Recibido para publicar el 3 de mayo de 2025 Aceptado para su publicación el 18 de septiembre de 2025
Versión final 25 de septiembre de 2025
Cómo citar este artículo: García, Horacio D.41; González, Eliana N.42; Muñoz, Marcelo43 y Fernández, Sergio O.44 Psicoterapia en la era digital: ¿la Inteligencia Artificial como evaluadora experta de la respuesta terapéutica?. Revista Científica Metavoces. 2025, 27: 155- 165
Este estudio analizó si un asistente virtual basado en inteligencia artificial (IA) puede evaluar respuestas psicoterapéuticas en un caso simulado de ludopatía, comparando su desempeño con el de expertas humanas y evaluando su capacidad para discriminar entre niveles de experiencia terapéutica, contribuyendo de este modo al desarrollo de herramientas tecnológicas para la práctica y la formación en salud mental.
Implementamos un diseño pre-experimental en el que dos psicoterapeutas (uno con 8 años de experiencia y otro con 2 años) redactaron respuestas a un caso simulado. Estas fueron evaluadas por dos expertas humanas y por el asistente virtual, utilizando un instrumento ad hoc con 23 ítems que valoraron habilidades terapéuticas y características de las respuestas. La concordancia entre las evaluaciones fue medida mediante el Coeficiente de Correlación Intraclase (ICC).
Los resultados muestran una concordancia alta (ICC=0.863 para el menos experimentado y ICC=0.800 para el más experimentado) entre las evaluaciones de la IA y las humanas, sugiriendo que la IA puede evaluar con precisión y discriminar niveles de experiencia terapéutica. Esto sugiere que la IA evalúa con precisión y distingue niveles de experiencia terapéutica, destacándose como una herramienta complementaria en la formación y supervisión psicoterapéutica. No obstante, reconocemos desafíos éticos y técnicos, como la privacidad de los datos y los posibles sesgos algorítmicos.
This study aimed to analyze whether an artificial intelligence (AI) virtual assistant can evaluate psychotherapeutic responses in a simulated gambling addiction case, comparing its performance with that of human experts. Additionally, it sought to determine if AI could
41 Doctor en Psicología. Director del Proyecto PROICO 12-0420 "Personalidad desde una perspectiva sistémico-integradora. Su relación con variables cognitivas y afectivas" Profesor responsable de Metodología de la Investigación I FaPsi-UNSL. (https://orcid.org/0000-0003-2628-6636). E-mail: hdgarcia69@gmail.com
42 Dra. en Psicología. Docente de Procesos Psicológicos Básicos. Facultad de Psicología- Universidad Nacional de San Luis. Directora de Línea PROICO 12-0723 “Historias Policéntricas sobre investigación y formación universitaria en Psicología”. Integrante PROICO 12-0420 "Personalidad desde una perspectiva sistémico-integradora. Su relación con variables cognitivas y afectivas". (https://orcid.org/0009-0002-0205-5614) E-mail: elianangonza@gmail.com
43 Docente de Historia de la Psicología. Facultad de Psicología - Universidad Nacional de San Luis. (https://orcid.org/0009-0001-8872-4649) Email: marcelomunoz80@gmail.com
44 Estudiante de Psicología. FaPsi-UNSL (https://orcid.org/0009-0007-5581-2478)
distinguish between different levels of therapeutic experience, thus contributing to the development of technological tools for mental health practice and training.
A pre-experimental design was used, involving two psychotherapists (one with 8 years of experience, the other with 2 years of experience) who provided responses to a simulated case. These were evaluated by two human experts and the AI assistant by using an ad hoc instrument with 23 items assessing therapeutic skills and response characteristics. Agreement between evaluations was measured through Intraclass Correlation Coefficient (ICC).
Results show a high agreement (ICC=0.863 for the less experienced and ICC=0.800 for the more experienced therapist) between the AI and human evaluations. This suggests that AI can assess accurately and distinguish levels of therapeutic expertise standing out as a complementary tool in psychotherapeutic training and supervision. Nonetheless, ethical and technical challenges such as data privacy and possible algorithmic biases are considered.
