Using AI for User Representation: An Analysis of 83 Persona Prompts

Este estudio analiza 83 prompts de investigación que utilizan modelos de lenguaje grandes para generar personas, revelando una tendencia hacia la creación de perfiles individuales y concisos en lugar de ricos y completos, con un uso predominante de datos demográficos y formatos estructurados, lo que plantea implicaciones significativas para la representación computacional de usuarios.

Lo esencial

¡Hola! Imagina que quieres diseñar un nuevo videojuego o una aplicación de teléfono. Para hacerlo bien, necesitas entender a quién se lo vas a vender. Aquí es donde entran los "personajes" (o personas en el mundo de la tecnología).

Antiguamente, para crear estos personajes, los investigadores hacían entrevistas reales a personas, tomaban notas y creaban perfiles detallados y llenos de vida, como si fueran fichas de personajes de un libro de rol muy completo.

Pero ahora, las cosas han cambiado. Los científicos están usando una nueva herramienta mágica llamada Inteligencia Artificial (IA), específicamente modelos de lenguaje grandes (como el que usas ahora), para crear estos personajes automáticamente.

Este artículo es como un reportaje de investigación que revisó 83 "recetas" (lo que llaman prompts o instrucciones) que los científicos han usado para pedirle a la IA que cree estos personajes.

Aquí tienes lo que descubrieron, explicado de forma sencilla:

1. ¿Qué están pidiendo exactamente? (Las Recetas)

Imagina que la IA es un chef muy talentoso pero un poco distraído. Los científicos le escriben notas (las prompts) para decirle qué cocinar.

• La mayoría de las recetas son muy cortas: Los científicos suelen pedir descripciones breves y directas. Es como pedir un "hamburguesa rápida" en lugar de un banquete completo. Esto es un poco extraño, porque los personajes tradicionales suelen ser historias ricas y detalladas.
• Quieren datos en formato de lista: A menudo piden que la IA devuelva la información en un formato ordenado, como una tabla o un código informático (JSON), en lugar de una historia bonita. Es como si pidieran una lista de ingredientes en lugar de una receta de cocina.

2. ¿Qué tipo de personajes salen? (El Menú)

• Uno a la vez: La mayoría de las veces, piden crear un solo personaje. Es como si un arquitecto diseñara una sola casa en lugar de todo un vecindario diverso.
• Demasiado "números": Casi todos los personajes incluyen datos básicos como la edad, el nombre o el trabajo (demografía). Es como si todos los personajes fueran solo una tarjeta de identificación.
• Faltan los "sabores": Aunque la IA puede escribir texto y números, casi nadie le pide que dibuje la cara del personaje (imágenes). Además, a veces les falta profundidad emocional o historias de vida complejas.
• El "efecto espejo": Los científicos a menudo le dan a la IA datos reales (como encuestas) y le dicen: "Usa estos datos para inventar un personaje". Esto es bueno, pero a veces la IA se inventa cosas sin base real.

3. ¿Cómo lo están haciendo? (La Cocina)

• Todos usan el mismo chef: La gran mayoría de los estudios usan un modelo de IA específico (GPT), como si todos los restaurantes del mundo solo contrataran a un solo chef famoso, sin probar si otros chefs podrían hacer un mejor trabajo.
• Recetas complejas: Algunos científicos son muy avanzados y usan una cadena de 12 instrucciones diferentes para crear un personaje (una para la edad, otra para el trabajo, otra para la foto, etc.). Es como si para hacer un pastel necesitaras 12 pasos separados en lugar de una sola receta.
• Poca experimentación: Rara vez comparan si un modelo de IA da mejores resultados que otro.

4. ¿Por qué nos debería importar? (El Problema)

El artículo advierte sobre dos riesgos principales:

1. Pérdida de la magia humana: Si solo pedimos listas de datos y descripciones cortas, perdemos la empatía. Un personaje no es solo un número de edad; es una historia que nos ayuda a entender a la gente.
2. El peligro de la "alucinación": Si le pedimos a la IA que invente un personaje sin darle datos reales, podría crear estereotipos dañinos o personajes que no existen en la realidad.

En resumen:

Los científicos están usando la IA como una máquina de escribir automática para crear perfiles de usuarios. Funciona rápido y es útil, pero a veces es un poco aburrida y superficial.

La lección principal: Para que estos personajes sean realmente útiles, no basta con pedirle a la IA que "invente algo". Necesitamos darle datos reales, pedirle historias completas (no solo listas), y asegurarnos de que representen a una variedad de personas, no solo a una sola. Es como pasar de pedir un "hamburguesa congelada" a cocinar un plato casero con ingredientes frescos.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Using AI for User Representation: An Analysis of 83 Persona Prompts", estructurado según los puntos solicitados y redactado en español.

1. Planteamiento del Problema

El desarrollo de personas (representaciones ficticias de usuarios basadas en datos reales) ha evolucionado desde métodos manuales hacia técnicas computacionales impulsadas por datos. Recientemente, los Modelos de Lenguaje Grande (LLM) y la Inteligencia Artificial Generativa (GenAI) han comenzado a utilizarse para generar estas personas. Sin embargo, existe una brecha crítica en el conocimiento actual:

• Falta de directrices específicas: Aunque existen guías generales para el prompting (instrucciones a la IA), no hay un marco establecido para el diseño de prompts específicos para la creación de personas.
• Riesgos de representación: La aplicación de LLMs conlleva riesgos de sesgo algorítmico, pérdida de la riqueza narrativa tradicional de las personas y la posible sustitución de datos primarios reales por la "creatividad" alucinatoria del modelo.
• Vacío empírico: No se ha realizado un mapeo sistemático sobre cómo los investigadores están aplicando actualmente los LLMs para generar personas, ni sobre qué tipo de resultados se obtienen de estas prácticas.

