Anonimización facial con Inteligencia Artificial en Musicoterapia. estudio piloto con AKOOL Face Swap y Syntonym
DOI:
https://doi.org/10.55777/rea.v19i37.8603Palabras clave:
Musicoterapia, anonimización facial, inteligencia artificial, expresión facial, privacidadResumen
En musicoterapia, compartir materiales clínicos obliga a buscar un equilibrio entre la privacidad y la información emocional, ya que los métodos tradicionales como el desenfoque pueden ocultar las expresiones del rostro y reducir el valor clínico del material. Este estudio piloto incluyó a 20 musicoterapeutas que evaluaron tres fragmentos de vídeo presentados en cuatro versiones: original, desenfoque y sustitución facial mediante dos aplicaciones de inteligencia artificial (AKOOL Face Swap y Syntonym). Las valoraciones se recogieron mediante escalas tipo Likert y se analizaron con procedimientos estadísticos, junto con estimaciones de fiabilidad y de concordancia entre evaluadores. Los resultados mostraron diferencias significativas (χ²(2)=13.30; p=0.0013), con mejoras relevantes en utilidad clínica y expresividad en las versiones con inteligencia artificial frente al desenfoque (≈0.8–0.9 puntos; p<0.01), sin diferencias entre AKOOL y Syntonym. La fiabilidad fue de aceptable a excelente (α=0.61–0.88; ω=0.79–0.91) y la concordancia entre evaluadores fue alta al considerar el promedio de las valoraciones (ICC=0.86). La sustitución facial con inteligencia artificial preserva mejor las señales expresivas y ofrece un equilibrio más favorable entre privacidad y utilidad que el desenfoque, lo que la hace viable para investigación y difusión pública bajo condiciones éticas y regulatorias adecuadas. No obstante, los materiales originales continúan siendo más apropiados para la docencia y la supervisión en contextos cerrados y con el consentimiento correspondiente.
Descargas
Citas
Abdulaziz, S., & Bondarev, E. (2025). Unmasking performance gaps: A comparative study of human anonymization and its effects on video anomaly detection (arXiv:2507.14083). arXiv. https://doi.org/10.48550/arXiv.2507.14083
Agarwal, S., Peta, S., & Panyam, S. (2024). Deepfakes in healthcare: Reviewing the transformation potential and its challenges. International Journal of Intelligent Systems and Applications in Engineering, 12(4), 3965–3970.
Akool. (n.d.). Best face swap for photos & videos online with free trial. Akool. https://akool.com/apps/faceswap
Amorós-Sánchez, B., Gamella-González, D. J., Cisneros-Álvarez, P., & Gisbert-Caudeli, V. (2024). A systematic review of the technology available for data collection and assessment in music therapy. En A. L. Brooks (Ed.), ArtsIT 2023… Proceedings, Part I (pp. 41–54). Springer. https://doi.org/10.1007/978-3-031-55319-6_4
American Music Therapy Association. (n.d.). Code of ethics. https://www.musictherapy.org/about/ethics/
American Psychological Association (2024). Proposed Revision of Guidelines for the Practice of Telepsychology. Tomado de: https://www.apa.org/practice/guidelines/telepsychology-revisions.pdf
Baumgartner, R., Arora, P., Bath, C., Williams, R. (2023). Fair and equitable AI in biomedical research and healthcare: Social science perspectives. Artificial Intelligence in Medicine, 144, 102658. https://doi.org/10.1016/j.artmed.2023.102658
Behrens, G. A. (2020). Considerations when writing and presenting consent forms for clients. Music Therapy Perspectives, 38(1), 38–41. https://doi.org/10.1093/mtp/miz029
Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597. https://doi.org/10.1080/2159676X.2019.1628806
Bruscia, K. E. (2014). Defining music therapy (4th ed.). Barcelona Publishers.
Bunt, L., & Stige, B. (2014). Music therapy: An art beyond words (2.ª ed.). Routledge.
