Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Encuadre de roles y confianza en la IA médica: evidencia a partir de un experimento de escenario y EEG

88 visualizaciones

⸱

DOI:

10.3791/73180

⸱

8 de septiembre de 2026

 ,  ,  ,  , 
1School of Business, Huaqiao University, 2Chen Shouren College of Business, Quanzhou Normal University, 3College of Architecture and Urban Planning, Tongji University

En este artículo

Resumen

Este estudio integra un experimento de escenario y electroencefalogramas para examinar cómo el marco de referencia del rol de experto y acompañante se asocia con la confianza en diferentes contextos de tareas médicas.

Resumen

La inteligencia artificial médica en línea ha evolucionado desde herramientas analíticas de fondo hasta interfaces de servicio orientadas al paciente, lo que convierte la confianza calibrada en un problema cada vez más importante de diseño y gobernanza. Basándose en la teoría de la congruencia de roles, este estudio examinó cómo el encuadre del rol de experto y de compañero se asocia con la confianza en diferentes contextos de tareas médicas. El estudio 1 utilizó un experimento por escenarios 2 (rol: experto frente a compañero) × 2 (tarea: consulta de enfermedad frente a consulta de salud) (N = 300). El encuadre como experto aumentó la percepción de profesionalismo, mientras que el encuadre como compañero incrementó la presencia social; ambas percepciones se asociaron independientemente con la confianza general cuando se introdujeron simultáneamente. La asociación indirecta a través del profesionalismo estuvo condicionada por el contexto de la tarea, pero una comparación directa mediante bootstrap no mostró diferencias significativas entre los dos índices de mediación moderada para la confianza general. Los diagnósticos de medición indicaron una superposición sustancial entre el profesionalismo percibido y la confianza cognitiva, así como entre la presencia social y la confianza afectiva, lo que requiere una interpretación cautelosa. El estudio 2 comparó enunciados con encuadre de experto y de compañero utilizando EEG en 39 observaciones pareadas. El encuadre como experto se asoció con una mayor ERS de theta frontal-medial y un ΔPLV de theta FCz-F6 menos negativo tras la corrección de la línea base, mientras que a nivel de condición no se observaron diferencias confiables en la tasa de confianza, el tiempo de respuesta ni la tasa de respuestas omitidas. Estos hallazgos de EEG son correlatos exploratorios a nivel de proceso, no una validación neural del modelo indirecto condicional. En conjunto, las señales de rol parecen moldear evaluaciones no excluyentes orientadas a la competencia y a la relación. El diseño del rol debe favorecer una dependencia calibrada mediante límites de capacidad, comunicación de incertidumbre, advertencias basadas en riesgos y escalonamiento adecuado, en lugar de simplemente maximizar la confianza.

Introducción

La inteligencia artificial médica ahora abarca aplicaciones de back-end, como el reconocimiento de imágenes, el análisis de patología y el descubrimiento de fármacos, así como interfaces de servicio orientadas al paciente. Los análisis del sector proyectan un crecimiento continuo del mercado de inteligencia artificial en salud hasta 20331. Los modelos de lenguaje grandes permiten que los sistemas de inteligencia artificial médica respondan preguntas de salud, interpreten resultados de pruebas, resuman información y proporcionen recomendaciones en lenguaje natural2. Este cambio transforma la relación del usuario con la tecnología. Una herramienta analítica de back-end es evaluada por clínicos y organizaciones, mientras que una interfaz orientada al paciente debe comunicar su función, evidencia, incertidumbre y límites a los usuarios. La inteligencia artificial médica puede presentarse como un asistente diagnóstico, una interfaz de médico de familia o un compañero de gestión de la salud, y cada una de estas formas puede influir en cómo los usuarios entienden la identidad del servicio del sistema. A medida que estos sistemas participan cada vez más en la consulta sobre enfermedades y en la gestión diaria de la salud, la confianza trasciende una simple actitud hacia la tecnología. Afecta si los usuarios revelan información, consideran creíbles las recomendaciones, interactúan con el sistema y actúan conforme a las orientaciones de salud. Por lo tanto, la confianza es una preocupación central en el diseño y la gobernanza de las plataformas de salud digital.

La capacidad técnica por sí sola no determina si los usuarios consideran que la inteligencia artificial (IA) médica es creíble y aceptable. Las revisiones sobre agentes conversacionales en atención sanitaria muestran que su implementación depende de la calidad de la interacción, la relevancia clínica, la transparencia y las condiciones de despliegue3. Trabajos recientes sobre evidencia creíble para la IA médica argumentan asimismo que el rendimiento del modelo es insuficiente a menos que las afirmaciones estén respaldadas por evidencia adecuada para el uso previsto4. La transparencia es esencial porque los pacientes deben poder identificar los límites de las capacidades, la incertidumbre y la base de una recomendación, en lugar de inferir la fiabilidad únicamente a partir de un lenguaje fluido5. La investigación en sistemas de información enmarca de manera similar la adopción del diagnóstico asistido por IA como un problema de configuración de la confianza, en el que la interpretabilidad, la protección de la privacidad y las señales de la interfaz moldean conjuntamente la aceptación6. Estas consideraciones son importantes para las interfaces basadas en modelos de lenguaje. La fluidez puede hacer que una respuesta sea fácil de entender, pero sin resolver si el sistema posee conocimientos clínicos, si su recomendación se aplica a las circunstancias del usuario o cuándo es necesario derivar al paciente a un profesional sanitario calificado. La pregunta relevante no es solo si la IA médica puede producir una respuesta, sino si los usuarios pueden evaluarla con un nivel adecuado de confianza.

