💬 NLP

Memory-Driven Self-Disclosure and Relational Turning Points: A Longitudinal Multimodal Study of Human-AI Interaction

Este estudio longitudinal multimodal revela que las relaciones entre humanos e IA evolucionan a través de un proceso dual donde la memoria percibida fomenta la autorrevelación para aumentar indirectamente el disfrute a lo largo del tiempo, mientras que los puntos de inflexión conductuales discretos —caracterizados por aumentos y caídas abruptas— marcan cambios repentinos en la trayectoria relacional.

Autores originales: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

Publicado 2026-07-17

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ryuichi Sumida, Mao Saeki, Masaki Eguchi, Sadahiro Yoshikawa, Koji Inoue, Tatsuya Kawahara, Yoichi Matsuyama

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

Imagina que estás intentando construir una amistad con un robot. Hablas con él todos los días, como un amigo por correspondencia que vive en tu computadora. Pero aquí está la gran pregunta: ¿el hecho de hablar con el mismo robot una y otra vez convierte realmente una serie de charlas aburridas en una relación real? Este es el misterio que los científicos en el campo de la "Interacción Humano-Computadora" están tratando de resolver. Usualmente, los investigadores solo observan a las personas hablar con robots durante cinco minutos y luego preguntan: "¿Te gustó?". Pero las amistades reales no ocurren en cinco minutos; ocurren a lo largo de semanas y meses. Para entender cómo crece una amistad, necesitamos observar dos cosas: el goteo lento y constante de conocer a alguien, y los momentos repentinos y dramáticos donde las cosas o se ponen muy bien o se desmoronan por completo. Este artículo se sumerge en ese proceso desordenado y maravilloso de construir un vínculo con una IA, preguntándose qué hace que una charla se sienta como una "relación" en lugar de solo una secuencia de conversaciones aisladas.

Los investigadores detrás de este estudio decidieron dejar de suponer y empezar a rastrear. Invitaron a 24 estudiantes universitarios a hablar con una IA activada por voz llamada "InteLLA" todos los días durante 10 días. Piensa en InteLLA como un diario digital que nunca olvida; recuerda lo que le dijiste ayer para poder mencionarlo hoy. Después de cada charla, los estudiantes calificaron sus sentimientos en cinco escalas: qué tan familiar se sentían, qué tan cómodos estaban para compartir secretos personales (autorrevelación), qué tan bien pensaban que la IA los recordaba, qué tan buena fue la conversación y cuánto se divirtieron. El objetivo era ver cómo cambiaban estos sentimientos con el tiempo y si la IA podía detectar cuándo una relación estaba a punto de dar un salto gigante hacia adelante o un tropiezo brusco hacia atrás.

El estudio descubrió dos formas muy diferentes en las que crecen las relaciones, que los autores llaman "acumulación lenta" y "puntos de inflexión abruptos".

Primero, está el ascenso lento y constante. Los investigadores encontraron que lo que hace que una sola charla se sienta genial es totalmente diferente de lo que mantiene viva la relación a lo largo del tiempo. Si quieres que una sola conversación se sienta divertida en este momento, lo más importante es tener una charla fluida y natural (Calidad Conversacional). Pero aquí está el giro: una gran charla hoy no garantiza una gran relación mañana. Ese "factor de diversión" se reinicia cada vez que comienzदास una nueva sesión.

En cambio, la fórmula secreta para la amistad a largo plazo es la Memoria. Pero no solo la capacidad del robot para recordar hechos. El estudio sugiere que la "Memoria Percibida" es en realidad un sentimiento de conexión. Cuando un usuario siente que la IA lo recuerda, es porque la relación ya se siente cálida y familiar. Este sentimiento de ser recordado actúa como un puente hacia el futuro. Esto anima al usuario a abrirse y compartir secretos más profundos en la próxima sesión. Y aquí está la cadena mágica: la IA te recuerda $\rightarrow$ tú te sientes seguro para compartir más $\rightarrow$ te diviertes más al día siguiente. Así que la IA no necesita ser una enciclopedia perfecta; solo necesita hacerte sentir como un amigo que es escuchado, lo cual invita a compartir más, lo que hace que la amistad crezca.

