Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio
Revista Brasileira de Musicoterapia ISSN 2316-994x Brazilian Journal of Music Therapy ISSN 2764-5541

Trabajos basados en investigación

ANO XXVIII - NÚMERO 42 - 2026

BackTranslationLLM: Una Arquitectura de Agentes de IA para la Traducción y Validación de Contenido de Instrumentos Psicométricos

DOI
https://doi.org/10.51914/brjmt.42.2026.486
Enviado
17 enero 2026
Publicado
29-07-2026

Resumen

La adaptación transcultural de instrumentos psicométricos es un proceso metodológicamente complejo, lento y costoso. Este estudio presenta y evalúa BackTranslationLLM, una arquitectura de Inteligencia Artificial (IA) multiagente diseñada para automatizar la traducción y validación de contenido de tests psicológicos. Guiado por principios de ingeniería de IA, el sistema utiliza un pipeline secuencial con agentes especializados para traducción, retrotraducción y refinamiento, seguido por un comité diversificado de jueces de IA para la evaluación. El sistema fue aplicado en la adaptación del Cuestionario de Impacto de la Sesión de Musicoterapia del español al portugués brasileño. Los resultados fueron comparados con una validación paralela realizada por cinco jueces humanos. El Análisis Exploratorio de Grafos confirmó la preservación de la estructura semántica del instrumento. Tanto el comité de IA como el de humanos asignaron Coeficientes de Validez de Contenido (CVC) adecuados. Sin embargo, la ausencia de correlación entre los CVCs a nivel de ítem (ej., Claridad, ρ = -0,37) reveló patrones de juicio distintos: la IA actuó como una rigurosa auditora de conformidad metodológica, mientras que los humanos destacaron en la evaluación de matices culturales. Se concluye que BackTranslationLLM es una herramienta eficaz que complementa, en lugar de sustituir, la pericia humana, optimizando el proceso de validación.

Citas

  1. AERA - American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
  2. Bhagwat, S. (2024). Principles of Building AI Agents (2nd ed.). Mastra.ai.
  3. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. DOI: https://doi.org/10.3389/fpubh.2018.00149
  4. Borsa, L. C.; Seize, M.. (2017). Construção e adaptação de instrumentos psicológicos: dois caminhos possíveis. In: Damásio, B. F.; Borsa, J. C.. Manual de desenvolvimento de instrumentos psicológicos. São Paulo: Vetor.
  5. Cassepp-Borges, V., Balbinotti, M. A. A., & Teodoro, M. L. M. (2010). Tradução e validação de conteúdo: uma proposta para a adaptação de instrumentos. In L. Pasquali (Org.), Instrumentação psicológica: Fundamentos e práticas (pp. 506-520). Artmed.
  6. Cripps, C.; Tsiris, G.; Spiro, N. (2016). Outcome measures in music therapy: A resource developed by the Nordoff Robbins research team. 1. ed. London: Nordoff Robbins. https://eresearch.qmu.ac.uk/handle/20.500.12289/4429
  7. Danon, L., Díaz-Guilera, A., Duch, J., & Arenas, A. (2005). Comparing community structure identification. Journal of Statistical Mechanics: Theory and Experiment, 2005(09), P09008–P09008. https://doi.org/10.1088/1742-5468/2005/09/P09008. DOI: https://doi.org/10.1088/1742-5468/2005/09/P09008
  8. DeepL SE. (2024). DeepL Translator. https://www.deepl.com/
  9. Google. (2024a). Gemini: A family of highly capable multimodal models. https://deepmind.google/technologies/gemini/
  10. Google. (2024b). Gemma: Open models based on Gemini research and technology. https://ai.google/discover/gemma/
  11. Hernandez-Nieto, R. A. (2002). Contributions to statistical analysis. Universidad de Los Andes.
  12. Kyriazos, T. A., & Stalikas, A. (2018). Applied psychometrics: The steps of scale development and standardization process. Psychology, 9(11), 2531-2560. DOI: https://doi.org/10.4236/psych.2018.911145
  13. Laverghetta Jr., A., & Licato, J. (2023). Generating better items for cognitive assessments using large language models. In E. Kochmar, J. Burstein, A. Horbach, R. Laarmann-Quante, N. Madnani, A. Tack, V. Yaneva, Z. Yuan, & T. Zesch (Eds.), Proceedings of the 18th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2023) (pp. 414–428). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.bea-1.34 DOI: https://doi.org/10.18653/v1/2023.bea-1.34
  14. Laverghetta Jr., A., Luchini, S., Linell, A., Reiter-Palmon, R., & Beaty, R. (2024). The creative psychometric item generator: A framework for item generation and validation using large language models. arXiv. https://arxiv.org/abs/2409.00202
  15. Nakano, T. C., & Siqueira, L. G. G. (2012). Validade de conteúdo da Gifted Rating Scale (versão escolar) para a população brasileira. Avaliação Psicológica, 11(1), 123-140.
  16. Pasquali, L. (2009). Psicometria: Teoria dos testes na psicologia e na educação. Vozes.
  17. Pasquali, L. (2010). Instrumentação psicológica: Fundamentos e práticas. Artmed.
  18. Pedrosa, F. G. (2023). Escala de Avaliação dos Efeitos da Musicoterapia em Grupo na Dependência Química (MTDQ) [Tese, Universidade Federal de Minas Gerais]. https://doi.org/10.13140/RG.2.2.21769.04962 DOI: https://doi.org/10.35699/2317-6377.2023.45027
  19. R Core Team. (2025). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
  20. Russell-Lasalandra, L.L., Christensen, A.P. & Golino, H. (2026) Generative psychometrics via AI-GENIE: Automatic item generation and validation with network-integrated evaluation. Behavior Research Methods 58, 217. https://doi.org/10.3758/s13428-026-03082- DOI: https://doi.org/10.3758/s13428-026-03082-1
  21. Silveira, M. B., et al. (2018). Construção e validade de conteúdo de um instrumento para avaliação de quedas em idosos. Einstein (São Paulo), 16(2).
  22. Vinh, N. X., Epps, J., & Bailey, J. (2010). Information theoretic measures for clusterings comparison. Journal of Machine Learning Research. 11(95):2837−2854.
  23. Vercher, I. B., Soler, A. A., & Ferrari, K. D. (2023). Cuestionario CISMA - Cuestionario del Impacto de las Sesiones de Musicoterapia en Pacientes Adultos. Brazilian Journal of Music Therapy, (33). https://doi.org/10.51914/brjmt.33.2022.385 DOI: https://doi.org/10.51914/brjmt.33.2022.385
  24. Zmitrowicz, M., & Moura, C. de F. (2018). Musicoterapia e reabilitação: uma revisão de escopo. Cadernos Brasileiros de Terapia Ocupacional, 26(4), 891-903.

Artículos similares

1 2 3 4 5 6 7 8 9 10 > >> 

También puede {advancedSearchLink} para este artículo.

Artículos más leídos del mismo autor/a