La confianza en la inteligencia artificial (IA) médica es sensible al contexto de la tarea. La investigación sobre la resistencia a la IA médica muestra que los usuarios pueden rechazar las recomendaciones algorítmicas en decisiones de alto riesgo porque consideran que un algoritmo no puede tener en cuenta su singularidad7. Sin embargo, esta resistencia no es universal. La investigación sobre la apreciación de algoritmos indica que las personas pueden preferir el juicio algorítmico cuando las tareas son objetivas y las reglas están más claras8. En la consulta médica en línea, la personalización y el cuidado en los consejos generados por IA afectan la confianza y la aceptación9. Estudios de elección discreta que comparan consultas convencionales, digitales y basadas en IA encuentran asimismo que las preferencias y las expectativas de confianza varían según el formato10. El trabajo conjunto entre humanos y IA también puede reducir la resistencia mediante la transferencia de confianza desde la experiencia humana hacia una configuración de servicio asistida por IA11. Por lo tanto, la confianza en la IA médica se desarrolla a través de la interacción entre el riesgo percibido, las exigencias de la tarea, el estilo de comunicación y la evaluación del sistema. La consulta por enfermedad pone de relieve la incertidumbre, la posible pérdida, las consecuencias diagnósticas y los costos del error. En cambio, la consulta sobre salud con mayor frecuencia aborda aspectos como la dieta, el ejercicio, el sueño, la adherencia y la gestión preventiva, donde la interacción sostenida y la accesibilidad relacional pueden tener un peso mayor. En consecuencia, una misma señal de interfaz puede interpretarse de manera diferente cuando un usuario busca ayuda para una posible enfermedad frente a la gestión a largo plazo de su salud.

La configuración del rol es una característica de interfaz mediante la cual se pueden comunicar estas expectativas. La IA médica puede presentarse como un experto que enfatiza la autoridad profesional, el razonamiento estructurado, los límites clínicos y la evidencia de capacidades, o como un compañero que destaca la empatía, la tranquilidad, el apoyo social y la continuidad. Esta distinción está relacionada con la competencia y la calidez, las dos dimensiones de la percepción social, pero no se trata simplemente de elegir entre un sistema competente y uno cálido12. El estilo de comunicación y la configuración de la agencia influyen en las evaluaciones de los agentes conversacionales13. En aplicaciones médicas móviles, las señales sociales y las preocupaciones sobre la privacidad afectan conjuntamente la confianza y la intención de comportamiento14. Las señales antropomórficas en agentes conversacionales de atención médica pueden aumentar la presencia social, la confianza y la aceptación, aunque también podrían generar expectativas que excedan las capacidades del sistema15. La investigación sobre equipos humano-IA muestra además que la calidez y la competencia predicen diferentes formas de receptividad16. En tareas de alto riesgo, la confianza depende de la adecuación entre el rol del equipo, el contexto de la tarea y la violación del desempeño17. La coherencia entre el rol social de un chatbot y su desempeño también afecta la construcción y la recuperación de la confianza18. Por lo tanto, las señales de experto y de compañero hacen que diferentes estándares evaluativos sean más evidentes, en lugar de simplemente cambiar el tono de la conversación.

Quedan dos vacíos. En primer lugar, la investigación no ha explicado cómo cambia la relevancia de las señales orientadas a la competencia y a la relación según las demandas de la tarea médica. Las revisiones sobre la confianza humana en la IA enfatizan la dependencia del contexto, pero no aclaran cómo operan las señales de experto y de compañero en consultas relacionadas con enfermedades y con salud19. En segundo lugar, los estudios sobre la confianza en la IA médica se basan en autoinformes, lo que proporciona evidencia limitada sobre el procesamiento asociado a la evaluación basada en roles. La privacidad, la transparencia, la rendición de cuentas y el sesgo también restringen la interpretación de las señales de rol en la interfaz20,21. Para abordar estos vacíos, este estudio se basa en la teoría de la congruencia de roles, que explica la evaluación mediante la alineación entre las señales de rol y las demandas relevantes del contexto22. El estudio 1 utiliza un experimento aleatorizado de escenarios 2 (rol: experto frente a compañero) × 2 (tarea: consulta por enfermedad frente a consulta por salud) (N = 300) para examinar el marco de rol, el contexto de la tarea y asociaciones indirectas paralelas a través de la percepción de profesionalismo y presencia social. El estudio 2 utiliza un experimento independiente de EEG con un diseño intra-sujetos (N = 39) para comparar la actividad en la banda theta en respuesta a afirmaciones enmarcadas como de experto y de compañero. El estudio 1 evalúa asociaciones conductuales y moderación contextual; el estudio 2 proporciona una comparación exploratoria a nivel de procesamiento, más que una validación neural del modelo indirecto condicional.

Marco teórico y desarrollo de hipótesis

Enfoque del rol en la IA médica

La inteligencia artificial médica opera en entornos de alto riesgo que implican riesgo de enfermedad, recomendaciones de tratamiento, responsabilidad legal y límites éticos23. Por lo tanto, la definición del rol es importante porque el lenguaje de interfaz puede hacer que los límites de capacidad, evidencia y responsabilidad sean más o menos evidentes para los usuarios. La investigación sobre transparencia también enfatiza que los sistemas de inteligencia artificial médica deben comunicar los límites de sus capacidades y sus bases de evidencia5. Las respuestas con estilo de experto transmiten competencia mediante terminología formal, razonamiento estructurado, declaraciones de límites y recomendaciones de acción, mientras que las respuestas con estilo de compañero transmiten apoyo relacional mediante empatía, tranquilización y lenguaje colaborativo. Estas señales no son meramente decorativas en la interfaz: moldean los criterios que los usuarios aplican al evaluar un sistema24,25. La antropomorfización puede provocar respuestas sociales, pero también puede generar expectativas irreales y difuminar los límites de responsabilidad26,27. La investigación sobre equipos humano-IA y chatbots indica además que la calidez, la competencia, la adecuación del rol al contexto y la coherencia entre el rol social y el desempeño influyen en la aceptación y la confianza16,17,18. En este estudio, la congruencia de rol se refiere a la alineación entre las señales transmitidas por una respuesta de IA y las exigencias evaluativas evidentes en la tarea de consulta22.

