Edición impresa
¡Manténgase al día!
Reciba las últimas novedades e información directamente en su correo.
Elena Portuguez
Analista de tecnología centrado en modelos de lenguaje a gran escala, realidad virtual y sistemas de eye tracking
Cada segundo nuestros ojos toman decisiones invisibles. Mientras leemos una noticia, revisamos una aplicación o elegimos entre alternativas, la mirada salta de un punto a otro siguiendo patrones que rara vez percibimos. Aunque solemos pensar que la atención humana es espontánea, el eye tracking sugiere que no es tan impredecible como parece.
Esto plantea una pregunta interesante: si nuestros ojos siguen ciertos patrones, ¿podría una IA anticipar hacia dónde miraremos después?
El análisis experimental con datos de seguimiento ocular exploró esta posibilidad. El comportamiento visual fue traducido a secuencias simples: la persona miró una zona, luego otra y después una tercera. A partir de ese recorrido, distintos modelos intentaron predecir cuál sería el siguiente punto de atención.
Los resultados muestran que la IA puede anticipar patrones de mirada. En una de las pruebas, el modelo de IA Qwen acertó el 41% de las predicciones exactas, es decir, 41 de cada 100. Cuando se aceptaba como válida una zona cercana a la correcta, su desempeño subía a cerca del 69%. Esto indica que la IA no siempre daba con el punto exacto, pero muchas veces lograba aproximarse.
También se comparó este resultado con el método llamado Markov, usado para analizar secuencias. En esa misma prueba Markov obtuvo un 70% de aciertos exactos y alrededor de 87% cuando se aceptaban zonas cercanas. En palabras sencillas: la IA logró anticipar parte del comportamiento visual, pero el modelo clásico fue más preciso.
Lo llamativo es que estos sistemas no “ven”. No tienen acceso directo al entorno ni procesan imágenes en tiempo real. Solo reciben una representación textual del comportamiento humano. Aun así, los resultados sugieren que hay lógica en la forma en que movemos los ojos.
Las aplicaciones son amplias. En educación, comprender cómo evoluciona la atención podría ayudar a detectar cuándo un estudiante pierde el foco, qué elementos generan confusión o qué recursos visuales facilitan la comprensión. En lugar de evaluar solo respuestas correctas o incorrectas, sería posible adaptar contenidos según las necesidades reales del estudiante.
En el ámbito comercial, podrían contribuir al diseño de páginas web más intuitivas, mejorar la organización visual de aplicaciones digitales, optimizar la presentación o identificar qué elementos captan atención y cuáles pasan desapercibidos. Comprender cómo se distribuye la atención ayuda a construir experiencias más claras.
Estas observaciones deben interpretarse con cautela. Este análisis surge de datos recolectados como parte de mi tesis y reutilizados para explorar una pregunta distinta a la originalmente planteada. La muestra es reducida y no pretende ofrecer conclusiones definitivas ni generalizables. Tampoco se trata de predecir decisiones complejas, emociones o intenciones ocultas. La pregunta es sencilla: si existe una lógica en los movimientos de nuestra atención, ¿hasta qué punto una inteligencia artificial puede anticipar el lugar hacia el que dirigiremos la mirada?
Los LLM tienden a proponer zonas según el relato, pero no capturan tan bien esa continuidad inmediata.
Tal vez el valor de esta línea de investigación no resida en demostrar que una máquina puede “leer la mente”, o confirmar que anticipan patrones de mirada, sino en revelar que incluso actos cotidianos, como decidir qué merece nuestra atención, podrían seguir reglas sutiles que apenas notamos.