Segundo, el estudio observó los momentos de "montaña rusa": los choques repentinos y las oleadas emocionantes. Un "choque" es cuando una relación de repente se siente plana o molesta, y una "oleada" es cuando de repente se siente increíble. Los investigadores encontraron que estos dos eventos no son imágenes especulares el uno del otro; se comportan de manera diferente.

Las oleadas son más fáciles de detectar mientras están ocurriendo. Cuando una relación despega de repente, la IA a menudo puede saberlo observando la voz y el rostro del usuario durante la charla. El usuario puede estar hablando más fuerte, sonriendo más o asintiendo con la cabeza. Estas son las "luces verdes" que dicen: "¡Oye, esto está funcionando! ¡Sigue así!".
Los choques son más escurridizos. Una relación desmoronándose es más difícil de captar en el momento. Sin embargo, el estudio sugiere que algunos choques son en realidad visibles antes de que ocurran. Si el comportamiento de un usuario comienza a alejarse lentamente de su patrón normal durante varios días (como hablar menos o sonar más distante), la IA podría ser capaz de predecir que un choque se aproxima. Pero una vez que ocurre un choque, a menudo es demasiado tarde para arreglarlo simplemente mirando esa charla específica.

Hay un hallazgo más fascinante sobre cuánto duran estos sentimientos. Cuando una relación tiene una "oleada" (un momento de pura alegría), ese sentimiento tiende a permanecer. Aproximadamente el 75% de las veces, el estado de ánimo elevado dura hasta el día siguiente. Pero cuando una relación tiene un "choque" (un momento de decepción), es mucho más difícil recuperarse. Solo el 52% de las veces el estado de ánimo se recupera a donde estaba antes. Esto sugiere que los momentos positivos son como bloques de construcción que se apilan, mientras que los momentos negativos son como agujeros que son difíciles de llenar.

En resumen, este artículo sugiere que construir una amistad con una IA no se trata solo de hacer al robot más inteligente. Se trata de entender que las relaciones tienen dos velocidades: un desarrollo lento y constante donde sentirse "recordado" ayuda a que te abras, y cambios repentinos y dramáticos donde los momentos positivos son más fáciles de captar y mantener, mientras que los momentos negativos son más difíciles de reparar. Los autores concluyen que para que una IA sea un verdadero compañero, necesita ser buena en dos cosas: notar cuando un usuario se está alejando lentamente para prevenir un choque, y reconocer cuando un usuario está teniendo un gran momento para hacer que esa alegría dure más.

Resumen Técnico: Autodescubrimiento Impulsado por la Memoria y Puntos de Inflexión Relacionales

Planteamiento del Problema

Aunque los sistemas de IA conversacional están siendo diseñados cada vez más para un uso repetido, la mayor parte de la investigación sobre la dinámica relacional humano-IA permanece confinada a estudios de sesión única. Esto deja una brecha fundamental en la comprensión de cómo una serie de interacciones aisladas evoluciona hacia una relación sostenida. Específicamente, no está claro cómo la continuidad a través de las sesiones influye en constructos relacionales como la familiaridad, el autodescubrimiento (self-disclosure) y el disfrute, ni si los cambios relacionales abruptos (puntos de inflexión) pueden detectarse o predecirse mediante señales conductuales multimodales. Los estudios longitudinales existentes suelen depender de análisis descriptivos de autoinformes sin modelar las dependencias temporales entre diferentes dimensiones relacionales o caracterizar la asimetría entre eventos relacionales positivos y negativos.

Metodología

Los autores llevaron a cabo un estudio multimodal longitudinal que involucró a 24 estudiantes universitarios interactuando con InteLLA, un agente conversacional basado en voz y aumentado por memoria, durante 10 sesiones diarias.

