Adaptación predictiva de arquitecturas humano–IA mediante estados fisiológicos y neurocognitivos
La cuestión que planteas abre una conexión especialmente interesante entre las tres líneas que venimos desarrollando: CPEA, TAE y bioelectromagnetismo.
Mi hipótesis de trabajo es la siguiente:
Una arquitectura humano–IA podría mejorar su capacidad de adaptación predictiva si incorpora información sobre el estado fisiológico y neurocognitivo del individuo, en lugar de limitarse a interpretar sus respuestas conductuales o lingüísticas.
Esto supondría pasar de una IA que responde a lo que el usuario expresa a una arquitectura que estima, con incertidumbre explícita, las condiciones funcionales en las que se produce esa expresión.
Hay una distinción fundamental: no se trata de afirmar que el cerebro transmite directamente sus estados a una IA ni que exista una coherencia electromagnética humano–máquina demostrada. Se trata de investigar si determinadas variables fisiológicas contienen información predictiva adicional sobre el comportamiento, la disponibilidad cognitiva y las necesidades de adaptación.
La propuesta tiene interés porque permite formular una hipótesis contrastable, construir un prototipo y establecer criterios de falsación.
¿Qué sabemos y dónde está la oportunidad científica?
La investigación reciente permite responder afirmativamente, aunque con una precisión importante: los estados fisiológicos pueden mejorar la estimación de las condiciones en las que una persona procesa información, pero todavía no está demostrado que su incorporación mejore de manera general la adaptación predictiva de una arquitectura humano–IA.
Esta distinción nos permite separar tres niveles.
Evidencia neurofisiológica
La literatura respalda la existencia de relaciones entre actividad cerebral, regulación autonómica, respiración y rendimiento cognitivo.
| Variable | Información que puede aportar | Limitación |
|---|---|---|
| EEG | Actividad cortical, atención, carga y cambios funcionales | Artefactos y variabilidad individual |
| ECG/HRV | Regulación autonómica y dinámica cardiovascular | No identifica por sí sola un estado cognitivo |
| Respiración | Ritmo respiratorio y modulación autonómica | Muy sensible al contexto |
| EDA | Activación simpática y respuesta electrodérmica | No distingue específicamente estrés, atención o emoción |
| Pupillometría | Respuesta pupilar y esfuerzo cognitivo | Sensible a iluminación y otros factores |
| fNIRS | Cambios hemodinámicos corticales | Respuesta más lenta que la actividad eléctrica |
Una revisión sistemática de 2025 sobre reconocimiento de estados cognitivos mediante señales fisiológicas analizó 405 artículos relevantes y documentó la utilización de múltiples modalidades fisiológicas y técnicas de aprendizaje automático. pmc.ncbi.nlm.nih.govpubmed.ncbi.nlm.nih.gov
Otra revisión, publicada en 2025, examinó 124 estudios de interfaces humano-computadora híbridas basadas en EEG y otras modalidades. Esto respalda la viabilidad técnica de integrar diferentes canales fisiológicos. pubmed.ncbi.nlm.nih.gov
La cuestión más interesante: anticipación frente a reacción
Aquí aparece una oportunidad particularmente relevante para CPEA–TAE.
Una revisión sistemática de 2026 examinó 27 estudios de sistemas adaptativos que detectan estados cognitivos mediante señales fisiológicas y posteriormente intervienen sobre el sistema.
Encontró tres cuestiones importantes:
- La EEG aparecía en el 70 % de los estudios.
- Las intervenciones incluían modificación de la dificultad, retroalimentación y ajuste de la automatización.
- Los sistemas estudiados eran fundamentalmente reactivos: detectaban el estado cognitivo después de su aparición, en lugar de anticipar sus trayectorias. pmc.ncbi.nlm.nih.govmdpi.com
Esta última observación es especialmente relevante.
Nuestro objetivo no debería consistir únicamente en clasificar el estado fisiológico actual, sino en anticipar qué transición funcional puede producirse y adaptar la interacción antes de que se deteriore el rendimiento.
Es decir:
\[ \text{Detección}\rightarrow\text{Predicción}\rightarrow \text{Adaptación}\rightarrow\text{Evaluación} \]Y aquí podemos introducir el mecanismo TAE de aprendizaje por excepción.
