💻 computer science

Two-sided receptivity to conversational AI agents in online dating: Bilingual survey data from Fledge.Love

Este artículo presenta dos conjuntos de datos de encuestas bilingües de usuarios de Fledge.Love que miden la receptividad hacia los agentes conversacionales autónomos y el interés en las funciones de IA generativa en las citas en línea, proporcionando datos anonimizados y herramientas de análisis para apoyar la investigación sobre la comunicación humano-IA y la aceptación tecnológica transcultural.

Autores originales: Daria Leshchikova, Valentina V. Kuskova, Dmitry Zaytsev, Valerii Klimov

Publicado 2026-08-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daria Leshchikova, Valentina V. Kuskova, Dmitry Zaytsev, Valerii Klimov

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

En los rincones tranquilos de nuestras vidas digitales, un nuevo tipo de conversación está comenzando a tomar forma. Durante años, las citas en línea han dependido de humanos escribiendo mensajes a otros humanos, pero una nueva ola de tecnología está introduciendo la inteligencia artificial en la mezcla. Estos no son solo herramientas inteligentes que sugieren una mejor manera de redactar una frase; son agentes autónomos que pueden hablar en nombre de una persona, o incluso conversar con otros agentes antes de que un humano vea siquiera la pantalla. Este cambio plantea una pregunta fundamental sobre cómo nos conectamos: ¿queremos que una máquina hable por nosotros y, lo que es más importante, cómo nos sentimos cuando nos damos cuenta de que la persona con la que estamos chateando podría ser una máquina? Comprender estos sentimientos es crucial porque la tecnología se mueve más rápido que nuestra comprensión de ella. Si bien sabemos que las personas tienen opiniones sobre el uso de la tecnología en general, tenemos muy poca evidencia sobre cómo reaccionan al acto específico e íntimo de delegar una conversación a una computadora, o al encontrarse con una al otro lado de la línea.

Para responder a esto, los investigadores han publicado una mirada detallada de las actitudes de miles de personas que utilizan una plataforma de citas llamada Fledge.Love. El equipo, trabajando con los empleados de la plataforma, realizó dos encuestas separadas para capturar el panorama completo de esta realidad emergente. La primera encuesta preguntó a 2,617 usuarios activos, que hablaban tanto inglés como ruso, sobre sus sentimientos hacia estos agentes autónomos. Los investigadores fueron cuidadosos al preguntar sobre dos roles distintos: la persona que podría contratar a un agente para que hable por ella, y la persona que podría recibir un mensaje de un agente. Esta distinción es vital porque una persona podría amar la idea de tener un robot que le ayude a encontrar una pareja, pero sentirse incómoda al descubrir que su nueva pareja es en realidad un bot. La segunda encuesta, que involucró a 2,894 usuarios, analizó el interés en funciones pasivas, como una IA que escribe un resumen de un perfil o ofrece consejos para la conversación. Al recopilar estos datos directamente de las personas que están viviendo estos cambios, los investigadores crearon una instantánea excepcional de cómo los usuarios reales están navegando la frontera entre lo humano y lo mecánico en la búsqueda del amor.

Los resultados revelan un paisaje complejo de aceptación y vacilación. En cuanto a la idea de desplegar su propio agente para chatear con parejas potenciales mientras ellos no están, muchos usuarios expresaron interés, con una parte significativa diciendo que lo probarían o que ya lo estaban considerando. Sin embargo, la reacción al encontrarse con un agente al otro lado fue más mixta. Mientras que algunos usuarios dijeron que participarían en una conversación con un agente, otros reaccionaron negativamente, afirmando que solo querían hablar con una persona real. Los datos mostraron que estas dos actitudes no siempre coinciden; una persona podría estar ansiosa por usar un agente para sí misma y, simultáneamente, sentirse incómoda si sospechara que su pareja está usando uno. Los investigadores también descubrieron que la forma en que las personas sienten estos agentes depende de la situación específica. Por ejemplo, los usuarios estaban más abiertos a la idea de que dos agentes hablaran entre sí antes de que los humanos se unieran, viéndolo como una idea divertida o incluso genial, en comparación con la reacción más escéptica a un chat grupal mixto donde humanos y agentes interactúan simultáneamente.