La psicoterapia ha evolucionado significativamente, especialmente con la llegada de la era digital, lo que ha exigido cambios en los métodos de intervención y en la formación profesional. La creciente demanda de servicios de salud mental, impulsada por eventos globales como la pandemia de COVID-19, ha resaltado la necesidad de nuevas modalidades de intervención psicoterapéutica, particularmente aquellas mediadas por tecnología (Torous et al., 2020).
Las intervenciones psicoterapéuticas basadas en texto han emergido como una alternativa prometedora a la psicoterapia tradicional. Este enfoque ofrece accesibilidad y conveniencia, permitiendo a los pacientes acceder a servicios de salud mental desde cualquier lugar y en cualquier momento, superando barreras geográficas y temporales (Hoermann et al., 2017). Además, la comunicación textual asincrónica favorece una reflexión más profunda y una intervención más cuidadosa por parte de los terapeutas.
El formato de texto también ofrece anonimato, reduciendo el estigma asociado con buscar ayuda para problemas de salud mental, lo cual es beneficioso para personas con ansiedad social o que temen el estigma asociado con la búsqueda de ayuda (Suler, 2004). Asimismo, genera un registro permanente de las sesiones, permitiendo un seguimiento detallado del progreso terapéutico (Althoff et al., 2016).
Estudios han demostrado que las terapias basadas en texto son efectivas para tratar trastornos como la depresión y la ansiedad, siendo comparables a las terapias cara a cara (Andersson et al., 2014; Wagner et al., 2014; Barak et al., 2008). Sin embargo, este enfoque presenta desafíos, como la falta de señales no verbales y cuestiones éticas sobre la confidencialidad y la seguridad de los datos (Suler, 2000; Childress, 2000).
La integración de la inteligencia artificial (IA) en la psicoterapia ofrece posibilidades innovadoras para mejorar la práctica clínica y la investigación. Una de sus aplicaciones potenciales es el diagnóstico asistido por IA, donde sistemas pueden analizar patrones de lenguaje y expresiones faciales para diagnosticar trastornos mentales. Por ejemplo, un modelo de aprendizaje profundo desarrollado por Al Hanai et al. (2018) detectó síntomas de depresión a través del habla con una precisión similar a los métodos clínicos estándar. Actualmente, los chatbots terapéuticos, como Woebot y Wysa, son herramientas populares que brindan intervenciones basadas en terapia cognitivo-conductual. Estos chatbots ofrecen apoyo 24/7, ayudando a los usuarios a desarrollar habilidades de afrontamiento, y pueden complementar la terapia humana en casos leves o actuar como puente hacia tratamientos más intensivos (Fitzpatrick et al., 2017).
La IA también permite la personalización del tratamiento al analizar grandes cantidades de datos para predecir qué enfoques terapéuticos son más efectivos para cada paciente, mejorando así los resultados del tratamiento (Lutz et al., 2019). Además, la IA facilita el monitoreo continuo del estado de ánimo y comportamiento de los pacientes, lo que permite detectar signos tempranos de recaída y realizar intervenciones oportunas (Mohr et al., 2017).
La IA está transformando la formación y supervisión de psicoterapeutas, ofreciendo retroalimentación objetiva sobre la adherencia a protocolos, la alianza terapéutica y la efectividad de las intervenciones (Goldberg et al., 2020). La IA en psicoterapia utiliza el procesamiento del lenguaje natural (NLP) y el aprendizaje automático para analizar grandes volúmenes de datos textuales, identificar patrones y proporcionar evaluaciones consistentes (Mergenthaler, 1996).
