Conéctate con nosotros

Ciencia y Tecnología

Los modelos de inteligencia artificial penalizan los acentos chinos y nigerianos al evaluar entrevistas y presentaciones

Un estudio de la Universidad de Washington encontró que varios modelos de IA asignan peores calificaciones a hablantes de inglés con determinados acentos, incluso cuando leen exactamente el mismo contenido y los sistemas reconocen correctamente sus palabras.

Publicado

el

Los sistemas de inteligencia artificial que evalúan entrevistas laborales, presentaciones académicas y pruebas de inglés pueden reproducir prejuicios relacionados con la forma de hablar. Así lo encontró un equipo internacional de investigadores encabezado por la Universidad de Washington, en un estudio publicado el 25 de octubre de 2026 en las actas de la conferencia Empirical Methods in Natural Language Processing (EMNLP). Los resultados muestran que varios modelos favorecen las variedades estadounidense y británica del inglés frente a las de China, Nigeria e India, lo que plantea interrogantes sobre la imparcialidad de estas herramientas cuando intervienen en decisiones educativas y profesionales.

Cómo evaluaron los modelos los distintos acentos

La investigación, titulada The Cost of Sounding Different: Accent Bias in Audio Language Models, examinó seis modelos de inteligencia artificial capaces de procesar audio. Entre ellos se encontraban Gemini 2.5 Pro y Gemini 2.5 Flash, de Google; GPT-Audio-1.5, de OpenAI; Qwen3-Omni, Voxtral-small-24B y Audio Flamingo 3.

Los investigadores diseñaron experimentos en tres ámbitos: selección de personal, evaluación de presentaciones académicas y pruebas de dominio del inglés. Para evitar que las diferencias en las respuestas alteraran los resultados, utilizaron guiones idénticos reproducidos con cinco acentos: estadounidense, británico, chino, indio y nigeriano.

Una parte de las grabaciones se generó mediante voces sintéticas de ElevenLabs. El conjunto incluyó 30 voces, seis por cada grupo de acento, con representaciones masculinas y femeninas. Además, el equipo recopiló grabaciones de 52 personas: 13 estadounidenses, cuatro británicas, 11 chinas, 10 indias y 14 nigerianas. Estas grabaciones se utilizaron para validar los resultados en el ámbito de las entrevistas laborales.

Los modelos calificaron dos dimensiones en una escala de uno a siete: la presentación oral (delivery), que comprende aspectos como claridad, ritmo, articulación y fluidez, y el contenido, que considera la sustancia, organización, pertinencia y exhaustividad de las respuestas.

La pronunciación pesó incluso cuando comprendían el mensaje

Los resultados mostraron una tendencia recurrente: los hablantes estadounidenses y británicos recibieron mejores evaluaciones, mientras que los chinos y nigerianos obtuvieron las puntuaciones más bajas. Los participantes con acento indio quedaron generalmente en una posición intermedia.

La diferencia no se limitó a la calidad de la presentación oral. También afectó las calificaciones del contenido, pese a que los investigadores habían indicado expresamente a los modelos que evaluaran ambas dimensiones por separado.

Para investigar el origen de estas diferencias, el equipo midió la distancia acústica entre los acentos y el inglés estadounidense. Este indicador considera características de la pronunciación, la entonación y la duración de los sonidos. En las grabaciones humanas, las puntuaciones de presentación oral mostraron correlaciones negativas con esa distancia en los cuatro modelos principales: los coeficientes de Spearman oscilaron entre −0.35 y −0.66, todos con valores de p inferiores a 0.05.

Un resultado especialmente relevante descartó que las peores calificaciones se explicaran simplemente por dificultades para entender las palabras. Las tasas de error de transcripción (Word Error Rate) fueron inferiores al 4 % en todos los modelos y grupos de acento. Es decir, los sistemas podían reconocer el contenido con una precisión elevada y, aun así, evaluar peor a determinados hablantes.

Un problema que todavía requiere investigación

Los autores advierten que estos resultados no permiten afirmar que todos los sistemas de evaluación basados en inteligencia artificial produzcan necesariamente los mismos sesgos. Dos de los seis modelos examinados, Voxtral-small-24B y Audio Flamingo 3, mostraron resultados inconsistentes y quedaron fuera de los análisis principales.

El estudio también presenta limitaciones metodológicas: la muestra de hablantes humanos fue reducida, especialmente en el grupo británico, y sus grabaciones se limitaron a entrevistas laborales. Además, el uso de respuestas guionizadas facilita las comparaciones, pero no reproduce completamente la espontaneidad de una entrevista o una exposición real.

Los investigadores plantean que estas diferencias podrían estar relacionadas con los datos de entrenamiento, que posiblemente representan de manera desigual las variedades del inglés, o con criterios implícitos sobre cómo debería sonar un hablante profesional. Sin embargo, el estudio no identifica un mecanismo causal concreto.

El trabajo recibió financiación parcial mediante aportaciones de Google y OpenAI. Como siguiente paso, el equipo propone ampliar la investigación a más acentos y variaciones regionales, además de estudiar posibles sesgos en aplicaciones de audio en el ámbito médico.

Artículo original: Srivastava, A., Ahia, O., Lucy, L., Christendat, A., Chattopadhyay, S., Samir, F., Afonja, T., Hofmann, V., Kumar, S., Smith, N. A., & Tsvetkov, Y. (2026). The cost of sounding different: Accent bias in audio language models. Proceedings of the 2026 Conference on Empirical Methods in Natural Language Processing, 36660–36687. https://doi.org/10.18653/2026.emnlp-main.1612