💬 NLP

Move by Move: Measuring and Steering How LLMs Conduct Psychotherapy

Este artículo introduce una ontología validada de diez movimientos terapéuticos para analizar y comparar las interacciones de psicoterapia entre clínicos humanos y modelos de lenguaje de gran tamaño, revelando que los modelos sobreutilizan la indagación y carecen de iniciativa, pero pueden ser dirigidos significativamente hacia un comportamiento similar al humano mediante el uso de prompts basados en herramientas sin necesidad de ajuste fino.

Autores originales: Afonso Baldo, Hugo Pitorro, Areti Vassilopoulos, Anabela C. Areias, Maya D'Eon, Fabíola Costa, Ricardo Rei, Nuno M. Guerreiro

Publicado 2026-08-24

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Afonso Baldo, Hugo Pitorro, Areti Vassilopoulos, Anabela C. Areias, Maya D'Eon, Fabíola Costa, Ricardo Rei, Nuno M. Guerreiro

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

Desde hace mucho tiempo, las personas han recurrido a la conversación como una forma de sanar, pero el panorama del cuidado de la salud mental está cambiando. A medida que la ansiedad y la depresión aumentan globalmente, el número de terapeutas capacitados no ha crecido al mismo ritmo, dejando a muchos buscando consuelo en los espacios digitales. Cada vez más, estos espacios digitales están poblados por modelos de lenguaje extensos, los mismos sistemas de inteligencia artificial que escriben correos electrónicos y resumen noticias. Ahora se les pide a estos modelos que escuchen, que consuelen y que guíen a las personas a través de la angustia emocional. Si bien las pruebas iniciales sugieren que estos oyentes digitales pueden, en ocasiones, reducir los síntomas, una pregunta fundamental sigue sin respuesta: cuando una máquina le habla a una persona con dolor, ¿qué es lo que realmente está haciendo? ¿Está practicando el mismo arte delicado que un terapeuta humano, o está siguiendo un guion diferente y, quizás, defectuoso?

Para responder a esto, investigadores de Sword Health y la Universidad de Yale decidieron mirar dentro de la caja negra de la conversación. No se limitaron a preguntar si la IA resultaba útil; preguntaron cómo se comportaba. En el mundo de la psicología clínica, los terapeutas no hablan de forma aleatoria. Siguen un proceso estructurado, eligiendo tipos específicos de respuestas —como hacer una pregunta aclaratoria, ofrecer una nueva forma de ver un problema o enseñar una técnica de afrontamiento— basándose en lo que el paciente necesita en ese momento exacto. Los investigadores construyeron un nuevo mapa para rastrear estas elecciones. Definieron diez "movimientos" distintos, tales como "indagación" (pedir más detalles), "comprensión compartida" (reflejar lo que el paciente dijo para demostrar que ha sido escuchado) y "desarrollo de habilidades" (guiar al paciente a través de un ejercicio de práctica). Este mapa fue trazado a partir de marcos psicológicos establecidos y luego probado por cinco psicólogos con licencia para asegurar que pudiera describir con precisión tanto las conversaciones humanas como las de las máquinas.

Con este mapa en mano, el equipo estableció una serie de experimentos para comparar a terapeutas humanos contra un panel de modelos de IA avanzados. Alimentaron a los modelos con transcripciones de sesiones de terapia reales y les pidieron que continuaran la conversación. En algunos casos, se dejó que los modelos hablaran libremente. En otros, los investigadores les dieron un conjunto de herramientas digitales, donde cada herramienta representaba uno de los diez movimientos terapéuticos. Los modelos tenían que elegir una herramienta antes de poder hablar, obligándolos efectivamente a decidir su estrategia antes de escribir una sola palabra. Los investigadores luego midieron con qué frecuencia los modelos utilizaban cada movimiento en comparación con los terapeutas humanos.

Los resultados revelaron una diferencia sorprendente en cómo las máquinas y los humanos abordan la terapia. Los modelos de IA fueron inquisidores implacables. Hicieron preguntas a una tasa hasta tres veces mayor que los terapeutas humanos. Mientras que los humanos a menudo hacían una pausa para reflexionar sobre lo que un paciente había dicho o para ofrecer una nueva perspectiva, las máquinas seguían indagando en busca de más información, perdiendo a menudo la oportunidad de brindar consuelo o perspicacia. Además, los modelos descuidaron casi por completo la "psicoeducación", un movimiento donde un terapeuta explica la ciencia detrás de un sentimiento o comportamiento para ayudar al paciente a comprenderlo. Quizás lo más revelador fue la dependencia de los modelos hacia el humano al que estaban imitando. Cuando la IA continuaba una conversación iniciada por un terapeuta humano, tendía a copiar el estilo de ese humano. Pero cuando la IA tenía que liderar la sesión desde el principio, revertía a su comportamiento predeterminado: hacer preguntas interminables y rara vez iniciar estrategias complejas como ejercicios de desarrollo de habilidades por su cuenta.