Doble vía de confianza: profesionalismo percibido y presencia social

Se infiere la congruencia de rol a partir de la interacción observada entre rol y tarea, en lugar de medirla como un constructo subjetivo independiente. Por lo tanto, la interpretación está ligada a la interacción experimental y no implica que los participantes informaran conscientemente una sensación de adecuación al rol. La confianza implica juicios cognitivos sobre competencia y fiabilidad, así como juicios afectivos sobre seguridad relacional y comodidad28,29,30. En el uso de inteligencia artificial médica, los usuarios evalúan tanto si el sistema puede apoyar una decisión sanitaria como si la interacción con él resulta suficientemente segura y accesible. La presentación como experto debería hacer más evidente la evaluación orientada a la competencia. Evidencia procedente de investigaciones sobre sistemas de apoyo a la toma de decisiones clínicas indica que las explicaciones y la información sobre el razonamiento del sistema afectan la confianza y la dependencia31. En consultas sanitarias en línea, también se asocian la personalización y la atención con la confianza y la aceptación9. La profesionalidad percibida refleja una evaluación orientada a la competencia, relevante para la confianza25. La investigación sobre consultas sanitarias en línea identifica asimismo la credibilidad de la fuente como un factor relevante para la aceptación de sugerencias sanitarias por parte de los usuarios32. Por consiguiente, el presente estudio evalúa si la presentación como experto se asocia con una mayor profesionalidad percibida.

H1: Los roles de acompañamiento generan una profesionalidad percibida menor en comparación con las inteligencias médicas artificiales de estilo experto.

El marco de acompañamiento debería hacer que la evaluación relacional sea más evidente. La presencia social se refiere a la calidad interpersonal percibida en la interacción mediada, más que a la creencia de que el sistema es humano33. Está asociada con la calidad de la interacción, la confianza y la aceptación en servicios en línea y agentes conversacionales de salud15,34.

La presencia social puede reducir el costo psicológico de la autorrevelación y favorecer el intercambio de información durante una consulta en línea32. Por lo tanto, el presente estudio evalúa si el marco de acompañamiento se asocia con una mayor presencia social.

H2: Los roles de experto generan una menor presencia social en comparación con las IA médicas de estilo compañero.

La profesionalidad percibida y la presencia social se consideran asociaciones paralelas y no excluyentes con la confianza. La dependencia adecuada en automatización de alto riesgo depende de las capacidades del sistema, sus límites y los requisitos de la tarea, más que de maximizar únicamente la confianza35.

H3: La profesionalidad percibida y la presencia social predicen positivamente la confianza cuando se modelan simultáneamente.

Efecto moderador del contexto de la tarea

Las mismas señales de rol pueden tener un peso psicológico diferente en diversas tareas médicas. La adecuación entre tarea y tecnología proporciona una justificación contextual para examinar si las señales de rol coinciden con los requisitos de la tarea36. La consulta por enfermedad implica mayor incertidumbre, riesgo de pérdida y costos por errores, lo que hace especialmente relevantes la profesionalidad, la precisión y límites claros7,37. Por lo tanto, las señales de experto deberían estar más estrechamente alineadas con estas exigencias que las señales de compañero. La consulta sobre salud se centra en la gestión a largo plazo de la salud, la persistencia conductual y la continuidad de la interacción. Las revisiones sobre sistemas de apoyo a la toma de decisiones clínicas basados en inteligencia artificial y agentes conversacionales para la salud enfatizan la importancia de la información contextual, la capacidad de acción, la interacción y las condiciones de implementación3,38,39.

Este estudio predice que la diferencia entre experto y acompañante en la profesionalidad percibida será mayor en la consulta por enfermedad que en la consulta por salud. No considera una interacción no significativa en la presencia social como evidencia de invariancia. La hipótesis se propone de la siguiente manera:

H4: El contexto de la tarea modera significativamente el impacto de los roles de experto sobre la profesionalidad percibida. El impacto es mayor en la consulta de enfermedad que en la consulta de salud.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Resumen de la investigación

El estudio se llevó a cabo de acuerdo con la Declaración de Helsinki y fue aprobado por el Comité de Ética de la Universidad Huaqiao (M2025021), que incluyó tanto el experimento en escenario en línea como el experimento de EEG. Todos los participantes dieron su consentimiento informado y recibieron una compensación al finalizar.

Este artículo contiene dos estudios complementarios (véase Figura 1). El estudio 1 es un experimento aleatorizado de escenarios 2 × 2 que estima los efectos del marco de rol y del contexto de la tarea, evalúa la estructura de medición y prueba asociaciones indirectas condicionales paralelas a través de la profesionalidad percibida y la presencia social. El estudio 2 es un experimento de EEG intra-sujeto que compara la actividad en la banda theta bajo enunciados enmarcados como de experto y de acompañante, y se interpreta como una comparación exploratoria a nivel de proceso. Los estudios proporcionan evidencia conductual y neural a diferentes niveles; no se tratan como un único mecanismo progresivo.

Estudio 1: Experimento de escenario

Participantes y diseño

El estudio 1 utilizó un diseño entre sujetos balanceado 2 × 2 con marco de rol (experto frente a compañero) y contexto de tarea (consulta de enfermedad frente a consulta de salud). El cálculo original con G*Power asumió un efecto medio en el ANOVA global (f = 0,25), α = ,05 y potencia = ,80, e indicó un mínimo de 128 participantes40. Dado que este cálculo no se adaptó a efectos indirectos condicionales, se informa como la base original de reclutamiento y no como evidencia de potencia para la mediación moderada. Con N = 300 y cuatro celdas balanceadas, un análisis de sensibilidad indicó una potencia del 80 % para detectar una interacción de f = 0,162 (η2 parcial = ,026) con α = ,05.

