📄 ciencias sociales

AI-powered Chatbots: Effective Communication Styles in Sustainability Conversations

Dos estudios experimentales prerregistrados demuestran que los chatbots impulsados por IA que utilizan un estilo de Entrevista Motivacional son más efectivos que aquellos que utilizan un Estilo Directivo para fomentar el compromiso y el interés del usuario con respecto a temas de sostenibilidad, aunque ambos estilos producen resultados de aprendizaje comparables.

Autores originales: Ennio Bilancini, Leonardo Boncinelli, Eugenio Vicario

Publicado 2026-09-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ennio Bilancini, Leonardo Boncinelli, Eugenio Vicario

Artículo original bajo licencia CC BY 4.0 (https://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 un mundo donde el camino hacia un futuro sostenible dependa menos de las conferencias y más de la conversación. Durante décadas, científicos y responsables políticos han sabido que decirle a la gente qué hacer a menudo falla al intentar cambiar su forma de actuar. En cambio, la forma más eficaz de cambiar el comportamiento es ayudar a las personas a encontrar sus propias razones para cambiar. Esta idea, conocida como entrevista motivacional, es una técnica de asesoramiento en la que un guía hace preguntas abiertas y escucha profundamente, ayudando a la otra persona a explorar sus propios valores y a resolver sus sentimientos encontrados sobre un tema difícil. Se diferencia de un estilo más tradicional y directivo, donde un experto simplemente proporciona instrucciones, hechos y un plan de acción claro. Si bien este enfoque se ha utilizado durante mucho tiempo en la atención médica para ayudar a las personas a dejar de fumar o controlar su peso, ha surgido una nueva pregunta: ¿puede un programa informático, específicamente un chatbot de inteligencia artificial, utilizar estas habilidades de conversación humanas para ayudarnos a preocuparnos más por el medio ambiente?

Dos investigadores, Ennio Bilancini y Leonardo Boncinelli, junto con su colega Eugenio Vicario, se propusieron probar esta cuestión. Querían ver si un chatbot de IA podía discutir eficazmente los Objetivos de Desarrollo Sostenible de las Naciones Unidas —una lista global de diecisiete metas para un mundo mejor— y si la forma en que el bot hablaba cambiaría cuánto se involucraban las personas con el tema. Diseñaron dos formas distintas para que el chatbot hablara con participantes humanos. En un escenario, el bot actuaba como un compañero de apoyo, utilizando el estilo de la entrevista motivacional para hacer preguntas que alentaran al usuario a pensar profundamente en por qué la sostenibilidad era importante para él. En el otro escenario, el bot adoptaba un estilo directivo, actuando más como un profesor o un gerente que proporcionaba información clara e intentaba convencer al usuario de la importancia de los objetivos.

Para averiguar qué método funcionaba mejor, el equipo realizó dos grandes experimentos en línea con casi 1.600 personas. Cada participante fue asignado aleatoriamente para hablar con uno de los dos estilos de chatbot sobre temas de sostenibilidad. Las conversaciones fueron cortas, con una duración media de menos de cinco minutos, y tuvieron lugar en un navegador web estándar. Los investigadores midieron tres cosas: cuánto sintieron los participantes que habían aprendido, cuánto interés sintieron por el tema después y cuánto escribieron realmente durante el chat. La cantidad de escritura sirvió como una medida directa del compromiso, mostrando cuánto esfuerzo estaba la persona dispuesta a dedicar a la conversación.

Los resultados revelaron una clara diferencia en cómo respondieron las personas a los dos estilos. Aquellos que hablaron con el chatbot que utilizaba el estilo de la entrevista motivacional escribieron significativamente más palabras que aquellos que hablaron con el estilo directivo. Esto sugiere que el enfoque empático y basado en preguntas mantuvo a las personas más involucradas y dispuestas a continuar la conversación. Además, los participantes en el grupo de la entrevista motivacional informaron haber sentido un mayor nivel de interés en los temas de sostenibilidad después del chat en comparación con el grupo directivo. Se sintieron más curiosos y comprometidos con la materia.

