acceptat a la conferència EMNLP 2026, combina tres conjunts de dades reals recollides al llarg del temps, dues famílies de tasques —predir una puntuació de benestar i generar-ne el raonament que hi ha al darrere—, tres maneres diferents d'organitzar l'agent i cinc models de llenguatge, tant oberts com de codi tancat. El resultat principal és que els agents avaluats «amb prou feines superen una línia de base tan senzilla com la mitjana» quan es proven sense cap ajust previ, tot i que els models més potents i l'ús de característiques compactes i amb sentit en milloren el rendiment.
L'estudi és rellevant perquè posa xifres a una pregunta que fins ara es donava sovint per resposta per defecte: que un agent d'IA capaç de mantenir una conversa fluida també sabrà interpretar correctament setmanes de dades numèriques d'un wearable. Els autors troben que demanar al model que «raoni pas a pas» ajuda els models pensats per al raonament, però no garanteix que ancorin bé les dades en el temps ni que els càlculs numèrics siguin correctes, un matís important per a qualsevol aplicació clínica o de seguiment psicològic que vulgui fer servir aquests agents sense supervisió humana constant.
Es tracta d'un preprint ja acceptat per a la seva presentació a EMNLP 2026, una de les conferències de referència en processament del llenguatge natural, però l'avaluació es limita a tres conjunts de dades i cinc models concrets, i els autors mateixos assenyalen que calen millors mecanismes de recuperació d'historial i d'ancoratge temporal abans que aquests agents es puguin fer servir amb garanties en un context clínic real.