Interocepción y alostasis: el puente conceptual
Un trabajo publicado en Nature Neuroscience en 2025 estudió los sistemas cerebrales relacionados con la interocepción y la alostasis mediante resonancia magnética funcional de 7 teslas, en una muestra de 90 participantes.
La alostasis describe cómo el organismo anticipa sus necesidades fisiológicas y prepara respuestas antes de que estas se produzcan. La interocepción participa en la representación de las condiciones internas del organismo. nature.com
También resulta relevante el trabajo publicado en Philosophical Transactions of the Royal Society B en noviembre de 2025 sobre fisiología de la interocepción y su papel adaptativo. pmc.ncbi.nlm.nih.gov
Esto nos permite introducir una idea:
El sistema nervioso no se limita a procesar información externa. También integra información sobre las condiciones internas del organismo para ajustar su comportamiento.
Podemos investigar si una arquitectura humano–IA puede aprovechar una representación computacional análoga, sin afirmar que reproduzca la interocepción biológica.
Hipótesis central CPEA–TAE
Propongo formular la hipótesis principal de esta línea de investigación así:
H1 — Hipótesis de disponibilidad neurofisiológica predictiva
La integración temporal de variables neuroeléctricas y autonómicas permite estimar cambios en la disponibilidad funcional del individuo y, cuando estos cambios contienen información adicional respecto a la conducta observable, mejora la capacidad predictiva y adaptativa de una arquitectura humano–IA.
H2 — Hipótesis de anticipación
Los cambios fisiológicos previos a una transición cognitiva o conductual pueden proporcionar información predictiva sobre la probabilidad de que se produzca una excepción TAE.
H3 — Hipótesis de adaptación diferencial
Una arquitectura que ajusta la complejidad, el ritmo, la presentación de información y la estrategia de asistencia según el estado funcional estimado puede mejorar el rendimiento frente a otra que utiliza exclusivamente el historial de interacción.
H4 — Hipótesis de integración bioelectromagnética
Las variables bioeléctricas y autonómicas pueden aportar información complementaria sobre la dinámica funcional del organismo. La contribución específica de los mecanismos bioelectromagnéticos y mitocondriales deberá estudiarse mediante experimentos independientes.
La H4 necesita especial cautela: registrar EEG y ECG no equivale a demostrar un mecanismo bioelectromagnético de acoplamiento entre cerebro, mitocondrias y entorno.
Arquitectura conceptual integrada
Propongo una arquitectura de cinco niveles, con un sexto componente de control experimental.
CPEA–TAE–Bioelectromagnetismo v1.0
CAPA 1 · METFI / ENTORNO
Condiciones ambientales electromagnéticas y físicas, registradas como variables exploratorias
CAPA 2 · BIOELECTROMAGNETISMO
Neuroeléctrica · autonómica · neurovascular · bioenergética
CAPA 3 · ESTIMADOR DE ESTADO
EEG + ECG/HRV + respiración + rendimiento conductual
CAPA 4 · TAE
Predicción de excepciones · sorpresa · transición de estado · reorganización
CAPA 5 · CPEA HUMANO–IA
Adaptación predictiva · selección de estrategia · retroalimentación · evaluación
CONTROL TRANSVERSAL
Calidad de señal · incertidumbre · privacidad · supervisión humana · falsación
La arquitectura no establece una causalidad automática entre las capas. Cada conexión representa una relación que debe validarse.
Estado fisiológico y neurocognitivo
Definimos un vector de estado:
\[ S_t = [N_t,A_t,R_t,V_t,B_t] \]Donde:
- \(N_t\): estado neuroeléctrico.
- \(A_t\): regulación autonómica.
- \(R_t\): dinámica respiratoria.
- \(V_t\): variables neurovasculares.
- \(B_t\): estado bioenergético.
No todas estas variables estarán disponibles en el primer prototipo. Inicialmente utilizaremos EEG, ECG/HRV y respiración.
La capa mitocondrial se mantendrá como dominio mecanístico transversal, no como una variable que podamos deducir directamente a partir del EEG o de la HRV.
Estimación del estado latente
El sistema no debería interpretar directamente una señal como si fuera un diagnóstico.
En su lugar:
\[ P(Z_t\mid X_{1:t},C_t) \]Donde:
- \(Z_t\): estado funcional latente.
