Reconocimiento de insinuaciones en el discurso diplomático chino y ruso mediante grandes modelos de lenguaje

Leer entre líneas

Cuando los diplomáticos hablan en público, lo que no dicen puede importar tanto como las palabras que eligen. Este estudio explora si la inteligencia artificial moderna puede captar las insinuaciones sutiles y los mensajes velados en las ruedas de prensa de los ministerios de Asuntos Exteriores de China y Rusia—señales que a menudo los oyentes humanos pasan por alto, pero que pueden influir en las relaciones internacionales.

Por qué las insinuaciones importan en los asuntos mundiales

El lenguaje diplomático está diseñado para ser cuidadoso y cortés. Los gobiernos necesitan defender sus intereses sin provocar abiertamente a rivales ni alarmar a la opinión pública. Como resultado, los funcionarios recurren con frecuencia a insinuaciones—frases que suenan neutrales en la superficie pero que critican, advierten o señalan una postura política de forma discreta. Interpretar mal esas insinuaciones ha contribuido en el pasado a crisis y desconfianzas entre Estados. Comprender estos mensajes indirectos es especialmente difícil entre idiomas y culturas, donde no se puede dar por supuesta una base compartida de conocimientos.

De la teoría clásica a las máquinas inteligentes

Durante décadas, lingüistas y filósofos han estudiado cómo los hablantes implican más de lo que dicen literalmente. Las primeras teorías se centraban principalmente en las intenciones del hablante y asumían que un oyente racional podría reconstruir el significado oculto. Trabajos posteriores en "pragmática cognitiva" enfatizaron que entender las insinuaciones también depende de los procesos mentales del oyente, su bagaje cultural y el contexto que rodea el intercambio. Apoyándose en estas ideas, los autores describen las insinuaciones como estratificadas: la redacción visible (nivel verbal–semántico), las formas de pensar moldeadas culturalmente detrás de ella (nivel lingüístico–cognitivo) y los motivos y estrategias del hablante, como la crítica, la advertencia o la conservación del prestigio (nivel motivacional–pragmático).

Cómo se construyó el sistema de IA

Los investigadores recopilaron casi 1.400 segmentos de pregunta–respuesta de ruedas de prensa oficiales de los ministerios de Asuntos Exteriores de China y Rusia celebradas en 2024. Lingüistas expertos anotaron manualmente 498 instancias en las que los portavoces estaban insinuando en lugar de hablar con claridad. Las agruparon en tres tipos: "insinuaciones fijas" con frases estables y repetidas (por ejemplo, fórmulas diplomáticas estándar), "insinuaciones culturales" cuyo significado depende de conocimientos culturales compartidos y metáforas, e "insinuaciones contextuales" que solo pueden reconocerse prestando atención a la situación inmediata y los motivos. Estos ejemplos se utilizaron para construir una base de conocimiento externa y para diseñar un conjunto de reglas de razonamiento para un gran modelo de lenguaje.

Enseñar al modelo a razonar paso a paso

El equipo combinó dos técnicas de IA. La Generación Aumentada por Recuperación (RAG) permite que el modelo recurra a ejemplos relevantes de la base de datos de insinuaciones personalizada cada vez que procesa una nueva respuesta de rueda de prensa. El prompting de Cadena de Pensamiento (CoT) obliga al modelo a razonar paso a paso: identificar el idioma, dividir la respuesta en oraciones, buscar patrones de insinuación conocidos, decidir si una oración expresa un motivo particular (como crítica o advertencia) mediante una estrategia reconocida (por ejemplo, afirmación factual, contraste o ironía), y finalmente etiquetarla como insinuación fija, cultural, contextual o "sin insinuación". El sistema también realiza una autoevaluación para asegurarse de que el significado implícito sea realmente distinto de lo literal.

¿Qué tan bien funcionó?

Para probar el sistema, los autores usaron nuevos datos de ruedas de prensa de 2025 en ambos idiomas. En conjunto, el modelo mejorado hizo un trabajo creíble identificando mensajes ocultos: detectó la mayoría de las insinuaciones genuinas (alta exhaustividad) y alcanzó un equilibrio respetable entre detección y falsos positivos (puntuación F1 de 0,83 para ruso y 0,76 para chino). Fue especialmente eficaz con las insinuaciones fijas en ambos idiomas, lo que apoya la idea de que los patrones estables son los más fáciles de aprender para las máquinas. Sin embargo, tuvo más dificultades con las insinuaciones culturales y contextuales en chino que con las rusas. Los autores relacionan esta brecha con diferencias de estilo: el discurso diplomático ruso suele usar metáforas vívidas y contrastes marcados que señalan la crítica o la advertencia con claridad, mientras que el discurso chino recurre más a fórmulas neutrales, modismos y cortesías dependientes del contexto, que son más difíciles para el modelo de distinguir de enunciados literales.

Lo que revelan los errores—y cómo mejorar

Al examinar de cerca los errores, los autores hallaron tres problemas recurrentes. A veces el modelo "sobre-interpretó" el texto, inventando significados ocultos donde no los había. Otras veces detectó una insinuación pero asignó el tipo equivocado, difuminando la línea entre casos fijos y contextuales. Y en ocasiones trató simplemente el lenguaje llano como una insinuación porque aparecían ciertas palabras sensibles o patrones familiares. Para abordar estas debilidades, el artículo sugiere añadir muchas frases diplomáticas claras de "sin insinuación" como ejemplos negativos, obligar al sistema a anclar sus inferencias más estrechamente en la pregunta y el contexto circundante, comparar las oraciones con la base de conocimiento más de una vez mediante reescrituras, e insertar un paso de prefiltrado y autoevaluación que pregunte: ¿esto ya es explícito o es verdaderamente implícito?

Por qué esto importa para el resto de nosotros

Para los no especialistas, la conclusión principal es que los grandes modelos de lenguaje ya pueden ayudar a los analistas a rastrear grandes volúmenes de declaraciones oficiales y señalar los lugares donde los gobiernos podrían estar hablando entre líneas. Al mismo tiempo, el estudio subraya hasta qué punto la diplomacia depende de la cultura, la historia y el estilo—factores que siguen siendo un reto incluso para la IA avanzada. Al fusionar la teoría lingüística con herramientas de IA modernas, este trabajo apunta hacia sistemas más fiables para rastrear señales sutiles en la política global, dejando claro que el juicio humano y la experiencia intercultural siguen siendo esenciales para interpretar lo que se calla.

Cita: Guo, Y., Wang, X. Hint recognition in Chinese and Russian diplomatic discourse using large language models. Sci Rep 16, 5751 (2026). https://doi.org/10.1038/s41598-026-36338-z

Palabras clave: lenguaje diplomático, significado implícito, grandes modelos de lenguaje, análisis multilingüe, generación aumentada por recuperación