💬 NLP

Dealing with Controversy: An Emotion and Coping Strategy Corpus Based on Role Playing

Este artículo aborda la brecha entre la investigación psicológica y la computacional de las emociones mediante la introducción de un corpus basado en juegos de rol y una tarea de identificación de afrontamiento para investigar cómo las emociones funcionan como estrategias de comportamiento en el texto, revelando los desafíos y el potencial para que los modelos capturen mejor estos mecanismos.

Autores originales: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Publicado 2026-02-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Enrica Troiano, Sofie Labat, Marco Antonio Stranisci, Viviana Patti, Rossana Damiano, Roman Klinger

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La gran idea: Las emociones son como planes de acción

Imagina que estás viendo una obra de teatro. Normalmente, cuando analizamos los sentimientos de un personaje, simplemente les ponemos una etiqueta: "Él está enojado" o "Ella está triste". Es como ponerle una etiqueta con un nombre a una caja.

Pero este artículo argumenta que las emociones son más bien como planes de acción. Cuando sientes una emoción específica, tu cerebro inmediatamente elabora una estrategia para lidar con la situación. Los autores llaman a estas estrategias "Estrategias de Afrontamiento" (Coping Strategies).

Utilizan un marco de trabajo (basado en el trabajo del psicólogo Ira Roseman) que dice que cada reacción emocional cae en uno de cuatro cubos:

Atacar (Attack): Quieres enfrentar el problema de frente. (Como un león rugiendo ante una amenaza).
Contactar (Contact): Quieres acercarte y conectar. (Como un cachorro moviendo la cola para saludar).
Distanciarse (Distance): Quieres retroceder y crear espacio. (Como una tortuga retraída en su caparazón).
Rechazar (Reject): Quieres alejar completamente el problema o negar que existe. (Como dar un portazo en la cara de alguien).

El artículo se plantea una pregunta sencilla: ¿Podemos ver estos "planes de acción" ocultos en las palabras que la gente escribe?

El problema: No puedes simplemente preguntarle a la gente

Los investigadores querían construir una base de datos (un corpus) de texto donde la gente utilizara claramente estas estrategias. Pero había un inconveniente: no puedes ir simplemente a Twitter o Facebook y encontrar a personas diciendo: "Actualmente estoy utilizando la estrategia de 'Distanciamiento'". La vida real es caótica, y la gente no etiqueta sus propios mecanismos de afrontamiento.

La solución: El experimento del "Actor de Método"

Para resolver esto, los investigadores no se limitaron a pedir a la gente que escribiera sobre sus sentimientos. En su lugar, utilizaron la Interpretación de Personajes (Role-Playing), similar a una clase de teatro de improvisación.

Piénsalo de esta manera:

La configuración: Crearon cuatro personajes distintos, cada uno representando una de las cuatro estrategias.
- Personaje A (Atacar) es una persona fogosa y agresiva que nunca retrocede.
- Personaje B (Contactar) es un mediador tranquilo y de mente abierta.
- Personaje C (Distanciarse) es alguien que necesita espacio y evita el drama.
- Personaje D (Rechazar) es una persona obstinada que se niega a interactuar con la negatividad.
El guion: Utilizaron IA para escribir escenarios controversiales (como discusiones sobre inmigración o racismo) donde una persona dice algo molesto.
La actuación: Se contrató a personas reales para "convertirse" en uno de estos personajes. Tenían que leer el escenario y escribir una respuesta como si fueran ese personaje.

Es como decirle a un actor: "Estás interpretando a un león gruñón. Alguien acaba de pisar tu cola. Escribe una frase reaccionando a ello". El objetivo era ver si el actor podía canalizar con éxito la estrategia del "león" en sus palabras.

Lo que encontraron

1. Los actores captaron bien los sentimientos
Cuando los investigadores preguntaron a los participantes: "¿Cómo se siente su personaje?", las respuestas coincidieron perfectamente con la teoría. Al interpretar al personaje de "Atacar", la gente se sentía enojada y frustrada. Al interpretar al personaje de "Contactar", se sentían esperanzados y amorosos. Los actores comprendieron con éxito el "guion" emocional.

2. El texto era difícil de decodificar
Aquí está la parte complicada. Aunque los actores comprendieron la estrategia, fue muy difícil para otras personas (y computadoras) adivinar qué estrategia se estaba utilizando solo leyendo el texto.

Cuando los investigadores pidieron a humanos que leyeran las respuestas y adivinaran la estrategia, solo acertaron aproximadamente el 34% de las veces (lo cual es apenas mejor que el azar).
La estrategia de "Contactar" fue la más fácil de detectar (la gente usaba palabras corteses como "Entiendo").
La estrategia de "Rechazar" fue la más difícil (a menudo se confundía con otras emociones negativas).