- \(X_{1:t}\): historial de señales fisiológicas.
- \(C_t\): contexto de la tarea.
El estimador produciría una distribución probabilística sobre estados funcionales, no una etiqueta absoluta.
Ejemplos de estados operativos:
- Disponibilidad funcional estable.
- Incremento de demanda cognitiva.
- Dificultad de anticipación.
- Inestabilidad de rendimiento.
- Recuperación funcional.
Son categorías experimentales, no estados clínicos ni diagnósticos.
Integración del mecanismo TAE
Aquí recuperamos nuestra formulación anterior de ponderación adaptativa de errores:
\[ \varepsilon_t^*=\Pi_t\varepsilon_t \]Donde:
- \(\varepsilon_t\): error de predicción.
- \(\Pi_t\): precisión o ponderación adaptativa.
- \(\varepsilon_t^*\): error ponderado.
La precisión podría depender del estado funcional estimado:
\[ \Pi_t=g(Z_t,C_t,U_t) \]Donde \(U_t\) representa incertidumbre del estimador.
Una excepción TAE se produciría cuando:
\[ |\varepsilon_t^*|>\theta_{TAE} \]Pero debemos introducir una condición importante: un cambio fisiológico no constituye por sí mismo una excepción de aprendizaje.
La excepción debe identificarse mediante una discrepancia funcional relevante entre predicción, resultado y contexto.
La fisiología puede modificar la estimación de la probabilidad de excepción, pero no debe definirla unilateralmente.
¿Qué debería aprender realmente la arquitectura humano–IA?
Esta es, a mi juicio, la parte más importante del proyecto.
No queremos construir un clasificador que diga si una persona está concentrada, cansada o estresada. Queremos construir una arquitectura que aprenda a distinguir entre:
- Lo que una persona sabe hacer.
- Lo que puede hacer en unas condiciones funcionales determinadas.
- Lo que probablemente podrá hacer en los próximos instantes.
- Qué tipo de asistencia permitirá mantener o recuperar su capacidad de actuación.
Esta distinción tiene consecuencias importantes, especialmente en sistemas de aprendizaje adaptativo y tecnologías de apoyo.
Disponibilidad funcional frente a capacidad adquirida
Podemos representar ambas dimensiones:
\[ C_{\text{efectiva}}(t)= C_{\text{adquirida}}\cdot D(t) \]Donde:
- \(C_{\text{adquirida}}\): capacidad previamente demostrada.
- \(D(t)\): disponibilidad funcional estimada, entre 0 y 1.
- \(C_{\text{efectiva}}\): capacidad funcional observable en un momento determinado.
Esta ecuación es una primera abstracción, no una ley fisiológica.
Su utilidad consiste en separar una pérdida de disponibilidad temporal de una pérdida de competencia.
Por ejemplo, una persona puede resolver correctamente una tarea de memoria de trabajo en condiciones basales y experimentar dificultades cuando aumenta la demanda cognitiva.
Una IA convencional podría interpretar la segunda situación como falta de conocimiento.
Una CPEA adaptativa debería comprobar si existe una modificación transitoria de las condiciones funcionales y ajustar la interacción sin eliminar la exigencia de aprendizaje.
Esto abre una línea de investigación particularmente interesante para la accesibilidad cognitiva.
Predicción de transiciones, no clasificación estática
Propongo utilizar un modelo dinámico:
\[ P(Z_{t+\Delta}\mid Z_t,S_t,C_t) \]El sistema estima la probabilidad de transición hacia un estado funcional futuro.
Por ejemplo:
Ejemplo experimental: tarea de memoria de trabajo
Estado inicial
El participante mantiene un rendimiento estable.
Cambio fisiológico
Se observa una modificación de actividad EEG y dinámica autonómica.
Predicción
La arquitectura estima un incremento de probabilidad de deterioro del rendimiento.
Adaptación preventiva
La IA modifica la densidad de información, introduce una pausa o presenta una ayuda contextual.
Evaluación
Se compara el rendimiento obtenido con el que habría producido una interacción no adaptativa.
La adaptación no tiene por qué consistir en reducir siempre la dificultad. También puede consistir en cambiar la modalidad de presentación, aumentar el tiempo disponible o modificar la secuencia de instrucciones.