Chesney, R., & Citron, D. (2019). Deepfakes: A looming challenge for privacy, democracy, and national security. California Law Review, 107, 1753–1819. https://doi.org/10.2139/ssrn.3213954
Clements-Cortés, A., Fuller, A., Kelly, L., Pranjić, M., Selvarajah, I., Mercadal-Brotons, M., & Bridi, N. (2025). Music therapists’ global perspectives on telehealth music therapy: A qualitative interview inquiry. Music Therapy Perspectives. Advance online publication. https://doi.org/10.1093/mtp/miae030
Conduah, A. K., Ofoe, S., & Siaw-Marfo, D. (2025). Data privacy in healthcare: Global challenges and solutions. Digital Health, 11, 20552076251343959. https://doi.org/10.1177/20552076251343959
Creswell, J. W., & Plano Clark, V. L. (2014). Designing and conducting mixed methods research (2.ª ed.). SAGE.
Dileo, C. (2007). Ethical thinking in music therapy. Jeffrey Books.
Fattorini Vaca, A., & Gamella-González, D. J. (2022). Ética profesional en musicoterapia desde la perspectiva del musicoterapeuta. En S. Olivero Guidobono (Coord.), Artes y humanidades en el centro de los conocimientos: Miradas sobre el patrimonio, la cultura, la historia, la antropología y la demografía (pp. 637–670). Dykinson. https://www.dykinson.com/libros/artes-y-humanidades-en-el-centro-de-los-conocimientos-miradas-sobre-el-patrimonio-la-cultura-la-historia-la-antropologia-y-la-demografia/9788413779263/
Fernández-Company, J. F., Gamella-González, D. J., & García-Rodríguez, M. (2024). Autoevaluación de la práctica en musicoterapia para el crecimiento profesional. En M. del M. Simón Márquez, P. Molina Moreno, J. J. Gázquez Linares, & S. Fernández Gea (Coords.), Innovación en salud: Estrategias emergentes para la docencia y la investigación (pp. 27–33). ASUNIVEP. https://dialnet.unirioja.es/servlet/libro?codigo=974646
Fisher, C. B. (2021). Decoding the ethics code: A practical guide for psychologists (5th ed.). SAGE.
Flores Cruz, R. (2025). Uso de la realidad virtual para afrontar obstáculos didácticos, atendiendo los principales estilos de aprendizaje. Revista de Estilos de Aprendizaje, 18(35). Recuperado de https://revistaestilosdeaprendizaje.com/index
Franzreb, C., Das, A., Gieseler, H., Jahn, E. C., Polzehl, T., & Möller, S. (2024). Towards audiovisual anonymization for remote psychotherapy: A subjective evaluation. En Proceedings of SPSC 2024 (pp. 102–110). ISCA. https://doi.org/10.21437/SPSC.2024-17
Gamella-González, D. J. (2025). Proyecto MUTia: Inteligencia artificial aplicada al songwriting en musicoterapia. En D. De la Rosa & P. Renés (Eds.), Políticas educativas y nuevos modelos de enseñanza-aprendizaje en educación superior y formación profesional (pp. 229–252). Tirant lo Blanch.