Una ventaja clave de la IA es su objetividad; a diferencia de los humanos, no experimenta fatiga ni variaciones emocionales, lo que le permite ofrecer análisis consistentes y sistemáticos (Imel et al., 2015). Además, posibilita el análisis a gran escala, revelando patrones no evidentes en estudios más pequeños (Althoff et al., 2016). Asimismo, la IA puede identificar microprocesos sutiles en las interacciones terapéuticas, como cambios emocionales o el uso de metáforas, proporcionando insights sobre los mecanismos de cambio en la psicoterapia (Salvatore et al., 2010). No obstante, debe reconocerse que los algoritmos de IA no están exentos de limitaciones: al ser entrenados con grandes volúmenes de datos, pueden reproducir sesgos presentes en esos conjuntos, lo que introduce un tipo de sesgo distinto al humano y que requiere ser considerado de manera crítica en su aplicación.
La IA puede analizar la alianza terapéutica evaluando el lenguaje para identificar colaboración y empatía (Goldberg et al., 2020) y evaluar la adherencia a protocolos en terapias manualizadas (Imel et al., 2015). También detecta momentos de cambio significativos en el discurso del paciente (Althoff et al., 2016) y correlaciona patrones terapéuticos con resultados para mejorar la eficacia del tratamiento (Lutz et al., 2019).
Sin embargo, hay desafíos, como garantizar la privacidad, interpretar matices culturales, evitar la sobredependencia de la IA y prevenir sesgos algorítmicos (Childress, 2000; Suler, 2000; Zou & Schiebinger, 2018).
Entendemos que la convergencia de la IA como herramienta de evaluación de procesos psicoterapéuticos y como recurso en la formación de profesionales puede ofrecer una oportunidad única para desarrollar un enfoque holístico e integrado en la mejora de la práctica psicoterapéutica. Esta integración tiene el potencial de crear un ciclo de retroalimentación continuo entre la práctica clínica, la investigación y la formación profesional. En este contexto, este estudio pretende no solo contribuir al creciente cuerpo de conocimiento sobre la aplicación de la IA en la psicoterapia, sino también explorar su potencial como herramienta de evaluación y formación en el campo de la salud mental. Al utilizar un caso simulado, buscamos proporcionar conocimientos acerca de cómo la IA puede complementar o desafiar las evaluaciones humanas en escenarios clínicos específicos, abriendo nuevas vías para la mejora de la práctica psicoterapéutica y la formación profesional en la era digital.
Este estudio pretende analizar la capacidad de un Asistente virtual para evaluar intervenciones psicoterapéuticas textuales en un caso simulado de ludopatía, comparando su desempeño en términos de concordancia con expertos humanos, y examinando su habilidad para discriminar entre diferentes niveles de experiencia terapéutica.
Existe una concordancia significativa entre las evaluaciones realizadas por las expertas humanas y el Asistente virtual en la valoración de las respuestas de los psicoterapeutas
El Asistente virtual logra discriminar las respuestas de psicoterapeutas con diferentes niveles de experiencia.
Diseño: El estudio se enmarca en un enfoque cuantitativo y emplea un diseño pre-experimental, de validación cruzada, sin grupo de control ni manipulación de variables (Roussos, 2007; Hernandez-Sampieri et al., 2014). En este diseño la prueba única (evaluación de respuestas psicoterapéuticas) se replica en dos condiciones: evaluación por expertos humanos y evaluación por IA.
Participantes: El estudio contó con dos grupos:
Psicoterapeutas en formación: dos profesionales que trabajan en el campo de la ludopatía y que redactaron, de manera independiente, respuestas basadas en un caso simulado. El psicoterapeuta A, de sexo masculino, tenía 8 años de experiencia clínica, mientras que el psicoterapeuta B, también de sexo masculino, contaba con 2 años de experiencia. Estos participantes fueron seleccionados por su disponibilidad y por representar distintos niveles de trayectoria profesional en el área de adicciones.