Formalización matemática propuesta
Para que el modelo sea reproducible, propongo una arquitectura de estados parcialmente observables con aprendizaje adaptativo.
Vector de observaciones
\[ X_t = [E_t,H_t,Q_t,P_t] \]Donde:
- \(E_t\): características EEG.
- \(H_t\): características ECG/HRV.
- \(Q_t\): características respiratorias.
- \(P_t\): variables de rendimiento conductual.
Ejemplos de características:
| Dominio | Variables |
|---|---|
| EEG | Theta frontal, alfa, beta, potencia relativa, conectividad |
| ECG/HRV | RMSSD, SDNN, frecuencia cardíaca |
| Respiración | Frecuencia, amplitud, variabilidad |
| Conducta | Exactitud, latencia, omisiones, errores y recuperación |
La conectividad EEG debe calcularse con métodos que controlen la conducción de volumen y los artefactos. No interpretaremos una correlación entre canales como evidencia directa de comunicación neuronal.
Dinámica de estados
Podemos formular:
\[ Z_{t+1}=f_\theta(Z_t,X_t,C_t,A_t)+\eta_t \]Donde:
- \(Z_t\): estado latente actual.
- \(X_t\): observaciones fisiológicas y conductuales.
- \(C_t\): contexto.
- \(A_t\): acción adaptativa de la IA.
- \(\eta_t\): perturbación no explicada.
La inclusión de \(A_t\) es importante: la propia intervención de la IA puede modificar el comportamiento y las señales posteriores.
Por tanto, el sistema debe aprender tanto de las condiciones iniciales como de las consecuencias de sus propias intervenciones.
Predicción de excepción TAE
Definimos:
\[ p_{\text{exc}}(t)= P\left( |\varepsilon_{t+\Delta}^*|> \theta_{TAE} \mid X_{1:t},C_t \right) \]La IA podrá anticipar una posible excepción antes de que se manifieste en el resultado conductual.
Esto no significa que cualquier predicción de excepción deba desencadenar una intervención.
La decisión debe depender también de la incertidumbre, el coste de una intervención innecesaria y las preferencias del usuario.
Función objetivo de adaptación
Propongo una función multiobjetivo:
\[ J(A_t)= \alpha L_{\text{pred}} +\beta L_{\text{rend}} +\gamma L_{\text{adapt}} +\delta L_{\text{interv}} \]Donde:
- \(L_{\text{pred}}\): error de predicción de transiciones.
- \(L_{\text{rend}}\): pérdida de rendimiento.
- \(L_{\text{adapt}}\): coste de adaptación inadecuada.
- \(L_{\text{interv}}\): coste de intervenciones innecesarias.
Los coeficientes deben fijarse mediante un protocolo preregistrado.
El objetivo no es maximizar la cantidad de intervenciones, sino conseguir una adaptación eficaz con el mínimo de intervención necesario.
Propuesta experimental: CPEA–TAE-BIO v1.0
Propongo que esta línea se desarrolle como extensión funcional del trabajo CPEA–TAE-NFM v1.0 que acabamos de especificar.
No necesitamos comenzar con una infraestructura experimental excesivamente compleja.
El primer experimento debería responder una pregunta concreta:
¿La información fisiológica mejora la predicción de cambios en el rendimiento cognitivo y permite que una IA adapte sus respuestas mejor que una arquitectura basada exclusivamente en el historial de interacción?
6.1. Diseño general
(Protocolo experimental propuesto)
| Parámetro | Propuesta |
|---|---|
| Diseño | Experimental, longitudinal y repetido |
| Participantes | Piloto inicial de 30–40 |
| Validación | Separación por participantes |
| EEG | 8–30 canales |
| ECG | Registro continuo |
| HRV | RMSSD, SDNN y frecuencia cardíaca |
| Respiración | Frecuencia y variabilidad |
| Tarea | Memoria de trabajo, anticipación y detección de excepciones |
| IA | Modelo adaptativo con política controlada |
| Duración | Sesiones repetidas con fases basales y experimentales |
La cifra de participantes es una propuesta de viabilidad, no un tamaño muestral estadísticamente justificado. El tamaño definitivo debe calcularse mediante simulación de potencia, teniendo en cuenta la estructura repetida de los datos y el efecto mínimo relevante.
