# Métodos computacionales en lenguaje psiquiátrico

Durante una entrevista, una persona contesta «Trabajo por las tardes. Bueno, últimamente no siempre. A veces voy, pero me quedo mirando los correos y se me pasa la hora». Un programa registra la conversación y cuenta las palabras. Otro identifica verbos, pronombres y pausas. Un tercero calcula la semejanza entre representaciones numéricas de las frases. Un cuarto, basado en un LLM, produce el resumen *dificultades de concentración y reducción del rendimiento laboral*. Los cuatro sistemas transformaron la misma secuencia verbal y cada uno construyó un objeto distinto. El primero conserva una señal de audio y un texto. El segundo abstrae propiedades formales, el tercero produce relaciones estadísticas y el cuarto formula una interpretación. Ninguno observó directamente la concentración, el rendimiento ni la vivencia del hablante.

La psiquiatría computacional aplica métodos de procesamiento del lenguaje natural, análisis del habla y aprendizaje estadístico al estudio de la comunicación en relación con la salud mental. El campo reúne trabajos descriptivos sobre la organización del discurso, estudios de asociación entre variables lingüísticas y dimensiones clínicas, además de modelos predictivos. Los resultados pueden ser prometedores. Dependen, sin embargo, de decisiones que a menudo quedan ocultas tras una cifra de exactitud, como qué conversación se recogió, quién formuló las preguntas, cómo se transcribió, qué se tomó como unidad, cómo se definió el estado clínico y qué diferencias había entre los grupos comparados.

La pregunta metodológica debe formularse antes de elegir un algoritmo. Puede interesar caracterizar el lenguaje espontáneo, cuantificar su cambio durante un tratamiento, examinar la relación entre la coherencia discursiva y una evaluación clínica independiente o predecir un resultado futuro. Cada objetivo requiere un diseño, una unidad de análisis y criterios de validez propios. Un procedimiento técnicamente impecable puede responder con precisión a una pregunta sin interés clínico, o a una pregunta distinta de la que se formuló al comienzo.

## La cadena entre la experiencia y la variable

Todo estudio computacional del lenguaje transforma su objeto en varias etapas. Una persona vive ciertas experiencias, participa en una situación comunicativa y produce una secuencia verbal que se graba o se escribe. Sobre ese registro se hacen operaciones de limpieza, segmentación, extracción y modelado. El resultado final suele ser una variable, sea la proporción de pronombres, la longitud media del enunciado, una semejanza semántica, un índice de recurrencia, una clase asignada o una probabilidad estimada.

Cada etapa pierde y conserva información de manera selectiva. Un archivo de audio mantiene rasgos de la voz, pausas, variaciones de intensidad y algunas condiciones acústicas. Una transcripción puede preservar las palabras y ciertos fenómenos interactivos, aunque suele omitir la prosodia y las superposiciones. Una bolsa de palabras conserva las frecuencias léxicas y pierde el orden. Un vector contextualizado recoge regularidades estadísticas aprendidas durante el entrenamiento, sin describir de forma transparente la experiencia psicológica del hablante.

Esta cadena obliga a separar tres preguntas. La primera es la fiabilidad de la medición, es decir, si el mismo procedimiento reproduce el mismo valor. La segunda es la validez del constructo, o si la variable mide efectivamente el fenómeno que se quiere estudiar. La tercera es la utilidad clínica, que depende de si el resultado ayuda a comprender un caso o a tomar una decisión adecuada. Un índice puede calcularse de forma impecable y fallar en las otras dos dimensiones. Chancellor y De Choudhury (2020) señalaron problemas de validez de constructo en los estudios que infieren estados de salud mental a partir de datos digitales. La advertencia alcanza también a los corpus clínicos.

La primera protección contra esa confusión consiste en escribir la pregunta clínica en lenguaje corriente y explicar después por qué un rasgo computacional determinado debería aportar evidencia pertinente. Si el objetivo es estudiar la desorganización del discurso, hay que precisar qué dimensión de la organización se quiere captar, ya sea la continuidad temática, las relaciones referenciales, la secuencia de los acontecimientos, la estructura sintáctica o las reparaciones conversacionales. Agruparlas bajo una única etiqueta de *coherencia*, sin definición operativa, impide saber qué se ha medido.

