¿Puede la IA mapear las emociones igual que los humanos?

¿Qué tan cerca están la “alegría” y la “sorpresa”? ¿Qué distancia separa la “serenidad” de la “rabia”? Estas preguntas, que la psicología lleva décadas intentando responder, tienen ahora en la inteligencia artificial una herramienta inesperada.

Investigadores del Instituto Nacional de Biología Básica de Japón lograron que el modelo de lenguaje GPT-4 trazara un mapa espacial de 99 términos emocionales, y los agrupamientos que produjo se alinearon estrechamente con los de personas reales, un resultado que los métodos computacionales tradicionales no habían logrado igualar.

La psicología de las emociones trabaja desde hace tiempo con la idea de que los estados afectivos pueden representarse como posiciones dentro de un espacio con varias dimensiones continuas. Tres de ellas concentran la mayor atención: el placer, que indica si una emoción se percibe como agradable o desagradable; la activación emocional, que mide el grado de excitación o calma que acompaña a esa emoción; y la dominancia, que refleja si la persona se siente con control sobre la situación o desbordada por ella.

Mapear esa estructura para un vocabulario amplio había requerido, hasta este trabajo, tantas comparaciones que la tarea resultaba prácticamente inviable con participantes humanos.

Fue justamente ese obstáculo el que motivó el trabajo publicado en la revista Scientific Reports. El equipo, integrado por la profesora asistente con designación especial Ke Han y el profesor asociado Eiji Watanabe, del Laboratorio de Neurofisiología del NIBB, diseñó una tarea experimental en la que tanto personas como GPT-4 debían ubicar términos emocionales en una cuadrícula según la similitud de significado entre cada par de términos.

Cómo se diseñó la prueba

El procedimiento consistía en presentar tres términos al mismo tiempo, como “alegría”, “sorpresa” y “tristeza”, y pedir que los más similares quedaran más cerca en la cuadrícula. Cada prueba expresaba así tres relaciones a la vez, lo que reducía la carga de comparaciones sin perder información.

En la primera etapa, 89 participantes humanos y GPT-4 realizaron la misma tarea con seis emociones básicas: alegría, sorpresa, ira, miedo, asco y tristeza. Los resultados se compararon además con los de la representación vectorial de palabras, una técnica que traduce el significado de cada término a valores numéricos y agrupa las palabras más cercanas en significado.

El análisis reveló una diferencia llamativa. Tanto los participantes como GPT-4 agruparon “alegría” con “sorpresa” por un lado, e “ira”, “miedo”, “asco” y “tristeza” por el otro. La representación vectorial, por su parte, colocó “alegría” en el mismo grupo que “ira”, un resultado distinto al de los participantes.

Según se detalla en el estudio, las respuestas fueron consistentes entre los participantes, lo que confirma que la tarea captura relaciones de significado compartidas por la mayoría de las personas.

El comunicado del NIBB aclara que estos hallazgos no implican que GPT-4 experimente emociones: lo que el modelo parece hacer es recuperar las relaciones entre conceptos emocionales que el lenguaje humano ya contiene.

Cuando el vocabulario crece, aparece lo que estaba oculto

La segunda etapa amplió el análisis a 99 términos emocionales. GPT-4, a diferencia de los participantes humanos, puede ejecutar esa tarea para un número muy elevado de combinaciones sin fatiga ni sesgo de atención; con personas, según el comunicado institucional, sería imposible de sostener.

Según el NIBB, con el vocabulario extendido, tanto GPT-4 como la representación vectorial dividieron los términos en dos grandes grupos organizados en torno al eje placer–malestar y la dominancia, con una separación más nítida en los resultados de GPT-4.

El análisis más detallado detectó además una variación que refleja el grado de activación de cada emoción: esa dimensión no operó como el eje principal que separaba los dos grandes grupos, sino como una estructura más fina que los ordenaba internamente.

Entre las emociones agradables, por ejemplo, la “excitación” tiene una activación alta y la “serenidad”, una baja; entre las desagradables, la “rabia” y la “tristeza” comparten el malestar, pero la primera es mucho más intensa que la segunda.

Según se indica en el estudio, parte de las discrepancias entre teorías previas sobre la estructura emocional podría reflejar la cantidad y selección de términos usados en cada investigación, más que diferencias conceptuales de fondo.

Una herramienta al alcance de cualquier investigador

Uno de los aspectos que el equipo subraya es la accesibilidad del método. Las técnicas de representación vectorial exigen conocimientos de aprendizaje automático, datos de entrenamiento y recursos computacionales considerables, lo que las deja fuera del alcance de muchos investigadores. Dar instrucciones a GPT-4 en lenguaje corriente elimina esas barreras sin necesidad de programación ni infraestructura especializada.

“Este método puede ser accesible para investigadores en campos como la psicología y la lingüística que no se especializan en aprendizaje automático”, afirmó Han, según el comunicado de prensa. Eiji Watanabe, profesor asociado del mismo laboratorio y jefe del Centro de Biología Trans-Escala del NIBB, señaló que el trabajo deja abiertas preguntas para investigaciones futuras.

“Este estudio examinó la estructura semántica y conceptual de las palabras que describen emociones —dicho de otro modo, las relaciones de significado entre esos términos—, más que la experiencia emocional en sí misma. Se necesita más investigación para determinar qué tan estrechamente se corresponde la estructura revelada por GPT-4 con las experiencias emocionales reales o con las representaciones de la emoción en el cerebro”, sostuvo Watanabe, según el comunicado de prensa.