Clasificación Humana vs IA

📊 Radiografía Conversacional: Clasificación Humana vs IA

Durante un año se analizaron 5.313 mensajes de un grupo de chat (Wasaps) utilizando dos metodologías distintas:

• Clasificación realizada por evaluadores humanos
• Clasificación realizada por Inteligencia Artificial

El objetivo fue medir utilidad, ruido, toxicidad latente y eficiencia comunicacional.

---

1️⃣ Datos Base

Clasificación Humana

• Informativo: 1.921 (37,5%)
• Pasivo-agresivo: 1.362 (26,6%)
• Cortesía/Social: 903 (17,6%)
• Ornamental: 723 (14,1%)
• Religioso: 135 (2,6%)
• SPAM: 82 (1,6%)

Clasificación IA

• Informativo: 3-387 (63,7%)
• Cortesía/Social: 957 (18,0%)
• Ornamental: 739 (13,9%)
• Pasivo-agresivo: 147 (2,8%)
• Religioso: 66 (1,2%)
• SPAM: 17 (0,3%)

---

2️⃣ Definición de Métricas

📐 Utilidad Bruta (UB)

UB = Mensajes Informativos / Total de Mensajes

📐 Ruido Total (R)

R = Ornamental + Religioso + SPAM

📐 Índice Ruido/Utilidad (IRU)

IRU = R / UB

Interpretación:

• IRU > 1 → Más ruido que utilidad
• IRU = 1 → Equilibrio
• IRU < 1 → Predomina utilidad

📐 Coeficiente de Toxicidad Latente (CTL)

CTL = Pasivo-Agresivo / Total

📐 Índice de Calidez Social (ICS)

ICS = Cortesía + Ornamental

---

3️⃣ Resultados Comparativos

Clasificación Humana

• UB: 37,5%
• R: 18,3%
• IRU: 1,13
• CTL: 26,6%
• ICS: 31,7%

Clasificación IA

• UB: 63,7%
• R: 15,4%
• IRU: 0,24
• CTL: 2,8%
• ICS: 31,9%

---

4️⃣ Análisis Interpretativo

La diferencia más significativa se concentra en la categoría Pasivo-Agresivo:

• Humano: 26,6%
• IA: 2,8%

La IA reclasificó una gran porción de mensajes previamente considerados pasivo-agresivos como informativos o neutrales.

Hipótesis A — Sesgo emocional humano

• Mayor sensibilidad al tono implícito
• Detección de ironía y microagresiones
• Interpretación contextual relacional

Hipótesis B — Criterio estructural algorítmico

• Evaluación semántica explícita
• Menor peso al tono emocional
• Reducción de subjetividad

---

5️⃣ Impacto en la Narrativa del Grupo

Bajo análisis humano:

• Alta fricción social
• IRU mayor a 1
• Toxicidad latente significativa

Bajo análisis IA:

• Alta eficiencia comunicacional
• Predominio de utilidad
• Bajo conflicto estructural

La percepción cambia radicalmente dependiendo del método de observación.

---

6️⃣ Modelo Híbrido Propuesto

Clasificación Final = (0,6 × IA) + (0,4 × Humano)

Este modelo busca equilibrar sensibilidad emocional con consistencia estructural. Pero antes de implementarlo, se deben de explorar otros conjuntos de datos y validar esta propuesta.

---

📊 Utilidad

Humana:

███████████████░░░░░░░░░░░░░░░░ 37.5%

IA:

████████████████████████████████████░░ 63.7%

---

📊 Toxicidad Latente

Humana:

████████████████████░░░░░░░░░░░ 26.6%

IA:

██░░░░░░░░░░░░░░░░░░░░░░░░░░░░ 2.8%

---

📊 Índice Ruido/Utilidad (IRU)

Humana:

████████░░░░░░░░░░ 1.13

IA:

██░░░░░░░░░░░░░░░░ 0.24

---

7️⃣ Conclusión

Este estudio demuestra que la medición comunicacional no es neutral.

La IA mide estructura. El humano mide tono.

El mismo conjunto de datos puede parecer:

• Tóxico
• O altamente funcional

La diferencia no está en los mensajes. Está en el lente analítico utilizado.

---

8️⃣ Recomendaciones

• Realizar medición mensual para validar estabilidad.
• Crear subcategoría para ironía o crítica directa.
• Combinar análisis de sentimiento con clasificación estructural.
• Correlacionar utilidad comunicacional con resultados reales del grupo.

Conclusión final: El conflicto no siempre está en los datos. Muchas veces está en cómo decidimos interpretarlos.