Empathy as Predictive Misalignment Tolerance: A Co-Regulation Framework and the Regime Structure of Dialogue Repair

Resumen Técnico: La Empatía como Tolerancia al Desalineamiento Predictivo

Planteamiento del Problema
Los modelos teóricos y computacionales actuales de la empatía se basan predominantemente en un encuadre sincrónico, definiendo la empatía como la resonancia, el reflejo o la simulación inmediata del estado emocional o cognitivo de otro. En la inteligencia artificial, esto se traduce en sistemas que detectan el afecto del usuario y generan respuestas congruentes. Los autores argumentan que esta es una nocencia de la empatía "delgada" que no logra dar cuenta del diálogo extendido, donde la comprensión es un proceso temporal caracterizado por la deriva, la divergencia y la reparación. Los marcos existentes tratan el malentendido como un fallo que debe eliminarse, mientras que los autores postulan que la comprensión genuina en la interacción extendida requiere la capacidad de anticipar y regular la divergencia interpretativa a lo largo del tiempo, en lugar de colapsarla.

Marco Teórico: Tolerancia al Error Interpretativo (IET)
El artículo propone reencuadrar la empatía como tolerancia al desalineamiento predictivo. Esto se operacionaliza a través del concepto de Tolerancia al Error Interpretativo (IET), definida como la capacidad de mantener una "banda de divergencia viable" entre los agentes que interactúan.

• Mecanismo Central: En lugar de minimizar la distancia entre dos trayectorias interpretativas, el objetivo es mantener esa distancia dentro de una zona negociada dinámicamente (el espacio de tolerancia).
• Heurística Formal: Los autores introducen una regla de actualización regulatoria (Ecuación 1) para el umbral de tolerancia ($\theta_t$):
  $$\theta_{t+1} = \theta_t + \eta (\sigma(\Delta_t) - \sigma^*)$$
  Donde $\Delta_t$ es la divergencia interpretativa, $\sigma(\Delta_t)$ es la varianza de ventana corta de la divergencia reciente, $\sigma^*$ es una varianza objetivo homeostática, y $\eta$ es una tasa de adaptabilidad.
• Lógica Regulatoria: Cuando la varianza de la divergencia excede el objetivo, la banda de tolerancia se ensancha; cuando se vuelve demasiado ordenada, la banda se estrecha. Las acciones de reparación (por ejemplo, aclaración, reducción de peso de turnos sospechosos) se activan cuando la divergencia proyectada amenaza con salir de esta banda.
• Postura Filosófica: Basándose en el procesamiento predictivo, la cognición enactiva y la fenomenología (específicamente la ética levinasiana), el marco argumenta que la empatía es un proceso de co-regulación que preserva la "irreducibilidad" del otro, en lugar de una fusión de mentes.

Metodología: Sondas Computacionales
Para probar la viabilidad operativa de la IET, los autores realizaron dos sondas computacionales utilizando el corpus DailyDialog. Los experimentos emplearon un paradigma de inyección de ruido controlado, donde se introdujo ruido variable en el tiempo en los contextos de diálogo. Se compararon tres políticas:

1. Línea Base de No-Reparación: Sin intervención.
2. Política de $\theta$ Fijo: Un umbral estático para activar la reparación.
3. Política de IET Adaptativa: Implementa la regla de actualización basada en la varianza (Ecuación 1).

• Sonda 1 (Elección de Señal): Utilizó la distancia de coseno entre los embeddings de los turnos y un resumen de contexto continuo. La reparación fue un "descarte duro" (hard drop) de los turnos sospechosos.
• Sonda 2 (Deriva Basada en Anclaje): Rediseñada para abordar las limitaciones de la Sonda 1.
  • Señal: La deriva se midió contra un "ancla temática" fija (los dos primeros turnos) en lugar de un resumen continuo.
  • Acción: La reparación cambió del descarte duro a la reducción de peso continua ($w = \exp(-k \cdot \max(0, \Delta_t - \theta_t))$).
  • Métricas: Evaluadas en dos ejes distintos: Fidelidad Discriminativa (precisión de recuperación de la siguiente ocurrencia de 1 de 20) y Preservación de la Esencia (similitud de coseno con el contexto original limpio y sin ruido).

