💻 computer science

From Pre-trained Models to Large Language Models: A Comprehensive Survey of AI-Driven Psychological Computing

Esta encuesta presenta la primera taxonomía sistemática que organiza las tareas de psicología impulsadas por IA según patrones de procesamiento computacional en lugar de dominios de aplicación, analizando la evolución desde modelos preentrenados hasta grandes modelos de lenguaje para abordar desafíos fundamentales y facilitar la transferencia de conocimiento metodológico.

Autores originales: Huiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang

Publicado 2026-04-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Huiyao Chen, Ruimeng Liu, Yan Luo, Jiawen Zhang, Meishan Zhang, Baotian Hu, Min Zhang

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

¡Hola! Imagina que la inteligencia artificial (IA) y la psicología son dos gigantes que finalmente han decidido bailar juntos. Durante años, han estado bailando en salas separadas: los psicólogos hablaban de emociones y mentes, mientras que los ingenieros de computadoras hablaban de algoritmos y datos.

Este artículo es como un mapa del tesoro que nos dice cómo están bailando ahora, qué pasos se están dando y hacia dónde vamos. Aquí te lo explico de forma sencilla, usando algunas analogías divertidas.

1. El Problema: Una Fiesta Desorganizada

Imagina una gran fiesta de psicología. Hay un grupo de gente en la esquina hablando de depresión, otro grupo en el centro hablando de ansiedad y otro en la cocina hablando de personalidad. Todos están usando las mismas herramientas (como martillos o destornilladores), pero como están en habitaciones separadas, no se dan cuenta de que podrían compartir sus trucos.

La realidad: La investigación ha crecido muchísimo (de 859 artículos en el año 2000 a casi 30,000 en 2025), pero está muy fragmentada. Cada experto reinventa la rueda en su propio nicho.
La solución del artículo: Los autores proponen dejar de organizar la fiesta por "temas" (depresión, ansiedad) y empezar a organizarla por cómo funcionan las herramientas. Es como decir: "No importa si estás arreglando una puerta o una ventana; si usas un destornillador, ¡puedes aprender de quien usa el mismo destornillador en otra habitación!".

2. Los 4 Tipos de "Baile" (La Nueva Clasificación)

En lugar de separar por enfermedades, los autores dicen que todas las tareas de la IA en psicología se pueden agrupar en 4 tipos de movimientos:

El "Detective" (Clasificación):
- Qué hace: Decide si algo es "sí" o "no", o lo pone en una caja.
- Ejemplo: "¿Esta persona tiene depresión? Sí/No". O "¿Qué tipo de personalidad es esta?".
- Analogía: Es como un filtro de café que separa los granos buenos de los malos. La IA mira los datos y los mete en una caja etiquetada.
El "Medidor" (Regresión):
- Qué hace: No solo dice "sí o no", sino que mide "cuánto".
- Ejemplo: No solo dice "está triste", sino que dice "su nivel de tristeza es un 7.5 sobre 10".
- Analogía: Es como un termómetro. No solo te dice "hace frío", te dice exactamente cuántos grados son.
El "Tejedor de Redes" (Relaciones Estructuradas):
- Qué hace: Mira cómo las cosas se conectan entre sí, como un mapa de relaciones.
- Ejemplo: "El insomnio está conectado con la ansiedad, y la ansiedad está conectada con el estrés laboral".
- Analogía: Es como dibujar un mapa de metro. No solo te dice dónde está una estación, sino cómo todas las líneas se conectan para formar un sistema completo.
El "Compañero de Charla" (Generación Interactiva):
- Qué hace: Crea respuestas personalizadas y mantiene una conversación.
- Ejemplo: Un chatbot que te escucha, te da consejos de terapia o te anima cuando estás triste.
- Analogía: Es como tener un amigo muy sabio en tu bolsillo que no solo te escucha, sino que te responde con empatía y te ayuda a pensar mejor.

3. La Evolución: De "Aprender de Cero" a "Leer el Manual"

El artículo cuenta la historia de cómo ha cambiado la tecnología:

Antes (El Aprendiz): La IA tenía que estudiar miles de ejemplos específicos para aprender una sola cosa. Era lento y necesitaba muchos datos.
Ahora (El Genio con Libros): Con los nuevos modelos grandes (como los LLMs o "cerebros gigantes"), la IA ya sabe mucho del mundo. Solo necesitas darle una instrucción simple (un "prompt") y ella entiende la tarea sin necesidad de estudiar miles de ejemplos. Es como si antes tuvieras que enseñarle a un niño a leer letra por letra, y ahora le das un libro entero y él entiende el contexto al instante.