Expertas en psicoterapia de adicciones: participaron dos profesionales con más de 15 años de experiencia clínica en el tratamiento de adicciones y con formación de posgrado específica en ludopatía. Los criterios de selección de estas expertas incluyeron: (a) titulación profesional habilitante, (b) trayectoria mínima de 15 años en el campo de las adicciones y (c) formación académica de posgrado actualizada en trastornos adictivos. Las expertas actuaron como evaluadoras de las intervenciones en condición de cegamiento respecto de los terapeutas: no conocían a los psicoterapeutas, ni su identidad ni su nivel de experiencia, y tampoco recibieron información que permitiera deducirlo.
Instrumentos: Se utilizó un instrumento elaborado ad hoc con 23 ítems diseñados para evaluar tres aspectos principales: a) Habilidades de interacción: incluyendo capacidad empática, escucha activa, asertividad, retroalimentación, uso de paráfrasis y continuidad; b) Habilidades de intervención: evaluando ajuste ético, capacidad analítica, formación actualizada, identificación de creencias subyacentes, autoconciencia, reflexión, establecimiento de metas, orientación a soluciones y manejo del cambio; y, c) Características de la respuesta: midiendo claridad, concisión y precisión, ausencia de ambigüedad, pertinencia, contextualización, confiabilidad, extensión y utilidad. Cada ítem se puntuó en una escala del 0 al 9, donde 9 representa el máximo desempeño.
Este instrumento fue utilizado tanto por las expertas, como por el Asistente virtual. En el caso de este último se utilizó el modelo de inteligencia artificial de código abierto Cohere C4AI Command R+, adaptando los ítems y criterios de evaluación a un formato interpretable por la IA, manteniendo la estructura y escala de puntuación originales. La implementación consistió en el diseño de un prompt estructurado en seis componentes esenciales: (a) rol, que definió el perfil y las cualidades del chatbot; (b) contexto, que aportó información relevante sobre la situación clínica; (c) instrucciones, que delimitaban la tarea específica de evaluación;
(d) formato, que establecía la estructura de la respuesta; (e) ejemplo, que funcionó como modelo de referencia; y (f) bibliografía pertinente, incorporando teorías y especialistas vinculados con el área de estudio.
El rendimiento del modelo se optimizó mediante la configuración de parámetros de generación, permitiendo controlar la coherencia, creatividad y precisión de las respuestas. Entre los ajustes utilizados se incluyeron: Temperatura (temperature), longitud máxima de la respuesta (max tokens), secuencias de parada (stop sequences) y control de repetición en prompts. Esta implementación permitió que tanto los evaluadores humanos como el sistema
de IA utilizaran criterios idénticos en sus evaluaciones, asegurando la comparabilidad de los resultados.
El estudio se desarrolló en las siguientes etapas:
Elaboración del caso simulado: Se creó un texto biográfico detallado que representaba las características típicas de una persona con trastorno por juego patológico. Esta narrativa incluyó la sintomatología, el historial del problema, los antecedentes, la descripción del contexto, las situaciones problemáticas relacionadas y la situación actual de un supuesto consultante, cubriendo los aspectos mínimos y necesarios para permitir una intervención psicoterapéutica.
Reclutamiento de participantes: Se invitó a dos psicólogos con formación en psicoterapia cognitivo-conductual en el tratamiento de adicciones, con la finalidad de que brindaran una respuesta psicoterapéutica al caso simulado. Por otra parte, se convocó a dos expertas en el tratamiento de trastornos adictivos, con un enfoque teórico idéntico al de los psicoterapeutas, quienes serían las encargadas de evaluar las respuestas. A ambos grupos se les informó sobre el propósito y el alcance de la investigación, y se les solicitó la firma de un consentimiento informado, garantizándoles la confidencialidad de sus respuestas y el cumplimiento de todos los aspectos éticos relacionados.
Generación de respuestas: Cada psicoterapeuta recibió el caso simulado y se le pidió que redactara una respuesta psicoterapéutica como si estuviera tratando al paciente de forma remota y asincrónica mediante textos.
