Efectos condicionados de la experiencia de la fuente y las actitudes previas sobre el conocimiento objetivo en la verificación de información sanitaria asistida por IA

Por qué este estudio importa a los lectores cotidianos

Muchos de nosotros pedimos ahora a herramientas como ChatGPT ayuda para juzgar consejos de salud que vemos en línea, desde pautas dietéticas hasta remedios milagro. Este estudio examina una pregunta simple pero importante: cuando las personas verifican una afirmación popular sobre dietas sin gluten con la ayuda de la IA, ¿qué es lo que realmente condiciona lo que aprenden: que la publicación parezca provenir de un experto, lo que ya piensan sobre el gluten o cuán seguras están sobre su propio conocimiento? Las respuestas muestran cuándo la IA puede favorecer una comprensión sólida y cuándo nuestras propias creencias siguen obstaculizando.

Consejos de salud, asistentes de IA y mensajes mixtos

Los investigadores se centraron en una situación común en el mundo real: una publicación de Facebook sobre dietas sin gluten que mezcla hechos correctos con afirmaciones engañosas. Comer sin gluten es esencial para las personas con enfermedad celíaca, pero también se ha convertido en una tendencia de estilo de vida promocionada como más saludable para todos, aunque la evidencia es débil. Esa mezcla de ciencia, marketing y rumor convierte al gluten en un caso de prueba útil para estudiar cómo la gente separa la verdad del bombo cuando la IA está disponible como herramienta de verificación. En lugar de tratar a ChatGPT como una fuente persuasiva, los autores lo consideraron parte de un "entorno de verificación" donde las personas comparten el trabajo de pensar con la tecnología, conservando la necesidad de juzgar en qué confiar.

Cómo se realizó el experimento

En un estudio en línea con 103 participantes, todos vieron la misma publicación de Facebook de precisión mixta sobre dietas sin gluten, pero se cambió la supuesta fuente. Para algunos participantes, la publicación parecía provenir de una marca mediática centrada en alimentación que señalaba experiencia; para otros, era de un usuario individual corriente. Tras leer la publicación, se indicó a los participantes que usaran ChatGPT de la manera que desearan para comprobar la información. Luego completaron un cuestionario detallado que evaluó objetivamente lo que ahora sabían sobre el gluten, junto con preguntas sobre cómo se sentían respecto a las dietas sin gluten y cuánto confiaban y valoraban su búsqueda en ChatGPT.

Cuándo ayudan las etiquetas de experto — y cuándo no

Sorprendentemente, etiquetar simplemente la publicación de Facebook como proveniente de una fuente experta no condujo por sí solo a un mejor conocimiento factual después de la búsqueda en ChatGPT. En promedio, las personas que vieron la publicación etiquetada como experta no obtuvieron puntuaciones más altas en la prueba de conocimiento que quienes vieron la versión no experta. Pero la imagen cambió cuando los investigadores consideraron las actitudes previas de las personas. Entre los participantes que ya se mostraban bastante favorables a las dietas sin gluten, la etiqueta de experto sí marcó la diferencia: esos lectores terminaron con más respuestas correctas. En contraste, para las personas con actitudes neutrales o negativas, la etiqueta de experto apenas importó. Esto sugiere que las señales de experiencia ayudan principalmente a quienes ya están motivados a involucrarse con el tema, en lugar de impulsar automáticamente el aprendizaje de todos.

Incertidumbre frente a error confiado

El estudio también distinguió entre dos tipos de problemas de conocimiento: personas que admitían abiertamente «no sé» y aquellas que sostenían creencias claramente erróneas con confianza. Usando patrones de respuestas correctas, incorrectas y de «no sé», los autores clasificaron a los participantes como relativamente inseguros o relativamente desinformados. Su prueba planificada de un patrón triple —etiqueta de experto, actitud y estado de conocimiento juntos— no alcanzó el umbral estricto para la prueba estadística, probablemente debido al tamaño modesto de la muestra. Aun así, análisis exploratorios apuntaron a que la etiqueta de experto y las actitudes favorables tendían a funcionar juntas sobre todo para el grupo inseguro, que parecía más abierto a usar señales como la experiencia y la retroalimentación de la IA, mientras que los participantes desinformados respondían menos.

Diseñar mejor apoyo de IA para decisiones sobre la salud

Para un lector no especializado, la conclusión principal es que la IA y las etiquetas de experto no son soluciones mágicas para la confusión sanitaria en línea. En este estudio, la IA generativa actuó como un socio útil, pero si las personas realmente aprendieron más dependió de su motivación y de lo arraigadas que ya estaban sus creencias. Las señales de experiencia mejoraron la comprensión factual solo para quienes estaban dispuestos a implicarse, y las personas que estaban equivocadas con confianza fueron más difíciles de alcanzar que quienes simplemente no lo sabían. Los autores sostienen que las futuras herramientas de IA y la comunicación en salud deberían adaptarse a estas diferencias: fomentar una reflexión más profunda, hacer la experiencia más visible y personalizar las respuestas según si una persona está incierta o desinformada, de modo que la IA respalde decisiones sanitarias verdaderamente informadas, no solo más influenciadas.

Cita: Oh, J., Montag, C., Kohne, J. et al. Conditional effects of source expertise and pre-existing attitudes on objective knowledge in AI-assisted health information verification. Sci Rep 16, 13291 (2026). https://doi.org/10.1038/s41598-026-43698-z

Palabras clave: IA generativa, desinformación sanitaria, credibilidad de la fuente, dieta sin gluten, información sanitaria en línea