## Qué es un dato lingüístico

El material procede de fuentes muy distintas. Hay entrevistas clínicas, narraciones sobre una imagen, tareas de descripción, conversaciones libres, historias contadas a partir de una consigna, mensajes escritos, publicaciones en redes sociales y registros de interacción con servicios digitales. Cada fuente combina de un modo particular la conducta del participante con las restricciones de la situación. Una tarea de descripción de una escena delimita el tema y facilita las comparaciones. Una entrevista abierta deja ver fenómenos que emergen en la interacción, a cambio de una mayor variabilidad en las preguntas y en las oportunidades de respuesta.

El dato producido espontáneamente debe distinguirse del que se obtiene con una consigna que favorece cierta característica. Si todos los participantes describen el mismo dibujo, la repetición léxica puede deberse al estímulo compartido. Si a un grupo se le pregunta por sus síntomas y a otro por sus aficiones, el modelo aprenderá diferencias entre las preguntas, aunque se presenten como diferencias entre pacientes y controles. Un diseño comparativo necesita estandarizar lo necesario sin eliminar de forma irreflexiva los fenómenos que busca observar.

En el audio, una unidad posible es el turno de habla. En el texto, la unidad puede ser el token, la oración, el enunciado o el documento completo. Para estudiar trayectorias clínicas, la unidad estadística suele ser la persona, con observaciones repetidas en distintos momentos. Tratar cada oración de un mismo paciente como una observación independiente infla artificialmente el tamaño de la muestra. Quinientas frases de diez personas siguen siendo, en muchos aspectos relevantes, diez personas. Los modelos jerárquicos y las particiones por participante permiten abordar este problema.

La procedencia del material debe quedar documentada. Cuentan el lugar, el idioma, la variedad dialectal, el dispositivo, el propósito de la entrevista, la presencia de terceros y la relación entre el hablante y el entrevistador. Una variable en apariencia lingüística puede cambiar por una diferencia de micrófono o de consigna. En psiquiatría estas condiciones alteran el fenómeno comunicativo que se pretende estudiar, de modo que rara vez son simples detalles instrumentales.

## Transcripción, reconocimiento automático y pérdida de información

Convertir el audio en texto parece una operación preliminar y, sin embargo, puede determinar el resultado. Los sistemas de reconocimiento automático del habla (ASR, por *automatic speech recognition*) predicen secuencias de palabras a partir de señales acústicas. Sus errores dependen de la calidad de la grabación, del ruido, de los acentos, del vocabulario y de la velocidad del habla, entre otros factores. Koenecke y colaboradores (2020) documentaron diferencias considerables en las tasas de error entre grupos de hablantes en sistemas comerciales de reconocimiento del inglés. El hallazgo nada dice directamente sobre el rendimiento en el español de Chile, pero muestra por qué los errores deben evaluarse en cada contexto local.

Una transcripción automática puede reemplazar una palabra rara por otra más frecuente, suprimir repeticiones, completar una frase entrecortada o insertar una puntuación que el hablante nunca produjo. Si el objetivo es estudiar asociaciones semánticas inusuales, esos cambios pueden alterar la variable de interés. Si se investigan las disfluencias, una herramienta que elimina muletillas por diseño destruye parte del dato. Cuando se usan entrevistas clínicas reales, hay que auditar muestras de audio frente a sus transcripciones y establecer qué errores tolera el análisis.

No existe una transcripción adecuada para todos los fines. Una transcripción ortográfica puede bastar para estudiar el vocabulario temático. La exploración de reparaciones, solapamientos o toma de turnos requiere convenciones conversacionales. Los fenómenos fonéticos piden, por su parte, una representación acústica o una transcripción especializada. La decisión debe tomarse antes del análisis, porque reconstruir después pausas o interrupciones omitidas puede resultar imposible.

La segmentación por hablante, llamada diarización, añade otra incertidumbre. Atribuir al paciente una frase del entrevistador puede alterar por completo los recuentos de pronombres o de expresiones emocionales. Una conversación tampoco es la suma de dos monólogos, pues las respuestas del paciente dependen de las intervenciones que las preceden. Un análisis que descarta todas las preguntas puede perder un contexto indispensable; incluirlas sin criterio contamina las medidas atribuidas al paciente.