Evaluación: Las evaluaciones (de los expertos y la IA) se realizaron en momentos y entornos distintos ya que, dada su naturaleza, esto no representaba una amenaza a la confiabilidad de los resultados. Sin embargo, se tuvo en cuenta que las expertas respondieran en condiciones similares en términos de inmediatez, ambiente propicio y sin interrupciones.
Se realizó un análisis descriptivo de las evaluaciones obtenidas en cada ítem y categoría. Para calcular el índice de acuerdo entre la evaluación de las expertas y la IA, se utilizó el Coeficiente de Correlación Intraclase (ICC, por sus siglas en inglés) de dos vías.
Atendiendo el orden de las hipótesis propuestas se presenta inicialmente el análisis de concordancia entre las evaluaciones realizadas por las expertas humanas y el Asistente virtual.
Concordancia entre Expertas Humanas y Asistente Virtual en la valoración de las respuestas de ambos psicoterapeutas.
ICC | IC al 95% | p valor |
Respuesta del Psic. menos experimentado 0.863 | 0.704 - 0.939 | <0,001 |
Respuesta del Psic. más experimentado 0.800 | 0.585 - 0.910 | <0,001 |
La Tabla 1 muestra que el ICC obtenido en el análisis de la respuesta del psicoterapeuta menos experimentado fue elevado (ICC = 0.863, p < 0.001), lo que indica una muy buena concordancia entre las evaluadoras humanas y el asistente virtual. Para el psicoterapeuta más experimentado, encontramos un ICC de 0.800 (p < 0.001), lo que señala una concordancia un
tanto menor. Es importante destacar que, para el ICC, valores superiores a 0.75 indican una concordancia adecuada.
Al observar los intervalos de confianza al 95%, el intervalo más estrecho en la respuesta del psicoterapeuta menos experimentado, así como el ICC más elevado, sugieren, por un lado, una estimación más precisa, posiblemente debido a una menor variabilidad en las habilidades evaluadas, y, por otro, que, a menor desempeño de la respuesta, hay mayor acuerdo en la evaluación.
Asimismo, en relación con la hipótesis que afirma que el asistente virtual discrimina, de manera similar a los expertos humanos, las respuestas de psicoterapeutas con diferentes niveles de experiencia, podemos decir que la pequeña diferencia en los ICC de las respuestas de ambos psicoterapeutas (0.063) indica que el asistente virtual logra diferenciar entre los niveles de experiencia de los psicoterapeutas de forma comparable a los evaluadores humanos.
Una vez constatada la concordancia aceptable entre la IA y las evaluadoras humanas (véase Tabla 1), se procedió a examinar si dicho sistema era capaz de detectar diferencias vinculadas al nivel de experiencia terapéutica, tal como lo plantea la hipótesis 2. A continuación se presentan las puntuaciones asignadas por el Asistente Virtual a cada terapeuta.
Perfil de puntuaciones del Asistente Virtual en las variables que componen la dimensión Habilidades en la interacción
En la figura 1 se observa que los psicoterapeutas más experimentados muestran un mejor desempeño en todas las variables. En particular, en Capacidad empática, Escucha activa y Uso de Paráfrasis son las variables con mayor diferencia en el desempeño.
Perfil de puntuaciones del Asistente Virtual en las variables que componen la dimensión Habilidades de intervención
Respecto a las Habilidades de intervención (Figura 2), encontramos que las mayores diferencias a favor del desempeño del psicoterapeuta con mayor experiencia se observan en las variables Orientación a soluciones, Autoconciencia y Metas. Además, notamos que una de las variables con menor diferencia, pero con un puntaje elevado, es Ajuste ético (8.5 vs. 8.0), lo que podría indicar que el respeto por los derechos de los consultantes es una prioridad desde el inicio de la práctica profesional.
Perfil de puntuaciones del Asistente Virtual en las variables que componen la dimensión Características de la respuesta
Finalmente, en cuanto a las Características de la respuesta, el psicoterapeuta de mayor experiencia se destaca en Utilidad, Contextualización y Claridad (Figura 3).