El estudio también probó si dar a los modelos el marco de "herramientas" podía corregir estos hábitos. Cuando se obligó a los modelos a elegir un movimiento terapéutico antes de hablar, su comportamiento mejoró significamente. La brecha entre sus elecciones y las de los terapeutas humanos se redujo, y se volvieron mejores para igualar el ritmo humano de la conversación. Sin embargo, la solución no fue perfecta. Incluso con las herramientas, los modelos seguían haciendo demasiadas preguntas y no enseñaban habilidades tan a menudo como los humanos. Esto sugiere que el problema no es solo la falta de instrucciones, sino algo más profundo en cómo estos modelos son construidos y entrenados. Están naturalmente inclinados a recopilar información en lugar de guiar o enseñar, un rasgo que les sirve bien en un motor de búsqueda pero que puede obstaculizarles en una sala de terapia.

Los investigadores concluyeron que, si bien estos modelos pueden ser orientados hacia un comportamiento más humano, aún no poseen el juicio intuitivo de un clínico capacitado. Son seguidores fuertes de un patrón, pero débiles iniciadores de uno nuevo. El estudio no afirma que estos modelos estén listos para reemplazar a los terapeutas, ni sugiere que sean peligrosos en su estado actual. En cambio, ofrece una forma clara y medible de ver en qué fallan. Al descomponer la terapia en sus partes funcionales más pequeñas, los investigadores han proporcionado una forma de medir la distancia entre la conversación de una máquina y el toque sanador de un humano, demostrando que, aunque la tecnología está avanzando, el arte de la terapia sigue siendo un oficio únicamente humano que las máquinas aún no han logrado dominar por completo.

Resumen Técnico: Movimiento a Movimiento: Midiendo y Dirigiendo LLMs en Psicoterapia

Planteamiento del Problema

Si bien los usuarios dependen cada vez más de los Modelos de Lenguaje de Gran Escala (LLMs) para el apoyo emocional y conversaciones afines al asesoramiento, los mecanismos específicos mediante los cuales estos modelos llevan a cabo las interacciones de psicoterapia siguen siendo poco comprendidos. Las evaluaciones existentes suelen centrarse en métricas de nivel de resultado (por ejemplo, la reducción de síntomas) o en la similitud léxica, lo que deja un vacío en la comprensión del proceso: qué intervenciones terapéuticas favorecen los modelos, cuáles descuidan y cómo sus estrategias conversacionales se comparan con las de los clínicos humanos capacitados. Los modelos actuales, entrenados como asistentes útiles, pueden exhibir sesgos como la sicofancia o la indagación excesiva que divergen de las mejores prácticas clínicas, aunque no existe una ontología estandarizada basada en funciones para medir estas desviaciones a nivel de turno.

Metodología

1. Ontología de Movimientos Terapéuticos

Los autores desarrollaron una ontología compacta de codificación basada en funciones que consta de diez movimientos terapéuticos, fundamentada en el inventario MULTI-60 (McCarthy y Barber, 2009). Los movimientos son:

Alineación de Proceso: Calibrar la colaboración, el ritmo o reparar rupturas.
Establecimiento de Objetivos: Identificar o priorizar objetivos terapéuticos.
Indagación: Buscar información o profundizar la comprensión.
Comprensión Compartida: Reflejar, validar, normalizar o parafrasear sin añadir nuevas afirmaciones.
Apoyo al Cambio: Fortalecer la esperanza, la agencia o la motivación para el cambio.
Interpretar: Ofrecer hipótesis generadas por el terapeuta sobre significados o patrones.
Desafío: Examinar discrepancias, suposiciones o creencias rígidas.
Psicoeducación: Explicar mecanismos, teorías o racionales de intervención.
Planificación de Acción: Traducir los hallazgos en pasos concretos a seguir.
Construcción de Habilidades: Introducir, enseñar o ensayar una habilidad específica dentro de la sesión.

La ontología fue validada mediante una campaña de anotación que involucró a cinco psicólogos con licencia (PhD/PsyD). Estos lograron un acuerdo moderado entre anotadores (media de Krippendorff's $\alpha \approx 0.627$ ) en transcripciones humanas, estableciendo la fiabilidad del marco tanto para datos humanos como sintéticos.

2. Marco de Evaluación

El estudio empleó dos entornos experimentales primarios para comparar clínicos humanos contra un panel de LLMs de vanguardia (GLM 5.2, Claude Sonnet 4.6, GPT 5.6 Terra):

Generación con Contexto Humano: Los modelos actuaron como clínicos continuando un prefijo rotativo de transcripciones reales de terapia humana. Esto probó cómo los modelos se adaptan al estilo y la estructura humana.
Sesiones Completamente Sintéticas: Los modelos actuaron tanto como terapeuta como paciente (utilizando perfiles de miembros simulados) para generar sesiones completas. Esto eliminó la influencia de confusión de los turnos precedentes humanos para observar los perfiles de comportamiento intrínsecos de los modelos.