4. Los Obstáculos en el Camino (Los Retos)

Aunque la tecnología es increíble, hay problemas difíciles que no se pueden ignorar:

El "Caja Negra": A veces la IA da una respuesta correcta, pero nadie sabe por qué. En psicología, no basta con decir "estás deprimido"; el terapeuta necesita saber por qué la máquina llegó a esa conclusión para confiar en ella.
La Verdad Difusa: En psicología, dos doctores pueden no estar de acuerdo sobre un diagnóstico. La IA a veces trata estas diferencias como "ruido" y las borra, pero en realidad, esa diferencia es importante y humana.
El Secreto Privado: Los datos psicológicos son super sensibles (como secretos de estado). ¿Cómo entrenamos a la IA sin que nadie robe los datos de las personas? Es como intentar cocinar un pastel delicioso sin que nadie sepa la receta exacta ni se lleve los ingredientes.
La Cultura: Una IA entrenada en Estados Unidos podría no entender la depresión en Japón o en México, porque la gente expresa sus emociones de forma diferente. Es como intentar usar un manual de instrucciones en inglés para armar un mueble en un país donde las piezas tienen nombres diferentes.

5. ¿Qué viene después? (El Futuro)

El futuro es brillante pero requiere cuidado:

Multimodalidad: La IA no solo leerá texto, sino que escuchará tu voz, verá tu cara y sentirá tu ritmo cardíaco para entender mejor cómo te sientes.
Aprendizaje Continuo: La IA debería aprender de ti a medida que cambias, sin olvidar quién eras antes (como un amigo que recuerda tu historia completa).
Humanos y Máquinas: La meta no es que la IA reemplace al psicólogo, sino que sea su "copiloto", ayudándole a tomar mejores decisiones y a llegar a más personas.

En Resumen

Este artículo es un gran paso para ordenar el caos. Nos dice que, en lugar de ver la IA en psicología como un montón de proyectos aislados, debemos verla como un conjunto de herramientas poderosas que, si se usan bien, pueden ayudar a millones de personas a sentirse mejor, entendidas y acompañadas. ¡Es como pasar de tener muchas herramientas sueltas en el suelo a tener un taller de reparación mental totalmente equipado y organizado!

Resumen Técnico: De Modelos Pre-entrenados a Modelos de Lenguaje Grandes en la Computación Psicológica

1. El Problema: Fragmentación Metodológica y Limitaciones del Enfoque Tradicional

El campo de la intersección entre la inteligencia artificial (IA) y la ciencia psicológica ha experimentado un crecimiento exponencial (de 859 publicaciones en 2000 a casi 30,000 en 2025). Sin embargo, este crecimiento ha generado una fragmentación metodológica crítica:

Organización por Dominio: La investigación actual se organiza principalmente por subdisciplinas psicológicas (ej. clínica, educativa, personalidad) en lugar de por patrones computacionales. Esto oculta similitudes técnicas entre tareas que, aunque pertenecen a dominios distintos, comparten la misma estructura algorítmica.
Reinvención de la Rueda: Investigadores en diferentes subcampos desarrollan técnicas similares (ej. mecanismos de atención para detección de suicidio y evaluación cognitiva) de forma aislada, sin transferir conocimientos entre sí.
Desafíos Específicos de la Psicología: A diferencia de las aplicaciones de IA convencionales, la computación psicológica enfrenta restricciones únicas:
- Validez de Construcción: Los modelos deben medir constructos teóricos (ej. depresión) y no solo patrones superficiales.
- Incertidumbre de Etiquetas: Las etiquetas en psicología a menudo son subjetivas y presentan desacuerdos entre expertos (no es "ruido" que se pueda limpiar, sino ambigüedad inherente).
- Privacidad y Ética: Los datos son extremadamente sensibles (historias de trauma, ideación suicida), lo que limita el acceso a grandes conjuntos de datos públicos.
- Variabilidad Individual: Los modelos deben adaptarse a diferencias individuales y contextos culturales, no solo a promedios poblacionales.

2. Metodología: Una Taxonomía Computacional Unificada

Para abordar la fragmentación, los autores proponen una taxonomía sistemática que organiza las tareas de IA en psicología basándose en sus patrones de procesamiento computacional (la forma en que se procesa la información y se generan las salidas), ignorando el dominio de aplicación.

La metodología se basa en formalizar las tareas como una tupla $T = \langle X, Y, F \rangle$ , donde $X$ es el espacio de entrada (multimodal), $Y$ es el espacio de salida (constructos psicológicos) y $F$ es la función computacional. Se identifican cuatro tipos fundamentales de tareas:

Tareas de Clasificación:
- Objetivo: Identificar estados psicológicos discretos (ej. diagnóstico de depresión, detección de riesgo de suicidio, reconocimiento de personalidad).
- Enfoque: Reconocimiento de patrones discriminativos para definir fronteras de decisión en espacios de características de alta dimensión.
Tareas de Regresión:
- Objetivo: Cuantificar mediciones psicológicas continuas (ej. severidad de síntomas, nivel de estrés, capacidad cognitiva).
- Enfoque: Aprendizaje de funciones que mapean entradas a espacios de salida continuos, manteniendo la interpretabilidad clínica.
Tareas Relacionales Estructuradas:
- Objetivo: Extraer y modelar relaciones complejas entre constructos psicológicos (ej. redes de síntomas, grafos de apoyo social, trayectorias temporales).
- Enfoque: Uso de arquitecturas basadas en grafos y secuencias para capturar interdependencias y dinámicas temporales.
Tareas Generativas e Interactivas:
- Objetivo: Crear contenido psicológico personalizado y mantener el compromiso dinámico con el usuario (ej. chatbots terapéuticos, tutores adaptativos).
- Enfoque: Síntesis de respuestas contextualmente apropiadas que se adaptan al estado evolutivo del usuario (diálogos multi-turno).