En términos generales, el psicoterapeuta más experimentado obtuvo puntuaciones más altas que el menos experimentado en la totalidad de las variables analizadas. El asistente virtual fue capaz de detectar estos matices, evidenciando diferencias más marcadas en Habilidades de interacción y Habilidades de intervención, mientras que en Características de la respuesta las diferencias fueron relativamente menos pronunciadas. Esto podría sugerir que algunos
aspectos de la comunicación se desarrollan más rápidamente que las habilidades terapéuticas más complejas. En conjunto, los resultados obtenidos por el asistente virtual son concordantes con los principios de formación psicoterapéutica, reforzando la idea de que la experiencia juega un papel crucial en el desarrollo de competencias que requieren comprensión profunda del proceso terapéutico y capacidad para adaptar las intervenciones a las necesidades específicas de los clientes.
Los resultados obtenidos proporcionan evidencia sustancial que respaldan la hipótesis de que un Asistente virtual basado en inteligencia artificial (IA) puede evaluar intervenciones psicoterapéuticas textuales de manera comparable a los expertos humanos, mostrando además la capacidad de discriminar entre diferentes niveles de experiencia terapéutica.
La primera hipótesis planteaba la existencia de una concordancia significativa entre las evaluaciones realizadas por las expertas humanas y el Asistente virtual. Los resultados obtenidos, mediante los Coeficientes de Correlación Intraclase (0.863 y 0.800) para las respuestas de los psicoterapeutas menos y más experimentados respectivamente, respaldan fuertemente esta hipótesis. Estos valores, siendo superiores a 0.75, indican una concordancia de buena a excelente según los criterios establecidos en la literatura (Koo & Li, 2016). Lo cual sugiere que el Asistente virtual ha logrado capturar y aplicar de manera efectiva los criterios de evaluación utilizados por los expertos humanos. Esto es particularmente notable considerando la complejidad y subjetividad inherentes a la evaluación de intervenciones psicoterapéuticas. Estos hallazgos están en línea con estudios previos que han demostrado la capacidad de los sistemas de IA para analizar y evaluar aspectos complejos de las interacciones terapéuticas, como la alianza terapéutica y la adherencia a protocolos (Goldberg et al., 2020; Imel et al., 2015), así como con investigaciones previas que sugieren que los modelos de IA, como los basados en aprendizaje profundo, tienen el potencial de igualar o superar a los humanos en tareas de diagnóstico y evaluación de síntomas de salud mental (Al Hanai et al., 2018; Althoff et al., 2016).
La segunda hipótesis proponía que el Asistente virtual podría discriminar las respuestas de psicoterapeutas con diferentes niveles de experiencia. Los resultados apoyan esta hipótesis, mostrando que el Asistente virtual logró identificar consistentemente puntuaciones más altas para el psicoterapeuta más experimentado en todas las categorías evaluadas.
Esta capacidad de discriminación es particularmente evidente en las dimensiones de Habilidades de interacción y Habilidades de intervención, donde se observaron las mayores diferencias entre los psicoterapeutas menos y más experimentados, lo que indica que el Asistente virtual presenta suficiente sensibilidad para lograr capturar aspectos sutiles de la experiencia terapéutica que se manifiestan en habilidades más complejas.
Estos hallazgos son consistentes con la literatura que señala cómo la experiencia influye en el desarrollo de habilidades terapéuticas más sofisticadas (Rønnestad & Skovholt, 2013). La capacidad del Asistente virtual para detectar estas diferencias sugiere su potencial como herramienta de evaluación en la formación y supervisión de psicoterapeutas, un área donde la IA ha mostrado promesa en estudios recientes (Goldberg et al., 2020).
Implicaciones para la práctica y la formación en psicoterapia
Los resultados de este estudio tienen implicaciones significativas para la práctica y la formación en psicoterapia. La alta concordancia entre las evaluaciones del Asistente virtual y los expertos humanos sugiere que la IA podría ser una herramienta valiosa para proporcionar retroalimentación consistente y objetiva a los psicoterapeutas en formación. Esto es particularmente relevante en el contexto de la creciente demanda de servicios de salud mental y la necesidad de métodos de formación y supervisión escalables (Torous et al., 2020).
