Toward Human-Centered AI-Assisted Terminology Work

Resumen Técnico: Hacia un Trabajo Terminológico Asistido por IA Centrado en el Humano

Planteamiento del Problema
La rápida emergencia de la Inteligencia Artificial Generativa (GenAI), particularmente de los Modelos de Lenguaje de Gran Tamaño (LLM), presenta un desafío dual para el Trabajo Terminológico (TT). Si bien los LLM ofrecen oportunidades para la automatización —como la generación de definiciones, la propuesta de equivalentes terminológicos y la identificación de relaciones conceptuales— también introducen riesgos significográficos. Los LLM actuales son propensos a errores, alucinaciones y diversas formas de sesgo, lo que los hace poco fiables para fines terminológicos autónomos. Además, el campo carece de principios establecidos para guiar la integración de estas tecnologías. Existe una preocupación prevalente de que las presiones de eficiencia puedan conducir a una automatización excesiva basada en el concepto erróneo de que la pericia humana puede ser reemplazada, lo que potencialmente socavaría la autonomía del terminólogo, devaluaría la experiencia profesional y erosionaría la diversidad lingüística y conceptual. El problema central es la ausencia de un marco que equilibre las ganancias de eficiencia de la GenAI con la necesidad de mantener la agencia humana, la precisión y los estándares éticos en la producción terminológica.

Metodología
Este artículo adopta un enfoque conceptual y teórico en lugar de un diseño experimental empírico. Sintetiza la erudición existente de tres dominios primarios:

1. Inteligencia Artificial Centrada en el Humano (HCAI): Basándose fuertemente en el trabajo de Shneiderman (2020) y otros, el artículo establece la HCAI como un paradigma que prioriza el florecimiento humano, la amplificación de la agencia humana y la compatibilidad de una alta automatización con un fuerte control humano.
2. Estudios de Traducción: El artículo revisa cómo se han aplicado los principios de HCAI a la traducción, específicamente respecto al cambio del "taylorismo digital" a la "traducción aumentada" y la relación simbiótica entre humanos y máquinas.
3. Literatura del Trabajo Terminológico: Analiza las características epistémicas y profesionales específicas del TT, incluyendo la naturaleza de los productos terminológicos, el papel de la validación y las limitaciones del rendimiento actual de los LLM en tareas como la extracción de términos, la generación de definiciones y la propuesta de equivalencias.

La metodología consiste en un análisis crítico de estos campos interconectados para proponer un marco conceptual para la integración de la IA en el TT. Revisa estudios existentes a pequeña escala sobre el rendimiento de los LLM en terminología (por ejemplo, extracción de términos, generación de definiciones) para demostrar las limitaciones actuales y la necesidad de la intervención humana.

Contribuciones Clave
El artículo propone un marco de IA Centrada en el Humano (HCAI) diseñado específicamente para el Trabajo Terminológico, organizado en torno a tres dimensiones interrelacionadas:

1. El Terminólogo Aumentado:

   • Compatibilidad de Automatización y Control: El artículo sostiene que altos niveles de automatización y un fuerte control humano no son mutuamente excluyentes, sino que son compatibles y deseables. Aboga por un modelo de "IA en el bucle" (AI-in-the-loop) donde la IA actúa como un componente de apoyo subordinado a la dirección humana, en lugar de un reemplazo.
   • Empoderamiento vs. Emulación: El objetivo principal de la IA en el TT debe ser empoderar a los terminólogos (mejorando sus capacidades) en lugar de simplemente emular la inteligencia humana. La IA debe encargarse de las tareas intensivas en datos (por ejemplo, reconocimiento de patrones, generación rápida de candidatos) mientras que los humanos retienen la autoridad sobre el modelado conceptual, la validación y la toma de decisiones final.
   • Nuevos Conjuntos de Habilidades: La integración de la IA requiere una "alfabetización en IA", que incluye la capacidad de evaluar críticamente los resultados de la IA, formular prompts efectivos, comprender las implicaciones éticas y seleccionar los niveles de automatización apropiados para tareas específicas.

