"Si pregunto enojado, ¿la IA responderá mejor?" Los resultados de un experimento del equipo de Harvard con 6 benchmarks muestran que las expresiones emocionales casi no afectan el rendimiento de los LLM. Sin embargo, el hallazgo clave es que si la emoción se elige de forma adaptativa para cada pregunta, se puede lograr una mejora consistente del rendimiento.
Resumen del estudio
- Fuente: arXiv:2604.02236v1 (2 de abril de 2026)
- Autores: Minda Zhao, Yutong Yang y otros (investigación conjunta de Harvard y Bryn Mawr College)
- Pregunta central: ¿Cambia el rendimiento de los LLM si el prompt incluye expresiones emocionales?
Resumen de hallazgos principales
Aunque el tono emocional está ampliamente presente en la comunicación humana, su impacto sobre el comportamiento de los LLM sigue sin estar claro. Este estudio identificó tres puntos principales.
① Los prefijos emocionales fijos tienen un efecto mínimo
En la mayoría de las combinaciones tarea-modelo, el encuadre emocional no mejoró ni empeoró de forma significativa el rendimiento frente a una línea base neutral. El prompting emocional estático no funciona como un método general de mejora del rendimiento.
② Aumentar la intensidad emocional tampoco cambia mucho
Incluso al subir la intensidad con expresiones como "estoy muy enojado" o "tengo un miedo extremo", la precisión solo varió levemente entre niveles de intensidad, y las expresiones más fuertes no provocaron una caída consistente del rendimiento.
③ La selección adaptativa de emociones (EmotionRL) sí funciona
Una sola emoción fija es demasiado burda para ser confiable, pero una política condicionada según la entrada puede generar mejoras de rendimiento más consistentes.
Diseño experimental
Seis emociones evaluadas
Con base en la teoría de emociones básicas de Plutchik, se utilizaron seis emociones: alegría, tristeza, miedo, ira, asco y sorpresa.
Seis benchmarks de evaluación
| Benchmark | Capacidad medida |
|---|---|
| GSM8K | Razonamiento matemático |
| BIG-Bench Hard | Razonamiento general |
| MedQA | Conocimiento médico especializado |
| BoolQ | Comprensión lectora |
| OpenBookQA | Razonamiento de sentido común |
| SocialIQA | Razonamiento social |
Modelos utilizados
Se evaluaron tres modelos open source, Qwen3-14B, Llama 3.3-70B y DeepSeek-V3.2, en un entorno de razonamiento zero-shot sin fine-tuning.
Resultados detallados
Diferencias en sensibilidad emocional según la tarea
GSM8K y MedQA-US se mantuvieron muy cerca de la línea base en prácticamente todas las emociones, lo que sugiere que los prefijos emocionales cortos tienen una influencia limitada en razonamiento estrictamente restringido y en predicciones de opción múltiple especializadas por dominio.
La desviación más notable dentro de la estabilidad general apareció en SocialIQA. Allí, la varianza entre modelos y emociones fue claramente mayor, y la dirección del efecto tampoco fue consistente. Esto sugiere que el contexto emocional interactúa con más fuerza en tareas que requieren razonamiento interpersonal.
Emociones escritas por personas vs. generadas por LLM
Al comparar prefijos escritos por humanos con prefijos generados por LLM, ambos orígenes mostraron una precisión casi idéntica en todas las condiciones, y ninguno mostró una ventaja consistente.
EmotionRL: marco de selección adaptativa de emociones
Para cada pregunta de entrada, un agente elige una emoción del conjunto {ira, asco, miedo, alegría, tristeza, sorpresa}, y antepone esa expresión emocional al prompt original antes de enviarlo a un LLM congelado.
La estructura central tiene dos etapas.
- Entrenamiento offline: para cada pregunta se prueban las 6 emociones y se construye un vector de recompensa, tras lo cual se entrena una red de políticas MLP ligera.
- Inferencia online: cuando entra una nueva entrada, la política entrenada selecciona una emoción y el LLM se invoca solo una vez.
El débil efecto promedio de los prompts emocionales fijos no significa que el encuadre emocional no contenga señales útiles. EmotionRL igualó o superó de forma sostenida la línea base promedio de emociones estáticas en cinco tareas.
Conclusión e implicaciones
Los experimentos respaldan una visión más conservadora sobre el prompting emocional que la sugerida por algunos casos positivos aislados. En benchmarks estándar basados en precisión, los prefijos emocionales fijos suelen ser demasiado débiles y heterogéneos como para servir como una intervención confiable de rendimiento.
El equipo de investigación propone redefinir el prompting emocional no como una "plantilla universal", sino como un "problema de enrutamiento adaptativo".
Limitaciones
Este estudio se centró en prefijos cortos, prompting de un solo turno y benchmarks orientados a precisión. En evaluaciones donde la calibración, el estilo y la empatía son tan importantes como la precisión —como interacciones de varios turnos, generación abierta o conversaciones sensibles a la seguridad— podrían aparecer efectos más grandes o cualitativamente distintos.
Original: "Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models" — arXiv:2604.02236v1
1 comentarios
Eh, ¿entonces en todo este tiempo enojarme no sirvió de nada...?? Pero si cuando lo insultaba me hacía cosas buenísimas.