## Preprocesamiento y decisiones que cambian el resultado

Antes del análisis los textos suelen normalizarse. Se convierten todas las letras a minúsculas, se lematizan las palabras, se eliminan signos, se filtran palabras frecuentes o se corrigen errores. Cada operación altera propiedades distintas. La lematización reduce *caminando*, *caminó* y *caminaré* a un mismo lema; facilita algunas comparaciones léxicas y pierde el tiempo, el aspecto y la flexión. Eliminar las palabras funcionales ayuda en ciertas tareas temáticas, pero destruye información sobre conectores, negación, artículos y pronombres.

En el lenguaje psiquiátrico, la negación merece especial cuidado. *Quiero morir* y *no quiero morir* comparten casi todo su vocabulario. Un procedimiento que elimine *no* las acercará indebidamente. También cuentan el alcance de la negación y la modalidad. *A veces temo pensar que quisiera morir* no dice lo mismo que *quiero morir ahora*. Una clasificación basada solo en términos asociados al riesgo confundiría mención, temor, cita y declaración propia.

La puntuación insertada por un sistema puede crear límites de oración artificiales. Las contracciones, las palabras interrumpidas, las autocorrecciones y los cambios de código entre lenguas necesitan reglas explícitas. Algunas bibliotecas desarrolladas sobre todo para el inglés reconocen con menor precisión los clíticos, las construcciones pronominales o los fenómenos dialectales del español. El error de análisis puede ser sistemático y correlacionarse con el grupo clínico si uno de los grupos usa estructuras menos frecuentes en los datos de entrenamiento.

Las decisiones deben quedar en un registro reproducible. Lo recomendable es disponer de una versión original protegida, de una versión transcrita fielmente y de copias derivadas para cada procedimiento. Así puede evaluarse cuánto cambia un índice con distintas políticas de limpieza. Un resultado que solo aparece después de una secuencia arbitraria de transformaciones merece cautela.

## Rasgos léxicos y morfosintácticos

Las medidas más sencillas incluyen el número de palabras, la longitud media del enunciado, la diversidad léxica, la frecuencia de categorías gramaticales y la proporción de términos que pertenecen a diccionarios psicológicos. Son relativamente transparentes y permiten formular hipótesis acotadas. Su transparencia matemática deja abierta, con todo, la interpretación clínica. Una mayor proporción de pronombres de primera persona puede relacionarse con el tema de la consigna, con normas conversacionales, con la autorreferencia propia de una narración o con ciertos estados afectivos. La medida no elige entre esas lecturas.

La diversidad léxica muestra bien esta dependencia metodológica. La razón entre tipos distintos y tokens totales disminuye a medida que el texto se alarga, de modo que comparar directamente relatos de cincuenta y de quinientas palabras puede producir diferencias espurias. Se usan medidas ajustadas a la longitud, estimaciones por ventanas y procedimientos de remuestreo, aunque ninguno corrige todas las diferencias de género y de tema. Antes de comparar grupos hay que comprobar que los participantes tuvieron oportunidades equivalentes de producir lenguaje.

La sintaxis requiere herramientas capaces de identificar categorías y relaciones. Los analizadores de dependencias representan las conexiones entre palabras, como sujeto, núcleo verbal, complemento y modificador. A partir de esas estructuras pueden medirse profundidades, longitudes de dependencia o diversidad de construcciones. Estas medidas describen las oraciones producidas en condiciones determinadas. Una menor complejidad puede deberse a un deterioro cognitivo, pero también a un estilo conciso, a la edad, a la escolaridad, a una consigna breve o a la decisión de evitar formulaciones complicadas.

Algunos estudios han combinado medidas sintácticas y semánticas para estudiar el riesgo de psicosis. Bedi y colaboradores (2015) analizaron entrevistas de un grupo pequeño de jóvenes con alto riesgo clínico. El trabajo mostró que era posible extraer señales lingüísticas cuantificables, aunque el tamaño de la muestra y el escaso número de transiciones limitaban mucho la generalización. Estudios de este tipo son experimentos sobre métodos y diseños concretos. Ninguno estableció que una propiedad sintáctica aislada identifique una enfermedad.