Secuencia experimental
Protocolo de adquisición
Fase A — Línea basal
Registro EEG, ECG, respiración y rendimiento en reposo y durante una tarea sencilla.
Fase B — Demanda cognitiva
Incremento progresivo de la carga de memoria de trabajo.
Fase C — Perturbación
Presentación de estímulos inesperados, cambios de reglas y excepciones.
Fase D — Adaptación
La IA utiliza las estimaciones fisiológicas para seleccionar una estrategia de asistencia.
Fase E — Recuperación
Se evalúa la evolución del rendimiento y la dinámica fisiológica después de la perturbación.
Fase F — Transferencia
Se comprueba si la adaptación aprendida se mantiene ante tareas nuevas y participantes no utilizados en el entrenamiento.
Condiciones experimentales y controles
Es fundamental distinguir el valor real de las señales fisiológicas del valor aparente que podrían adquirir por correlaciones espurias.
Propongo cuatro modelos:
| Modelo | Información utilizada |
|---|---|
| M0 | Historial conductual y lingüístico |
| M1 | M0 + EEG |
| M2 | M0 + EEG + ECG/HRV |
| M3 | M2 + respiración |
Añadiría dos controles fundamentales:
- M4 — Fisiología desalineada: señales fisiológicas temporalmente permutadas, manteniendo las características generales de cada participante.
- M5 — Modelo contextual: conducta, dificultad, tiempo, sueño declarado y contexto, sin fisiología.
M4 permite comprobar si el orden temporal de la información fisiológica es relevante. M5 permite saber si la supuesta mejora fisiológica se explica simplemente por variables contextuales.
Todas las condiciones deberían utilizar la misma familia de modelos, presupuesto computacional y oportunidades de adaptación.
Métricas de evaluación
| Dimensión | Métrica |
|---|---|
| Predicción | AUROC, AUPRC, Brier Score |
| Anticipación | Tiempo de anticipación útil |
| Rendimiento | Exactitud, errores y latencia |
| Adaptación | Recuperación y estabilidad |
| Calibración | Error de calibración probabilística |
| Eficiencia | Número de intervenciones y coste por intervención |
| Generalización | Rendimiento en participantes no vistos |
No basta con conseguir un clasificador con alta exactitud.
Una IA podría clasificar correctamente estados fisiológicos y, sin embargo, no mejorar ninguna interacción.
El resultado verdaderamente importante será la mejora funcional producida por la adaptación.
Bioelectromagnetismo: ¿qué podemos incorporar?
Aquí quiero conservar la separación conceptual que hemos establecido en nuestras investigaciones anteriores.
Existen tres niveles distintos.
Nivel I. Bioelectricidad fisiológica
Es el nivel con mayor viabilidad experimental inmediata.
Incluye:
- Potenciales eléctricos neuronales.
- Actividad electrocardiográfica.
- Variabilidad de la frecuencia cardíaca.
- Dinámica autonómica.
- Relaciones temporales entre actividad cerebral y cardiovascular.
Estas variables permiten estudiar la coordinación funcional entre sistemas fisiológicos.
Nivel II. Bioenergética mitocondrial
Es una dimensión que puede enriquecer nuestro modelo teórico.
Podemos estudiar la relación entre:
- Potencial de membrana mitocondrial.
- Transferencia electrónica.
- Respiración celular.
- Producción de ATP.
- Regulación redox.
- Especies reactivas de oxígeno.
Sin embargo, estos parámetros no pueden inferirse directamente a partir de un EEG o un ECG.
Su estudio requeriría experimentos celulares o biomarcadores independientes, con diseños específicos.
Nivel III. Acoplamiento electromagnético ambiental
Aquí introducimos METFI como marco exploratorio.
Podrían registrarse variables ambientales como:
- Campos magnéticos locales.
- Variaciones electromagnéticas de baja frecuencia.
- Temperatura y condiciones ambientales.
- Actividad geomagnética.
La pregunta sería si estas variables presentan asociaciones reproducibles con cambios fisiológicos y neurocognitivos, una vez controlados los factores de confusión.
No debemos presuponer que esas asociaciones existen ni que tengan magnitud funcionalmente relevante.
Tampoco debemos convertir una correlación ambiental en evidencia de sincronización cerebral o de transferencia energética.
