Las microhabilidades de consejería son la base de una psicoterapia eficaz, ya que son técnicas discretas y enseñables que los terapeutas utilizan para fortalecer la comunicación y la relación terapéutica. Estas habilidades son cruciales para fomentar factores comunes —aquellos elementos compartidos entre enfoques terapéuticos que contribuyen significativamente al éxito del tratamiento. Estrategias clave incluyen la escucha reflexiva, la afirmación de fortalezas del cliente, la validación de respuestas emocionales, y la reparación de rupturas en la alianza.
A pesar de su importancia, la capacidad del terapeuta para desarrollarlas y mejorarlas depende de la retroalimentación constante sobre su desempeño. Sin embargo, la codificación manual de transcripciones o la revisión de grabaciones de sesiones son procesos laboriosos, intensivos en tiempo y recursos, lo que limita su aplicación regular en la mayoría de los entornos clínicos y de supervisión.
En este contexto, la tecnología emergente de Modelos de Lenguaje Grandes (LLMs, por sus siglas en inglés) ofrece una solución prometedora y escalable. Un estudio reciente de la revista Psychoterapy Research exploró el potencial de un LLM ajustado (GPT-4.1) para automatizar la identificación de microhabilidades de consejería en transcripciones de sesiones, con implicaciones significativas para la práctica clínica y la investigación.
La metodología y las habilidades centrales
Para el estudio, se ajustó un modelo GPT-4.1 utilizando un conjunto de 16 transcripciones de psicoterapia (incluyendo enfoques como el Humanista, Terapia Cognitivo-Conductual, y Psicodinámica) anotadas por codificadores humanos. El objetivo fue entrenar al modelo para clasificar las intervenciones del terapeuta y, crucialmente, para generar explicaciones interpretables de sus decisiones y sugerir respuestas alternativas.
Se seleccionaron ocho microhabilidades fundamentales para el marco de los factores comunes en la terapia:
- Preguntas Abiertas (OQ)
- Escucha Reflexiva (RL)
- Afirmación (A)
- Validación (V)
- Genuinidad (G)
- Respeto por la Autonomía (RA)
- Pedir Permiso (AP)
- Respuesta de Reparación de Rupturas (RRR)
Resultados: Lo que la IA detecta y lo que le cuesta
El modelo ajustado demostró un rendimiento sólido en general (Precisión: 0.79; F1: 0.78; Cohen’s κ: 0.69). Este rendimiento de codificación fue comparable al nivel humano, y el índice Kappa de Cohen promedio (0.68), que corrige el acuerdo por azar, incluso superó los niveles de acuerdo observados entre los tres anotadores humanos individuales (promedio de $\kappa$ de 0.56).
El LLM mostró una alta fiabilidad en la detección de habilidades frecuentes y estructuralmente claras:
- Preguntas Abiertas (OQ): F1 = 0.88, κ = 0.86.
- Escucha Reflexiva (RL): F1 = 0.80, κ = 0.74.
Sin embargo, el modelo enfrentó dificultades con las habilidades más sutiles o de baja frecuencia que dependen de la comprensión de la dinámica relacional implícita y tienen menos ejemplos de entrenamiento. Estas incluyeron:
- Respeto por la Autonomía (RA): F1 = 0.31.
- Respuesta de Reparación de Rupturas (RRR): F1 = 0.46.
- Pedir Permiso (AP): F1 = 0.52.
Este patrón de error subraya la dificultad inherente de clasificar contenido ambiguo, dependiente del contexto o de baja frecuencia, un desafío que también afecta a la codificación humana.
Implicaciones para la supervisión y el entrenamiento clínico
La capacidad de los LLMs para clasificar microhabilidades de forma automatizada y rentable tiene profundas implicaciones para la práctica y la investigación en psicoterapia:
- Identificación de oportunidades: Cuando una intervención del terapeuta es catalogada como Neutral (es decir, una declaración rutinaria que no aplica ninguna microhabilidad específica), el modelo sugiere respuestas alternativas.
- Sugerencias hábiles: Estas respuestas sugeridas incorporan intencionalmente una o más microhabilidades específicas. Por ejemplo, para una respuesta Neutral, el modelo podría sugerir una alternativa que implemente una Escucha Reflexiva (RL) más profunda o una Pregunta Abierta (OQ).
- Apoyo a la supervisión: Esto convierte al sistema en una ayuda práctica para la supervisión, ya que proporciona ejemplos directos de intervenciones potencialmente más efectivas o hábiles. Este feedback práctico le permite ver cómo aplicar la «capacidad de respuesta hábil» (adaptar las intervenciones a las necesidades del cliente).
La integración de la evaluación de habilidades impulsada por LLMs con herramientas de salud digital, como las plataformas de telemedicina o los registros de salud electrónicos, podría ofrecer una visión integral del progreso del paciente al vincular la retroalimentación de habilidades con datos más amplios sobre el tratamiento.
Consideraciones finales para el terapeuta
Si bien la tecnología es prometedora como una herramienta escalable y rentable para la investigación y el entrenamiento, los terapeutas deben mantener la cautela. Es crucial recordar que la mera frecuencia de una habilidad no es sinónimo de éxito terapéutico. La capacidad de respuesta hábil (la habilidad del terapeuta para adaptar flexiblemente las intervenciones a las necesidades del cliente) es más importante que la adherencia rígida a técnicas específicas.
Además, la implementación práctica exige considerar las limitaciones éticas y de privacidad, ya que los datos de sesiones reales son altamente sensibles y requieren infraestructuras seguras y compatibles con la confidencialidad.
En última instancia, creo que en un futuro cercano usaremos más LLMs como complemento valioso para la supervisión y la investigación clínica, porque proporcionan un análisis microscópico de las interacciones en sesión de una forma un eficiente. Sin embargo, esta tecnología se tendrá que integrar cuidadosamente para garantizar un apoyo a la práctica clínica sin desplazar el juicio humano y la adaptabilidad a cada paciente.
Referencia: Hammerfald, K., Schmidt, F., Vlassov, V., Haaland Jahren, H., & Solbakken, O. A. (2025). Leveraging large language models to identify microcounseling skills in psychotherapy transcripts. Psychotherapy Research. https://doi.org/10.1080/10503307.2025.2539405
Sponsor exclusivo
Curso online con casos clínicos, técnicas de TCC y certificación. Por Carmela Rivadeneira y Ariel Minici.
