💬 NLP

Do language models accommodate their users? A study of linguistic convergence

Este estudio demuestra que los modelos de lenguaje convergen lingüísticamente con el estilo de sus usuarios, a menudo sobreajustándose más que los humanos, aunque los modelos más grandes y ajustados con instrucciones muestran una menor tendencia a esta adaptación en comparación con sus contrapartes más pequeñas y preentrenadas.

Autores originales: Terra Blevins, Susanne Schmalwieser, Benjamin Roth

Publicado 2026-02-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Terra Blevins, Susanne Schmalwieser, Benjamin Roth

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

¡Claro que sí! Imagina que este estudio es como una gran fiesta de disfraces lingüísticos donde los invitados son los modelos de inteligencia artificial (IA) y los anfitriones son los humanos.

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

🎭 La Gran Pregunta: ¿Los robots se disfrazan de nosotros?

Los investigadores querían saber algo muy curioso: Cuando hablas con una IA, ¿ella cambia su forma de hablar para parecerse a ti?

En el mundo humano, esto se llama "acomodación". Es como cuando hablas con un amigo muy formal y tú también te vuelves formal, o cuando hablas con un niño y usas palabras más simples y un tono más dulce. Nos adaptamos inconscientemente para conectar mejor.

La pregunta era: ¿Hacen lo mismo los robots? ¿O son como un robot de juguete que siempre habla con la misma voz, sin importar con quién hables?

🔬 El Experimento: El "Cambio de Rol"

Para averiguarlo, los científicos hicieron un truco de magia con conversaciones reales (como diálogos de películas, entrevistas de radio o chats cotidianos):

El escenario: Tomaron una conversación real entre dos personas.
El truco: Borraron las respuestas de una de las personas y le dijeron a la IA: "¡Tú eres esta persona! Continúa la conversación".
La prueba: La IA tuvo que inventar lo que diría a continuación, basándose en lo que la otra persona acababa de decir.

Luego, compararon lo que dijo la IA con:

Lo que dijo la persona real (el "original").
Lo que hubiera dicho alguien al azar (el "caos").

📊 Los Descubrimientos: ¡Los robots son muy buenos imitadores! (Demasiado buenos)

Aquí es donde se pone interesante. Los resultados fueron sorprendentes:

Los robots sí se adaptan: La IA no habla siempre igual. Si tú hablas con frases cortas, la IA habla corto. Si usas muchas palabras técnicas, la IA también las usa. Se disfrazan muy bien.
El problema del "Exagerado": A veces, la IA se adapta demasiado. Es como un actor que, al intentar parecerse a su personaje, termina haciendo una caricatura exagerada.
- Ejemplo: Si en la conversación se mencionan nombres de personas (como "Juan" o "Madrid"), la IA tiende a repetir esos nombres una y otra vez, mucho más de lo que lo haría un humano real. Es como si dijera: "¡Sí, Juan! ¡Y Juan también! ¡Y Juan otra vez!".
El tamaño importa (pero no como crees):
- Los modelos más pequeños y los que solo han "leído" mucho texto (pre-entrenados) son los que más se adaptan, a veces de forma exagerada.
- Los modelos más grandes y los que han sido entrenados específicamente para seguir instrucciones (como los que usas para chatear) son un poco más "tercos". Se adaptan menos y se parecen más a cómo hablaría un humano promedio.

🎨 El Detalle Fino: No todos los disfraces son iguales

Los investigadores miraron muy de cerca cómo se adaptaban. Descubrieron que la IA es como un camaleón selectivo:

Cambia la longitud de sus frases para igualar a la otra persona.
Cambia el tipo de palabras que usa (como preposiciones o pronombres).
Pero a veces falla en cosas específicas. Por ejemplo, los modelos "entrenados para seguir instrucciones" a veces usan demasiadas palabras de conexión ("y", "pero", "así que") en comparación con un humano, lo que hace que suena un poco más robótico a pesar de intentar parecer humano.

