Resumen Técnico: TruthSplit

Planteamiento del Problema

Las herramientas de argumentación computacional existentes se centran principalmente en analizar las propiedades intrínsecas de los argumentos, tales como su estructura, calidad, postura o capacidad de persuasión. Estos sistemas suelen asumir implícitamente un estándar universal de corrección, clasificando los argumentos como "válidos" o "falaces". Sin embargo, en entornos polarizados, el desacuerdo frecuentemente no surge de un razonamiento defectuoso, sino de diferencias estructurales más profundas: supuestos divergentes sobre cómo funciona el mundo, prioridades de valores distintas y diversas definiciones de conceptos sociales en disputa (por ejemplo, "libertad" o "justicia").

Las herramientas actuales no logran abordar la validez condicional: el concepto de que la validez de una conclusión depende no solo de sus premisas, sino también del mundo de visión específico (valores, supuestos y definiciones conceptuales) a través del cual se interpreta. En consecuencia, un argumento puede ser lógicamente consistente y válido dentro de un marco ideológico, mientras que es inválido en otro. Existe una falta de sistemas capaces de operacionalizar este análisis dependiente de la perspectiva para explicar por qué la misma afirmación conduce a conclusiones diferentes a través de distintas visiones del mundo.

Metodología

TruthSplit es un sistema interactivo diseñado para operacionalizar la validez condicional mediante un flujo de análisis de múltiples etapas. Descompone los argumentos y los evalúa frente a perfiles de visión del mundo estructurados y computacionalmente codificados.

1. Base de Conocimientos de Visión del Mundo

El sistema utiliza una base de conocimientos estructurada que contiene seis perspectivas ideológicas: Libertaria, Conservadora-Religiosa, Socialdemócrata-Ecológica, Populista-Nacionalista, Comunista y Neoreaccionaria.

• Estructura: Cada perfil es un objeto JSON extensible que contiene valores fundamentales ponderados, definiciones clave (que interpretan términos en disputa), principios asumidos, marcos de decisión y puntuaciones de factores en 16 dimensiones ideológicas.
• Función: Estos perfiles sirven como los "priors" (conocimientos previos) que condicionan el proceso de razonamiento, permitiendo al sistema simular cómo diferentes perspectivas interpretan una misma entrada.

2. Flujo de Análisis (Pipeline)

El sistema procesa el texto de entrada (vía entrada directa, carga de archivos o API de noticias) a través de seis etapas secuenciales:

• Extracción de Argumentos: El sistema descompone el texto en afirmaciones (aseveraciones centrales), premisas (evidencia explícita) y supuestos (creencias no declaradas). Esto se realiza mediante dos modos:
  • Local: Un modelo de clasificación de secuencias (precisión aproximada del 75–80%) para un análisis que preserve la privacidad.
  • Nube (Cloud): Un LLM con prompts estructurados y validación JSON (precisión aproximada del 95%+) .
• Prueba de Consistencia de Tres Capas (NLI): El sistema emplea un enfoque de Inferencia de Lenguaje Natural (NLI) para evaluar la coherencia lógica en tres niveles:
  1. Lógica Premisa-Afirmación: Evalúa si las premisas apoyan lógicamente la conclusión independientemente de los juicios de valor (independiente de la perspectiva).
  2. Perspectiva Interna: Evalúa si la afirmación se alinea con los principios de un perfil de visión del mundo específico.
  3. Transversal de Perspectivas: Compara las puntuaciones de consistencia entre perfiles para identificar desacuerdos fundamentales.
• Vinculación de Conceptos: El sistema calcula la similitud de coseno entre las definiciones de conceptos específicas de cada visión del mundo y las afirmaciones extraídas para identificar qué conceptos son más relevantes para cada perspectiva (por ejemplo, cómo se define "libertad" de manera diferente por Libertarios vs. Socialdemócratas).
• Razonamiento de Visión del Mundo: Utilizando las puntuaciones de consistencia, los conceptos vinculados y los perfiles completos de visión del mundo como contexto, el LLM genera salidas específicas por perspectiva. Estas incluyen:
  • Interpretación y postura (Apoyo/Oposición/Condicional).
  • Cadenas de razonamiento.
  • Supuestos y preocupaciones clave.
  • Enfoques alternativos.
• Análisis de Divergencia: El sistema analiza cómo difieren las perspectivas, categorizando los conflictos en:
  • Conflictos de Valores: Prioridades contrapuestas (ej. libertad vs. igualdad).
  • Diferencias de Definición: Interpretaciones divergentes de un mismo término.
  • Brechas de Supuestos: Dependencia de premisas empíricas o normativas distintas.
  • Diferencias de Prioridad: Valores compartidos pero clasificados de forma distinta.
  • Flujo de Convergencia: Una visualización que traza la cadena de razonamiento desde los valores fundamentales hasta las conclusiones para señalar exactamente dónde divergen las perspectivas.