## Representaciones semánticas y continuidad del discurso

La semántica computacional clásica recurrió a matrices de coocurrencia, modelos de espacio vectorial y análisis semántico latente. Los métodos posteriores incorporaron representaciones distribucionales entrenadas con grandes corpus. Los modelos contextualizados generan vectores que dependen de la oración o del entorno textual. Simplificando mucho, una expresión puede representarse como un vector numérico y compararse con otra mediante operaciones geométricas. El procedimiento resume regularidades estadísticas de uso. Su relación con el contenido clínico tiene que establecerse empíricamente.

Una medida habitual de semejanza es el coseno entre dos vectores. Si las representaciones son \(u\) y \(v\), se calcula mediante la expresión

\[
\operatorname{sim}(u,v)=\frac{u\cdot v}{\lVert u\rVert\lVert v\rVert}.
\]

En ciertas representaciones, un valor alto indica mayor semejanza distribucional. Para explorar la continuidad local puede calcularse la semejanza entre segmentos consecutivos de un relato y resumirse su distribución. La interpretación pide cuidado. Dos enunciados pueden ser coherentes aunque usen vocabularios distintos, porque los une una relación causal, temporal o pragmática que el modelo no capta. También pueden resultar muy semejantes porque repiten palabras sin que el hablante avance en la explicación. La semejanza distribucional se aproxima a ciertas relaciones de contenido y deja fuera otras que forman parte de la coherencia discursiva.

Los resultados dependen de la segmentación y de los datos con que se entrenó la representación. El promedio de vectores de palabras, la codificación de oraciones completas y los vectores de un modelo contextualizado pueden ordenar de manera distinta los mismos pares de frases. La puntuación del texto modifica los límites. Una ventana de tres palabras detecta relaciones distintas de las que detecta una ventana entre párrafos. El investigador tiene que justificar qué escala temporal y discursiva corresponde al fenómeno clínico que pretende medir.

Rezaii, Walker y Wolff (2019) examinaron la densidad semántica y el contenido latente como rasgos potencialmente informativos en estudios de riesgo de psicosis. Combinar ambos enfoques tiene interés porque la relación estadística entre significados y la aparición de ciertos contenidos responden a preguntas diferentes.

Corcoran y colaboradores (2018) evaluaron procedimientos de análisis automático en varias cohortes y protocolos de alto riesgo, con resultados que variaron según las condiciones de evaluación. El trabajo tiene importancia metodológica porque intentó comprobar los resultados fuera de la muestra en que se desarrollaron. Recuerda, además, que trasladar una medida de un protocolo a otro exige estudiar los cambios de tarea, de población y de condiciones de habla. Lo que un índice identifica en una narración estandarizada podría desaparecer en una consulta abierta.

## Grafos del habla y organización secuencial

Otra familia de técnicas representa el discurso como una red. En un grafo del habla, los nodos pueden corresponder a palabras y las aristas a las transiciones observadas entre ellas. Con esa representación se calculan la conectividad, la recurrencia, las trayectorias y otras propiedades formales. Mota y colaboradores (2012) estudiaron estas medidas en entrevistas de personas con psicosis y encontraron diferencias entre los grupos examinados. Esos resultados motivaron nuevas investigaciones sobre la cuantificación de la organización verbal.

Hay que entender bien qué contienen estas redes. Un arco entre dos palabras registra la relación que fija el procedimiento de codificación, normalmente la sucesión en el texto. Las conexiones neuronales o las asociaciones mentales quedan fuera de lo que esa relación describe. Un ciclo en el grafo puede deberse a repetición léxica, a un retorno temático, a rasgos gramaticales o a la extensión del material. Algunas propiedades de red dependen mucho del número de palabras y de la variedad del vocabulario, por lo que requieren controles adecuados.

Los grafos dan una mirada complementaria a la de las representaciones semánticas. Pueden ser sensibles al orden y a ciertas recurrencias sin distinguir los motivos que llevan al hablante a repetir una palabra. Una narración deliberadamente circular, una explicación didáctica y un discurso con perseveración pueden compartir configuraciones superficiales. El análisis computacional describe esa semejanza. Atribuirle el mismo mecanismo clínico en los tres casos sería un error.

