Un cambio de apariencia ha causado revuelo en la industria, pero recientemente se descubrió que la inteligencia artificial puede determinar con un 94% de precisión si una persona se siente sola.
Según informes, investigadores estadounidenses de IA utilizaron herramientas de análisis como el superordenador IBM Watson para evaluar la soledad en adultos mayores.
Al analizar palabras, frases y pausas en silencio durante entrevistas, la IA evaluó síntomas de soledad con una precisión cercana a los cuestionarios autoinformados. También descubrió que las personas solitarias tardan más en responder preguntas directas sobre soledad y expresan más tristeza.
El estudio sugiere que la mayoría de las investigaciones solo preguntan «¿Con qué frecuencia te sientes solo?», lo que puede sesgar respuestas. Aquí se usó procesamiento de lenguaje natural—una medida cuantitativa objetiva de emociones—combinada con herramientas tradicionales.
Lo interesante es que no se limita a palabras específicas, sino que examina patrones lingüísticos en las respuestas.
Expertos señalan que EE.UU. enfrenta una «epidemia» de soledad, con aumento de suicidios, uso de opioides, menor productividad y mayores costos sanitarios. Un estudio reveló que el 85% de adultos mayores en residencias independientes experimentan soledad moderada o severa.
La pandemia de COVID-19 y los confinamientos empeoraron la situación. Los investigadores exploraron cómo el procesamiento de lenguaje y modelos de aprendizaje automático podrían predecir la soledad en este grupo.
El estudio analizó a 80 residentes independientes (66-94 años, media de 83). Entre abril 2018 y agosto 2019, investigadores entrenados realizaron entrevistas semiestructuradas (previas al COVID-19).
Los participantes respondieron 20 preguntas de la Escala de Soledad UCLA, usando un sistema de 4 puntos para afirmaciones como: «¿Sientes que te excluyen?» o «¿Sientes que formas parte de un grupo de amigos?».
Estos temas también se discutieron en conversaciones privadas grabadas y transcritas manualmente. Los textos se analizaron con herramientas de procesamiento de lenguaje natural, incluyendo IBM Watson Natural Language Understanding (WNLU), para cuantificar expresiones emocionales.
El sistema WNLU usa aprendizaje profundo para extraer palabras clave, categorías, sentimientos, gramática y metadatos. El aprendizaje automático permite examinar entrevistas largas en múltiples sujetos, identificando marcadores lingüísticos sutiles de soledad.
El análisis humano de emociones puede ser inconsistente y requiere entrenamiento extenso. En cambio, el sistema de IA predijo la soledad con un 94% de precisión comparado con la Escala UCLA.
La IA predijo la soledad autoinformada con 94% de precisión y la soledad cuantificada (según UCLA) con 76%. Las personas solitarias tardaban más en responder y expresaban más tristeza al hablar de soledad.
También hubo diferencias de género: las mujeres admitían más sentirse solas, mientras los hombres usaban más palabras relacionadas con miedo y alegría, sugiriendo que experimentan emociones más intensamente.
Aparecieron diferencias sutiles en la expresión emocional al describir soledad. La investigación resalta discrepancias entre evaluaciones y experiencias subjetivas, que los sistemas de IA pueden identificar.
Los investigadores sugieren que podría existir un «lenguaje de la soledad» para detectarla en adultos mayores, mejorando evaluaciones clínicas y familiares—especialmente durante aislamientos.
Estudios actuales exploran cómo los rasgos lingüísticos de soledad se correlacionan negativamente con sabiduría en adultos mayores: personas más sabias podrían sentirse más solas. Datos verbales podrían combinarse con evaluaciones cognitivas, motoras, de sueño y salud mental para entender mejor el envejecimiento.
El estudio comparó la precisión de la IA con la soledad autoinformada. Aunque las escalas de soledad no siempre reflejan emociones reales, combinar IA con autoinformes podría mejorar la precisión diagnóstica para psicólogos.
Aunque la Escala UCLA sigue siendo popular por evitar la palabra «solo» y minimizar sesgos de género, los investigadores buscan desarrollar herramientas de evaluación más precisas.