Sistema y Recolección de Datos

Agente: InteLLA utiliza un sistema de memoria de Generación Aumentada por Recuperación (RAG) impulsado por GPT-4o-mini. Recupera fragmentos relevantes de conversaciones previas para generar aperturas personalizadas y mantener el contexto.
Procedimiento: Cada sesión duró aproximadamente cinco minutos (20–25 turnos). Después de cada sesión, los participantes calificaron cinco constructos relacionales en una escala Likert de 7 puntos:
1. Familiaridad (sentido de familiaridad, empatía)
2. Penetración Social (comodidad con temas amplios/personales; operacionalizado como autodescubrimiento o self-disclosure)
3. Memoria Percibida (recuerda conversaciones pasadas, comprende al usuario)
4. Calidad Conversacional (naturalidad, agrado)
5. Disfrute (diversión, deseo de volver)
Características Multimodales: El estudio extrajo 351 características interpretables de texto, audio y video:
- Texto (42 a nivel de sesión): Emoción, vulnerabilidad, marcadores de autodescubrimiento, referencias de memoria (anotados vía GPT-4.1).
- Audio (16 a nivel de sesión): Prosodia, toma de turnos, dinámica de la emoción (openSMILE).
- Video (4 a nivel de sesión): Mirada, cambios de atención, movimiento de cabeza, tasa de parpadeo (OpenFace 2.0).
- Características Temporales y Normalizadas: Derivadas de los datos a nivel de sesión utilizando deltas, medias móviles exponenciales y desviaciones normalizadas por persona (z-scores) para controlar los basales individuales.

Marco Analítico

El estudio empleó cuatro enfoques de modelado complementarios:

Modelos de Curva de Crecimiento: Para estimar tendencias lineales en los constructos relacionales a lo largo de las 10 sesiones.
Asociaciones Concurrentes: Para analizar las relaciones dentro de la misma sesión entre los constructos.
Modelos de Panel de Retraso Cruzado de Efectos Fijos (CLPM): Para probar si el nivel de un constructo en la sesión $t$ predice otro en la sesión $t+1$ , controlando la estabilidad autorregresiva.
Modelos de Mediación con Retraso: Para probar vías indirectas (por ejemplo, Memoria $\to$ Autodescubrimiento $\to$ Disfrute).

Análisis de Eventos: Los autores definieron Colapsos (Crashes, cambios negativos bruscos) y Oleadas (Surges, cambios positivos bruscos) como cambios de sesión a sesión que exceden una desviación estándar de la media del delta. Estos eventos se analizaron utilizando Regresión Logística Elastic-Net (ENLR) para dos tareas:

Detección: Predecir un evento en la sesión $t$ usando datos hasta $t$ .
Pronóstico: Predecir un evento en la sesión $t$ usando solo datos hasta $t-1$ .
Los modelos fueron evaluados mediante validación cruzada de Dejar a un Participante Fuera (LOPO) y el Área Bajo la Curva de Precisión-Recall (AUPROC).

Contribuciones Clave

El artículo realiza dos contribuciones primarias:

Desentrañamiento de la Calidad de la Sesión vs. el Crecimiento Transversal de Sesiones: El estudio distingue entre los factores que hacen que una sola sesión sea agradable y aquellos que sostienen una relación a lo largo del tiempo. Identifica la Memoria Percibida no meramente como una capacidad del sistema, sino como una "valoración relacional" que está condicionada por estados relacionales previos y actúa como un puente longitudinal hacia el futuro autodescubrimiento.
Caracterización de la Asimetría de Colapso-Oleada: La investigación operacionaliza y analiza la asimetría entre los puntos de inflexión relacionales positivos y negativos. Demuestra que las oleadas y los colapsos difieren en su observabilidad (detectabilidad en el momento), aparición (predictibilidad mediante deriva previa) y persistencia (durabilidad del efecto).

