Aprendizaje automático interpretable con SHAP predice comportamientos deshonestos a partir de rasgos de personalidad y datos fisiológicos

Por qué importa esta investigación

Nos gusta creer que somos personas honestas, pero las pequeñas tentaciones—inflar un informe de gastos, exagerar una nota o quedarse discretamente con un cambio—están por todas partes. Este estudio plantea una pregunta sorprendente: ¿se pueden predecir de antemano actos breves de deshonestidad a partir de quiénes somos y de cómo reacciona nuestro cuerpo en el momento? Al combinar pruebas de personalidad, sensores portátiles y algoritmos informáticos modernos, los investigadores exploran si diminutas señales en nuestros rasgos y en la fisiología pueden pronosticar cuándo es más probable que alteremos la verdad.

Cómo se diseñó el estudio

El equipo reclutó a 58 estudiantes universitarios que primero completaron un cuestionario de personalidad estándar llamado HEXACO, que mide seis grandes tendencias como ser extrovertido, ordenado, curioso o modesto. A continuación, los participantes fueron conectados a sensores simples: una correa torácica para la actividad cardíaca y sensores en los dedos para detectar sudoración cutánea y cambios en el pulso. Estos dispositivos capturaron desplazamientos sutiles en los ritmos cardíacos, la actividad eléctrica de la piel y la amplitud del pulso en el dedo—señales que a menudo cambian cuando las personas se sienten tensas o en conflicto.

Un juego que invita a pequeñas mentiras

Para observar decisiones reales, los investigadores usaron un juego informatizado de lanzamiento de moneda que fomentaba el engaño de manera silenciosa. En cada una de 100 rondas, los jugadores adivinaban cara o cruz, veían el resultado real y luego informaban si su adivinanza había sido correcta, obteniendo una pequeña recompensa en efectivo por cada “victoria” declarada. Como el ordenador controlaba en secreto el número de aciertos y fallos reales, los científicos pudieron ver exactamente cuándo un participante afirmaba falsamente haber acertado. Cada ronda se etiquetó como honesta o deshonesta según si el informe coincidía con el resultado real, proporcionando al equipo un registro claro de cientos de pequeñas decisiones morales.

Enseñar a las máquinas a leer las pistas

Con las puntuaciones del test de personalidad y las lecturas corporales momento a momento, los investigadores entrenaron ocho modelos diferentes de aprendizaje automático—sistemas informáticos que buscan patrones complejos en los datos. Construyeron tres tipos de predictores: uno usando solo rasgos de personalidad, otro usando solo señales fisiológicas y otro combinando ambos. Para mantener la evaluación justa, dividieron los datos en conjuntos de entrenamiento y prueba y emplearon validación cruzada, un método estándar que comprueba cuánto se generaliza un modelo más allá de los datos con los que se entrenó. La medida principal fue una estadística llamada AUC, que refleja qué tan bien el modelo distingue entre rondas deshonestas y honestas a lo largo de muchos umbrales.

Qué resultó ser más importante

Entre todos los modelos, un enfoque basado en personalidad llamado AdaBoost fue el mejor, alcanzando una sólida AUC de alrededor de 0,84. Esto significa que los rasgos estables por sí solos eran sorprendentemente buenos para indicar en qué rondas habría deshonestidad. Cuando los investigadores usaron solo indicadores fisiológicos, o combinaron rasgos y fisiología, el rendimiento fue algo menor, aunque todavía respetable. Para asomarse al interior de estos modelos “caja negra”, emplearon un método de interpretabilidad llamado SHAP, que asigna a cada característica una puntuación de contribución. En personalidad, los vínculos positivos más fuertes con la deshonestidad fueron mayor Apertura a la experiencia y mayor Extroversión, mientras que una menor Conciencia también empujaba las predicciones hacia el engaño. En contraste, el rasgo Honestidad–Humildad—frecuentemente destacado en trabajos previos—tuvo solo un papel menor en este contexto específico de baja importancia.

Lo que el cuerpo revela durante la tentación

Las señales fisiológicas también contenían pistas, aunque no tan potentes como los rasgos. Patrones en la variabilidad de la frecuencia cardíaca de muy baja frecuencia surgieron como un predictor corporal clave: valores más altos se asociaron con una mayor probabilidad de ser señalados como deshonestos. Otra señal importante fue la amplitud del pulso en el dedo, que tiende a bajar cuando los vasos sanguíneos se contraen por excitación o estrés; una menor amplitud del pulso se vinculó con más predicciones de deshonestidad. Las medidas de conductancia de la piel, que reflejan pequeños cambios en la sudoración, también contribuyeron pero en menor medida. Los autores sugieren que incluso hacer trampa de forma menor en un juego sencillo puede provocar reacciones corporales sutiles ligadas a tensión, conflicto o excitación, aunque estas señales pueden difuminarse cuando se promedian a lo largo de una tarea larga.

Límites, preguntas abiertas y relevancia en el mundo real

Si bien los modelos funcionaron bien para este experimento de laboratorio, los autores enfatizan varias cautelas. El estudio involucró a un grupo relativamente pequeño de adultos jóvenes de un único contexto cultural, por lo que los resultados podrían no generalizarse a poblaciones más diversas o mayores, ni a situaciones de alto riesgo donde están en juego la reputación y las relaciones. Las medidas fisiológicas se promediaron durante toda la sesión en lugar de vincularse a rondas individuales, lo que puede haber debilitado su poder predictivo. Y dado que muchos rasgos de personalidad están interrelacionados, la importancia asignada a cualquier rasgo individual debe interpretarse con precaución. Aun así, el trabajo ofrece un primer esquema para combinar cuestionarios, bioseñales y algoritmos interpretable s para entender cómo la constitución personal y los estados corporales influyen en la honestidad cotidiana.

Qué significa esto para la honestidad diaria

En términos sencillos, esta investigación sugiere que el fraude rápido y de bajo coste no es aleatorio: refleja una mezcla de tendencias perdurables—como ser curioso, extrovertido o disciplinado—y agitación corporal momentánea que se registra cuando enfrentamos la tentación. El estudio muestra que los ordenadores pueden aprender a leer estos patrones lo bastante bien como para hacer predicciones por encima del azar sobre quiénes suavizarán la verdad en una ronda dada y por qué. Aunque está lejos de ser una herramienta para juzgar a las personas en la vida real, el enfoque señala modos más matizados de estudiar la honestidad y podría, eventualmente, ayudar a las instituciones a diseñar entornos más justos y salvaguardas que reduzcan el tirón de pequeñas pero costosas mentiras.

Cita: Meng, Y., Chen, Y., Zhang, Z. et al. Interpretable machine learning with SHAP predicts honest behavior from personality traits and physiological data. Sci Rep 16, 13457 (2026). https://doi.org/10.1038/s41598-026-41677-y

Palabras clave: comportamiento deshonesto, rasgos de personalidad, señales fisiológicas, aprendizaje automático, toma de decisiones morales