## Voz, prosodia e interacción

El lenguaje hablado contiene información que no aparece en una transcripción ortográfica. La duración de las pausas, el ritmo de producción, la variación de la frecuencia fundamental, la intensidad, la calidad vocal y la distribución temporal de las intervenciones pueden analizarse computacionalmente. Estas variables pertenecen a dominios distintos. La frecuencia fundamental es una propiedad acústica relacionada con la percepción del tono, la duración de una pausa depende de la segmentación elegida y la velocidad del habla puede calcularse con o sin silencios. Agruparlas bajo la etiqueta general de *prosodia* impide distinguir lo que mide cada una.

Una pausa prolongada admite muchas causas. Puede corresponder a una búsqueda léxica, una vacilación, una reflexión, el cansancio, la necesidad de reparar el discurso, una reacción emocional o simplemente la expectativa de que intervenga el interlocutor. Incluso una diferencia estadística sólida entre grupos puede reflejar la medicación, alteraciones neurológicas, problemas respiratorios o estilos de entrevista distintos. El diseño debe registrar estos factores, sobre todo cuando se quiere asociar un rasgo vocal con una dimensión psicopatológica concreta.

La interacción añade otras medidas, como las latencias entre pregunta y respuesta, las interrupciones, las superposiciones, la proporción de tiempo que ocupa cada participante y las secuencias de reparación. Un turno largo puede ser una narración coherente o una respuesta que no atiende a la pregunta. Para distinguir ambas situaciones hay que relacionar la forma temporal con el contenido y con la organización secuencial. Un algoritmo que identifica silencios y cambios de hablante da una base para esa investigación, aunque la interpretación conversacional queda todavía pendiente.

Las herramientas multimodales permiten combinar audio, texto y otros registros, como el video, con los protocolos adecuados. La integración puede aportar información complementaria y, a la vez, aumenta el riesgo de que el modelo aprenda propiedades irrelevantes del entorno, como la iluminación, el equipo, el encuadre o rasgos físicos asociados por azar a un grupo. La validez de un conjunto multimodal depende de que cada modalidad esté justificada y de que su contribución real pueda separarse de las demás.

## LLM y extracción de variables clínicas

Los LLM (*large language models*) pueden clasificar segmentos, localizar entidades, resumir entrevistas o responder preguntas sobre un texto. Resultan atractivos sobre todo cuando una variable no puede reducirse a un diccionario. Un investigador podría pedir al modelo que identifique referencias temporales, cambios de tema o enunciados sobre la agencia. Estas tareas se parecen a las que realiza un analista humano. Su ejecución depende, en cambio, del modelo y de las instrucciones que recibe, además de procesos internos que no siempre son accesibles.

La fluidez de la salida puede ocultar errores de atribución. Tomemos el enunciado *mi madre dice que he perdido el interés*. Si el sistema lo convierte en *el paciente reconoce anhedonia*, introduce dos inferencias, pues transforma la atribución de un tercero en una afirmación propia y una frase general en un término técnico. La salida puede sonar adecuada en una nota clínica aunque el fragmento no la sostenga. El problema se agrava cuando se usan modelos generativos para producir etiquetas que después alimentarán un análisis estadístico.

Extraer variables con estos modelos exige reglas explícitas sobre lo que cuenta como evidencia positiva, los ejemplos que deben excluirse y la manera de distinguir negación, cita y atribución ajena. También hay que decidir cuándo corresponde registrar incertidumbre. Las anotaciones así producidas deben compararse con un conjunto de referencia construido de manera independiente. La comparación debería examinar el acuerdo global y también los errores en casos complejos, expresiones dialectales y contextos clínicos poco frecuentes. Cuando la salida es una explicación libre, hay que comprobar que la frase citada exista y que sostenga efectivamente la etiqueta asignada.

El rendimiento puede cambiar tras una actualización del modelo o un cambio mínimo en las instrucciones. Por eso deben registrarse la versión, los parámetros, la fecha, las instrucciones y la política de revisión humana. Si el sistema es cerrado y el proveedor no permite recuperar una versión anterior, la reproducibilidad será parcial y así debe declararse. Tampoco debe enviarse información clínica sensible a servicios externos sin condiciones adecuadas de autorización, confidencialidad y tratamiento de datos, cualquiera sea su conveniencia técnica.