3. Las computadoras también tuvieron dificultades
Los investigadores entrenaron modelos informáticos (IA) para realizar el mismo juego de adivinanza. Los modelos de IA también tuvieron dificultades, obteniendo puntuaciones de precisión inferiores al 55%.

Curiosamente, la IA lo hizo mejor cuando leía descripciones del lenguaje corporal del personaje (por ejemplo, "puños cerrados", "mirar hacia otro lado") que cuando solo leía las palabras que decían.
Esto sugiere que, aunque las palabras pueden ser sutiles, el comportamiento asociado con la estrategia es una señal más fuerte.

La conclusión

El artículo concluye que, si bien las emociones están profundamente ligadas a cómo planeamos actuar (nuestras estrategias de afrontamiento), estas estrategias no siempre son obvias en el texto.

La buena noticia: Podemos crear con éxito datos sobre estas estrategias mediante la interpretación de personajes.
La mala noticia: Es mucho más difícil para las computadoras (y los humanos) detectar estas estrategias en una oración de lo que pensábamos. El "plan de acción" suele estar oculto o ser sutil.

Los autores dicen que esto abre un nuevo camino para la investigación: en lugar de solo etiquetar la "Ira", deberíamos intentar comprender qué es lo que la persona está intentando hacer con esa ira. Pero para lograrlo, necesitamos mejores herramientas para leer entre líneas.

Resumen Técnico: Lidiar con la Controversia: Un Corpus de Emociones y Estrategias de Afrontamiento Basado en el Juego de Roles

Declaración del Problema

Existe un desajuste significativo entre los estudios psicológicos y computacionales sobre las emociones. Mientras que la investigación psicológica busca explicar los mecanismos internos de los fenómenos emocionales, el trabajo computacional en Procesamiento de Lenguaje Natural (NLP) a menudo simplifica las emociones en etiquetas discretas o vectores definidos por dimensiones como la valencia, la activación (arousal) y la dominancia. En consecuencia, aspectos fundamentales de cómo se desarrollan las emociones y cómo los individuos las afrontan siguen estando poco explorados en el NLP. Específicamente, los mecanismos complejos que gobiernan la emergencia de las emociones y su efecto subsecuente en el comportamiento —conceptualizados en psicología como "procesos de afrontamiento" (coping processes)— rara vez son abordados. Los modelos actuales luchan por capturar el vínculo entre las emociones y las estrategias conductuales (por ejemplo, atacar, contactar, distanciarse o rechazar un estímulo) que las personas emplean en respuesta a eventos que provocan emociones.

Metodología

Para abordar esta brecha, los autores introducen COPING, el primer corpus centrado en la información de afrontamiento, construido mediante una metodología de juego de roles (role-playing). El estudio se fundamenta en la teoría de Roseman (2013), que mapea 16 emociones específicas con cuatro estrategias de afrontamiento genéricas: Atacar (Attack), Contactar (Contact), Distanciarse (Distance) y Rechazar (Reject).

Creación de Datos

Dada la dificultad de encontrar texto que ocurra de forma natural y que esté anotado con estrategias de afrontamiento, los autores emplearon un enfoque de juego de roles mediante crowdsourcing:

Definiciones de Personajes: Se definieron cuatro personajes ficticios (X), cada uno encarnando una de las cuatro estrategias de afrontamiento. Estas definiciones fueron refinadas mediante rondas de pre-pruebas iterativas para asegurar que los anotadores pudieran identificar correctamente la estrategia pretendida.
Generación de Escenarios: Utilizando ChatGPT-4, los autores generaron escenarios controversiales sobre cinco temas socialmente relevantes (aborto, inmigración, racismo, derechos LGBTQ+ y drogas). En cada escenario, un interlocutor ficticio (Y) realiza una declaración contenciosa que amenaza la identidad del personaje X.
Tarea de Juego de Roles: Se asignó a trabajadores de crowdsourcing la tarea de personificar al personaje X. Se les requirió:
- Generar una respuesta verbal que se oponga a la declaración de Y.
- Describir el comportamiento no verbal de X.
- Calificar las respuestas emocionales de X basándose en la taxonomía de Roseman.
- Reflexionar sobre si reaccionarían de manera similar a X.
Segmentación Demográfica: Para provocar expresiones de afrontamiento más fuertes y auténticas, se seleccionó a los participantes basándose en demografías relevantes para los temas (por ejemplo, personas LGBTQ+ para los escenarios de LGBTQ+).

El corpus COPING resultante contiene 1,200 puntos de datos, equilibrados entre estrategias, temas y escenarios. Cada entrada incluye el texto generado, las descripciones conductuales y las calificaciones emocionales.

Configuración Experimental

El artículo investiga dos preguntas de investigación (RQ) primarias:

RQ1: ¿Pueden las estrategias de afrontamiento ser elicitadas en el lenguaje y anotadas?
RQ2: ¿Pueden las estrategias de afrontar ser identificadas automáticamente?