🧠 ¿Por qué hacen esto? (La diferencia clave)

Aquí está la parte más importante de la investigación:

Los humanos nos adaptamos porque queremos conectar, ser amables o entender mejor. Es un acto social y emocional.
Las IAs se adaptan porque es matemática pura. Han sido entrenadas para predecir la siguiente palabra basándose en lo que han leído antes. Si el texto anterior tiene un estilo, la IA dice: "Ah, el patrón aquí es este, así que seguiré ese patrón".

La analogía final:
Imagina que un humano se adapta a ti porque le caes bien y quiere ser tu amigo. La IA se adapta a ti porque es como un espejo muy inteligente: si tú te inclinas a la izquierda, el espejo se inclina a la izquierda, no porque le guste la izquierda, sino porque así funciona la física del reflejo.

⚠️ ¿Por qué nos debería importar?

El estudio nos advierte sobre un peligro sutil:
Como las IAs son tan buenas imitando nuestro estilo, podemos confiar en ellas demasiado. Si una IA habla como tú, te sentirás cómodo y creerás que es "humana" o que entiende tus sentimientos. Pero en realidad, solo está siguiendo un patrón matemático. Esto podría hacernos confiar en respuestas que no son correctas o útiles, simplemente porque "suena bien".

En resumen

Los modelos de lenguaje son maestros del disfraz. Se adaptan a nuestro estilo de hablar, a veces incluso mejor que nosotros mismos, pero lo hacen por razones muy diferentes (matemáticas en lugar de emociones). Entender esto nos ayuda a no confundir una buena imitación con una verdadera conexión humana.

Título: ¿Los modelos de lenguaje acomodan a sus usuarios? Un estudio de la convergencia lingüística.

1. Planteamiento del Problema

Aunque los Grandes Modelos de Lenguaje (LLM) son reconocidos por su capacidad para generar lenguaje fluido y gramaticalmente correcto, existe un vacío en la comprensión de cuán similares son sus patrones de uso lingüístico a los de los humanos. Específicamente, el estudio se centra en la convergencia lingüística, un elemento pragmático fundamental en la comunicación humana donde los interlocutores ajustan su estilo de habla o escritura para alinearse con el de su compañero de conversación.
La pregunta central de investigación es: ¿Los LLM adaptan su lenguaje para reflejar el de sus usuarios (convergencia) y, de ser así, siguen los mismos patrones que la acomodación humana o exhiben comportamientos distintos?

2. Metodología

Los autores desarrollaron un paradigma sintético para evaluar la convergencia en LLMs comparándolos directamente con respuestas humanas en el mismo contexto.

Generación de Datos:
- Se utilizaron tres corpus de diálogos en inglés: DailyDialog (conversaciones cotidianas), NPR (transcripciones de entrevistas de radio) y Movie Corpus (guiones de películas).
- Se filtraron conversaciones de al menos 6 turnos.
- Se reemplazaron los turnos de un hablante específico (a partir del turno 6) con generaciones de modelos, manteniendo el contexto previo. Esto simula una interacción humano-modelo sin la carga de un estudio de usuarios en tiempo real.
Modelos Evaluados:
- Se probaron 16 modelos de dos familias de código abierto: Gemma 3 (1B, 4B, 12B, 27B parámetros) y Llama 3 (1B, 3B, 8B, 70B parámetros).
- Se compararon versiones preentrenadas (PT) frente a versiones ajustadas por instrucciones (IT).
Análisis de Convergencia (Métricas Estilométricas):
Se midió el grado de adaptación del modelo ( $r_t$ $r_{t}$ ) respecto al turno anterior del usuario ( $r_{t-1}$ $r_{t - 1}$ ) utilizando cuatro métricas principales:
1. Longitud del Enunciado: Similitud en la cantidad de palabras.
2. Acuerdo LIWC: Frecuencia de clases de palabras funcionales (pronombres, artículos, conjunciones, etc.) basadas en el diccionario LIWC 2007.
3. Superposición de Nombres Propios (PROPN): Porcentaje de nombres propios compartidos con el turno anterior.
4. Novedad de Tokens: Porcentaje de tokens nuevos; una menor novedad indica mayor alineación léxica.
Líneas Base (Baselines):
- Línea Base Humana: El turno original del hablante humano en el corpus.
- Línea Base Aleatoria: Un turno extraído aleatoriamente del mismo corpus para establecer el nivel de coincidencia por azar.

