Dual Perspectives in Emotion Attribution: A Generator-Interpreter Framework for Cross-Cultural Analysis of Emotion in LLMs

Resumen Técnico: Perspectivas Duales en la Atribución de Emociones

1. Planteamiento del Problema

Los Modelos de Lenguaje Grande (LLMs) se utilizan cada vez más en sistemas interculturales para comprender y adaptarse a las emociones humanas. Sin embargo, la investigación previa sobre la atribución de emociones se ha centrado casi exclusivamente en la interpretación (cómo un modelo o persona clasifica una emoción), ignorando sistemáticamente el contexto cultural del generador (la persona o cultura que originó el texto emocional).

Esta asunción de universalidad descuida las variaciones en cómo las emociones se expresan y perciben entre diferentes naciones. La teoría psicológica sugiere que tanto la generación (expresión basada en normas de exhibición) como la interpretación (juicio basado en expectativas culturales) son procesos mediados culturalmente. La falta de consideración de esta dualidad en los LLMs puede llevar a una desalineación cultural, sesgos y una comprensión emocional ineficaz en aplicaciones globales como asistentes de salud mental, tutores educativos y robots sociales.

2. Metodología

Los autores proponen un marco de evaluación Generador-Interpretador que modela explícitamente la interacción entre el origen cultural del contenido y la identidad cultural del intérprete.

• Dataset: Se utilizó el conjunto de datos ISEAR (International Survey on Emotion Antecedents and Reactions), que contiene 5,250 eventos emocionales reportados por participantes de 15 países (tras limpieza y muestreo). El dataset cubre siete categorías de emociones: alegría, miedo, ira, tristeza, asco, vergüenza y culpa.
• Modelos Evaluados: Se evaluaron seis LLMs de vanguardia (GPT-4o, Gemini, Claude, Mistral, Qwen2 y DeepSeek), equilibrando modelos desarrollados en Occidente y en Oriente.
• Tarea de Atribución:
  • Generador: Se define como el país de origen del evento emocional (ej. un evento reportado por un participante chino).
  • Interpretador: Se define como una "persona" (persona) de una nacionalidad específica asignada al modelo mediante prompts (ej. "Actúa como un evaluador de Zambia").
  • Configuración: Se realizaron pruebas zero-shot donde cada uno de los 5,250 eventos fue evaluado por los 15 perfiles de nacionalidad a través de los 6 modelos, generando un total de 472,500 atribuciones.
• Métricas: Se calcularon precisión, recall, F1-score y exactitud (accuracy) utilizando un enfoque de resampling (bootstrap) para robustez estadística.

3. Contribuciones Clave

1. Marco Generador-Interpretador: Introducen la primera evaluación sistemática que considera explícitamente la alineación (o desalineación) entre la cultura del generador y la del interpretador en LLMs.
2. Análisis de Sesgos Interculturales: Revelan cómo las asignaciones de emociones varían no solo por el modelo, sino por la combinación específica de origen cultural del evento y la nacionalidad del intérprete.
3. Evidencia Empírica de Asimetrías: Demuestran que la dificultad de interpretación depende fuertemente del país de origen del generador, desafiando la noción de que los LLMs tienen una comprensión emocional uniforme.

4. Resultados Principales

• Rendimiento General y Asimetrías Emocionales:

  • La exactitud general fue relativamente estable (entre 0.70 y 0.76), pero los puntajes F1 revelaron sesgos significativos.
  • Emociones Universales: La alegría y el miedo fueron reconocidos consistentemente bien.
  • Emociones Problemáticas: La tristeza fue sobre-predicha (a menudo sustituyendo a otras emociones negativas). La vergüenza, la culpa y el asco fueron las más difíciles de detectar, con frecuentes confusiones entre sí o con la tristeza.
  • Patrones de Confusión: Se observó una confusión bidireccional fuerte entre vergüenza y culpa, y una tendencia unidireccional donde múltiples emociones colapsan hacia la tristeza.

• Efectos de Alineación Generador-Interpretador:

  • Alineación No Universal: Aunque en algunos casos (ej. Austria, Malawi) la alineación entre el país del generador y el del interpretador mejoró la precisión, esto no fue una regla general. En muchos casos, la alineación no garantizó un mejor rendimiento.
  • Dominio del Generador: El hallazgo más crítico es que el país de origen del generador tiene un impacto más fuerte en la dificultad de la tarea que la identidad del interpretador.
    • Los eventos generados por China y Zambia fueron sistemáticamente los más difíciles de interpretar para todos los modelos y perfiles, con caídas drásticas en la precisión (ej. hasta 0.46 en Mistral para eventos chinos).
    • Por el contrario, eventos de Austria, Brasil y Malawi fueron interpretados con mayor fiabilidad.

• Patrones Culturales Específicos:

  • Individualismo vs. Colectivismo: Los modelos tienden a interpretar la vergüenza (común en sociedades colectivistas) como culpa (común en sociedades individualistas) cuando el intérprete no comparte el contexto cultural del generador.
  • Atenuación de la Ira: En eventos de origen chino, la ira a menudo se reinterpreta como emociones internas (tristeza, miedo) en lugar de una emoción moral externa, perdiendo matices culturales sobre la injusticia o la pérdida de "cara".
  • Desglose del Asco: El asco moral o cultural a menudo se malinterpreta como alegría o se ignora, ya que los modelos parecen asociar el asco principalmente con señales físicas/viscerales.

5. Significado e Implicaciones

El estudio concluye que la atribución de emociones en los LLMs no es un proceso unidireccional, sino que está profundamente moldeada por la interacción entre la expresión (generación) y el juicio (interpretación).

• Necesidad de Sensibilidad Cultural: Ignorar el contexto cultural del generador oculta errores sistemáticos. Para mejorar la robustez y equidad en sistemas de soporte emocional y social, es crucial diseñar mecanismos que infieran o capturen el origen cultural del usuario.
• Recomendaciones de Diseño:
  1. Inferencia de Contexto: Los sistemas deben utilizar señales (ubicación, idioma, estilo textual) para inferir el perfil cultural del generador.
  2. Ajuste de Prompts: Incorporar perfiles culturales en los prompts del sistema para alinear la interpretación con el contexto de origen.
  3. Evaluación Dual: Las futuras evaluaciones de modelos deben adoptar métricas de "Generador x Interpretador" en lugar de solo evaluar la capacidad de clasificación del modelo de forma aislada.
  4. Datos Diversos: Es imperativo recopilar y entrenar con datos de culturas subrepresentadas para mitigar el sesgo occidental predominante en los LLMs actuales.

En resumen, este trabajo demuestra que la "inteligencia emocional" de los LLMs es frágil ante la diversidad cultural y que la precisión depende tanto de quién habla como de quién escucha.