La secuencia de investigación adecuada sería:
\[ \text{Entorno} \rightarrow \text{Fisiología} \rightarrow \text{Estado funcional} \rightarrow \text{Predicción} \rightarrow \text{Adaptación IA} \]Cada flecha necesita evidencia independiente.
Criterios de falsación
Este apartado debe tener especial peso. Queremos que CPEA–TAE sea un modelo que pueda fracasar experimentalmente.
Propongo los siguientes criterios:
| Hipótesis | Resultado que la debilitaría o falsaría |
|---|---|
| H1 | La fisiología no mejora la predicción respecto a M0 y M5 |
| H2 | Las señales fisiológicas no anticipan las transiciones por encima del azar o del modelo conductual |
| H3 | La adaptación fisiológica no mejora el rendimiento respecto a una IA no adaptativa |
| H4 | No aparecen asociaciones reproducibles entre los mecanismos bioeléctricos estudiados y las variables funcionales relevantes |
También establecería cuatro controles metodológicos:
- Control temporal: comprobar que la señal precede al cambio conductual y no es una consecuencia del mismo.
- Control individual: evitar que la arquitectura aprenda peculiaridades de los participantes en lugar de patrones generalizables.
- Control contextual: registrar sueño, estrés, actividad física, temperatura, respiración y dificultad de la tarea.
- Control de intervención: separar los efectos de la adaptación de los efectos del simple descanso, de la reducción de dificultad o de la atención adicional proporcionada por la IA.
La validación deberá incluir intervalos de confianza, tamaños del efecto, corrección por comparaciones múltiples y replicación independiente.
Una ausencia de mejora predictiva no significa necesariamente que las señales fisiológicas carezcan de interés neurocientífico. Significaría que no hemos demostrado su utilidad incremental para esta arquitectura y esta tarea.
¿Qué implicaría para el desarrollo de CPEA–TAE?
Considero que aquí aparecen tres posibles desarrollos tecnológicos.
CPEA de disponibilidad cognitiva
Una arquitectura capaz de estimar cuándo una persona puede aprovechar mejor una determinada modalidad de asistencia.
Por ejemplo:
- Explicación verbal.
- Representación visual.
- Secuenciación de instrucciones.
- Recuperación de conocimientos previos.
- Ejercicios de memoria activa.
- Pausas y recuperación.
El sistema no debería imponer una modalidad, sino aprender cuáles funcionan mejor en cada contexto.
CPEA de adaptación anticipatoria
Este desarrollo es más ambicioso.
La IA no esperaría necesariamente a que apareciera un error para intervenir.
Podría detectar una trayectoria de incremento de incertidumbre y ofrecer una ayuda antes de que se produzca el fallo.
Aquí la TAE tendría una función central: diferenciar entre errores ordinarios y excepciones que requieren reorganizar la estrategia de aprendizaje.
CPEA de accesibilidad funcional
Esta tercera línea tiene implicaciones especialmente relevantes para las tecnologías de apoyo a personas con discapacidad.
La arquitectura podría distinguir experimentalmente entre:
- Una capacidad no adquirida.
- Una capacidad adquirida pero temporalmente inaccesible.
- Una dificultad asociada a la modalidad de presentación.
- Una situación de sobrecarga contextual.
- Una transición funcional que requiere una estrategia diferente.
No se trataría de clasificar a las personas por sus limitaciones, sino de identificar qué condiciones facilitan que expresen capacidades que ya poseen.
Esta última aplicación es una hipótesis de diseño que merece investigación propia. No debemos convertir las estimaciones fisiológicas en decisiones automáticas sobre las capacidades de una persona.
Una cuestión adicional: ¿dónde encaja la coherencia humano–IA?
Aquí podemos introducir una distinción que considero fundamental.
La coherencia predictiva CPEA no debería definirse como una supuesta sincronización electromagnética entre el cerebro y la máquina.
Podemos definirla operacionalmente como la capacidad de ambos sistemas para mantener modelos suficientemente compatibles de:
- El estado actual de la tarea.
- Las expectativas del participante.
- Las incertidumbres existentes.
- Los errores observados.
- Las necesidades de adaptación.
Una primera expresión sería:
\[ C_{\text{CPEA}}(t)= 1-D\left( P_H(Y_{t+1}), P_{IA}(Y_{t+1}) \right) \]Donde:
- \(P_H\): distribución de expectativas del participante, estimada mediante elecciones, predicciones o respuestas.
