How AI-Generated Prompts Shape Emotional Expression in Digital Drawing: Effects on Visual Complexity, Creative Engagement, and Arousal

Resumen Técnico: Cómo los prompts generados por IA moldean la expresión emocional en el dibujo digital

Planteamiento del problema
Si bien el dibujo es ampliamente reconocido como un medio para la externalización emocional, la literatura existente carece de enfoques cuantitativos y computacionales para explicar cómo estados emocionales específicos se traducen en formas visuales como el color, el trazo, la densidad y la organización espacial. Además, la integración de la Inteligencia Artificial (IA) en las actividades creativas plantea interrogantes sobre cómo el uso de prompts asistidos por IA influye en el proceso generativo de la expresión emocional. Específicamente, no está claro si los prompts de IA alteran la complejidad visual y el compromiso conductual de los dibujos digitales, y si las características resultantes pueden servir como indicadores fiables para la predicción de emociones.

Metodología
El estudio empleó un diseño de métodos mixtos que involucró a 31 participantes de pregrado de la RAE de Macao, China, quienes completaron 12 tareas de dibujo digital basadas en emociones (que cubren: Alegría, Ira, Tristeza, Miedo, Excitación, Relajación, Ansiedad, Depresión, Asombro, Nostalgia, Confusión y Contentamiento). Los participantes fueron asignados aleatoriamente a una condición de prompting asistido por IA o a una condición de control.

• Condición de IA: Los participantes recibieron descripciones emocionales generadas por IA, sugerencias visuales, ideas compositivas y referencias estilísticas antes de cada tarea.
• Condición de Control: Los participantes recibieron únicamente la etiqueta de la emoción.

Recopilación de datos y extracción de características:
Una plataforma web personalizada registró trazas conductuales basadas en el proceso, incluyendo la selección de color (HSL), el tamaño del pincel, las trayectorias de los trazos, la duración del dibujo y la cobertura espacial. De 12 registros iniciales de 369, se conservaron 363 dibujos válidos.

• Características extraídas: El estudio cuantificó características de color (matiz, saturación, luminosidad, diversidad), características del trazo (conteo, longitud, velocidad, puntos) y características espaciales (área, centroide, dispersión).
• Métrica de complejidad: Se construyó una "puntuación de complejidad de dibujo" compuesta mediante la estandarización y el promedio del conteo de trazos, los puntos de trayectoria, la longitud del camino, el área de dibujo y el uso del color.

Análisis estadístico y de aprendizaje automático:

1. Modelos Lineales de Efectos Mixtos (LMMs): Se utilizaron para examinar los efectos de la asistencia de la IA y los prompts de emoción en la complejidad del dibujo y el compromiso conductual, controlando los interceptos aleatorios a nivel de participante y las medidas repetidas.
2. Clasificación de Aprendizaje Automático (Machine Learning): Se entrenaron modelos supervisados (Regresión Logística, Random Forest, Extra Trees, Support Vector Machine) para clasificar emociones. El rendimiento se evaluó utilizando la precisión Top-1/Top-3 y las puntuaciones Macro/Weighted-F1 tanto para las 12 categorías de emociones finas como para las categorías afectivas de orden superior más amplias.
3. Desarrollo de Prototipo: Se desarrolló una herramienta web interactiva para demostrar la predicción de emociones en tiempo real basada en las características extraídas del dibujo.

Resultos Clave

• Impacto de la asistencia de la IA: Los participantes en la condición asistida por IA produjeron dibujos con una complejidad visual y un compromiso conductual significativamente mayores en comparación con el grupo de control. Específicamente, el grupo de IA exhibió:
  • Duraciones de dibujo más largas (~63% de aumento).
  • Mayor número de trazos (~71% de aumento).
  • Más puntos de trayectoria (~80% de aumento).
  • Áreas de dibujo más grandes (~54% de aumento).
  • Mayor diversidad de color (~22% de aumento).
• Efecto de los prompts de emoción: Los prompts de emoción influyeron significativamente en las calificaciones de excitación subjetiva y en características específicas de movimiento de trayectoria (longitud del camino y densidad de puntos), particularmente para los prompts de "Ansiedad", que provocaron trayectorias más largas y densas. Sin embargo, los prompts de emoción no alteraron significativamente la puntuación de complejidad de dibujo compuesta global.
• Rendimiento del Aprendizaje Automático:
  • Clasificación de grano fino: El rendimiento para distinguir las 12 emociones específicas fue limitado (la precisión Top-1 osciló entre el 15.4% y el 22.0%), lo que indica que las características visuales por sí solas tienen dificultades para mapear con precisión las categorías emocionales discretas.
  • Clasificación de orden superior: El rendimiento mejoró significativamente cuando las emociones se agruparon en categorías afectivas más amplias (por ejemplo, positivo/negativo, alta/baja excitación). El modelo Random Forest logró una precisión Top-1 del 45.1% y una precisión Top-2 del 72.5% en este contexto.

Significancia y Reivindicaciones
El artículo sostiene que las características del dibujo digital reflejan tendencias afectivas generales en lugar de servir como símbolos diagnósticos fijos para emociones específicas. El estudio posiciona la herramienta de predicción desarrollada como un instrumento de investigación exploratoria más que como un sistema de diagnóstico clínico.

Las contribuciones clave incluyen:

1. La IA como Andamiaje Creativo: Los hallazgos sugieren que el prompting asistido por IA funciona no solo como un generador de contenido, sino como un andamio que expande los recursos visuales y conductuales disponibles durante la externalización emocional, fomentando comportamientos de dibujo más exploratorios y complejos.
2. Proceso vs. Producto: La investigación destaca que la expresión emocional en el dibujo digital está integrada en el proceso conductual (dinámica del trazo, duración, densidad) tanto como en el producto visual final.
3. Modelado Afectivo Computacional: El estudio proporciona evidencia preliminar de que, si bien la predicción de emociones de grano fino a partir de las características del dibujo es desafiante debido a las diferencias individuales y los solapamientos de categorías, estas características son más estables y efectivas para identificar estados afectivos más amplios.

Los autores enfatizan que estos hallazgos se basan en una muestra y un diseño experimental específicos, y que los modelos de predicción deben interpretarse como demostraciones del potencial de las perspectivas orientadas a los datos en la arteterapia y la investigación de la creatividad, en lugar de como herramientas diagnósticas definitivas.