Un equipo del Instituto Nacional de Biología Básica de Japón (NIBB) comprobó que GPT-4 puede ordenar conceptos emocionales de una manera muy parecida a como lo hacen las personas. El modelo IA agrupó 99 términos relacionados con estados afectivos según su similitud y reprodujo patrones que coinciden estrechamente con los obtenidos en participantes humanos.

El estudio, publicado en Scientific Reports, fue desarrollado por Ke Han y Eiji Watanabe, investigadores del Laboratorio de Neurofisiología del NIBB. Los autores remarcaron que el resultado no demuestra que una inteligencia artificial experimente emociones: el modelo estaría reproduciendo relaciones conceptuales presentes en el lenguaje humano.

El trabajo parte de una idea utilizada desde hace décadas en psicología: las emociones pueden representarse mediante distintas dimensiones. Entre las principales aparecen el placer o malestar asociado a un estado, su nivel de activación —desde la calma hasta una excitación intensa— y la dominancia, relacionada con la percepción de control frente a una situación.

Cómo compararon a GPT-4 con personas

Los investigadores diseñaron una prueba en la que debían ubicarse términos emocionales dentro de una cuadrícula. En cada ejercicio se presentaban tres palabras y se pedía colocar más cerca aquellas cuyo significado fuera considerado similar.

La primera etapa incluyó a 89 participantes y seis emociones básicas: alegría, sorpresa, ira, miedo, asco y tristeza. GPT-4 realizó exactamente la misma tarea y sus respuestas fueron comparadas además con una técnica convencional de representación vectorial de palabras.

Tanto las personas como el modelo colocaron «alegría» y «sorpresa» dentro de un mismo grupo, mientras que «ira», «miedo», «asco» y «tristeza» aparecieron agrupadas por separado. El sistema vectorial produjo una diferencia relevante al colocar «alegría» junto con «ira», algo que no ocurrió en las respuestas humanas.

Los científicos también observaron un elevado nivel de coincidencia entre los propios participantes, lo que sugiere que la tarea logró capturar asociaciones conceptuales compartidas por una parte importante del grupo.

El experimento se amplió a 99 términos emocionales

En una segunda etapa, los investigadores utilizaron 99 palabras. Llevar ese número de combinaciones a una prueba convencional con personas habría requerido una cantidad de comparaciones difícil de sostener, mientras que GPT-4 pudo completarlas sin las limitaciones de tiempo o fatiga propias de un participante humano.

El mapa resultante organizó las emociones principalmente alrededor del eje placer-malestar y de la dominancia. La activación emocional apareció como una dimensión adicional que permitía ordenar con mayor precisión términos ubicados dentro de un mismo grupo.

Así, emociones agradables como la «excitación» y la «serenidad» comparten una valoración positiva, pero se distinguen por su intensidad. Algo similar ocurre entre estados desagradables: la «rabia» y la «tristeza» pertenecen al mismo sector general, aunque presentan niveles muy diferentes de activación.

Los autores consideran que parte de las diferencias entre modelos psicológicos anteriores podría estar relacionada con la cantidad y selección de palabras incluidas en cada investigación. Ampliar el vocabulario permite observar estructuras que pueden resultar menos evidentes cuando se trabaja únicamente con unas pocas emociones básicas.

Qué significa realmente el resultado

El estudio no sostiene que GPT-4 comprenda las emociones como una persona ni que experimente alegría, miedo o tristeza. Lo que demuestra es que puede reconstruir con notable precisión las relaciones semánticas que los seres humanos establecen entre esos conceptos.

«Este estudio examinó la estructura semántica y conceptual de las palabras que describen emociones, más que la experiencia emocional en sí misma», explicó Watanabe. El investigador señaló que todavía será necesario estudiar hasta qué punto esa organización coincide con la manera en que las emociones son experimentadas o representadas por el cerebro humano.

Han destacó además una ventaja práctica del procedimiento. Mientras las técnicas tradicionales de representación vectorial pueden requerir conocimientos especializados de aprendizaje automático y recursos informáticos, una tarea de este tipo puede plantearse a un modelo de lenguaje utilizando instrucciones comunes.

Esto podría facilitar investigaciones en campos como la psicología y la lingüística, especialmente cuando resulta necesario analizar grandes cantidades de conceptos y comparaciones. La utilidad de la herramienta, sin embargo, está en estudiar cómo se organiza el lenguaje emocional humano y no en demostrar la existencia de emociones dentro de una inteligencia artificial.