El estudio también descubrió cómo el lenguaje moldea estas visiones. Los investigadores analizaron las respuestas de hablantes tanto de inglés como de ruso y encontraron que, si bien las tendencias generales eran similares, hubo diferencias sutiles en cómo se entendieron y respondieron ciertas preguntas. Por ejemplo, ciertas preguntas sobre el encuentro con un agente fueron interpretadas de manera diferente según el idioma, lo que sugiere que el contexto cultural juega un papel en cómo las personas perciben estas tecnologías. Los datos también incluyen información demográfica como la edad y la antigüedad en la plataforma, que están disponibles para análisis posteriores, aunque la publicación se centra en las preferencias declaradas más que en los resultados conductuales. Es importante destacar que los investigadores se aseguraron de proteger la privacidad de todos los involucrados. Eliminaron toda la información de contacto personal y los comentarios de texto libre, y ajustaron cuidadosamente los datos para que ningún individuo pudiera ser identificado, asegurando que la publicación fuera segura para el uso público manteniendo al mismo tiempo la riqueza de los hallazgos.

Más allá de los números, este trabajo proporciona un marco claro para comprender el futuro de las relaciones digitales. Los investigadores no solo preguntaron si a la gente le gustaba la IA; desglosaron la experiencia en roles y escenarios específicos, mostrando que la aceptación no es una decisión única de sí o no, sino una serie de elecciones matizadas. Encontraron que, si bien la tecnología está lista para ser desplegada, el elemento humano de la confianza y la transparencia sigue siendo el factor decisivo. Los datos sugieren que, para que estas herramientas tengan éxito, las plataformas deberán ser claras sobre cuándo hay un agente involucrado y dar a los usuarios el control sobre sus interacciones. Esta publicación de datos es más que una colección de respuestas de encuestas; es un paso fundacional para cualquiera que esté construyendo la próxima generación de aplicaciones de citas, diseñando cómo hablamos con las máquinas o estudiando cómo aceptamos nuevas tecnologías en nuestras vidas más personales. Al hacer pública esta información, los investigadores han dado al mundo la oportunidad de ver exactamente dónde nos encontramos mientras nos adentramos en un futuro donde la línea entre la conversación humana y la de la máquina se vuelve cada vez más borrosa.

Resumen Técnico: Receptividad bidireccional a los agentes de IA conversacional en las citas en línea

Planteamiento del problema
La rápida integración de agentes conversacionales autónomos e IA generativa en las plataformas de citas en línea ha superado la acumulación de evidencia pública sobre las actitudes de los usuarios. Los instrumentos de investigación existentes generalmente miden la aceptación general de la IA o la adopción abstracta de tecnología, pero no logran capturar la estructura específica de la delegación de la comunicación. En este contexto, un único usuario ocupa dos roles distintos simultáneamente: el rol de principal (desplegar un agente para conversar en su nombre) y el rol de contraparte (encontrarse con un agente desplegado por otro usuario). Los microdatos públicos actuales no miden la receptividad a ambos roles dentro de los mismos encuestados, y los datos de encuestas de las bases de usuarios de plataformas de citas son escasos debido a las barreras de acceso comercial.

Metodología
Los autores publican dos conjuntos de datos de encuestas anonimizadas recolectados de usuarios activos de Fledge.Love, una plataforma internacional de citas. La recolección de datos consistió en prompts voluntarios autoadministrados dentro de la aplicación sin incentivos.

