Medición y Modelado de la Comprensión del Lector de Documentos de Seguros Asistidos por IA

DIALOGIC se basa en una premisa comprobable: los documentos escritos y entregados con sus herramientas son más fáciles de entender, especialmente para los lectores que más tienen dificultades con los contratos complejos. Este puesto pone a prueba esa premisa con usuarios reales y ayuda a definir cómo se captura lo que los lectores comprenden en DPDF (Dynamic Pragmatic Document Format), el novedoso formato de documento de la plataforma.

La mayor parte de su tiempo se dedicará a los pilotos con aseguradoras y corredores, que se llevarán a cabo durante el periodo de prácticas. Contribuirá a la configuración de los pilotos bajo condiciones de sandbox regulatorio (Tarea 4.2), al análisis de los resultados de comprensión y el feedback de los usuarios (Tarea 4.4), y a los refinamientos de la plataforma que se deriven de ello (Tarea 4.5). Sus actividades incluirán:

• Ayudar a diseñar los protocolos de los pilotos: medidas de comprensión, líneas de base, el muestreo de grupos de usuarios (incluyendo lectores de edad avanzada, con baja alfabetización y migrantes), y los procedimientos de consentimiento y manejo de datos.
• Preparar instrumentos de estudio como pruebas de comprensión, encuestas y guías de entrevista, y contribuir a la documentación de configuración del piloto (Entregable 4.2).
• Analizar resultados cuantitativos, como la comprensión frente a la línea de base, volúmenes de consultas y tiempo de resolución, junto con el feedback cualitativo de entrevistas y grupos focales, y contribuir al análisis de comprensión y feedback (Entregable 4.4).
• Traducir los hallazgos en requisitos concretos para el editor, DPDF, JedAI y la puntuación TRIC durante la fase de iteración.

Paralelamente, contribuirá a la definición del esquema DPDF (Tarea 5.1). El DPDF tiene dos capas: el Doc-Genotype, que codifica la estructura lingüística de un documento y su taxonomía de conceptos, y el Doc-Phenotype, que registra cómo los lectores reales interactúan con él y lo comprenden. Definir este esquema es un trabajo de ontología: decidir qué conceptos, relaciones y estados del lector representa el formato, y cómo se mapean con estándares como JSON-LD y los marcos de interoperabilidad de la UE. Sus actividades incluirán:

• Definir cómo se representan en el Doc-Phenotype las medidas de comprensión e interacción de los pilotos, de modo que lo que se mida pase a formar parte del formato.
• Contribuir a la ontología de los conceptos documentales detrás del Doc-Genotype y la puntuación de informatividad TRIC, y contrastarla con lo que los lectores comprenden realmente.
• Contribuir a la alineación del esquema DPDF con los estándares de interoperabilidad de JSON-LD y la UE (Entregable 5.4).

Medir la comprensión es una tarea desafiante, y representarla formalmente plantea sus propias preguntas de investigación. Necesitamos a alguien que aporte una práctica rigurosa de experimentación y métodos mixtos de la psicología, la psicolingüística o la interacción persona-ordenador, que pueda aplicarla en un entorno regulado real en lugar de un laboratorio, y que quiera ayudar a convertir esas mediciones en una ontología que un formato de documento pueda utilizar.

• Experiencia diseñando y realizando estudios de comprensión con usuarios reales fuera del laboratorio, en un sector regulado.
• Una contribución directa a la documentación de configuración del piloto del proyecto, su análisis de comprensión y feedback, y su informe de alineación del esquema DPDF.
• Experiencia práctica aplicando la ética de la investigación y el RGPD en estudios aplicados, incluyendo el trabajo con grupos vulnerables.
• Experiencia práctica convirtiendo medidas de comprensión y conductuales en un modelo de datos formal utilizado por un producto.
• Una visión interna de cómo la evidencia de los usuarios moldea un producto de IA y su posicionamiento regulatorio.

Estas actividades alimentan directamente los resultados esperados del proyecto: evidencia sólida de los pilotos sobre comprensión, necesidades de apoyo y satisfacción del usuario; una plataforma refinada basándose en esa evidencia; y un formato DPDF que registre cómo los lectores reales comprenden un documento.

Deep-Tech Talents (prácticas centradas en la investigación).

• Doctorado, completado o en curso, en psicología experimental, lingüística, psicolingüística, ciencia cognitiva, interacción persona-ordenador o un campo relacionado.
• Experiencia realizando estudios con participantes humanos, incluyendo medidas de comprensión o lectura.
• Sólidas habilidades cuantitativas, incluyendo diseño experimental y estadística en R o Python, y experiencia con métodos cualitativos como entrevistas y codificación temática.
• Conocimiento de la ética de la investigación y de los procedimientos de consentimiento informado.
• Nivel de competencia C1 en inglés.

• Capacidad para comunicarse claramente con no especialistas.
• Persona organizada y capaz de trabajar según los cronogramas de los pilotos.
• Comodidad trabajando en un equipo multidisciplinar.

• Duración: de 3 a 6 meses, a acordar con usted de acuerdo con las normas de su programa.
• Inicio preferente: enero de 2027, para que pueda participar en la configuración del piloto.
• Entrevistas: empezaremos a contactar con los candidatos tan pronto como se publique la vacante y revisaremos las solicitudes de forma continua.
• Modalidad de trabajo: presencial en nuestra oficina de Barcelona.
• Supervisión: nuestro CEO, Alessandro Rufo, actúa como tutor, con supervisión científica de nuestra Directora Científica, la Prof. Cristina Becchio.