Beyond Anthropomorphism: Exploring the Roles of Perceived Non-humanity and Structural Similarity in Deep Self-Disclosure Toward Generative AI

Resumen Técnico: Más allá del Antropomorfismo en la Autodivulgación Profunda a la IA Generativa

Planteamiento del Problema
La investigación tradicional en Interacción Humano-Computadora (HCI), fundamentada en el paradigma de las Computadoras como Actores Sociales (CASA), postula que el antropomorfismo (hacer que la IA parezca humana) es el principal impulsor de la confianza y la autodivulgación. Sin embargo, este estudio identifica una paradoja: si bien el antropomorfismo puede fomentar la complicidad, simultáneamente puede aumentar la "aprehensión de la evaluación social", lo que hace que los usuarios inhiban la autodivulgación profunda debido al miedo a la vergüenza o a las sanciones sociales. El artículo argumenta que el modelo antropomórfico dominante no logra explicar completamente por qué los usuarios a menudo sienten una mayor seguridad psicológica con una IA intrínsecamente no humana que con interlocutores humanos. El estudio busca clarificar los roles de la no humanidad percibida y la similitud estructural percibida como factores psicológicos alternativos que impulsan la autodivulgación profunda hacia la IA generativa.

Metodología
El estudio emplea un análisis secundario de datos de encuestas transversales recopilados en 2025 de 2.400 participantes en Japón (de 18 a 69 años), proporcionados por Hakuhodo DY Holdings. La muestra fue seleccionada por cuotas para alinearse con las estimaciones de la población nacional en cuanto a género y edad.

• Variables:
  • Variables Independientes:
    1. No humanidad percibida: Operacionalizada mediante un ítem proxy que indica que la naturaleza no humana de la IA reduce la preocupación por las opiniones de los demás ("Como el compañero no es humano, no tengo que preocuparme por lo que piense").
    2. Similitud estructural percibida: Una medida compuesta basada en ítems que evalúan si la estructura lógica y los procesos de pensamiento de la IA se alinean con los del usuario ("La estructura lógica de la conversación es similar a la mía").
  • Variables Dependientes:
    1. Ocurrencia de la autodivulgación: Una variable binaria que indica si el usuario consultó a la IA sobre asuntos que no podía contar a otros.
    2. Profundidad de la autodivulgación: Un índice exploratorio (0–4) derivado de cuatro ítems que cubren la descarga emocional, la confianza, la seguridad y la consulta sobre información sensible.
• Enfoque Analítico: Los participantes se dividieron en cuatro grupos según la presencia o ausencia de las dos variables independientes. Los análisis estadísticos incluyeron pruebas de chi-cuadrado, regresión logística (para calcular las razones de probabilidad) y ANOVA de una vía (para evaluar las diferencias en profundidad). Se realizaron subanálisis demográficos para hombres de 30 a 40 años y la Generación Z.

Contribuciones Clave
El artículo propone el "Modelo de No Humanidad Estructural", que integra dos mecanismos distintos:

1. El Factor Amortiguador (No humanidad): Reduce la aprehensión de la evaluación social al posicionar a la IA como una entidad sin emociones y no juzgadora.
2. El Factor de Confianza Cognitiva (Similitud Estructural): Fomenta la confianza cognitiva al alinear la salida lógica de la IA con el modelo mental del usuario, un concepto extraído de la Teoría de Mapeo Estructural (SMT) de Gentner y los modelos mentales de Norman.

El estudio desafía la suposición de que la "humanidad" es universalmente beneficiosa para la confianza, sugiriendo en cambio que, para la divulgación profunda y sensible, la falta de atributos humanos (reduciendo el riesgo de evaluación) combinada con la alineación lógica (proporcionando comprensión cognitiva) crea un entorno psicológico único.

Resultados
El análisis reveló asociaciones significativas entre los factores propuestos y los comportamientos de autodivulgación:

• Ocurrencia: La regresión logística mostró que el segmento que percibía ambas alta no humanidad y alta similitud estructural (Segmento D) tenía una probabilidad significativamente mayor de autodivulgación profunda en comparación con la línea base (Segmento A), con una Razón de Probabilidad (OR) de 11.35 (IC 95% [6.71, 19.20]).
  • Segmento B (Solo no humanidad): OR = 7.05.
  • Segmento C (Solo similitud estructural): OR = 2.08.
• Profundidad: El ANOVA indicó diferencias significativas en la profundidad de la divulgación entre los segmentos (F(3, 2396) = 139.60, p < .001). El Segmento D exhibió la puntuación media de profundidad más alta (1.95), superando significativamente a la línea base (0.30) y a los otros segmentos.
• Variaciones Demográficas:
  • Hombres (30s–40s): Mostraron un efecto pronunciado, con el Segmento D teniendo una OR de 9.40, lo que sugiere que las presiones de los roles sociales hacen que el aspecto "no evaluativo" de la IA sea particularmente valioso para este grupo.
  • Generación Z (18–29): También mostró una fuerte asociación (OR = 10.97 para el Segmento D), potencialmente vinculada al deseo de escapar de la "economía de la atención" de las redes sociales y a un estilo cognitivo que ve a la IA como una extensión de sus propios procesos de pensamiento.

Significado y Afirmaciones
El artículo afirma que la autodivulgación profunda hacia la IA generativa no es únicamente una función del antropomorfismo, sino que está significativamente asociada con una combinación de preocupaciones reducidas por la evaluación (mediante la no humanidad percibida) y confianza cognitiva (mediante la similitud estructural percibida).

Los autores enfatizan que estos hallazgos ofrecen una "perspectiva complementaria" a los modelos antropomórficos tradicionales. Sugieren que el "Espejo Máquina"—una IA que es claramente no humana pero lógicamente sincronizada con el usuario—puede ser un catalizador más efectivo para la divulgación profunda que un avatar humanoide. Este marco ayuda a explicar la "Paradoja de la Privacidad", donde los usuarios divulgan información sensible a pesar de los riesgos de privacidad, al postular que la seguridad psicológica de no ser juzgado y la comodidad cognitiva de ser "comprendido" anulan las preocupaciones.

Limitaciones y Advertencias
Los autores declaran explícitamente que el estudio es exploratorio y se basa en evidencia asociativa, no causal.

• Causalidad: El diseño transversal impide verificar la dirección causal; no se puede descartar la causalidad inversa (por ejemplo, usuarios que divulgan más perciben retrospectivamente una mayor similitud estructural).
• Medición: La "Puntuación de Profundidad de Autodivulgación" se construyó a partir de ítems existentes de encuestas con un Alfa de Cronbach de 0.662, por debajo del umbral estándar de 0.70, lo que requiere una interpretación cautelosa.
• Generalizabilidad: La muestra se limita a usuarios japoneses, y segmentos específicos (particularmente el Segmento D y el grupo de edad de 60+) tuvieron tamaños de muestra pequeños, lo que limita la robustez de las conclusiones para esos grupos específicos.
• Implicaciones Éticas: El artículo señala que, si bien este marco facilita la apertura, plantea preocupaciones éticas sobre la dependencia psicológica excesiva y el potencial de divulgación no intencionada de datos sensibles, llamando a intervenciones de diseño que regulen la divulgación en lugar de simplemente fomentarla.