Conversaciones breves con LLM reducen creencias conspirativas mejor que fichas informativas

Investigadores de Carnegie Mellon, MIT y Cornell evaluaron si una conversación corta con un modelo de gran lenguaje podía debilitar narrativas conspirativas surgidas tras dos atentados en EE. UU. Reclutaron a 472 participantes para el caso del intento contra Donald Trump y a 1.035 para el ataque en Kirk, filtrando a quienes ya manifestaban creencias conspirativas.

Los sujetos se asignaron aleatoriamente a tres grupos: (1) un chat de al menos cinco intercambios con Google Gemini (versión 1.5 en el primer experimento y 2.5 en el segundo), instruido a contrarrestar las conspiraciones mediante evidencia; (2) una hoja de datos estática con citas de fuentes; (3) un chat de control sobre la preferencia entre gatos y perros. Los modelos operaban sin conocimiento interno del suceso, usando una base de hechos curada en el prompt que distinguía datos confirmados, afirmaciones ya desmentidas y preguntas abiertas. En el experimento de Kirk se permitió la búsqueda web para verificar hechos.

Los diálogos, que duraron en promedio siete minutos, redujeron significativamente la creencia en la teoría conspirativa propia de los participantes, superando tanto al control como a la hoja de datos. También disminuyeron el acuerdo con enunciados de "encubrimiento" y "factores ocultos". En el caso de Trump, la confianza en la explicación oficial no aumentó, probablemente por la ausencia de una narrativa oficial clara; en Kirk, donde la autoridad había divulgado más información, la confianza subió ligeramente, aunque sin diferencias significativas respecto a la hoja de datos.

El análisis de las respuestas del modelo reveló una adaptación al nivel de evidencia disponible. Ante el intento contra Trump, con escasa información, Gemini adoptó humildad epistémica, cuestionamiento socrático y crítica de fuentes. En el caso de Kirk, con más datos, el modelo empleó argumentos fácticos y enfatizó los daños sociales de la conspiración.

Un hallazgo adicional fue la transferencia del efecto debunking a eventos posteriores. Dos meses después del intento contra Trump, los participantes que habían conversado con el modelo mostraron menor propensión a creer en encubrimientos futuros. En el caso de un ataque a una iglesia en Michigan, el efecto directo no fue significativo, pero un análisis secundario indicó una ligera persistencia en la reducción de creencias conspirativas generales.

Los autores advierten que la intervención depende de la disposición de los usuarios a dialogar con un LLM y que el enfoque podría fallar en crisis donde la conspiración sea real o en contextos donde el modelo sea usado para reforzar desinformación. Sin embargo, los resultados sugieren que breves interacciones con modelos actualizados pueden ser una herramienta útil para la mitigación de la desinformación, complementando métodos tradicionales de prebunking.

Este trabajo abre la puerta a pruebas de campo en entornos reales, donde la integración de chatbots de IA en plataformas de noticias o redes sociales podría ofrecer una primera línea de defensa contra la propagación de teorías conspirativas sin necesidad de advertencias previas.