Sin embargo, el estudio también encontró un límite sorprendente al poder del estilo de conversación. A pesar del mayor compromiso e interés, los investigadores no encontraron una diferencia mensurable en cuánto sentían las personas que habían aprendido. Ya fuera que el chatbot fuera un oyente solidario o un instructor directo, la autoevaluación de los participantes sobre su nuevo conocimiento fue esencialmente la misma. Esto sugiere que, si bien un tono amable e inquisitivo es excelente para lograr que la gente se interese y participe, no necesariamente hace que sientan que han absorbido más hechos que un tono directo e instructivo. El estudio indica que el "cómo" de la conversación importa profundamente para la motivación y la atención, pero quizás no para la sensación inmediata de haber adquirido conocimiento.

Estos hallazgos ofrecen una visión práctica para cualquiera que intente promover la conciencia ambiental. Utilizar un chatbot de IA que escuche y haga preguntas en lugar de uno que simplemente dé lecciones parece ser una forma más eficaz de despertar el interés y animar a la gente a dedicar tiempo a pensar en la sostenibilidad. El estudio no afirma que este método resuelva la crisis climática ni que cree expertos permanentes, pero sí demuestra que el tono de una interacción digital puede influir significativamente en la disposición de una persona para comprometerse. Al permitir que las personas exploreen el tema bajo sus propios términos, incluso a través de un breve chat con una máquina, podemos ser mejores capaces de llegar a los corazones y las mentes de quienes necesitan ser parte de la solución.

Resumen Técnico: Chatbots impulsados por IA: Estilos de comunicación efectivos en conversaciones sobre sostenibilidad

Planteamiento del problema
Las estrategias de comunicación efectivas son críticas para promover la conciencia, el compromiso y el cambio de comportamiento con respecto a los problemas de sostenibilidad. Mientras que la Entrevista Motivacional (EM) es un estilo de asesoramiento centrado en el cliente, bien establecido y conocido por fomentar la motivación intrínseca y resolver la ambivalencia, el Estilo Directivo (ED) representa un enfoque más autoritario y orientado a soluciones. La eficacia comparativa de estos estilos cuando son entregados por Inteligencia Artificial (IA) sigue siendo poco explorada. La implementación tradicional de estos estilos enfrenta barreras relacionadas con los costos de capacitación y la escalabilidad. Este artículo investiga si los chatbots impulsados por IA pueden replicar eficazmente estos distintos estilos de comunicación para influir en el compromiso del usuario y los resultados de aprendizaje dentro del contexto de los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas.

Metodología
Los autores llevaron a cabo dos estudios experimentales en línea prerregistrados que involucraron a un total de 1,588 participantes reclutados a través de la plataforma Prolific. Los experimentos utilizaron un chatbot construido en la plataforma Landbot, integrado con el Modelo de Lenguaje Grande (LLM) GPT-3.5-turbo.

Diseño Experimental: Los participantes fueron asignados aleatoriamente a una de dos condiciones:
1. Entrevista Motivacional (EM): El chatbot adoptó un estilo colaborativo, no juicioso y empático, utilizando preguntas abiertas y escucha reflexiva para ayudar a los usuarios a explorar sus propias motivaciones con respecto a los ODS.
2. Estilo Directivo (ED): El chatbot adoptó un enfoque autoritario y directivo, proporcionando instrucciones claras, soluciones específicas e intentando convencer al usuario sobre la importancia de los ODS.
- Nota: Los prompts para el LLM fueron casi idénticos, diferenciándose únicamente en el estilo de comunicación especificado, el objetivo (ayudar a la reflexión vs. convencer de la importancia) y la pregunta inicial.
Procedimiento: Los participantes entablaron una conversación con el chatbot sobre los ODS. Podían terminar la conversación en cualquier momento y eran redirigidos a una encuesta final.
Variables:
- Compromiso (Engagement): Medido conductualmente por el número total de palabras escritas por el usuario.
- Autoevaluación del Interés: Medido mediante una escala de Likert retrospectiva (0–5) preguntando si el interés en la sostenibilidad aumentó.
- Autoevaluación del Aprendizaje: Medido mediante una escala de Likert retrospectiva (0–5) preguntando cuánto se aprendió.
- Medidas Secundarias: Voluntad de recibir información costosa (elección binaria) y autoevaluación de satisfacción (escala de caritas de 5 puntos).
Análisis Estadístico: Los autores emplearon pruebas de rango suma de Wilcoxon para los resultados primarios y regresiones probit/probit ordenado para los resultados secundarios y análisis exploratorios.

