PsyMemBehav simula usuários reais de redes sociais com IA

O que aconteceu

O PsyMemBehav foi submetido ao arXiv em 10 de outubro de 2026 e está registrado sob o identificador arXiv:2610.14570v1. O sistema parte de perfis informados por psicologia e de memórias recuperadas para prever o que um usuário faria em uma rede social, em uma arquitetura que os autores chamam de raciocínio identidade-ação em dois níveis.

A base de testes se chama PsyMemBehav-bench e foi montada a partir de 5,57 milhões de comportamentos observados de 5.862 usuários reais, algo como 950 registros por pessoa. Os dados vêm de três plataformas: Reddit, Bluesky e Twitter. Cada engajamento registrado é modelado em duas etapas: primeiro a escolha do alvo, depois a ação de comentar, curtir ou repostar, com geração de resposta opcional.

O método combina quatro peças: descritores de usuário de 41 dimensões, as cinco memórias mais relevantes recuperadas por BM25, supervisão por reverse-CoT e DPO guiado por rubrica sobre trajetórias completas de raciocínio e ação.

Nos experimentos, o PsyMemBehav 27B ficou em primeiro lugar em 11 das 12 métricas individuais reportadas. A qualidade média de resposta subiu de 54,28 para 59,68 na comparação com o GPT-5.4, avanço relativo de 9,95%. No nível de grupo, o sistema obteve o menor MAE (0,081) e o menor MSE (0,009) entre os sistemas simulados.

Contexto

Modelos de linguagem já são usados para simulação social, mas reproduzir usuários reais exige ancorar decisões estruturadas de plataforma e linguagem em evidências comportamentais esparsas e ruidosas. É esse o gargalo que os autores atacam com o PsyMemBehav.

A proposta é separar dois níveis de raciocínio. O primeiro trata da identidade, com perfis psicológicos e memórias do histórico do usuário. O segundo converte essa identidade em ação, começando pela escolha do alvo antes de decidir entre comentar, curtir ou repostar. O resumo do artigo não detalha comparações com outros sistemas de simulação anteriores nem informa se o código ou a base serão disponibilizados publicamente.

Por que importa

Quem precisa prever reação a um conteúdo ganha uma referência mensurável. O PsyMemBehav-bench cobre três redes distintas e mede tanto a qualidade do texto gerado quanto o erro agregado de um grupo simulado, com MAE de 0,081 e MSE de 0,009. Para equipes de pesquisa que hoje testam campanhas ou respostas de moderação com dados próprios, o benchmark oferece uma escala de comparação que antes não existia.

A limitação declarada é o ponto mais relevante para quem pensa em aplicar o método. O benchmark é condicional ao engajamento registrado e não modela decisões de não-ação. Na prática, o sistema aprende a prever o que um usuário fez quando já havia alguma ação observada, e não quando ele decidiu silenciosamente ignorar um post.

Impacto

No curto prazo, o resultado interessa a grupos de simulação social que trabalham com traços comportamentais esparsos. A combinação de descritores de 41 dimensões com recuperação de memórias por BM25 e supervisão reverse-CoT é reproduzível em laboratórios com acesso a dados de plataformas, o que tende a gerar variações do método em bases menores e em redes diferentes de Reddit, Bluesky e Twitter.

O número que chama atenção é o desempenho de um modelo de 27 bilhões de parâmetros contra o GPT-5.4 em 11 das 12 métricas individuais. A vantagem de 9,95% na qualidade média de resposta não vem de escala maior, e sim de ancoragem em evidências comportamentais do próprio usuário simulado.

O que muda

A mudança prática está na ordem do raciocínio. Em vez de gerar texto direto a partir de um perfil genérico, o PsyMemBehav decide primeiro o alvo e só depois a ação, o que aproxima a simulação da sequência real de uso de uma rede social.

Para quem avalia modelos de simulação, a métrica de grupo passa a pesar tanto quanto a métrica individual. O erro agregado mais baixo entre os sistemas testados indica que o método não acerta apenas casos isolados, mas mantém a distribuição de comportamento de um conjunto de usuários.

O que vem agora

O resumo não informa submissão a conferência, prazo de revisão por pares nem disponibilização de código e dados. O próximo passo declarado pelos próprios autores é estender a modelagem para decisões de não-ação, hoje fora do escopo do benchmark.

Até que isso aconteça, qualquer uso do PsyMemBehav para prever comportamento fora de threads já observadas deve ser tratado como extrapolação. O sistema foi validado para continuar conversas registradas, não para simular o que um usuário faria diante de um conteúdo novo sem histórico correspondente.

Fontes

• arXiv cs.AI, PsyMemBehav: Psychology-Informed and Memory-Grounded Two-Level Identity-to-Action Reasoning for Social-Media Behavior Simulation. https://arxiv.org/abs/2610.14570