La expresión de las emociones: de Darwin a la inteligencia artificial sensible

Por Aldo Zanabria

La obra de Charles Darwin The Expression of the Emotions in Man and Animals (1872) supuso un cambio de paradigma al plantear que las emociones humanas no eran fenómenos aislados, sino parte de un legado evolutivo compartido con otras especies. Hoy, a más de 150 años, este legado encuentra una sorprendente resonancia en el desarrollo de inteligencia artificial emocional (analisis de sensibilidad), donde máquinas aprenden a reconocer, simular o incluso responder a expresiones humanas como parte de su interfaz adaptativa.

Darwin como precursor de los sistemas afectivos artificiales

Darwin argumentó que la expresión emocional tiene bases fisiológicas comunes entre humanos y animales. En la actualidad, este principio ha sido adoptado por disciplinas como el Affective Computing, término acuñado por Rosalind Picard (1997), y que se basa en enseñar a las máquinas a percibir e interpretar emociones humanas. Algoritmos de visión artificial entrenados con redes neuronales convolucionales (CNN) ahora pueden reconocer microexpresiones faciales, tensión muscular y señales de voz para inferir estados emocionales (Ekman, 1992; Jack et al., 2014).

Por ejemplo, los sistemas modernos de reconocimiento facial emocional, como Affectiva o OpenFace, aprenden del etiquetado de grandes conjuntos de datos sobre expresiones humanas. Esta tecnología tiene aplicaciones en salud mental, videojuegos adaptativos, marketing personalizado y educación emocional.

Inteligencia Artificial y el análisis de sensibilidad: ¿qué tan importante es cada emoción?

El análisis de sensibilidad, una técnica estadística usada en machine learning, permite determinar qué variables afectan más a una salida del modelo. Cuando aplicamos esta técnica a modelos de reconocimiento emocional, podemos evaluar, por ejemplo, si el movimiento de las cejas o el tono de voz influye más en la identificación de ira o tristeza. Así, podemos hacer ingeniería inversa del sistema emocional artificial y entender cuáles "inputs" tienen mayor peso —exactamente como Darwin hizo en sentido inverso, deduciendo comportamientos desde observaciones fenotípicas.

Esto permite desarrollar sistemas explicables de IA emocional, alineados con los principios del Explainable AI (XAI). Por ejemplo, en un chatbot que atiende a adultos mayores, saber que el reconocimiento del ceño fruncido tiene mayor peso que el volumen de voz en la detección de incomodidad permite diseñar respuestas más humanas.

De la evolución a la emulación

Darwin consideraba que ciertas expresiones eran residuos evolutivos heredados. Hoy podríamos decir que los modelos de IA, en especial los de aprendizaje profundo, también heredan "rasgos" de los datos con los que se entrenan, incluyendo prejuicios, errores y patrones culturales. El reconocimiento emocional en IA debe, por tanto, incorporar una dimensión ética y cultural, ya que no todas las culturas expresan las emociones de la misma manera (Matsumoto & Hwang, 2013; Russell, 1994).

El bias algorítmico en el reconocimiento emocional es un área crítica. Estudios han demostrado que algunos modelos interpretan erróneamente la expresión facial de personas afrodescendientes o asiáticas si fueron entrenados principalmente con rostros europeos (Barrett, 2017).

Conclusión: Darwin en la era de los algoritmos

Darwin ofreció una visión profundamente observacional y evolutiva de la expresión emocional. Hoy, esa visión se integra con modelos algorítmicos que procesan emociones con millones de variables. El análisis de sensibilidad permite auditar estos modelos y entender la importancia relativa de los factores que determinan cómo una máquina "comprende" una emoción. Esta convergencia entre biología evolutiva y computación emocional nos lleva a una nueva frontera: el diseño de inteligencias artificiales que no solo razonan, sino que también sienten —al menos superficialmente— como nosotros.

Referencias:

Affectiva. (2023). Emotion AI technology. https://www.affectiva.com

Barrett, L. F. (2017). How emotions are made: The secret life of the brain. Houghton Mifflin Harcourt.

Darwin, C. (1872). The expression of the emotions in man and animals. John Murray. https://www.biodiversitylibrary.org/item/126093#page/7/mode/1up

Ekman, P. (1992). An argument for basic emotions. Cognition & Emotion, 6(3–4), 169–200. https://doi.org/10.1080/02699939208411068

Jack, R. E., Garrod, O. G. B., & Schyns, P. G. (2014). Dynamic facial expressions of emotion transmit an evolving hierarchy of signals over time. Current Biology, 24(2), 187–192. https://doi.org/10.1016/j.cub.2013.11.064

Matsumoto, D., & Hwang, H. S. (2013). Cultural similarities and differences in emblematic gestures. Journal of Nonverbal Behavior, 37(1), 1–27. https://www.davidmatsumoto.com/content/2013%20M%20and%20H%20JNB%20-%20Cultural%20Similarities%20and%20Differences%20in%20Emblematic%20Gestures.pdf?hl=es-Es

Panksepp, J. (2005). Affective consciousness: Core emotional feelings in animals and humans. Consciousness and Cognition, 14(1), 30–80. https://doi.org/10.1016/j.concog.2004.10.004

Picard, R. W. (1997). Affective computing. MIT Press. https://mitpress.mit.edu/9780262161701/affective-computing/

Russell, J. A. (1994). Is there universal recognition of emotion from facial expressions? Psychological Bulletin, 115(1), 102–141. https://doi.org/10.1037/0033-2909.115.1.102

Saltelli, A., Tarantola, S., & Campolongo, F. (2000). Sensitivity analysis as an ingredient of modeling. Statistical Science, 15(4), 377–395. https://doi.org/10.1214/ss/1009213004

Samek, W., Wiegand, T., & Müller, K. R. (2017). Explainable artificial intelligence: Understanding, visualizing and interpreting deep learning models. arXiv. https://arxiv.org/abs/1708.08296