## Confusión, etiquetas y fuga de información

Los problemas más graves de un estudio pueden aparecer antes del entrenamiento. Supongamos que se recluta a pacientes hospitalizados con síntomas graves y a controles sanos de una universidad. Un clasificador podría distinguir ambos grupos por la edad, la escolaridad, los temas tratados, la medicación, la longitud de las respuestas o las condiciones de grabación. Una exactitud elevada dejaría sin demostrar que identificó un rasgo propio del trastorno. El problema es la confusión entre el estado clínico y las características que acompañan al modo en que se construyó la muestra.

Las etiquetas clínicas también tienen incertidumbre. Un diagnóstico consignado en una ficha, una puntuación en una escala, una entrevista estructurada y una autoidentificación en redes sociales son fuentes distintas que no pueden tratarse como estándares intercambiables. El estudio necesita describir quién asignó la etiqueta, cuándo, con qué información y respecto de qué constructo. Si la variable lingüística sale de la misma entrevista que se usó para definir el resultado, puede haber circularidad. Un modelo que detecta palabras de tristeza y predice una puntuación calculada en parte con esas mismas respuestas quizá esté reproduciendo el procedimiento de evaluación.

Otra fuente de error es la fuga de información entre los conjuntos de desarrollo y de evaluación. Si se divide al azar una colección de frases, una misma persona puede aportar datos al entrenamiento y a la prueba. El algoritmo aprenderá particularidades de su estilo, su vocabulario o su historia. La evaluación dejará entonces de reflejar el rendimiento con personas nunca vistas. Cuando el objetivo es generalizar entre participantes, la partición debe hacerse por persona. Si se espera generalizar entre centros o periodos, hay que evaluar también esas separaciones.

La selección de variables también puede contaminar una evaluación. Elegir los rasgos más asociados al resultado con todos los datos antes de la validación cruzada introduce información del conjunto de prueba. Lo mismo ocurre al ajustar umbrales, al imputar con información posterior o al aplicar mal la normalización. Toda preparación que aprende parámetros del conjunto debe hacerse dentro de cada partición de entrenamiento, tanto en modelos estadísticos sencillos como en arquitecturas de aprendizaje profundo.

## Evaluación, calibración y transportabilidad

La utilidad de un modelo depende del resultado que debe producir. En clasificación hay que informar, según el caso, sensibilidad, especificidad, valores predictivos, precisión, exhaustividad y medidas de discriminación. La exactitud global engaña cuando el resultado de interés es poco frecuente. Si un evento ocurre en el 5 % de una muestra, un procedimiento que siempre predice su ausencia alcanzará un 95 % de exactitud sin identificar un solo caso. El ejemplo es puramente aritmético y vale para cualquier tecnología. Muestra que el sentido de una cifra de rendimiento depende de la prevalencia y de la distribución de los errores.

La calibración plantea otra cuestión. Un modelo puede ordenar razonablemente a las personas según su riesgo y asignar, a pesar de ello, probabilidades sistemáticamente altas. Si comunica un 70 % de probabilidad, interesa saber si entre las personas con predicciones semejantes el evento ocurre más o menos en esa proporción. Discriminación y calibración deben evaluarse por separado. En los estudios longitudinales hay que especificar además el horizonte temporal del resultado y tratar adecuadamente las pérdidas de seguimiento.

El rendimiento estimado en una sola institución puede empeorar al trasladarse a otra, porque cambian las poblaciones, las prácticas diagnósticas, las consignas de entrevista, los equipos de grabación y el lenguaje de los participantes. La evaluación externa permite explorar esa transportabilidad sin certificarla de una vez para siempre. La declaración TRIPOD+AI (Collins et al., 2024) pide informar con transparencia sobre participantes, predictores, resultados y evaluación. PROBAST+AI (Moons et al., 2025) da criterios para examinar la calidad, el riesgo de sesgo y la aplicabilidad. Son instrumentos complementarios. Un estudio informado con todo detalle puede tener, de todos modos, un diseño débil.