Resultos Clave
Los resultados empíricos no validaron la política de ITE Adaptativa como un controlador superior sobre los umbrales fijos, pero revelaron un fenómeno estructural crítico en la reparación de diálogos:

1. Fallo de la Regla de Actualización de la IET: En ambas sondas, la política de IET Adaptativa fue estadísticamente indistinguible de la política de $\theta$ Fijo (McNemar pareado $p=1.0$). La actualización basada en la varianza fue demasiado suave para impulsar una diferenciación significativa en el espacio de embeddings probado.
2. Conflación de Señal en la Sonda 1: La Sonda 1 falló porque la señal de "resumen continuo" confluyó la evolución temática natural con el malalineamiento inducido por el ruido, causando falsos positivos que degradaron el rendimiento.
3. Reparación Estructurada por Regímenes (Sonda 2): El hallazgo más significativo fue un intercambio dependiente del régimen entre la precisión de recuperación y la preservación de la esencia:
   • Ruido de Bajo a Moderado: Los mecanismos de reparación degradaron la fidelidad discriminativa (precisión de recuperación) en comparación con la línea base de no-reparación.
   • Ruido Alto: Los mecanismos de reparación comenzaron a preservar mejor la esencia del significado (similitud de coseno con el contexto limpio) que la línea base de no-reparación, mientras que la precisión de recuperación se mantuvo baja.
   • El Punto de Cruce: Las curvas de preservación de la esencia se cruzaron entre tasas de ruido de 0.30 y 0.45. La reparación solo resultó beneficiosa para la preservación del significado cuando el ruido fue lo suficientemente alto como para degradar el rendimiento de la línea base de manera comparable.

Significancia y Reivindicaciones
El artículo establece explícitamente que su contribución principal es conceptual, normativa y metodológica, no la validación de un algoritmo de control específico.

• Reencuadre Conceptual: Los autores argumentan que la empatía en la interacción extendida no es la eliminación de la divergencia, sino la regulación de sus dinámicas. El "éxito" de un sistema empático reside en mantener una relación interpretativa trabajable a través de la diferencia, no en lograr la convergencia.
• Perspectiva Empírica: La "estructura de régimen" de la reparación sugiere que los marcos de evaluación existentes (que a menudo promedian el rendimiento o usan métricas únicas) oscurecen la realidad de que las estrategias de reparación implican un intercambio fundamental: sacrificar el detalle discriminativo para preservar la esencia compartida bajo alto ruido.
• Implicaciones de Diseño: El artículo aboga por un cambio en el diseño de la IA de la "búsqueda de convergencia" hacia la "gestión de la divergencia". Insta a:
  • Tolerancia Personalizada y Contestable: Los parámetros que definen la banda de tolerancia deben ser visibles y ajustables por los usuarios, en lugar de valores predeterminados ocultos.
  • Evaluación Consciente del Régimen: Los benchmarks deben probar el rendimiento a través de rejillas de ruido y usar métricas duales (severas vs. permisivas) para capturar los intercambios entre detalle y esencia.
  • Humildad Ética: Los sistemas deben diseñarse para preservar la ecología relacional y la distinción del usuario, evitando el riesgo de "empatía como captura", donde la regulación fluida crea dependencia.

En conclusión, el artículo postula que, si bien la regla de actualización específica de la IET probada no superó a las líneas base fijas, el fenómeno de la reparación estructurada por regímenes confirma la necesidad de ver la empatía como un proceso dinámico de mantenimiento de la inteligibilidad a través de la diferencia, en lugar de un estado estático de alineación.