Computación Afectiva

La computación afectiva es el campo de la inteligencia artificial que estudia y desarrolla sistemas capaces de reconocer, interpretar, procesar e incluso simular las emociones humanas. Su objetivo es que las máquinas dejen de ser indiferentes al estado de ánimo de quien las usa y ajusten su comportamiento a él, acercando la interacción persona-máquina a la comunicación entre personas.

El término y la disciplina nacen con Rosalind Picard, investigadora del MIT Media Lab, que los definió en su libro «Affective Computing» (1997) y fundó allí el grupo de investigación homónimo. Picard sostuvo que una inteligencia artificial verdaderamente útil necesita percibir y expresar afecto, no solo procesar datos fríos.

Las modalidades: rostro, voz, fisiología y texto

Los sistemas afectivos infieren el estado emocional a partir de varias señales. La expresión facial es la más conocida: cámaras y visión por computador analizan los movimientos de los músculos del rostro. La voz aporta la prosodia —tono, ritmo, intensidad—, que cambia con el estado de ánimo al margen de las palabras. Las señales fisiológicas, medidas con sensores y dispositivos vestibles, incluyen el ritmo cardíaco y la conductancia de la piel (la respuesta galvánica que acompaña a la activación emocional). Por último, el texto se estudia mediante el análisis de sentimiento, que estima la polaridad y el tono de un mensaje escrito; es una modalidad con entidad propia, tratada en su propia entrada del glosario.

Para qué se usa

Sus aplicaciones buscan que la tecnología responda al usuario. En educación, tutores y asistentes sensibles al estado del alumno pueden detectar frustración o desconexión. En salud mental se exploran herramientas de apoyo y seguimiento del ánimo. En el automóvil, sistemas que vigilan signos de somnolencia o distracción del conductor. Y, en general, cualquier interfaz persona-máquina que aspire a ser más natural. Picard cofundó empresas como Affectiva y Empatica para llevar estas ideas a productos.

La controversia: fiabilidad, privacidad y sesgo

El campo arrastra un debate científico serio que conviene declarar con honestidad. Una revisión influyente de Lisa Feldman Barrett y colegas, publicada en 2019 en «Psychological Science in the Public Interest», concluyó que la relación entre los gestos faciales y los estados emocionales es mucho más variable y dependiente del contexto de lo que asume buena parte de la industria: una misma cara no significa siempre lo mismo, ni una emoción se expresa siempre igual. Inferir emociones de forma fiable desde el rostro es, por tanto, un problema abierto, no un hecho consolidado. A ello se suman los riesgos de privacidad —los datos afectivos son especialmente sensibles— y de sesgo, cuando los modelos rinden peor con determinados grupos. La computación afectiva es un terreno prometedor, pero sus capacidades deben afirmarse con prudencia y no darse por probadas.