2. Metodología

Los autores realizaron un análisis cuantitativo y cualitativo basado en una revisión sistemática de la literatura (SLR):

• Corpus de estudio: Se extrajeron datos de 27 artículos científicos revisados por pares (publicados en los últimos 2 años) que utilizan GenAI para el desarrollo de personas. Estos artículos fueron identificados tras filtrar 573 resultados iniciales de bases de datos como ACM, IEEE Xplore y Scopus.
• Unidad de análisis: Se extrajeron y codificaron 83 prompts de personas específicos.
• Proceso de codificación: Dos autores desarrollaron un marco de codificación colaborativo para analizar:
  • El propósito del uso del prompt.
  • La estructura y complejidad del prompt (longitud, uso de variables dinámicas, formato de salida).
  • Los modelos de IA utilizados (ej. GPT, DALL-E, Claude).
  • Las características de las personas generadas (formato de contenido, atributos demográficos, complejidad de la información).
• Validación: Se realizó una verificación cruzada aleatoria entre los autores para asegurar la fiabilidad de la codificación.

3. Contribuciones Clave

El estudio ofrece las siguientes contribuciones al campo de la Interacción Humano-Computadora (HCI) y el diseño centrado en el usuario:

1. Primer mapeo sistemático: Proporciona la primera base de datos estructurada y análisis de prompts de personas utilizados en la literatura académica reciente.
2. Identificación de tendencias de diseño: Revela patrones en cómo los investigadores están integrando datos, variables dinámicas y formatos estructurados (como JSON) en la generación de personas.
3. Análisis de la riqueza de la información: Compara la complejidad de las personas generadas por IA con las plantillas de personas tradicionales, cuantificando la pérdida o ganancia de atributos informativos.
4. Recomendaciones prácticas: Ofrece directrices para mitigar riesgos, como la necesidad de incluir datos primarios reales en los prompts y la importancia de comprender la teoría de las personas más allá de la implementación técnica.

4. Resultados Principales

Uso y Propósito (RQ1)

• Generación vs. Evaluación: El 81.48% de los estudios se centran en la generación de personas, mientras que un 25.93% utiliza personas para predicción (una tendencia emergente) y un 14.81% para evaluación.
• Aplicaciones: Se utilizan en diversos dominios, desde educación y counseling hasta diseño comercial y comunicación sobre cambio climático.

Diseño del Prompt (RQ2)

• Modelos Dominantes: El 76.1% de las instancias utilizan modelos de la familia GPT. El uso de múltiples modelos para comparar resultados es raro (solo el 22% de los artículos).
• Complejidad: Los prompts varían desde líneas simples hasta sistemas complejos de múltiples etapas. El promedio de uso es de 3.1 prompts por estudio, con un máximo de 12 en un solo artículo (creando pipelines modulares).
• Estructura y Datos:
  • El 51.85% de los prompts exige una salida estructurada (principalmente JSON, 50% de los casos estructurados).
  • El 74.1% de los prompts inserta datos dinámicos o variables (usando RAG o inyección de datos), acercándose al concepto de "personas computacionales".
  • La longitud promedio de los prompts es de 107 palabras, pero muchos intentan restringir la verbosidad del modelo.

Características de las Personas Generadas (RQ3)

• Formato de Contenido: El 96.3% de las salidas son texto y el 66.7% incluyen números. Solo el 7.41% incluye imágenes, a pesar de que las personas tradicionales suelen ser ricas en elementos visuales.
• Cantidad: La mayoría de los prompts solicitan la creación de una sola persona, lo que limita la representación de la diversidad de la población de usuarios.
• Riqueza de Información:
  • Las personas generadas tienen, en promedio, 5.48 atributos, lo que las sitúa en la categoría de "Simple" (4-7 atributos). Esto es un 38% menos que el promedio de las plantillas de personas basadas en datos tradicionales (8.83 atributos).
  • Demografía: El 77.78% de los prompts incluyen atributos demográficos (edad, nombre, género, ocupación), siendo la categoría más frecuente.
  • Conflictos: Existe una tensión entre la solicitud de descripciones "concisas" (para ahorrar tokens o facilitar el análisis) y la tradición de crear perfiles de usuario "ricos y redondeados".

5. Significado e Implicaciones

El estudio tiene implicaciones profundas para el futuro de la representación de usuarios:

• Riesgo de "Desconexión de Datos": Existe el peligro de que las personas generadas por IA se basen en el conocimiento interno del modelo (alucinaciones) en lugar de datos primarios reales, violando el principio de "personas basadas en datos".
• Cambio de Paradigma: La tendencia hacia salidas estructuradas (JSON) sugiere que las personas están siendo tratadas cada vez más como objetos de datos para análisis automatizado, en lugar de herramientas narrativas para fomentar la empatía en el diseño.
• Complejidad de la Evaluación: El uso de cadenas de prompts (pipelines) hace que la evaluación humana sea extremadamente difícil, ya que los errores pueden propagarse de un paso a otro de forma no transparente.
• Necesidad de Guías: Se requiere urgentemente establecer mejores prácticas y directrices éticas para el uso de LLMs en la creación de personas, asegurando la diversidad, la representatividad y la transparencia en el proceso.

En conclusión, aunque los LLMs ofrecen eficiencia y escalabilidad, el análisis de los 83 prompts revela que la práctica actual a menudo sacrifica la profundidad narrativa y la diversidad en favor de la concisión y la estructuración de datos, requiriendo una mayor supervisión humana y fundamentación teórica.