Feedback από AI σε θεραπευτικές δεξιότητες: τι μπορεί να αξιολογήσει;

«Ήταν καλή η απάντησή μου;» Είναι μια συνηθισμένη ερώτηση μετά από ένα εκπαιδευτικό role-play. Το πρόβλημα είναι ότι η απάντηση «ναι» ή «όχι» σπάνια βοηθά τον εκπαιδευόμενο να βελτιωθεί. Χρειάζεται να γνωρίζει ποια συμπεριφορά παρατηρήθηκε, τι αποτέλεσμα μπορεί να είχε και τι θα μπορούσε να δοκιμάσει διαφορετικά.

Η αυτοματοποιημένη ανατροφοδότηση με AI επιχειρεί να κάνει αυτή τη διαδικασία πιο άμεση. Όμως δεν αξιολογούνται όλα με την ίδια αξιοπιστία.

Τι μπορεί να παρατηρηθεί σχετικά εύκολα;

Σε ένα γραπτό ή απομαγνητοφωνημένο εκπαιδευτικό διάλογο, ένα σύστημα μπορεί να εντοπίζει ενδεικτικά:

• αν μια ερώτηση είναι ανοιχτή ή κλειστή,
• αν εμφανίζεται αντανάκλαση ή αναδιατύπωση,
• αν ο εκπαιδευόμενος δίνει γρήγορα συμβουλές,
• αν η συνομιλία περιλαμβάνει διαδοχικές ερωτήσεις,
• αν επιδιώκεται συνεργατικός καθορισμός στόχων.

Αυτά είναι παρατηρήσιμα γλωσσικά στοιχεία. Ο εντοπισμός τους, ωστόσο, μπορεί και πάλι να έχει λάθη, ειδικά όταν μια φράση παίρνει διαφορετική σημασία ανάλογα με το πλαίσιο.

Τι δεν πρέπει να θεωρούμε δεδομένο;

Το αν μια ανταπόκριση ήταν κλινικά κατάλληλη, αν ο θεραπευόμενος ένιωσε ασφάλεια ή αν διαμορφώθηκε θεραπευτική συμμαχία δεν προκύπτει με βεβαιότητα μόνο από μια αυτόματη ανάλυση κειμένου. Η σιωπή, ο τόνος της φωνής, το ιστορικό και η δυναμική της σχέσης μπορεί να αλλάζουν εντελώς την ερμηνεία.

Ειδικά μια «βαθμολογία ενσυναίσθησης» δεν πρέπει να αντιμετωπίζεται ως αντικειμενικό μέτρο της ποιότητας ενός θεραπευτή. Είναι, στην καλύτερη περίπτωση, μία περιορισμένη ένδειξη, εφόσον έχει αξιολογηθεί για τη συγκεκριμένη χρήση.

Τι λέει η έρευνα;

Μια μελέτη του 2025 στο Journal of Medical Internet Research αξιολόγησε AI feedback σε εξάσκηση δεξιοτήτων επικοινωνίας επαγγελματιών υγείας. Από 1.108 σημεία αξιολόγησης, 79,06% κρίθηκαν πλήρως σωστά από ειδικούς, ενώ υπήρχαν και ψευδώς θετικά και ψευδώς αρνητικά ευρήματα. Το αποτέλεσμα δείχνει χρησιμότητα μαζί με πραγματικό περιθώριο σφάλματος.

Μια μελέτη του 2026 σε πανεπιστημιακό μάθημα κλινικών παρεμβάσεων βρήκε ταχύτερη βελτίωση δεξιοτήτων στην ομάδα που λάμβανε εβδομαδιαίο AI feedback. Οι συγγραφείς υπογράμμισαν την ανάγκη για περαιτέρω τυχαιοποιημένη έρευνα, επομένως δεν πρέπει να γενικεύσουμε το αποτέλεσμα σε κάθε πλατφόρμα.

Πώς να διαβάζεις ένα feedback κριτικά

Αν λάβεις την παρατήρηση «έδωσες πρόωρη συμβουλή», βρες πρώτα την ακριβή φράση. Αναρωτήσου: ήταν όντως συμβουλή; Είχε προηγηθεί σχετικό αίτημα; Πώς ανταποκρίθηκε ο εικονικός θεραπευόμενος;

Έπειτα διατύπωσε μια εναλλακτική. Αντί για «Πρέπει να βάζεις όρια», θα μπορούσες να δοκιμάσεις «Ποιες επιλογές βλέπεις αυτή τη στιγμή;». Η άσκηση δεν είναι να αποδείξεις ότι το AI έχει πάντα δίκιο· είναι να τεκμηριώσεις την επιλογή σου.

Πρακτικό συμπέρασμα

Το χρήσιμο AI feedback είναι συγκεκριμένο, ελέγξιμο και αμφισβητήσιμο. Δεν αντικαθιστά τον ανθρώπινο επόπτη, αλλά μπορεί να προσφέρει αφορμές για αναστοχασμό μεταξύ εκπαιδευτικών συναντήσεων.

Στο TheraMentor η ανατροφοδότηση έχει νόημα ως υποστήριξη της εξάσκησης, όχι ως επίσημη πιστοποίηση επάρκειας. Δοκίμασε μία σύντομη συνεδρία και αξιολόγησε κριτικά δύο συγκεκριμένα σημεία της ανταπόκρισής σου.