2. IA Ética:

   • Protección de los Valores Profesionales: El marco enfatiza que la adopción de la IA no debe comprometer el bienestar o los valores profesionales del terminólogo, tales como la precisión lingüística, la diversidad epistémica y la representación justa de las visiones del mundo.
   • Mitigación de Sesgos: El artículo detalla sesgos específicos inherentes a los LLM (lingüísticos, temporales, culturales, epistémicos y sociales) derivados de la composición de los datos de entrenamiento (por ejemplo, el dominio del inglés y el contenido centrado en EE. UU.) y del funcionamiento algorítmico. Postula que los terminólogos son indispensables para mitigar estos sesgos mediante intervenciones ascendentes (upstream, como el prompting y la selección de fuentes) y descendentes (downstream, como la revisión crítica y la mitigación de sesgos) para prevenir la circulación de terminología inexacta o distorsionada.

3. Diseño Centrado en el Humano (HCD):

   • Integración Centrada en el Usuario: Las herramientas de IA deben integrarse directamente en los flujos de trabajo terminológicos en lugar de accederse mediante chatbots independientes, reduًciendo la fricción.
   • Diseño Participativo: Los terminólogos deben participar activamente en la concepción, el diseño y el refinamiento de las herramientas de IA para asegurar la alineación con las prácticas profesionales.
   • Ergonomía Cognitiva: Los sistemas deben diseñarse para reducir la carga cognitiva, apoyar la toma de decisiones mediante la explicabilidad (por ejemplo, la Generación Aumentada por Recuperación para la verificación de fuentes) y mitigar riesgos como la reducción del compromiso crítico y el efecto de anclaje mediante el diseño intencional de la interfaz (por ejemplo, diálogos de confirmación, retrasar las sugerencias hasta después del análisis independiente).

Resultados y Hallazgos
El artículo no presenta nuevos datos experimentales, sino que sintetiza la evidencia existente para extraer varias conclusiones:

• Limitaciones de los LLM: Los LLM actuales son inconsistentes e insuficientes para las tareas terminológicas. Aunque pueden superar a los métodos estadísticos tradicionales en contextos específicos (por ejemplo, la extracción de términos), frecuentemente alucinan, confunden variantes regionales y tienen dificultades con las relaciones conceptuales profundas.
• Indispensabilidad de los Humanos: Debido a estas limitaciones y a la necesidad de una validación autoritativa, los terminólogos humanos siguen siendo esenciales. Su rol cambia de la ejecución manual a la supervisión, el refinamiento y la gestión ética.
• Riesgo de la Automatización Descontrolada: La adopción no estructurada de la GenAI conlleva el riesgo de amplificar los sesgos, erosionar la diversidad lingüística y disminuir la agencia profesional de los terminólogos, conduciendo potencialmente a un "taylorismo digital" donde los trabajadores se convierten en meros validadores de los resultados de la máquina.
• Viabilidad de la HCAI: La evidencia de los estudios de traducción sugiere que una alta automatización puede coexistir con un fuerte control humano, siempre que la tecnología esté diseñada para aumentar en lugar de reemplazar el juicio humano.

Significancia
El artículo argumenta que una orientación centrada en el humano no es solo deseable, sino necesaria para asegurar que la IA fortalezca, en lugar de socavar, el rol esencial del trabajo terminológico. Al preservar la agencia profesional y la autoridad en la toma de decisiones, este enfoque salvaguarda la exactitud y la fiabilidad de los productos terminológicos, los cuales son críticos para la comunicación especializada, la traducción, la estandarización y la transferencia de conocimiento entre lenguas y culturas. El artículo concluye que las decisiones que se tomen respecto a la integración de la IA hoy determinarán si el trabajo terminológico continúa apoyando la transmisión precisa del conocimiento o sucumbe ante los riesgos del sesgo y la distorsión conceptual. Hace un llamado a una agenda de investigación sostenida para evaluar empíricamente cómo los terminólogos interactúan con la IA y para evaluar sistemáticamente la competencia de los LLM bajo diversas condiciones.