Hay que atender también a los intervalos de incertidumbre y al tamaño efectivo de la muestra. Un resultado espectacular puede venir de muy pocos eventos. En el estudio exploratorio de Bedi y colaboradores (2015), cinco de los treinta y cuatro participantes desarrollaron psicosis durante el seguimiento. El rendimiento observado en esa muestra pequeña fue notable; la incertidumbre que lo rodeaba y la necesidad de replicarlo impedían convertirlo en un criterio clínico estable. Los trabajos posteriores de Corcoran y colaboradores (2018) ampliaron las condiciones de evaluación y mostraron variación entre conjuntos de datos y protocolos. Leer juntos estos resultados informa mucho más que repetir una cifra aislada de rendimiento.

## Un estudio hipotético, desde la pregunta hasta la interpretación

Imaginemos una investigación sobre los cambios en la organización del relato durante el tratamiento de pacientes con episodios depresivos. El objetivo inicial es descriptivo. Se quiere saber si ciertas medidas de continuidad temática, complejidad sintáctica y ritmo de producción cambian dentro de cada participante y cómo se relacionan esos cambios con una evaluación clínica independiente. El estudio no pretende diagnosticar la depresión a partir del lenguaje ni atribuir causalidad a cualquier asociación.

El equipo registra una narración breve en tres momentos con la misma consigna. Documenta la familiaridad con la tarea y recoge variables como la edad, la escolaridad, la medicación y las condiciones de grabación. Los archivos originales se guardan con acceso restringido. Una muestra se transcribe a mano para estimar la calidad del reconocimiento automático. Antes del análisis se define un conjunto limitado de variables, se registran las reglas de segmentación y se calculan las medidas por persona y por visita. El clínico que evalúa la evolución desconoce los índices computacionales al hacer su evaluación.

El análisis compara trayectorias individuales y distribuciones grupales con métodos que tienen en cuenta la dependencia entre medidas repetidas. Si la longitud del discurso cambia con el tiempo, las medidas sensibles a ella se ajustan o se interpretan con comparaciones adecuadas. Los resultados se presentan con su variabilidad y se revisa si dependen de unos pocos participantes. Supongamos que una medida de continuidad aumenta en parte de la muestra. Para interpretarlo hay que volver a ejemplos del lenguaje original y comprobar que el índice no refleja una mayor repetición de palabras inducida por la consigna.

La conclusión científica admisible sería limitada y clara. En esas condiciones, una medida computacional mostró cierta relación longitudinal con una evaluación independiente. Sostener que capta un mecanismo psicopatológico exigiría una teoría adicional. Proponerla como instrumento clínico requeriría estudiar su desempeño en otros contextos y su efecto sobre decisiones reales. La distancia entre estos niveles no resta valor al estudio descriptivo, que responde correctamente a la pregunta que formuló.

## Privacidad, heterogeneidad y asimetría de errores

El lenguaje clínico contiene información sobre la identidad de la persona y de terceros. Nombres propios, profesiones poco comunes, lugares, acontecimientos familiares y combinaciones narrativas permiten a veces reidentificar a alguien aunque se hayan borrado los identificadores evidentes. La seudonimización reduce ciertos riesgos sin volver inocuo el corpus. El acceso debe responder a una finalidad definida, con condiciones de seguridad y de conservación proporcionales a la sensibilidad de los datos. El consentimiento o la base legítima de cada uso debe evaluarse antes de compartir material con un proveedor tecnológico.

La heterogeneidad lingüística introduce una dimensión de equidad. Los modelos entrenados sobre todo con una variedad del español pueden rendir peor con otra. Ocurre lo mismo con estilos de habla asociados a la edad, la educación, el bilingüismo o diferencias del neurodesarrollo. Hovy y Spruit (2016) advirtieron que los sistemas de procesamiento del lenguaje pueden tener consecuencias sociales desiguales cuando incorporan sesgos de sus datos y de su diseño. En aplicaciones clínicas, un error diferencial puede convertir una diferencia de comunicación en un aparente riesgo de enfermedad.

Los errores tampoco cuestan lo mismo en todas las tareas. Una clasificación equivocada en un estudio retrospectivo de frecuencia léxica tiene consecuencias distintas de las de una alerta errónea que desencadena una intervención sobre una persona. Por eso el diseño debe considerar quién recibe el resultado y qué información queda disponible para revisar o discutir la inferencia. Un modelo que genera etiquetas clínicas sin conservar evidencia textual verificable dificulta la corrección humana y puede consolidar en el registro sanitario conclusiones injustificadas.