3. Mecanismo de Dirección (Enmarcado de Herramientas)

Para investigar si los modelos podían ser dirigidos hacia un comportamiento similar al humano sin realizar un ajuste fino (fine-tuning), los autores expusieron la ontología directamente a los modelos como un conjunto de herramientas de llamada a funciones (function-calling tools). En la condición "Con Movimientos", se requería que el modelo seleccionara una herramienta de movimiento terapéutico (por ejemplo, do_challenge()) antes de generar una respuesta, con la definición de la herramienta guiando la idoneidad clínica del movimiento.

4. Análisis

Un juez de LLM (GLM 5.2), validado frente a anotadores humanos, clasificó cada turno del terapeuta en las transcripciones generadas. El estudio analizó:

Distribuciones de Movimientos: La frecuencia de cada tipo de movimiento.
Estructura Temporal: Cómo evolucionó el uso de los movimientos a lo largo de una sesión.
Alineación: El acuerdo a nivel de turno con las elecciones del clínico humano (medido mediante Pass@k).

Resultados Clave

1. Divergencia Sistemática en Contextos Liderados por Humanos

Incluso cuando estaban anclados a transcripciones humanas, los modelos exhibieron patrones de comportamiento distintos:

Indagación Excesiva: Los modelos sobreutilizaron el movimiento de "Indagación" a tasas hasta tres veces superiores a las de los clínicos humanos. Indagaban frecuentemente por detalles incluso cuando había información suficiente para avanzar hacia la acción.
Negligencia de la Psicoeducación: Los modelos utilizaron consistentemente menos la "Psicoeducación", independientemente del marco de dirección.
Anclaje de Contexto: Los modelos fueron altamente reactivos; mantuvieron las estrategias iniciadas por los clínicos humanos pero rara vez iniciaron movimientos complejos (como la Construcción de Habilidades) por su cuenta cuando lideraban una sesión.

2. Sesgos Intrínsecos en Sesiones Sintéticas

Cuando los modelos lideraron sesiones desde cero (sin prefijos humanos), la divergencia se amplió:

Colapso de la Construcción de Habilidades: El movimiento de "Construcción de Habilidades", que coincidía con las tasas humanas en contextos liderados por humanos, cayó a <1% en las sesiones sintéticas. Los modelos fallaron en iniciar ejercicios de construcción de habilidades de forma independiente.
Oleada de Interpretación: "Interpretar" se convirtió en el tercer movimiento más frecuente en las sesiones sintéticas, ocurriendo aproximadamente a una tasa tres veces mayor que la humana.
Planificación de Acción: Los modelos propusieron planes de acción con mayor frecuencia y de forma más abrupta que los humanos, careciendo del enfoque gradual observado en las transcripciones humanas.

3. Eficacia de la Dirección Basada en Herramientas

Exponer la ontología como herramientas mejoró la alineación, pero no cerró completamente la brecha:

Cambio Distribucional: El marco de herramientas redujo la desviación absoluta media (MAD) de la distribución de movimientos humana en aproximadamente un 50% (por ejemplo, de 7.04% a 4.46% en promedio entre modelos).
Alineación a Nivel de Turno: Mejoró la probabilidad de coincidir con un turno de referencia humano en 7–9 puntos porcentuales (por ejemplo, el Pass@4 aumentó del 53% al 62% bajo votación mayoritaria).
Limitaciones: El marco redujo con éxito la indagación excesiva, pero no logró aumentar significamente la frecuencia de movimientos descuidados como la Psicoeducación o la Construcción de Habilidades, lo que sugiere que estos comportamientos están ausentes de las distribuciones de salida subyacentes de los modelos, más que ser solo una falta de guía en el prompt.

Significancia y Reivindicaciones

El artículo afirma proporcionar la primera ontología exhaustiva y validada para medir el proceso de la psicoterapia conducida por LLMs, yendo más allá de las métricas de resultado para analizar la mecánica de la terapia "movimiento a movimiento".

Medición: Establece un vocabulario fiable basado en funciones (fundamentado en MULTI-60) que permite la auditoría sistemática del comportamiento terapéutico en los LLMs.
Dirección: Demuestra que enmarcar las habilidades clínicas como herramientas puede alinear parcialmente el comportamiento de los LLM con el de los clínicos humanos sin requerir un ajuste fino, ofreciendo un método práctico y sin necesidad de entrenamiento para mejorar la alineación clínica.
Perspectiva Diagnóstica: El estudio revela que los modelos de vanguardia actuales son "indagadores incesantes" que luchan por iniciar intervenciones clínicas complejas (como la construcción de habilidades) de forma independiente, resaltando una brecha entre su fluidez conversacional y su agencia clínica.

Los autores concluyen que, si bien la dirección basada en herramientas estrecha la brecha, la divergencia fundamental en las distribuciones de movimientos sugiere que los LLM actuales carecen de la capacidad intrínseca para replicar la trayectoria temporal completa de la terapia humana, particularmente en la iniciación y el sostenimiento de intervenciones clínicas específicas. El trabajo futuro debe dirigirse a estos movimientos descuidados específicos y vincular los perfiles de movimientos con los resultados clínicos reales.