Instrumento B (Receptividad del Agente):
- Muestra: $N = 2,617$ usuarios activos (realizado en noviembre–diciembre de 2025).
- Diseño: Una encuesta bilingüe (ruso e inglés) que mide la receptividad a los agentes autónomos.
- Ítems: Una batería de siete ítems que distingue los dos roles:
  - Rol de Principal (Y1–Y3, Y7): Primera reacción al concepto, actitud hacia la configuración del agente, disposición a desplegar uno propio y valor general del producto.
  - Rol de Contraparte (Y4–Y6): Disposición a interactuar con el agente de otra persona, reacción a pre-conversaciones de agente a agente y reacción a chats grupales mixtos entre humanos y agentes.
- Covariables: Seis covariables ordinales (género, banda de edad, antigüedad en la plataforma, volumen de matches, tasa de conversión de conversación, sentimientos negativos sobre matches estancados) y dos ítems categóricos auxiliares sobre razones de conversaciones estancadas y estrategias de afrontamiento.
- Anonimización: Se aplicó un pipeline riguroso antes del análisis, que incluyó la eliminación de campos de contacto no leídos, la eliminación de texto libre, el redondeo de marcas de tiempo a semanas ISO, el barajado del orden de las filas y la auditoría de $k$ -anonimato ( $k \ge 5$ ). Se aplicó una recodificación local para fusionar bandas de edad para mujeres de habla inglesa de 45+ años para resolver una violación de $k$ -anonimato.
Instrumento A (Interés en Funciones Generativas):
- Muestra: $N = 2,894$ usuarios activos (realizado en marzo–abril de 2026, solo en ruso).
- Diseño: Mide el interés en tres funciones pasivas de IA generativa (resumen de perfil por IA, consejos de conversación por IA, descripción de pareja por IA), un ítem de elección forzada "el mejor de tres", y demografía incluyendo el uso de IA autoinformado.
- Nota: Las muestras A y B no están vinculadas.
Análisis y Validación:
- Modelado: Se ajustó un modelo de respuesta graduada (GRM) bidimensional a los siete ítems de receptividad, estimando dimensiones latentes para el rol de principal ( $\theta_{send}$ ) y el rol de contraparte ( $\theta_{recv}$ ).
- Puntuaciones Derivadas: Se calcularon cantidades derivadas del modelo (puntuaciones de Esperanza A Posteriori y propensiones de endoso) para 2,499 casos completos.
- Reproducibilidad: La publicación incluye cuadernos de Jupyter ejecutables que regeneran todas las cantidades derivadas y los outputs canónicos a partir de los datos liberados, con checksums SHA-256 para verificación.

Resultados Clave

Estructura de Medición: Un modelo bidimensional se ajusta significativamente mejor que un modelo unidimensional ( $\Delta BIC = 51.8$ ), confirmando que la receptividad a desplegar un agente y a encontrar uno son constructos distintos pero altamente correlacionados (correlación $r = 0.92$ ).
Comparabilidad Translingüística: Las pruebas de funcionamiento diferencial de los ítems (DIF) identificaron no invariancia en dos ítems del rol de contraparte (Y4 y Y5) entre las formas en inglés y ruso. Se estableció un modelo de invariancia parcial liberando estos ítems, lo que permitió obtener puntuaciones comparables en los ítems invariantes restantes.
Estabilidad: La estabilidad de los parámetros se confirmó mediante un bootstrap no paramétrico de 200 réplicas, sin intervalos de confianza degenerados. El análisis de clases latentes seleccionó una solución de cuatro clases ( $K=4$ ) con alta entropía relativa (0.83), indicando una estructura poblacional estable.
Coherencia Predictiva: La validación cruzada demostró que la batería comparte un constructo coherente; al excluir el ítem Y4, los ítems y covariables restantes predijeron el endoso de Y4 con un AUC de 0.89, superando significativamente a los clasificadores base.

Significancia y Reivindicaciones
El artículo afirma proporcionar los primeros microdatos públicos que miden tanto el rol de principal como el de contraparte de la receptividad a la IA conversacional dentro de los mismos encuestados. La publicación se posiciona para apoyar a tres comunidades de investigación específicas:

Comunicación Humano-IA: Ofreciendo una batería de ítems documentada que separa la receptividad del lado del emisor de la del receptor.
Sistemas de Recomendación: Proporcionando cantidades de receptividad de la contraparte por usuario, adecuadas como objetivos de modelado o benchmarks para recomendaciones agénticas y recíprocas.
Aceptación Tecnológica Transcultural: Suministrando un instrumento bilingüe con funcionamiento diferencial de ítems documentado para apoyar la metodología de traducción e invariancia.

Además, los autores señalan la idoneidad del conjunto de datos como material de enseñanza para cursos de psicometría (teoría de respuesta al ítem, invariancia de medición, análisis de clases latentes) debido a su naturaleza pequeña y completa, así como a la inclusión de un pipeline de estimación completo con resultados conocidos. Los autores declaran explícitamente las limitaciones: los datos representan preferencias declaradas en lugar de registros de comportamiento, la muestra está limitada a los usuarios activos de una sola plataforma, y las respuestas de texto libre fueron recolectadas pero no publicadas.

Más como este