Además, la capacidad del Asistente virtual para discriminar entre diferentes niveles de experiencia terapéutica podría ser útil para identificar áreas específicas de mejora en la formación de psicoterapeutas. Por ejemplo, las diferencias observadas en las habilidades de empatía, escucha activa y uso de paráfrasis podrían informar el diseño de programas de formación más focalizados.
Limitaciones y futuras direcciones
A pesar de los resultados prometedores, es importante reconocer las limitaciones de este estudio. En primer lugar, el tamaño de la muestra es pequeño, lo que limita la generalización de los resultados. Futuros estudios deberían incluir un mayor número de psicoterapeutas y expertos evaluadores para validar estos hallazgos.
Además, el estudio se basó en un caso simulado de ludopatía, lo que puede no capturar toda la complejidad de las interacciones terapéuticas reales. Investigaciones futuras podrían explorar la aplicación de esta metodología en casos reales y en una variedad más amplia de trastornos psicológicos.
Otra limitación potencial es el posible sesgo en el entrenamiento del Asistente virtual. Aunque los resultados muestran una alta concordancia con los expertos humanos, es crucial examinar y abordar cualquier sesgo potencial en los algoritmos de IA para garantizar evaluaciones justas y equitativas (Zou & Schiebinger, 2018).
En conclusión, este estudio proporciona evidencia de que un Asistente virtual basado en IA puede evaluar intervenciones psicoterapéuticas textuales de manera comparable a los expertos humanos, mostrando además la capacidad de discriminar entre diferentes niveles de experiencia terapéutica. Estos hallazgos sugieren que la IA tiene el potencial de ser una herramienta valiosa en la formación, supervisión y evaluación de psicoterapeutas, complementando, aunque no reemplazando, la experiencia humana.
Entendemos que este trabajo abre nuevas vías para la integración de la IA en la práctica y formación psicoterapéutica, prometiendo mejoras en la consistencia y eficiencia de la evaluación terapéutica. Sin embargo, es crucial continuar investigando para abordar las limitaciones identificadas y explorar plenamente el potencial y las implicaciones éticas de esta tecnología en el campo de la salud mental.
Al Hanai, T., Ghassemi, M., & Glass, J. (2018). Detecting Depression with Audio/Text Sequence Modeling of Interviews. Proc. Interspeech, 1716-1720. https://doi.org/10.21437/Interspeech.2018-2522
Althoff, T., Clark, K., & Leskovec, J. (2016). Large-scale Analysis of Counseling Conversations: An Application of Natural Language Processing to Mental Health. Transactions of the Association for Computational Linguistics, 4, 463–476.
Andersson, G., Cuijpers, P., Carlbring, P., Riper, H., & Hedman, E. (2014). Guided Internet-based vs. face-to-face cognitive behavior therapy for psychiatric and somatic disorders: a systematic review and meta-analysis. World psychiatry: official journal of the World Psychiatric Association (WPA), 13(3), 288–295. https://doi.org/10.1002/wps.20151
Barak, A., Hen, L., Boniel-Nissim, M., & Shapira, N. (2008). A Comprehensive Review and a Meta-Analysis of the Effectiveness of Internet-Based Psychotherapeutic Interventions. Journal of Technology in Human Services, 26(2–4), 109–160. https://doi.org/10.1080/15228830802094429
Childress C. A. (2000). Ethical issues in providing online psychotherapeutic interventions.
Journal of medical Internet research, 2(1), e5. https://doi.org/10.2196/jmir.2.1.e5 Fitzpatrick, K. K., Darcy, A., & Vierhile, M. (2017). Delivering Cognitive Behavior Therapy
to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR mental health, 4(2), e19. https://doi.org/10.2196/mental.7785.