Además, realizamos un análisis post hoc de potencia basado en simulaciones para los índices de moderación-mediación utilizando el conjunto de datos del cuestionario de SPSS con 300 casos. La simulación generó 1 000 muestras balanceadas 2 × 2 a partir del modelo con mediadores paralelos ajustado, mediante el remuestreo de los residuos empíricos; cada conjunto de datos simulado utilizó 500 intervalos de confianza bootstrap percentil basados en el remuestreo de casos. Las probabilidades estimadas de que el intervalo de confianza excluyera el cero fueron de 0,698 para el índice de profesionalismo, 0,157 para el índice de presencia social y 0,279 para la diferencia directa entre ambos índices. Este análisis está condicionado a los coeficientes observados, las distribuciones de residuos y la especificación del modelo, y no constituye una justificación a priori del tamaño muestral. El análisis completo de potencia post hoc basado en simulaciones se presenta en Supplementary Table S1.

Se reclutaron trescientos participantes a través de Credamo y se asignaron aleatoriamente a cuatro condiciones (n = 75 por celda). La muestra incluyó 109 hombres (36,3 %) y 191 mujeres (63,7 %); el 43,7 % tenía entre 21 y 30 años, el 41,3 % tenía entre 31 y 40 años, y el 69,7 % poseía un título universitario. Se completaron todos los ítems requeridos del cuestionario. No se utilizó ningún ítem específico para verificar la atención ni se estableció un criterio de exclusión basado en el tiempo de finalización preregistrado, y no se excluyó a ningún participante. El tiempo mediano de finalización fue de 268 s (rango = 67-1.894 s). Un análisis post hoc de robustez que excluyó las respuestas por debajo del percentil cinco del tiempo de finalización (<125 s; n conservado = 285) evaluó la sensibilidad ante respuestas inusualmente rápidas. Las estadísticas detalladas de verificación de la manipulación y los análisis de sensibilidad respecto al tiempo de finalización se informan en la Tabla Suplementaria S2.

Estímulos experimentales y procedimiento

Los materiales de estímulo consistieron en una introducción al escenario de la tarea y una respuesta de diálogo con un médico de inteligencia artificial, formando cuatro conjuntos experimentales completos. El escenario de consulta por enfermedad pedía a los participantes imaginar episodios recurrentes de opresión en el pecho y palpitaciones nocturnas, así como preocupación sobre si se requería atención hospitalaria inmediata. El escenario de consulta de salud pedía a los participantes imaginar que se encontraban en buen estado de salud general y que buscaban un plan personalizado de alimentación y ejercicio. Cada categoría de tarea estuvo representada por un escenario; por lo tanto, las conclusiones se limitan a estos dos escenarios y no pueden generalizarse a todas las consultas médicas por enfermedad o de salud.

Las cuatro capturas de pantalla del cuestionario utilizaron el mismo icono y mostraron el nombre del sistema, Medical AI (DiagnosPro), manteniendo así la identidad mostrada constante en todas las condiciones. Las respuestas enmarcadas como de experto utilizaron análisis estructurado, declaraciones de riesgo o evidencia, lenguaje directivo y recomendaciones explícitas de acción. Las respuestas enmarcadas como de acompañamiento utilizaron empatía, tranquilización, redacción colaborativa y sugerencias flexibles. Por lo tanto, la manipulación representó un conjunto de señales comunicativas e informativas congruentes con el rol; no aisló el enmarque del rol de la especificidad, la capacidad de acción, la certeza, el detalle médico o el apoyo emocional. El nombre compartido DiagnosPro también pudo haber transmitido una señal de experto en todas las condiciones. El conjunto completo de estímulos se proporciona en Supplementary File 1.

Primero, los participantes leyeron el formulario de consentimiento informado y luego se les asignó aleatoriamente a una de cuatro condiciones experimentales. Después de leer el escenario y el estímulo del diálogo, completaron el cuestionario basado en sus respuestas. El cuestionario comenzó con comprobaciones de manipulación, seguidas de medidas de profesionalismo percibido, presencia social, confianza y datos demográficos. El procedimiento duró aproximadamente 15 min.

Todas las escalas utilizaron una puntuación tipo Likert de 7 puntos, donde 1 representaba totalmente en desacuerdo y 7 totalmente de acuerdo. La profesionalidad percibida se midió con tres ítems: «Esta inteligencia artificial médica es capaz de proporcionar asesoramiento médico», «Esta inteligencia artificial médica parece muy profesional» y «Esta inteligencia artificial médica es una experta en el campo médico» (α = .883)41. La presencia social se midió con tres ítems: «En la interacción con esta inteligencia artificial médica, sentí un trato humano», «La interacción con esta inteligencia artificial médica me hizo sentir cercanía» y «Esta inteligencia artificial médica pareció sociable durante la interacción» (α = .932)42. La confianza cognitiva comprendió tres ítems: «Puedo confiar en esta inteligencia artificial médica porque tiene las habilidades necesarias para ofrecer asesoramiento», «Tengo confianza en la precisión del asesoramiento proporcionado por esta inteligencia artificial médica» y «Esta inteligencia artificial médica tiene la suficiente capacidad para manejar mi problema de salud» (α = .837). La confianza afectiva comprendió tres ítems: «Esta inteligencia artificial médica me hace sentir calidez y cuidado», «Depender de esta inteligencia artificial médica me hace sentir seguro porque parece preocuparse por mi salud» y «Creo que esta inteligencia artificial médica no haría intencionadamente nada perjudicial para mí» (α = .700). La confianza general fue el promedio de los seis ítems de confianza (α = .784). Estas mediciones se analizaron como resultados orientados a la competencia, interpersonales, de confianza cognitiva, de confianza afectiva y de confianza general, más que como constructos mutuamente excluyentes.

