Bài viết này do AI tạo ra, có thể mắc sai sót.
OpenAI ngày 23/9/2026 công bố MentalHealthBench, benchmark mở để đo chất lượng phản hồi của hệ thống AI trong các cuộc trò chuyện liên quan sức khỏe tinh thần. Điểm khác biệt: thay vì chỉ kiểm tra tình huống khẩn cấp, bộ đánh giá mở rộng sang các cuộc trao đổi đời thường, tình huống căng thẳng cao và cả tình huống cần hỗ trợ khẩn cấp.
Các đánh giá an toàn trước đây thường tập trung vào việc mô hình có tránh phản hồi nguy hiểm trong ca khẩn cấp hay không. Đây là phần quan trọng, nhưng chưa đủ để phản ánh hội thoại thực tế: người dùng còn tìm đến AI khi căng thẳng, có mâu thuẫn trong quan hệ, chăm sóc người thân hoặc cần cân nhắc bước tiếp theo.
MentalHealthBench chia kịch bản thành ba mức: không cấp tính, cấp độ nghiêm trọng cao nhưng chưa phải tình huống khẩn cấp, và khẩn cấp. Các hội thoại là dữ liệu tổng hợp (synthetic), được tạo theo cách bảo vệ riêng tư nhưng cố gắng phản ánh mẫu sử dụng thực tế. Một số kịch bản có bối cảnh bổ sung, như mất người thân gần đây, để kiểm tra mô hình có biết dùng ngữ cảnh phù hợp hay không.
Mỗi hội thoại được ít nhất ba chuyên gia đọc và viết rubric chi tiết cho phản hồi ở lượt cuối. Một tiêu chí chỉ nhắm vào một hành vi, ví dụ hỏi đúng câu làm rõ hoặc đưa ra lời khuyên phù hợp. Trọng số chạy từ -10 đến +10: điểm dương thưởng hành vi hữu ích, điểm âm phạt hành vi có hại; độ lớn phản ánh tầm quan trọng lâm sàng trong ngữ cảnh đó.
OpenAI chỉ giữ tiêu chí có ít nhất hai chuyên gia đồng ý và không bị chuyên gia thứ ba phản đối. Bộ đánh giá bao phủ bốn nhóm persona: người lớn, thiếu niên 13-17 tuổi, người chăm sóc và bác sĩ lâm sàng. Với persona thiếu niên, độ tuổi được nêu rõ qua system message để các nhà cung cấp có thể đánh giá trên cùng điều kiện.
Theo mô tả kỹ thuật của OpenAI, GPT-5.6 Sol làm automated grader để đối chiếu phản hồi với rubric do chuyên gia viết. Đây giúp đánh giá ở quy mô lớn, nhưng kết quả vẫn cần đọc đúng ngữ cảnh: grader tự động là một lớp trong quy trình đo lường, không phải quyết định điều trị hay thay thế phán đoán lâm sàng.
OpenAI cũng tách riêng một nghiên cứu về góc nhìn người dùng. Nhóm gồm 44 người trưởng thành từng dùng AI cho hỗ trợ cảm xúc, đến từ 16 quốc gia và dùng 14 ngôn ngữ, chỉ đánh giá tình huống không cấp tính. Người dùng nhấn mạnh giá trị của bước tiếp theo thực tế và giọng điệu; chuyên gia đặt nặng việc thu thập ngữ cảnh và diễn giải cẩn trọng các tình huống mơ hồ.
Điểm đáng chú ý của MentalHealthBench là chuyển trọng tâm từ câu hỏi “mô hình có phạm lỗi rõ ràng không?” sang “mô hình có xử lý cuộc trò chuyện nhạy cảm một cách hữu ích, đúng mức và tôn trọng người dùng không?”. Đây là bài toán khó hơn nhiều vì một phản hồi không vi phạm policy vẫn có thể lạnh lùng, bỏ sót bối cảnh hoặc khiến người dùng phụ thuộc sai cách.
Việc công khai rubric và quy trình cũng quan trọng với các đội triển khai AI trong giáo dục, chăm sóc khách hàng, y tế số hoặc hỗ trợ nhân sự. Họ có thêm khung để red-team sản phẩm trước khi cho người dùng tiếp cận. Tuy vậy, doanh nghiệp không nên biến điểm benchmark thành nhãn “an toàn tuyệt đối”: cần guardrail theo khu vực, đường dây hỗ trợ khẩn cấp, cơ chế escalation và giám sát liên tục sau triển khai.