3. Contribuciones Clave

Paradigma Sintético Nuevo: Desarrollo de un marco experimental que permite comparar directamente las respuestas de modelos con las respuestas humanas reales en el mismo contexto de diálogo, minimizando la carga de anotación.
Análisis Cuantitativo Exhaustivo: La primera evaluación sistemática de la convergencia lingüística en LLMs a través de múltiples métricas estilométricas, tamaños de modelo y esquemas de entrenamiento.
Caracterización de Mecanismos: Identificación de que, aunque los modelos convergen, los patrones subyacentes difieren significativamente de los humanos, sugiriendo causas mecánicas distintas (objetivos de entrenamiento vs. objetivos sociales).

4. Resultados Principales

Convergencia General: Los modelos adaptan fuertemente su estilo al contexto, superando significativamente a la línea base aleatoria en la mayoría de las métricas (hasta un 100% de los casos en Longitud de Enunciado y PROPN).
Sobreconvergencia (Overfitting): En muchos casos, los modelos sobreconvergen en comparación con la línea base humana. Específicamente, los modelos preentrenados tienden a imitar excesivamente ciertas características (como la longitud o la novedad de tokens) más de lo que lo haría un humano.
Impacto del Entrenamiento y Tamaño:
- Modelos Ajustados por Instrucciones (IT): Convergen menos que sus contrapartes preentrenadas. Sus respuestas se alinean más estrechamente con el comportamiento humano, especialmente en el uso de nombres propios y tokens.
- Tamaño del Modelo: Los modelos más grandes tienden a converger ligeramente menos y acercarse más a la línea base humana, aunque la tendencia no siempre es estadísticamente significativa en todas las métricas.
Análisis Granular (LIWC):
- Los modelos preentrenados a menudo sobreconvergen en clases de palabras específicas (cuantificadores, conjunciones) debido a una subutilización general de estas clases en su generación base.
- Los modelos ajustados por instrucciones a veces subconvergen (generan demasiado) en ciertas categorías (como conjunciones), lo que indica una desviación del patrón humano.
Análisis Paso a Paso: Los modelos muestran sensibilidad a los roles del hablante (imitando al hablante que reemplazan), pero exhiben un sesgo de recencia fuerte en la superposición de nombres propios, alineándose más con el turno inmediato anterior que con el contexto histórico completo, a diferencia de los humanos.

5. Significado e Implicaciones

Mecanismos Diferentes: La convergencia en LLMs no es impulsada por objetivos sociales o psicológicos (como la afiliación o la claridad comunicativa en humanos), sino por el objetivo de preentrenamiento (maximizar la probabilidad de la siguiente palabra basada en distribuciones de texto coherente). Esto sugiere que la "similitud" observada es una coincidencia estadística y no una comprensión pragmática.
Riesgos de Confianza: La capacidad de los modelos (especialmente los ajustados por instrucciones) para parecer "humanos" al acomodarse al usuario puede llevar a una confianza excesiva por parte de los usuarios. Si un modelo parece adaptarse perfectamente, el usuario podría confiar en él incluso si la información generada es incorrecta o si el modelo está mostrando un comportamiento servil (sycophancy).
Interpretación de Textos: Los investigadores y desarrolladores deben ser cautelosos al interpretar la convergencia estilística como una señal de competencia pragmática o empatía real. Las diferencias en los patrones de convergencia (especialmente en métricas finas) revelan que la "acomodación" de la IA es fundamentalmente distinta a la humana.

En conclusión, el estudio demuestra que los LLMs sí convergen lingüísticamente, a menudo más que los humanos, pero lo hacen a través de mecanismos estadísticos que difieren cualitativamente de la acomodación humana, lo que tiene implicaciones críticas para la interacción humano-IA y la evaluación de la fiabilidad de estos sistemas.