El análisis se llevó a cabo en cuatro pasos. Primero, un análisis factorial confirmatorio comparó el modelo propuesto de cuatro factores con alternativas de dos y un factor; se examinaron la fiabilidad compuesta, la varianza extraída promedio, las correlaciones latentes y las razones heterotrait-monotrait. Segundo, modelos factoriales completos 2 x 2 estimaron los efectos principales y de interacción para la profesionalidad percibida, la presencia social, la confianza cognitiva, la confianza afectiva y la confianza general, con medias de celdas, intervalos de confianza y η2 parcial. Las medias marginales estimadas y los intervalos de confianza del 95 % se muestran en Figura 2. Tercero, el Modelo 7 de PROCESS 4.2 beta incluyó simultáneamente la profesionalidad percibida y la presencia social como mediadores paralelos, con 5 000 muestras bootstrap percentil43. La definición del rol se codificó como 1 = experto y 2 = acompañante, y el contexto de la tarea se codificó como 1 = consulta de enfermedad y 2 = consulta de salud. Un bootstrap de re-muestreo común contrastó directamente los dos índices de mediación moderada. Cuarto, la confianza cognitiva y la confianza afectiva se analizaron por separado como resultados exploratorios. Dado que los mediadores y los resultados se midieron simultáneamente, las estimaciones se interpretan como asociaciones indirectas compatibles con la mediación, más que como mecanismos psicológicos causales.

Estudio 2: Experimento de EEG

Participantes

El estudio 2 reclutó a 40 participantes. Se excluyó a un participante porque los ensayos contaminados por artefactos superaron el 30 % en al menos una condición experimental, quedando 39 participantes en los análisis finales de EEG. Este criterio aseguró que cada participante incluido aportara al menos el 70 % de los ensayos en cada condición. Todos los participantes proporcionaron consentimiento informado por escrito y recibieron compensación tras el experimento. La información demográfica no pudo vincularse con todos los registros de EEG conservados y, por lo tanto, no se resume para la muestra final de EEG.

Estímulos y procedimiento experimentales

El experimento se realizó en un laboratorio estándar de EEG utilizando un diseño intra-sujetos, con estímulos presentados en E-Prime 2.1. Se instruyó a los participantes para que imaginaran interactuar con un sistema de inteligencia artificial médica y evaluaran su confianza en el sistema para cada escenario de consulta médica. El experimento manipuló el rol percibido del sistema de inteligencia artificial médica, incluyendo variantes de tipo experto y de tipo compañero.

Se elaboraron un total de 40 estímulos con oraciones en chino. La condición de tipo experto contenía 20 estímulos que comenzaban con «experto en IA médica», mientras que la condición de tipo compañero contenía 20 estímulos paralelos que comenzaban con «compañero de IA médica». Los escenarios médicos abarcaban tanto funciones profesionales de diagnóstico, como preguntar sobre la historia clínica, analizar informes de exámenes, evaluar datos de frecuencia cardíaca, interpretar pruebas genéticas, juzgar el riesgo de enfermedad y recomendar planes de tratamiento, como funciones de apoyo en la gestión de la salud, tales como mostrar preocupación por el estado físico, preguntar sobre la calidad del sueño, aliviar la ansiedad, registrar datos de salud, fomentar el cumplimiento del tratamiento y ofrecer consejos diarios para la salud. Por lo tanto, las condiciones también diferían en contenido semántico y complejidad; no se contaba con ninguna coincidencia independiente de estímulos ni prueba previa.

Antes del experimento formal, los participantes completaron un bloque de práctica breve. Cada ensayo comenzaba con una cruz de fijación de 500 ms, seguida de un intervalo en blanco aleatorizado de 300–500 ms y un enunciado de IA médica presentado durante 1.600 ms. A continuación, los participantes emitían un juicio binario de confianza a su propio ritmo, presionando la tecla F para indicar confianza o la tecla J para indicar falta de confianza (véase Figura 3). Los enunciados enmarcados como de experto y como de compañero se presentaron en orden aleatorio. Los registros de la tarea E-Prime indicaron 80 ensayos formales por registro de tarea: 40 ensayos de experto y 40 ensayos de compañero, en los que cada uno de los 20 enunciados únicos por rol se presentó dos veces.

Datos de la tarea conductual

Los datos de la tarea conductual fueron utilizables para 38 de los 39 participantes en la muestra final de EEG; el registro de la tarea E-Prime de un participante no era utilizable. Por lo tanto, los análisis conductuales utilizaron N = 38. Los resultados conductuales detallados y el desglose de la muestra se proporcionan en la Tabla Suplementaria S3. La confianza se codificó como una respuesta con la tecla F; las respuestas con la tecla J indicaron desconfianza. Las respuestas en blanco o con un tiempo de respuesta registrado de 0 ms se codificaron como datos faltantes. La tasa de confianza se calculó entre los ensayos respondidos, y el tiempo de respuesta se resumió a partir de los ensayos respondidos. Los datos neuronales disponibles para el análisis contenían medidas agregadas por condición, pero no índices de EEG a nivel de ensayo ni identificadores verificados que vincularan cada registro conductual con su registro de EEG; por lo tanto, no se estimó ningún modelo mixto a nivel de ensayo de EEG y juicios de confianza.