Los resultados individuales piden una cautela adicional. Una correlación poblacional entre un patrón lingüístico y una variable clínica deja sin establecer qué significa ese patrón en una persona determinada. El mismo hablante modifica su estilo según la fatiga, la confianza con el entrevistador, el propósito comunicativo o el tipo de pregunta. Los sistemas computacionales permiten estudiar regularidades difíciles de observar a mano, siempre que no se pierda de vista la distancia entre una medida y la experiencia humana que se quiere comprender.

## Lo que aportan los métodos computacionales

Los métodos actuales permiten examinar grandes volúmenes de lenguaje, cuantificar propiedades que antes solo se describían cualitativamente y someter las hipótesis a comparaciones reproducibles. Facilitan el estudio de las variaciones en el tiempo, la elaboración de corpus anotados y la evaluación de las relaciones entre aspectos léxicos, semánticos, sintácticos y conversacionales. Su aporte más valioso quizá sea metodológico, porque obligan a convertir intuiciones amplias en definiciones que otros investigadores pueden inspeccionar y corregir.

Esa virtud se pierde cuando el índice desplaza a su interpretación. Un valor de semejanza capta solo una parte de la coherencia clínica. Un grafo describe transiciones entre palabras. Una transcripción omite parte de lo ocurrido en la conversación y un resumen fluido puede ser infiel a su fuente. La investigación sólida mantiene vínculos auditables entre cada variable calculada y el fenómeno observado. Antes de proponer aplicaciones clínicas, expone los errores de medición y examina hasta dónde generalizan sus resultados y qué explicaciones alternativas quedan abiertas.

Queda por determinar si alguna de estas medidas merece el nombre de *biomarcador lingüístico*. La respuesta exige discutir la estabilidad, la especificidad, la reproducibilidad, la validez individual y el valor añadido frente a los procedimientos clínicos existentes. Que una variable se haya calculado con un algoritmo no satisface ninguna de esas exigencias. El análisis computacional da las herramientas para formular la pregunta. Establecer qué conclusiones sostienen los datos corresponde a la investigación clínica.

## Referencias y lecturas

- Bedi, G., Carrillo, F., Cecchi, G. A., et al. (2015). Automated analysis of free speech predicts psychosis onset in high-risk youths. *npj Schizophrenia, 1*, 15030. https://doi.org/10.1038/npjschz.2015.30
- Chancellor, S., & De Choudhury, M. (2020). Methods in predictive techniques for mental health status on social media: A critical review. *npj Digital Medicine, 3*, 43. https://doi.org/10.1038/s41746-020-0233-7
- Collins, G. S., Moons, K. G. M., Dhiman, P., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. *BMJ, 385*, e078378. https://doi.org/10.1136/bmj-2023-078378
- Corcoran, C. M., Carrillo, F., Fernández-Slezak, D., et al. (2018). Prediction of psychosis across protocols and risk cohorts using automated language analysis. *World Psychiatry, 17*(1), 67–75. https://doi.org/10.1002/wps.20491
- Hovy, D., & Spruit, S. L. (2016). The social impact of natural language processing. En *Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers)* (pp. 591–598). https://doi.org/10.18653/v1/P16-2096
- Koenecke, A., Nam, A., Lake, E., et al. (2020). Racial disparities in automated speech recognition. *Proceedings of the National Academy of Sciences, 117*(14), 7684–7689. https://doi.org/10.1073/pnas.1915768117
- Moons, K. G. M., Damen, J. A. A., Kaul, T., et al. (2025). PROBAST+AI: An updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. *BMJ, 388*, e082505. https://doi.org/10.1136/bmj-2024-082505
- Mota, N. B., Vasconcelos, N. A. P., Lemos, N., et al. (2012). Speech graphs provide a quantitative measure of thought disorder in psychosis. *PLOS ONE, 7*(4), e34928. https://doi.org/10.1371/journal.pone.0034928
- Rezaii, N., Walker, E., & Wolff, P. (2019). A machine learning approach to predicting psychosis using semantic density and latent content analysis. *npj Schizophrenia, 5*, 9. https://doi.org/10.1038/s41537-019-0077-9

---