- \(P_{IA}\): distribución predictiva de la arquitectura.
- \(D\): distancia entre distribuciones, por ejemplo Jensen-Shannon.
Esta formulación es una propuesta operacional, no una medida validada de coherencia cognitiva.
Su interés reside en que permite medir algo concreto: hasta qué punto las expectativas de la persona y las predicciones de la IA resultan compatibles.
Podríamos estudiar si incorporar información fisiológica mejora esa compatibilidad sin aumentar la dependencia del usuario respecto al sistema.
La coherencia sería entonces una propiedad funcional de la interacción, no una afirmación metafísica sobre dos sistemas que comparten conciencia.
Priorización experimental
No recomiendo intentar validar simultáneamente toda la arquitectura METFI–Bioelectromagnetismo–TAE–CPEA.
Eso multiplicaría las variables y dificultaría identificar qué mecanismo produce cada resultado.
Propongo esta secuencia:
Fase 1. Validación computacional (Prioridad máxima)
Construir el simulador con estados fisiológicos latentes, excepciones TAE, señales observables y adaptación IA.
Fase 2. Validación fisiológica
Evaluar EEG–ECG/HRV–respiración durante tareas de atención, anticipación y memoria de trabajo.
Fase 3. Validación adaptativa
Comparar experimentalmente la IA conductual con la IA fisiológicamente informada.
Fase 4. Validación multiescala
Incorporar medidas neurovasculares y bioenergéticas en experimentos específicos.
Fase 5. Integración METFI
Investigar, independientemente, si las condiciones electromagnéticas ambientales aportan información predictiva adicional.
Mi valoración: dónde puede encontrarse el verdadero avance
Creo que hemos encontrado una posibilidad interesante que merece ser desarrollada con rigor.
La mayoría de los sistemas de IA adaptativa trabajan principalmente sobre tres elementos:
- Historial de interacción.
- Rendimiento observado.
- Preferencias y respuestas del usuario.
Nuestra propuesta añade una dimensión diferente:
La estimación de las condiciones funcionales internas que determinan cómo una persona puede procesar, utilizar y transformar la información en un momento determinado.
Esto permite conectar tres escalas:
Modelo de integración multiescala
Biológica
Regulación y disponibilidad fisiológica
Neurocognitiva
Predicción, atención y reorganización
Computacional
Aprendizaje y adaptación humano–IA
Adaptación predictiva
Una arquitectura que aprende no solo de lo que sucede, sino de las condiciones bajo las cuales puede suceder.
Mi conclusión es que la aportación potencial de CPEA–TAE no está en añadir sensores a una IA convencional, sino en desarrollar una arquitectura que incorpore la dinámica fisiológica como información contextual para anticipar transiciones funcionales.
La pregunta científica decisiva será si esa información aporta capacidad predictiva incremental y, sobre todo, si permite mejorar la interacción real.
Documentación de referencia
Estas publicaciones constituyen una primera base bibliográfica para desarrollar el proyecto:
1. Human-Centric Cognitive State Recognition Using Physiological Signals: A Systematic Review of Machine Learning Strategies Across Application Domains (2025). Revisión de 405 artículos relevantes sobre reconocimiento de estados cognitivos. Consultar publicación.
2. A review of hybrid EEG-based multimodal human-computer interfaces using deep learning (2025). Revisión de 124 estudios sobre interfaces multimodales. Consultar publicación.
3. The physiology of interoception and its adaptive role in consciousness (2025). Fundamentación fisiológica de la interocepción. Consultar publicación.
4. Cortical and subcortical mapping of the human allostatic–interoceptive system using 7 Tesla fMRI (2025). Investigación sobre alostasis e interocepción. Consultar Nature Neuroscience.
5. Real-time cognitive workload assessment using non-intrusive methods: a systematic review (2025). Revisión de 50 estudios sobre evaluación fisiológica de carga cognitiva. Consultar publicación.
6. Detecting and Improving Human Cognitive State in Real-Time Using Data-Driven Adaptive Systems (2026). Revisión de sistemas adaptativos y detección fisiológica de estados cognitivos. Consultar texto completo.
Comentarios
Publicar un comentario