Registro y análisis de EEG

Se utilizó el gel electrolítico conductor Quik-Gel para mantener la impedancia entre el electrodo y la piel por debajo de 5 kOhm. FCz fue la referencia en línea predeterminada del dispositivo, y la frecuencia de muestreo fue de 1.000 Hz. La re-referenciación fuera de línea respecto al promedio de las apófisis mastoides bilaterales se realizó mediante la función integrada de re-referenciación de CURRY; FCz se conservó y se reconstruyó automáticamente en relación con la nueva referencia, sin utilizar ningún comando o script personalizado de reconstrucción. El procesamiento posterior fuera de línea se realizó en MATLAB R2020b con EEGLAB44 e ICLabel45. Los datos se submuestrearon a 500 Hz y se filtraron con un paso de banda de 0,1 a 40 Hz. Los canales defectuosos y los segmentos de datos gravemente contaminados se identificaron y eliminaron mediante inspección visual; no se aplicó interpolación automatizada ni umbral automatizado de rechazo de segmentos. Luego se utilizó la implementación predeterminada de runica de EEGLAB (ICA Infomax), y se eliminaron los componentes cuando ICLabel asignaba una probabilidad de al menos 0,70 a una clase de artefacto (por ejemplo, actividad ocular, muscular, cardíaca, de ruido de línea o de ruido de canal). Se excluyeron los participantes con más del 30 % de ensayos contaminados por artefactos en cualquiera de las condiciones, asegurando así una retención de al menos el 70 % de los ensayos en cada condición. Los periodos abarcaban desde −1.000 hasta 1.996 ms. Para el análisis de conectividad funcional, los datos preprocesados se submuestrearon adicionalmente a 250 Hz, y se excluyeron los electrodos periféricos, incluidos P7, P8, F7 y F8, antes de la estimación de la sincronía de fase.

Se ha asociado la actividad theta registrada en sitios frontales medios del cuero cabelludo con cálculos realizados ante demandas de control cognitivo46. También se ha relacionado la sincronización de fase en la banda theta entre electrodos frontales mediales y laterales con la coordinación durante el procesamiento relacionado con el control47. En particular, se ha observado un aumento de la sincronización de fase en la banda theta entre sitios como FCz y F6 tras la detección de conflicto o error48. Dado que estas medidas del cuero cabelludo no son exclusivamente específicas para el control cognitivo, se consideran aquí como indicadores convergentes del proceso, más que como lecturas directas de un único mecanismo cognitivo.

Primero, se cuantificó la sincronización relacionada con eventos en la banda theta frontal-medial (SRE) en la banda de 4–8 Hz dentro de la ventana postestímulo de 800–1.000 ms. La SRE se calculó mediante análisis tiempo-frecuencia, con el cambio de potencia relativa computado respecto a la línea base preestímulo de −500 a −200 ms. Los valores positivos indican un aumento de potencia (sincronización), mientras que los valores negativos indican una supresión de potencia (desincronización). Segundo, se estimó la conectividad funcional tras un nuevo submuestreo de los datos preprocesados a 250 Hz y la exclusión de electrodos periféricos, incluidos P7, P8, F7 y F8. Se aplicó una transformada de Fourier de corta duración (STFT) antes de calcular el valor de bloqueo de fase en la banda theta entre FCz y F6. El cambio en el VBP corregido por línea base (ΔVBP) se calculó respecto a la línea base preestímulo de −600 a −200 ms. El VBP crudo está comprendido entre 0 y 1; por lo tanto, los valores negativos de ΔVBP indican una disminución respecto a la línea base, y no un bloqueo de fase negativo. Estas medidas en el cuero cabelludo se interpretan como patrones exploratorios asociados con el procesamiento relacionado con el control y la coordinación prefrontal; no identifican directamente un proceso cognitivo específico ni una fuente neural determinada.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Estudio 1: Resultados del escenario-experimento

Modelo de medición. El modelo de cuatro factores se ajustó mejor que las alternativas de dos y un factor, pero el ajuste absoluto fue mixto: χ2(48) = 223,93, p < ,001; CFI = ,935; TLI = ,911; RMSEA = ,111; SRMR = ,140. Las cargas estandarizadas oscilaron entre ,382 y ,937. La fiabilidad compuesta fue de ,886 para la profesionalidad percibida, ,932 para la presencia social, ,840 para la confianza cognitiva y ,709 par...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Implicaciones teóricas

Los dos estudios proporcionan evidencia a diferentes niveles. El estudio 1 identifica asociaciones entre roles y tareas, así como asociaciones indirectas paralelas, en un experimento aleatorizado basado en escenarios, mientras que el estudio 2 ofrece una comparación exploratoria a nivel de procesos mediante EEG. Por lo tanto, los estudios respaldan una explicación limitada de la evaluación basada en roles, en lugar de un único mecanismo progresivo. Los h...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses que declarar.

Durante la elaboración de este trabajo, los autores utilizaron ChatGPT para mejorar el lenguaje. Después de usar esta herramienta/servicio, los autores revisaron y editaron el contenido según fue necesario y asumen total responsabilidad por el contenido de la publicación.