3. Interfaz de Usuario

El frontend es una aplicación React que cuenta con:

• Panel de Control de Análisis: Visualiza métricas de resumen, razonamiento por visión del mundo, patrones de divergencia y un espacio de factores 3D para el posicionamiento de la visión del mundo.
• Chatbot de Visión del Mundo: Un agente interactivo basado en LLM que encarna una visión del mundo seleccionada, permitiendo a los usuarios entablar un diálogo, desafiar posiciones o explorar respuestas ante nuevos escenarios, manteniendo un estricto cumplimiento de los valores y definiciones del perfil.

Contribuciones Clave

El artículo describe cuatro contribuciones primarias:

1. Operacionalización de la Validez Condicional: Permite el análisis sistemático de argumentos a través de múltiples perspectivas en lugar de asignar una única etiqueta de corrección.
2. Razonamiento Condicionado por Perspectiva: Genera cadenas de razonamiento explícitas condicionadas por perfiles ideológicos estructurados y extensibles, en lugar de prompts informales.
3. Exploración Interactiva de la Divergencia: Proporciona herramientas analíticas y visuales para identificar conflictos de valores, brechas de supuestos y puntos de desacuerdo.
4. Representación Estructurada de la Visión del Mundo: Codifica las perspectivas como perfiles computacionales (valores, definiciones, principios de decisión) para apoyar el análisis multi-perspectiva, yendo más allá de la simple clasificación de texto.

Resultados de la Evaluación

Los autores realizaron una evaluación de métodos mixtos que involucró un nivel de expertos (3 estudiantes de filosofía) y un nivel general (52 participantes de diversos trasfondos académicos).

• Usabilidad y Accesibilidad: Los expertos calificaron el sistema muy positivamente en cuanto a facilidad de uso (4.67/5) y atractivo visual (5.00/5). Los no expertos encontraron el análisis de divergencia accesible (4.07/5), lo que indica que los resultados comparativos son comprensibles sin formación filosófica especializada.
• Representación de la Visión del Mundo: La validación de expertos de 96 combinaciones de factor-visión del mundo mostró una correlación positiva moderada ($r=0.33$) entre las puntuaciones de factores implementadas y las calificaciones de importancia de los expertos. La alineación fue más fuerte para los perfiles Conservador-Religioso y Socialdemócrata-Ecológico. Los expertos señalaron la ambigüedad inherente al cuantificar las dimensiones ideológicas, con una varianza sustancial entre expertos.
• Robustez del LLM: Las salidas generadas por diferentes familias de LLM (Claude, GPT, Gemini, Grok, DeepSeek) no mostraron diferencias significativas de calidad, lo que sugiere que el enfoque de prompting estructurado estandariza el razonamiento entre modelos.
• Extracción de Afirmaciones: Fue calificada de forma moderadamente positiva (6.67/10), lo que indica margen de mejora en la precisión de la extracción automatizada.

Significado y Pretensiones

El artículo posiciona a TruthSplit no como una herramienta para resolver el desacuerdo, sino como un instrumento analítico y educativo que hace que el desacuerdo ideológico sea más inteligible.

• Reencuadre del Desacuerdo: Al poner en primer plano la validez condicional, el sistema reencuadra el conflicto como un producto de premisas y jerarquías de valores divergentes, en lugar de una inconsistencia fáctica o un fallo lógico.
• Más allá de los Juicios Binarios: Demuestra cómo los sistemas de IA pueden ir más allá de los juicios binarios de "correcto/incorrecto" hacia un análisis transparente del desacuerdo normativo.
• Utilidad Educativa: El sistema está destinado a educadores, estudiantes, investigadores y analistas para explorar el razonamiento dependiente de la perspectiva en el discurso político y ético.
• Alcance Modesto: Los autores reconocen limitaciones, incluyendo la naturaleza exploratoria del estudio, el tamaño limitado de la muestra y el desafío de definir límites rígidos para las visiones del mundo. Expresan explícitamente que la evaluación se centra en la usabilidad e interpretabilidad de los análisis, no en la corrección absoluta del razonamiento o de las explicaciones de divergencia, dejando esto último para trabajos futuros.

Los autores concluyen que el condicionamiento de la visión del mundo mediante estructuras proporciona una base viable para el análisis de argumentos multi-perspectiva, ofreciendo un marco para un compromiso más informado con las diferencias ideológicas.