En l'àmbit de la intel·ligència artificial aplicada a la deliberació cívica, la simulació de debats públics basada en models de llenguatge de gran escala (LLM) representa un avenç significatiu. No obstant això, un dels principals reptes és la manca de dades etiquetades per parlant, cosa que impedeix que els models capturin comportaments estables dels participants al llarg del temps. Investigacions recents proposen un enfocament innovador: el modelatge de persones sensibles a l'acció, on cada interlocutor no només és identificat, sinó que se li assignen perfils de personalitat, temes tractats i etiquetes d'acció com 'proposar moció', 'votar' o 'sol·licitar aclariment'. Aquest paradigma permet crear simulacions més realistes i útils per a l'estudi de la democràcia participativa, la mediació de conflictes i la presa de decisions col·lectives. En capturar la dinàmica d'interaccions reals, els models poden predir com es comportarien individus amb diferents rols i perspectives en un entorn controlat, la qual cosa resulta inavaluable per a investigadors i responsables polítics.
El desenvolupament de pipelines reproduïbles per convertir gravacions públiques de Zoom en transcripcions enriquides amb atributs de parlant i accions pragmàtiques és un pas clau en aquest procés. Aquests pipelines combinen tècniques de reconeixement de veu (ASR), diarització de parlants, extracció de temes i classificació d'actes de parla. En aplicar aquest procés a audiències judicials, reunions de consells escolars i sessions municipals, es generen conjunts de dades que permeten afinar models de llenguatge perquè actuïn com a persones virtuals amb consistència i fidelitat institucional. L'ajust fi sensible a l'acció redueix la perplexitat del model fins a un 67%, duplica la fidelitat de la persona mesurada per classificadors, augmenta els intents de votació fins a 3.6 vegades i millora la capacitat de resposta deliberativa fins a un 70%. En proves cegues amb avaluadors humans, els extractes simulats van resultar difícils de distingir dels reals, la qual cosa demostra la maduresa de la tècnica i obre la porta a estudis controlats de deliberació cívica sense necessitat d'intervenció humana directa.
Les quatre dimensions d'avaluació —fidelitat de la persona, consistència de la persona, fidelitat institucional i coherència conductual— ofereixen un marc robust per mesurar la qualitat de les simulacions. La fidelitat de la persona verifica que el model reprodueixi les postures i patrons comunicatius específics d'un individu real. La consistència assegura que el comportament es mantingui estable al llarg de diferents sessions. La fidelitat institucional comprova que les interaccions respectin les normes i procediments de l'òrgan simulat (per exemple, un consell escolar o un tribunal d'apel·lacions). Finalment, la coherència conductual mesura la plausibilitat de les seqüències d'accions generades. Aquests criteris no només validen els models, sinó que guien la seva millora contínua.
Des d'una perspectiva tècnica i empresarial, aquest enfocament té implicacions directes per a companyies de desenvolupament de programari com Q2BSTUDIO, especialitzada en aplicacions a mida i solucions d'intel·ligència artificial. La capacitat de modelar comportaments humans en entorns simulats es pot aplicar no només a la deliberació cívica, sinó també a la formació d'equips comercials, la simulació de processos d'atenció al client, l'optimització de reunions directives i la creació de bessons digitals d'organitzacions. La integració d'aquests models en plataformes cloud, ja sigui en AWS o Azure, permet escalar les simulacions de forma segura i eficient, mentre que l'ús d'eines de Business Intelligence (BI) com Power BI facilita l'anàlisi dels patrons de comportament detectats i la generació d'informes executius. A més, la ciberseguretat juga un paper fonamental en protegir les dades sensibles dels participants en aquests experiments virtuals, garantint el compliment normatiu i la confiança dels usuaris.
A Q2BSTUDIO, oferim serveis d'intel·ligència artificial que inclouen el desenvolupament d'agents intel·ligents capaços de mantenir converses contextuals i prendre decisions basades en accions. El nostre equip pot ajudar a implementar pipelines similars per a clients que necessitin analitzar dinàmiques de grup, avaluar respostes en entorns col·laboratius o crear simulacions de reunions per a formació corporativa. La combinació de models de llenguatge sensibles a l'acció amb infraestructura cloud robusta i analítica de dades permet obtenir insights valuosos sobre el comportament col·lectiu sense comprometre la privacitat. Així mateix, l'automatització de processos mitjançant agents IA redueix la càrrega de treball manual i millora la precisió en l'extracció d'informació rellevant, com la detecció d'acords, desacords o propostes d'acció.
La investigació sobre modelatge de persones d'LLM sensibles a l'acció per a deliberació cívica representa només el començament d'una nova era en la simulació social assistida per intel·ligència artificial. Amb la maduresa d'aquestes tècniques, organitzacions públiques i privades podran experimentar amb escenaris de negociació, mediació i governança participativa de forma controlada i escalable. En un món on la presa de decisions cada cop es recolza més en dades i anàlisi predictiva, disposar de simulacions fiables i contextualment riques és un avantatge competitiu. Empreses com Q2BSTUDIO estan preparades per acompanyar aquest procés, oferint solucions tecnològiques a mida que integren IA, cloud, ciberseguretat i BI en un ecosistema coherent i d'alt rendiment. Els propers passos inclouen la incorporació de dades multimodals (vídeo, gestos) i el reforç de l'ètica algorítmica per garantir que aquestes simulacions s'utilitzin de manera responsable.