Análisis Evolutivo:
El estudio analiza más de 300 trabajos representativos a través de dos eras tecnológicas:

Era de Modelos Pre-entrenados (PLM, 2018-2022): Uso de arquitecturas como BERT y GPT-2 con fine-tuning específico para tareas, requiriendo datos etiquetados y ingeniería de características.
Era de Modelos de Lenguaje Grandes (LLM, 2023-actualidad): Uso de modelos masivos (GPT-4, Llama, Claude) que permiten aprendizaje zero-shot y few-shot, reduciendo la necesidad de datos etiquetados y permitiendo interfaces de lenguaje natural.

3. Contribuciones Clave

El artículo ofrece cuatro contribuciones principales a la literatura:

Taxonomía Computacional: La primera organización sistemática de tareas psicológicas basada en la estructura de salida y el objetivo computacional, facilitando la transferencia de conocimiento entre subcampos aislados.
Análisis Técnico Trans-Era: Un examen detallado de cómo han evolucionado los métodos desde la ingeniería de características específica hasta la adaptación con LLMs, cubriendo enfoques unimodales y multimodales (texto, audio, video, señales fisiológicas).
Recurso Sistemático: Una encuesta exhaustiva de conjuntos de datos (datasets), métricas de evaluación y benchmarks disponibles para cada categoría de tarea, destacando las compensaciones entre validez ecológica y calidad de anotación.
Análisis de Desafíos y Futuro: Identificación de barreras fundamentales (interpretabilidad, privacidad, validez cultural) y propuestas de direcciones de investigación futuras.

4. Resultados y Hallazgos Principales

Evolución de la Capacidad: Se ha pasado de modelos que requerían miles de ejemplos etiquetados a sistemas capaces de realizar tareas complejas (como entrevistas clínicas estructuradas o análisis de marcadores lingüísticos sutiles) con pocos o ningún ejemplo de entrenamiento.
Ventaja de la Perspectiva Computacional: Al agrupar tareas por su naturaleza computacional, se revela que técnicas desarrolladas para la detección de depresión (ej. mecanismos de atención) son directamente transferibles a la evaluación de ansiedad o al análisis de personalidad, acelerando el progreso del campo.
Limitaciones de los LLMs: Aunque los LLMs han reducido las barreras de implementación, persisten desafíos críticos:
- Interpretabilidad: Los modelos de "caja negra" dificultan que los clínicos confíen en las decisiones, ya que no pueden explicar los mecanismos causales detrás de un diagnóstico.
- Sesgo Cultural: La mayoría de los datos de entrenamiento provienen de poblaciones occidentales y anglófonas, lo que lleva a una baja validez en contextos culturales diversos (ej. manifestación somática de la depresión en culturas asiáticas).
- Privacidad: Las técnicas actuales de privacidad (como el aprendizaje federado) aún luchan con la alta sensibilidad y el pequeño tamaño de las muestras en datos psicológicos.
Necesidad de Multimodalidad: Los sistemas más robustos integran texto, voz, video y señales fisiológicas para capturar la naturaleza multifacética de los estados psicológicos, superando las limitaciones de los enfoques unimodales.

5. Significado e Impacto

Este trabajo es fundamental para el futuro de la computación psicológica por varias razones:

Unificación del Campo: Proporciona un lenguaje común y un marco estructurado que permite a investigadores de diferentes subdisciplinas colaborar y compartir avances técnicos.
Puente entre IA y Psicología Clínica: Al enfatizar la validez de construcción y la utilidad clínica sobre la simple precisión predictiva, el artículo guía el desarrollo de sistemas que son éticamente responsables y clínicamente útiles.
Hoja de Ruta para la Investigación: Identifica áreas críticas donde se necesita innovación, como el desarrollo de "gemelos digitales" mentales para modelado a largo plazo, la integración de conocimiento simbólico con redes neuronales para un razonamiento causal, y la creación de sistemas de intervención en bucle cerrado que se adapten dinámicamente a los cambios del paciente.
Escalabilidad: Al demostrar cómo los LLMs pueden reducir la dependencia de datos etiquetados costosos, abre la puerta a soluciones de salud mental escalables y accesibles globalmente, siempre que se aborden los desafíos de sesgo y privacidad.

En conclusión, el artículo marca un punto de inflexión al proponer que el progreso en la computación psicológica no dependerá solo de modelos más grandes, sino de una organización metodológica más inteligente que reconozca las similitudes computacionales subyacentes entre las diversas aplicaciones psicológicas.