پژوهشگران در 2026-10-12 مجموعه‌داده‌ای با نام DistressBench شامل 718 گفت‌وگوی انگلیسی درباره بحران را در arXiv منتشر کردند. هر گفت‌وگو شامل پیام‌های کاربر است که متخصصان بالینی نوشته‌اند و یک چارچوب ارزیابی که هفت بُعد پشتیبانی را می‌سنجد. این بنچمارک مدل‌ها را بر اساس سهم مراقبت‌های ضروری‌ای که ارائه می‌کنند ارزیابی می‌کند، نه صرفاً بر اساس اینکه از پاسخ‌دادن خودداری می‌کنند یا نه. از میان 25 مدل ارزیابی‌شده، بهترین مدل 88.4% از معیارهای وزنی را برآورده کرد؛ درحالی‌که متخصصان بالینی در همین چارچوب امتیاز 98.7% گرفتند.
چرا مهم است
این بنچمارک به توسعه‌دهندگان نشان می‌دهد مدل‌ها در کمک‌رسانی واقعی هنگام بحران کجا کم می‌آورند؛ به‌ویژه در هدایت کاربران به دریافت کمک انسانی.