Resultos Clave
Los datos combinados de ambos estudios arrojaron los siguientes hallos:

Compromiso: La condición de EM resultó en un compromiso significativamente mayor que la condición de ED. Los participantes en el grupo de EM escribieron significativamente más palabras (prueba de rango suma de Wilcoxon, $p < 0.001$ ). Este resultado fue robusto en métricas de compromiso alternativas, incluyendo el tiempo dedicado, el número de rondas de conversación y las palabras por ronda.
Interés: Los participantes en la condición de EM reportaron un interés autoevaluado significativamente mayor en temas de sostenibilidad en comparación con aquellos en la condición de ED ( $p = 0.032$ ).
Aprendizaje: No se encontró una diferencia estadísticamente significativa entre las dos condiciones con respecto al aprendizaje autoevaluado ( $p = 0.162$ ). No se pudo rechazar la hipótesis nula de que los niveles de aprendizaje eran iguales.
Resultados Secundarios: El análisis exploratorio indicó que la condición de EM aumentó la probabilidad de que los participantes autorizaran comunicaciones futuras sobre sostenibilidad y reportaron niveles de satisfacción más altos en comparación con la condición de ED.
Análisis de Mecanismo: Un análisis exploratorio sugirió que, si bien el ED puede tener un efecto directo positivo en el aprendizaje, este se ve compensado por la vía indirecta donde la EM aumenta el compromiso y el interés, los cuales a su vez influyen positivamente en el aprendizaje. Al controlar estas vías indirectas, emergió un efecto directo positivo del ED sobre el aprendizaje, aunque el efecto neto general permaneció no significativo.

Significancia y Reivindicaciones
El artículo afirma que la aplicación de la Entrevista Motivacional a través de chatbots impulsados por IA es una vía prometedora para promover el compromiso y el interés en temas de sostenibilidad sin comprometer el contenido informativo recibido. Los hallazgos sugieren que:

Escalabilidad: Los chatbots de IA pueden entregar eficazmente técnicas de EM, ofreciendo una alternativa rentable a los operadores humanos para promover comportamientos sostenibles.
El Estilo Importa: El estilo de comunicación de un agente de IA impacta significativamente el compromiso del usuario y el interés situacional. Un estilo colaborativo y empático (EM) supera a un estilo directivo (ED) en estas métricas específicas.
Implicaciones de Política: Estos resultados proporcionan a los responsables de políticas y profesionales una herramienta de intervención adicional. Al aprovechar la IA para entregar la EM, las organizaciones pueden potencialmente activar sinergias con las intervenciones de política existentes para promover el cambio de comportamiento.

Limitaciones y Modestia
Los autores reconocen explícitamente varias limitaciones:

Medición: El estudio depende de datos autoinformados para el interés y el aprendizaje, lo que captura el "interés situacional" y el "aprendizaje percibido" en lugar del interés personal a largo plazo o la adquisición objetiva de conocimientos.
Validez Externa: El uso de participantes de Prolific puede limitar la generalización de los hallazgos a poblaciones con menor alfabetización digital.
Duración: Las intervenciones fueron breves (duración mediana < 5 minutos), y el estudio no pretende medir la persistencia conductual a largo plazo.
Tecnología: El estudio utilizó GPT-3.5-turbo; si bien los autores esperan que los modelos más nuevos funcionen al menos tan bien, los resultados son específicos para las capacidades del modelo utilizado en el momento del estudio.

El artículo concluye que, si bien la EM muestra ventajas claras para el compromiso y el interés, se necesita más investigación para determinar su impacto a largo plazo en los comportamientos proambientales reales y para validar estos hallazgos con pruebas de conocimiento objetivas.

Más como este