Representación Humana, IA y Toma de Decisiones

¿Qué tan bien representa un sistema de IA a las personas cuando las personas no piensan todas igual?

Esta línea de investigación estudia heterogeneidad humana, representación de preferencias y errores sistemáticos en modelos de decisión mediados por IA. La pregunta central no es solamente si un modelo puede producir una respuesta correcta o promedio, sino si conserva diferencias relevantes entre individuos, grupos, idiomas y contextos.

Estudiamos problemas como:

• Representación de preferencias: si los modelos recuperan la estructura de las decisiones humanas y no sólo la respuesta modal.
• Error humano: si la IA puede anticipar dónde las personas se equivocan o se apartan sistemáticamente de distintos benchmarks.
• Heterogeneidad: qué diferencias individuales y grupales se preservan, se comprimen o se pierden en las representaciones de los modelos.
• Agregación: cómo cambian las conclusiones al pasar de juicios individuales a resúmenes colectivos o poblacionales.
• Contexto: cómo la información de país, idioma e individuo modifica el comportamiento de los modelos.

La investigación combina datos conductuales a gran escala, elecciones pareadas, representaciones computacionales y modelos de lenguaje. El objetivo es conectar preguntas de ciencias sociales computacionales con un desafío más amplio de la IA: construir sistemas que representen a las personas con precisión sin tratar la variación humana como ruido.

Esta página describe un programa de investigación activo. Los resultados todavía no publicados no se presentan aquí como conclusiones establecidas.