Goldberg, S. B., Flemotomos, N., Martinez, V. R., Tanana, M. J., Kuo, P. B., Pace, B. T., Villatte, J. L., Georgiou, P. G., Van Epps, J., Imel, Z. E., Narayanan, S. S., & Atkins,
D. C. (2020). Machine learning and natural language processing in psychotherapy research: Alliance as example use case. Journal of counseling psychology, 67(4), 438–
448. https://doi.org/10.1037/cou0000382.
Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la investigación (6ª ed.). México: McGraw-Hill.
Hoermann, S., McCabe, K. L., Milne, D. N., & Calvo, R. A. (2017). Application of Synchronous Text-Based Dialogue Systems in Mental Health Interventions: Systematic Review. Journal of medical Internet research, 19(8), e267. https://doi.org/10.2196/jmir.7023.
Imel, Z. E., Steyvers, M., & Atkins, D. C. (2015). Computational psychotherapy research: Scaling up the evaluation of patient–provider interactions. Psychotherapy, 52(1), 19–
30. https://doi.org/10.1037/a0036841
Koo, T. K., & Li, M. Y. (2016). A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. Journal of chiropractic medicine, 15(2), 155–163. https://doi.org/10.1016/j.jcm.2016.02.012
Lutz, W., Rubel, J. A., Schwartz, B., Schilling, V., & Deisenhofer, A. K. (2019). Towards integrating personalized feedback research into clinical practice: Development of the Trier Treatment Navigator (TTN). Behaviour research and therapy, 120, 103438. https://doi.org/10.1016/j.brat.2019.103438
Mergenthaler, E. (1996). Emotion–abstraction patterns in verbatim protocols: A new way of describing psychotherapeutic processes. Journal of Consulting and Clinical Psychology, 64(6), 1306–1315. https://doi.org/10.1037/0022-006X.64.6.1306
Mohr, D. C., Zhang, M., & Schueller, S. M. (2017). Personal Sensing: Understanding Mental Health Using Ubiquitous Sensors and Machine Learning. Annual review of clinical psychology, 13, 23–47. https://doi.org/10.1146/annurev-clinpsy-032816-044949
Rønnestad, M. H., & Skovholt, T. M. (2013). The developing practitioner: Growth and stagnation of therapists and counselors. Routledge.
Roussos, A.J. (2007). El diseño de caso único en investigación en psicología clínica. Un vínculo entre la investigación y la práctica clínica. Revista Argentina de Clínica Psicológica, 16(3), 261-270.
Salvatore, S., Gelo, O., Gennaro, A., Manzo, S., & Al Radaideh, A. (2010). Looking at the psychotherapy process as an intersubjective dynamic of meaning-making: A case study with discourse flow analysis. Journal of Constructivist Psychology, 23(3), 195–230. https://doi.org/10.1080/10720531003765981
Suler, J.R. (2000). Psychotherapy in Cyberspace: A 5-dimensional model of online and computer-mediated psychotherapy. CyberPsychology & Behavior, 3(2), 151–159. https://doi.org/10.1089/109493100315996
Suler, J.R. (2004). The Online Disinhibition Effect. CyberPsychology & Behavior, 7(3), 321–
326. https://doi.org/10.1089/1094931041291295
Torous, J., Jän Myrick, K., Rauseo-Ricupero, N., & Firth, J. (2020). Digital Mental Health and COVID-19: Using Technology Today to Accelerate the Curve on Access and Quality Tomorrow. JMIR mental health, 7(3), e18848. https://doi.org/10.2196/18848
Wagner, B., Horn, A. B., & Maercker, A. (2014). Internet-based versus face-to-face cognitive-behavioral intervention for depression: a randomized controlled non-inferiority trial. Journal of affective disorders, 152-154, 113–121. https://doi.org/10.1016/j.jad.2013.06.032
Zou, J., & Schiebinger, L. (2018). AI can be sexist and racist - it's time to make it fair. Nature, 559(7714), 324–326. https://doi.org/10.1038/d41586-018-05707-8