Resultados Clave

1. Dinámicas Temporales de los Constructos Relacionales

Trayectorias de Crecimiento: Solo la Penetración Social (autodescubrimiento) mostró un crecimiento lineal estadísticamente significativo a lo largo de las 10 sesiones ( $\beta=0.081, p=.003$ ). La Familiaridad, la Memoria Percibida, la Calidad Conversacional y el Disfrute no mostraron un crecimiento lineal confiable.
Dentro de la Sesión vs. Transversal de Sesiones:
- La Calidad Conversacional impulsa fuertemente el Disfrute dentro de la misma sesión ( $\delta=0.430, p<.001$ ), pero no tiene un efecto de retardo cruzado significativo en sesiones futuras. Es un motor inmediato y local de la sesión.
- La Memoria Percibida funciona como un puente longitudinal. Es predicha por el Disfrute, la Familiaridad y la Penetración Social previos. Crucialmente, predice el futuro Autodescubrimiento, que a su vez predice el futuro Disfrute.
Vía de Mediación: El estudio confirma una vía de mediación completa: Memoria Percibida $\to$ Autodescubrimiento $\to$ Disfrute. La memoria no aumenta el disfrute directamente; más bien, facilita un autodescubrimiento más profundo en la siguiente sesión, lo cual luego impulsa el disfrute.

2. Puntos de Inflexión Relacionales (Colapsos y Oleadas)

Asimetría de Observabilidad: Las Oleadas son significativamente más detectables que los Colapsos utilizando el comportamiento multimodal de la misma sesión (AUPRC promedio: Oleada 0.215 vs. Colapso 0.143). Los cambios positivos son más legibles conductualmente a medida que se desarrollan.
Asimetría de Aparición:
- Los Colapsos en Familiaridad, Penetración Social y rapport sistémico son mejor pronosticados (predichos desde sesiones previas) que detectados en el momento, lo que sugiere un modo de "deriva" de deterioro.
- Los Colapsos en Calidad Conversacional son mejor detectados que pronosticados, indicando fallos locales realizados dentro de la sesión.
Asimetría de Persistencia: Las Oleadas de Disfrute son altamente persistentes (75% mantenido), mientras que los Colapsos de Disfrute se recuperan con menos frecuencia (52% de recuperación). Los puntos de inflexión positivos generan un impulso más duradero de lo que los negativos pueden deshacer.

3. Firmas Conductuales

Pronóstico de Colapsos: Depende fuertemente de las desviaciones normalizadas por persona (por ejemplo, variabilidad de la valencia, variabilidad de F0, desviación de la relación de backchannel respecto al basal del usuario).
Detección de Oleadas: Depende de señales de expansión interaccional (por ejemplo, volumen, alineación semántica, variabilidad de backchannel) y características de continuidad temporal.

Significado y Reivindicaciones

El artículo argumenta que las relaciones longitudinales humano-IA se construyen a través de dos mecanismos acoplados: acumulación lenta (impulsada por la memoria percibida y el autodescubrimiento) y puntos de inflexión abruptos (colapsos y oleadas).

Implicación de Diseño para la Memoria: Los sistemas de memoria no deben diseñarse simplemente para mostrar el recuerdo. En su lugar, deben ser diseñados para facilitar el autodescubrimiento mediante la referencia a temas pasados de manera que inviten a la elaboración, actuando así como un catalizador para la profundización relacional.
Implicación de Diseño para la Adaptación: Los agentes adaptativos requieren estrategias de intervención asimétricas:
- Monitoreo Proactivo: Los sistemas deben monitorear la deriva conductual entre sesiones para prevenir colapsos graduales (especialmente en familiaridad y rapport).
- Refuerzo Reactivo: Los sistemas deben reconocer y capitalizar las oleadas dentro de la sesión, ya que los cambios positivos son más detectables en el momento y tienen más probabilidades de persistir.
Contribución Teórica: Los hallazgos desafían la suposición de que "lo malo es más fuerte que lo bueno" en el contexto de la trazabilidad conductual dentro de la interacción humano-IA. Aunque los eventos negativos pueden ser más salientes cognitivamente, los cambios positivos son más trazables conductualmente y duraderos en este contexto específico.

Los autores mantienen la modestia respecto a sus afirmaciones, señalando que el estudio es una prueba de concepto con un tamaño de muestra pequeño ( $N=24$ ) y que el rendimiento absoluto de detección (AUPRC 0.07–0.30) aún no está listo para su implementación. Enfatizan que los hallazgos son específicos de la arquitectura InteLLA y de la población de estudiantes de habla inglesa, y que las dinámicas observadas son cambios intra-persona en lugar de diferencias de rasgos absolutos.