Qué pasó
- La revista Science Advances publicó en línea el 28 de octubre de 2026 el artículo “Machine psychology for language models”, firmado por ocho investigadores.
- Entre los autores están Thilo Hagendorff, de la Universidad de Stuttgart; Ishita Dasgupta, de Google DeepMind en Londres, y Marcel Binz, del Instituto Helmholtz de IA Centrada en el Humano, en Múnich.
- El texto propone una “psicología de máquinas”: estudiar los grandes modelos de lenguaje (LLM) con experimentos inspirados en los que la psicología usa para entender la cognición y la conducta humana.
- El artículo resume perspectivas teóricas, paradigmas experimentales y técnicas de análisis computacional, revisa trabajos que ya usan este enfoque y sugiere buenas prácticas.
Por qué importa
- Hoy la mayoría de las evaluaciones de modelos miden rendimiento: cuántas preguntas responden bien. Los autores sostienen que eso no basta para entender cómo razonan ni para descubrir capacidades que aparecen sin haber sido entrenadas de forma explícita.
- Los experimentos psicológicos buscan explicar el comportamiento, no solo puntuarlo. Aplicados a un modelo, pueden revelar sesgos, atajos o patrones que una prueba de opción múltiple no muestra.
- El artículo también advierte que los métodos diseñados para personas no se trasladan sin más a las máquinas, y dedica una sección a esas precauciones.
El dato
8 autores. El artículo reúne a investigadores de universidades alemanas, de un instituto de investigación en IA y de Google DeepMind.
Contexto
Los autores sostienen que el enfoque será más útil a medida que los modelos se vuelvan más potentes, más opacos, multimodales y se integren en entornos con agentes que actúan en el mundo real.
La idea conecta con trabajos recientes que miden el comportamiento de los modelos más allá del acierto. En Mamífero contamos cómo Microsoft midió el criterio de los agentes con una prueba de gusto, cómo un estudio sueco evaluó la neutralidad política de seis modelos en 148.000 textos y cómo otro banco de pruebas midió dónde molesta menos un aviso dentro de un chat. En el terreno de la seguridad, OpenAI propuso detener un entrenamiento si nadie responde una alerta.
Qué viene
- El artículo no presenta un experimento nuevo. Su valor está en ordenar un campo que crece rápido y en proponer criterios comunes.
- La pregunta abierta es si los resultados de estas pruebas se mantienen entre versiones de un mismo modelo, que cambian cada pocos meses.
- Para equipos que evalúan modelos en empresas o en el sector público, el texto ofrece un repertorio de métodos ya probados en psicología.
Cierre
Si los modelos de lenguaje van a tomar decisiones con efectos reales, no basta con saber cuántas respuestas aciertan. Hay que entender por qué responden como responden. Los autores proponen usar un siglo de métodos de la psicología para eso, sin olvidar que una máquina no es una persona.
Fuentes
- Hagendorff, T., Dasgupta, I., Binz, M. y otros, “Machine psychology for language models”, Science Advances, publicado en línea el 28 de octubre de 2026, DOI 10.1126/sciadv.aec1912. Fecha y resumen confirmados en Crossref; la página de la revista no pudo leerse por bloqueo de acceso automatizado.
- Imagen de portada: Wellcome Collection, CC BY 4.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