Agradecimientos

Este proyecto de investigación fue apoyado por los Proyectos Generales Financiados por el Fondo Nacional de Ciencias Sociales, RPC (Número de subvención 22BGL006).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Plataforma en línea de encuestas CredamoCredamo (Jianshu), ChinaNo aplicablePlataforma en línea para cuestionarios, asignación aleatoria y reclutamiento de participantes utilizada en el Estudio 1.
Función de re-referenciación CURRYCompumedics Neuroscan, EE. UU.Versión no especificadaRe-referenciación fuera de línea integrada, desde la referencia en línea FCz hasta el promedio de las mastoides bilaterales; FCz se reconstruyó automáticamente con respecto a la nueva referencia.
Capuchón de electrodos EEG, de 64 canalesCompumedics Neuroscan (Compumedics Limited), AustraliaNúmero de modelo/catálogo no especificadoCapuchón de electrodos Ag/AgCl de 64 canales utilizado para la grabación continua de EEG.
EEGLABSwartz Center for Computational Neuroscience, Universidad de California en San Diego, EE. UU.versión 2023.0Entorno de MATLAB utilizado para el preprocesamiento de EEG y el análisis de componentes independientes.
E-PrimePsychology Software Tools, Inc., EE. UU.versión 2.1Presentación de estímulos y recopilación de respuestas en el Estudio 2.
G*PowerUniversidad Heinrich Heine de Düsseldorf, Alemaniaversión 3.1.9.7Cálculo inicial a priori del tamaño de la muestra, análisis de sensibilidad a interacciones y análisis de potencia posterior basado en modelos para el Estudio 1.
IBM SPSS StatisticsIBM Corp., EE. UU.versión 27Entorno estadístico utilizado para ejecutar la macro PROCESS.
ICLabelSwartz Center for Computational Neuroscience, Universidad de California en San Diego, EE. UU.versión 1.7Complemento de EEGLAB utilizado para clasificar componentes independientes artifactual.
MATLABThe MathWorks, Inc., EE. UU.versión R2020bEntorno informático utilizado para el procesamiento y análisis de EEG.
Macro PROCESS para SPSSAndrew F. Hayes, Canadáversión 4.2 betaModelo 7 con profesionalismo percibido y presencia social introducidos simultáneamente como mediadores paralelos, utilizando 5.000 muestras bootstrap percentiladas en el Estudio 1.
Gel conductor electrolítico Quik-GelCompumedics Neuroscan (Compumedics Limited), AustraliaNúmero de catálogo no especificado; 32 ozGel conductor utilizado para reducir la impedancia entre el electrodo y la piel durante la grabación de EEG.
Amplificador EEG SynAmps2Compumedics Neuroscan (Compumedics Limited), AustraliaSynAmps2; número de catálogo no especificadoAmplificador EEG de 64 a 256 canales configurado para grabación de 64 canales.