Para responder a la RQ2, los autores evaluaron la viabilidad de la detección automática utilizando:

Aprendizaje Supervisado: Ajuste fino (fine-tuning) de tres Modelos de Lenguaje Pequeños (SLM)—BERT, DistilBERT y RoBERTa—sobre el corpus.
Prompting Zero-Shot: Utilización de cuatro Modelos de Lenguaje Grandes (LLM)—phi-2, mistral-2, nous-hermes-2 y dolphin-2—en un entorno zero-shot.
Variaciones de Entrada: Los modelos fueron probados en tres tipos de entrada: solo la respuesta verbal, solo la descripción conductual, y una concatenación de ambas.

Contribuciones Clave

Integración Teórica: El artículo da un primer paso en el estudio de las cuatro categorías de afrontamiento (Atacar, Contactar, Distanciarse, Rechazar) que subyacen a las etiquetas emocionales estándar, vinculándolas con funciones conductuales específicas y grupos de emociones según lo definido por Roseman (2013).
Corpus COPING: La publicación de un corpus altamente estructurado construido con una novedosa estrategia de juego de roles para la recolección de información centrada en la emoción. Esto aborda la escasez de datos anotados con mecanismos de afrontamiento.
Benchmarking de Tareas: La introducción y el benchmarking de la tarea de identificación de la estrategia de afrontamiento. El estudio proporciona la primera evidencia empírica sobre la viabilidad de detectar estas estrategias en el texto.

Resultados

Anotación Humana y Comprensión

Elicitación de Estrategias: Los análisis cuantitativos y cualitativos confirman que las estrategias de afrontamiento pueden ser elicitadas en el lenguaje. Los trabajadores de crowdsourcing demostraron una comprensión robusta de las estrategias, con una alta precisión al mapear las descripciones de los personajes con las estrategias correctas (por ejemplo, 100% de precisión para Atacar y Contactar en las pre-pruebas).
Alineación Emocional: Los perfiles emocionales generados por los actores de rol se alinearon en gran medida con el marco teórico de Roseman (por ejemplo, la frustración se correlacionó con Atacar, la esperanza con Contactar). Sin embargo, se observaron algunas desviaciones, como la dificultad para distinguir "Rechazar" de otras estrategias.
Subjetividad: El acuerdo entre anotadores sobre los textos generados fue bajo ( $\kappa = .34$ ), lo que indica que la percepción de las estrategias de afrontamiento en el texto es altamente subjetiva. "Contactar" fue la estrategia más reconocible, mientras que "Rechazar" fue la menos reconocible.

Clasificación Automática

Límites de Rendimiento: La identificación automática de estrategias de afrontamiento resultó ser un desafío. Todos los modelos, tanto los SLM ajustados como los LLM zero-shot, alcanzaron puntuaciones F1 por debajo de 0.55.
Sensibilidad de la Entrada:
- DistilBERT funcionó mejor con las respuestas verbales (F1 = 0.523).
- RoBERTa funcionó mejor con las descripciones conductuales (F1 = 0.537).
- La combinación de respuestas y comportamientos no mejoró consistentemente el rendimiento sobre las entradas individuales.
- Los LLM zero-shot funcionaron a la par de los modelos ajustados, con las entradas basadas en el comportamiento generando generalmente mejores resultados que las entradas de solo respuesta.
Dificultad de la Estrategia: Consistente con la anotación humana, Contactar fue la estrategia más fácil de clasificar (F1 $\approx$ 0.64), mientras que Rechazar siguió siendo la más difícil (F1 $\approx$ 0.41).

Significado y Reivindicaciones

Los autores afirman que su trabajo abre una prometedora dirección de investigación para mejorar la capacidad de los modelos para capturar mecanismos emocionales a partir del texto. Al cambiar el enfoque de las etiquetas emocionales estáticas a las estrategias de afrontamiento dinámicas, el estudio cierra la brecha entre las teorías psicológicas de la interacción emoción-comportamiento y el NLP computacional.

El artículo concluye modestamente que, si bien la emergencia del afrontamiento a partir del texto es menos directa de lo hipotetizado inicialmente —particularmente para las estrategias que implican desenganche como "Distanciarse" y "Rechazar"—, el corpus y los vínculos observados entre estrategias y emociones validan el potencial de este enfoque. Los autores enfatizan que su configuración, aunque artificial, demostró con éxito que los datos sobre este concepto psicológico pueden obtenerse mediante crowdsourcing y que estas estrategias están teóricamente fundamentadas en el texto, incluso si su detección automática sigue siendo un desafío significativo. Este trabajo sugiere que la integración de estrategias de afrontamiento podría mejorar tareas posteriores como el análisis de argumentación y el análisis de emociones centradas en eventos.