Referencias

  1. Grand View Research. Artificial intelligence in healthcare market size & share, industry report, 2033 [Internet]. Grand View Research; [cited 2026 Jul 11]. Available from: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-healthcare-market
  2. Singhal K, et al. Large language models encode clinical knowledge. Nature. 2023;620(7972):172-80.
  3. Laranjo L, et al. Conversational agents in healthcare: a systematic review. J Am Med Inform Assoc. 2018;25(9):1248-58.
  4. Kouzy R, Hong JC, Bitterman DS. One shot at trust: building credible evidence for medical artificial intelligence. Lancet Digit Health. 2025;7(7):100883.
  5. Kim C, Gadgil SU, Lee SI. Transparency of medical artificial intelligence systems. Nat Rev Bioeng. 2026;4(1):11-29.
  6. Bian X, Chen Y, Yang A. Configuring trust in AI-augmented healthcare: the role of AI interpretability and data privacy in patient adoption of AI-assisted diagnosis. Int J Inf Manage. 2026;88:103039.
  7. Longoni C, Bonezzi A, Morewedge CK. Resistance to medical artificial intelligence. J Consum Res. 2019;46(4):629-50.
  8. Logg JM, Minson JA, Moore DA. Algorithm appreciation: people prefer algorithmic to human judgment. Organ Behav Hum Decis Process. 2019;151:90-103.
  9. Qin H, et al. Examining the impact of personalization and carefulness in AI-generated health advice: trust, adoption, and insights in online healthcare consultations experiments. Technol Soc. 2024;79:102726.
  10. Mayer CJ, et al. User preferences and trust in hypothetical analog, digitalized and AI-based medical consultation scenarios: an online discrete choice survey. Comput Human Behav. 2024;161:108419.
  11. Du G, Zhou C, Cheng X. Reducing consumers’ resistance to AI agents in online healthcare consultations: the role of human-AI teaming from a trust transfer perspective. J Bus Res. 2026;206:115959.
  12. Fiske ST, Cuddy AJC, Glick P, Xu J. A model of often mixed stereotype content: competence and warmth respectively follow from perceived status and competition. J Pers Soc Psychol. 2002;82(6):878-902.
  13. Araujo T. Living up to the chatbot hype: the influence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Comput Human Behav. 2018;85:183-9.
  14. Zhang J, Luximon Y, Li Q. Seeking medical advice in mobile applications: how social cue design and privacy concerns influence trust and behavioral intention in impersonal patient-physician interactions. Comput Human Behav. 2022;130:107178.
  15. Li Q, Luximon Y, Zhang J. The influence of anthropomorphic cues on patients’ perceived anthropomorphism, social presence, trust building, and acceptance of health care conversational agents: within-subject web-based experiment. J Med Internet Res. 2023;25:e44479.
  16. Harris-Watson AM, et al. Social perception in human-AI teams: warmth and competence predict receptivity to AI teammates. Comput Human Behav. 2023;145:107765.
  17. Schelble BG, et al. Addressing the role of context on trust in human-AI teams: the influence of team role and violation type in high-risk tasks. Ergonomics. 2025. doi:10.1080/00140139.2025.2570300.
  18. Mou Y, Ye X, Ma W. Building and repairing trust in chatbots: the interplay between social role and performance during interactions. Behav Sci (Basel). 2026;16(1):118.
  19. Glikson E, Woolley AW. Human trust in artificial intelligence: review of empirical research. Acad Manage Ann. 2020;14(2):627-60.
  20. Luo Y, Li S, Ye Q, Zheng J. How privacy calculus builds user engagement through trust in AI medical consultation. Electron Mark. 2025;35(1):50.
  21. Nouis SCE, Uren V, Jariwala S. Evaluating accountability, transparency, and bias in AI-assisted healthcare decision-making: a qualitative study of healthcare professionals’ perspectives in the UK. BMC Med Ethics. 2025;26(1):89.
  22. Eagly AH, Karau SJ. Role congruity theory of prejudice toward female leaders. Psychol Rev. 2002;109(3):573-98.
  23. Laï MC, Brian M, Mamzer MF. Perceptions of artificial intelligence in healthcare: findings from a qualitative survey study among actors in France. J Transl Med. 2020;18(1):14.
  24. Feine J, Gnewuch U, Morana S, Maedche A. A taxonomy of social cues for conversational agents. Int J Hum Comput Stud. 2019;132:138-61.
  25. Mayer RC, Davis JH, Schoorman FD. An integrative model of organizational trust. Acad Manage Rev. 1995;20(3):709-34.
  26. Nass C, Moon Y. Machines and mindlessness: social responses to computers. J Soc Issues. 2000;56(1):81-103.
  27. Epley N, Waytz A, Cacioppo JT. On seeing human: a three-factor theory of anthropomorphism. Psychol Rev. 2007;114(4):864-86.
  28. McAllister DJ. Affect- and cognition-based trust as foundations for interpersonal cooperation in organizations. Acad Manage J. 1995;38(1):24-59.
  29. McKnight DH, Choudhury V, Kacmar C. Developing and validating trust measures for e-commerce: an integrative typology. Inf Syst Res. 2002;13(3):334-59.
  30. Johnson D, Grayson K. Cognitive and affective trust in service relationships. J Bus Res. 2005;58(4):500-7.
  31. Bussone A, Stumpf S, O’Sullivan D. The role of explanations on trust and reliance in clinical decision support systems [conference paper]. Presented at: 2015 International Conference on Healthcare Informatics; 2015. p. 160-9. doi:10.1109/ICHI.2015.26.
  32. Li Y, Chen L, Fu L. Vicarious interaction in online health consultation service: the effects of generative AI’s anthropomorphism and social support on intended responses through social presence and source credibility. Int J Hum Comput Interact. 2025;41(17):11209-26.
  33. Short J, Williams E, Christie B. The social psychology of telecommunications. John Wiley & Sons; London; 1976.
  34. Gefen D, Straub DW. Consumer trust in B2C e-commerce and the importance of social presence: experiments in e-products and e-services. Omega. 2004;32(6):407-24.
  35. Lee JD, See KA. Trust in automation: designing for appropriate reliance. Hum Factors. 2004;46(1):50-80.
  36. Goodhue DL, Thompson RL. Task-technology fit and individual performance. MIS Q. 1995;19(2):213-36.
  37. Castelo N, Bos MW, Lehmann DR. Task-dependent algorithm aversion. J Mark Res. 2019;56(5):809-25.
  38. Parsons CS, et al. Task-technology fit of artificial intelligence-based clinical decision support systems: a review of qualitative studies. BMC Med Inform Decis Mak. 2025;25(1):397.
  39. Wutz M, Hermes M, Winter V, Köberlein-Neu J. Factors influencing the acceptability, acceptance, and adoption of conversational agents in health care: integrative review. J Med Internet Res. 2023;25:e46548.
  40. Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: a flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 2007;39(2):175-91.
  41. Tadros FJ, et al. Perceived professionalism of a dietitian is not influenced by attire or white coat: a prospective, randomized online study. Top Clin Nutr. 2021;36(3):231-41.
  42. Shams G, Kim KK, Kim K. Enhancing service recovery satisfaction with chatbots: the role of humor and informal language. Int J Hosp Manag. 2024;120:103782.
  43. Hayes AF. Introduction to mediation, moderation, and conditional process analysis: a regression-based approach. 3rd ed. Guilford Press; New York; 2022.
  44. Delorme A, Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 2004;134(1):9-21.
  45. Pion-Tonachini L, Kreutz-Delgado K, Makeig S. ICLabel: an automated electroencephalographic independent component classifier, dataset, and website. Neuroimage. 2019;198:181-97.
  46. Cavanagh JF, Frank MJ. Frontal theta as a mechanism for cognitive control. Trends Cogn Sci. 2014;18(8):414-21.
  47. Buzzell GA, et al. Adolescent cognitive control, theta oscillations, and social observation. Neuroimage. 2019;198:13-30.
  48. Cavanagh JF, Cohen MX, Allen JJB. Prelude to and resolution of an error: EEG phase synchrony reveals cognitive control dynamics during action monitoring. J Neurosci. 2009;29(1):98-105.
  49. Dietvorst BJ, Simmons JP, Massey C. Algorithm aversion: people erroneously avoid algorithms after seeing them err. J Exp Psychol Gen. 2015;144(1):114-26.
  50. Jussupow E, Benbasat I, Heinzl A. An integrative perspective on algorithm aversion and appreciation in decision-making. MIS Q. 2024;48(4):1575-90.
  51. Lebiere C, Blaha L, Fallon C, Jefferson BA. Adaptive cognitive mechanisms to maintain calibrated trust and reliance in automation. Front Robot AI. 2021;8:652776.
  52. Dimoka A, et al. On the use of neurophysiological tools in IS research: developing a research agenda for NeuroIS. MIS Q. 2012;36(3):679-702.
  53. Riedl R, Hubert M, Kenning P. Are there neural gender differences in online trust? An fMRI study on the perceived trustworthiness of eBay offers. MIS Q. 2010;34(2):397-428.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Explorar más artículos

Confianza en la IA médicaencuadre de expertoencuadre de acompañanteanálisis de EEGprofesionalismo percibidopresencia socialconfianza cognitivaconfianza afectiva
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.