Geretsegger, M., Elefant, C., Mössler, K. A., & Gold, C. (2014). Music therapy for people with autism spectrum disorder. Cochrane Database of Systematic Reviews, 2014(6), CD004381. https://doi.org/10.1002/14651858.CD004381.pub3
Gold, C. (2016). Abstracts of the 10th European Music Therapy Conference. Nordic Journal of Music Therapy, 25(sup1), 1–156. https://doi.org/10.1080/08098131.2016.11783620
Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial networks. arXiv. https://doi.org/10.48550/arXiv.1406.2661
Gupta, A., Malik, P., Pathania, M., & Rathaur, V. K. (2019). Overview of artificial intelligence in medicine. Journal of Family Medicine and Primary Care, 8(7), 2328–2331. https://doi.org/10.4103/jfmpc.jfmpc_440_19
Hamilton, L. (2025). The future of music therapy: An exploration of music therapists’ perceptions of artificial intelligence and its ethical implications [Trabajo fin de grado, Edinburgh College of Art, Universidad de Edimburgo]. Edinburgh College of Art Graduate Show. https://www.2025.graduateshow.eca.ed.ac.uk/sites/default/files/2025-05/LH%20Dissertation%20ECA%20Graduate%20Show%202025.pdf
Hewson, T., Abraham, S., Randles, N., Akinola, A., Cliff, R., Byrne, P., & Ramkisson, R. (2022). The recording of mental health consultations by patients: Clinical, ethical and legal considerations. BJPsych Bulletin, 46(3), 133–137. https://doi.org/10.1192/bjb.2021.89
Hoek S, Metselaar S, Ploem C. & Bak, C. (2025). Promising for patients or deeply disturbing? The ethical and legal aspects of deepfake therapy. Journal of Medical Ethics 51:481-486. https://doi.org/10.1136/jme-2024-109985
Johnson, J., Alahi, A., & Fei-Fei, L. (2016). Perceptual losses for real-time style transfer and super-resolution. En ECCV 2016 (pp. 694–711). Springer. https://doi.org/10.1007/978-3-319-46475-6_43
Karras, T., Laine, S., & Aila, T. (2019). A style-based generator architecture for generative adversarial networks. En CVPR 2019 (pp. 4401–4410). IEEE. https://doi.org/10.1109/CVPR.2019.00453
Kern, P. (2025). Artificial intelligence in music therapy: A new era of personalized care and scalable impacts. MiSOSTENiDO, 5(9), 8–16. https://doi.org/10.59028/misostenido.2025.02
Khalid, H., Kim, M., Tariq, S., & Woo, S. S. (2021). Evaluation of an audio-video multimodal deepfake dataset using unimodal and multimodal detectors. En ADGD ’21, ACM MM Workshops (pp. 7–15). ACM. https://doi.org/10.1145/3476099.3484315
Khalid, N., Qayyum, A., Bilal, M., Al-Fuqaha, A., & Qadir, J. (2023). Privacy-preserving artificial intelligence in healthcare: Techniques and applications. Computers in Biology and Medicine, 158, 106848. https://doi.org/10.1016/j.compbiomed.2023.106848
Kim, J., & Lee, S. (2018). Music therapy for depression: A meta-analysis. The Arts in Psychotherapy, 59, 103–112. https://doi.org/10.1016/j.aip.2018.03.004
Lavanchy, J. L., Vardazaryan, A., Mascagni, P., et al. (2023). Preserving privacy in surgical video analysis using a deep learning classifier to identify out-of-body scenes in endoscopic videos. Scientific Reports, 13, 9235. https://doi.org/10.1038/s41598-023-36453-1
Liu, Z., Luo, P., Wang, X., & Tang, X. (2015). Deep learning face attributes in the wild. En ICCV 2015 (pp. 3730–3738). IEEE. https://doi.org/10.1109/ICCV.2015.425
Navarro Martínez, O., Fernández-García, D., Cuartero Monteagudo, N., & Forero-Rincón, O. (2024). Possible health benefits and risks of deepfake videos: A qualitative study in nursing students. Nursing Reports, 14(4), 2746–2757. https://doi.org/10.3390/nursrep14040203
NHS Lothian. (2023). Audio and video recordings of psychological therapy sessions policy. https://policyonline.nhslothian.scot/wp-content/uploads/2023/03/Audio-and-Video-Recordings-of-Psychological-Therapy-Sessions-Policy.pdf
Paris, B., & Donovan, J. (2019). Deepfakes and cheap fakes: The manipulation of audio and visual evidence. Data & Society. https://datasociety.net/library/deepfakes-and-cheap-fakes/
Parlamento Europeo & Consejo de la Unión Europea. (2016). Regulation (EU) 2016/679 (GDPR). Official Journal of the European Union, L119, 1–88. https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32016R0679
Pérez, M., & García, J. (2025). Adaptación y validación de la escala TPACK en la formación de profesores para la educación a distancia. Revista de Estilos de Aprendizaje, 18(35). Recuperado de https://revistaestilosdeaprendizaje.com/index
Pink, S., Horst, H., Postill, J., Hjorth, L., Lewis, T., & Tacchi, J. (2016). Digital ethnography: Principles and practice. SAGE.
Qureshi, J., & Khan, S. (2025). Artificial intelligence deepfakes in healthcare systems: A double-edged sword? International Journal of Data Science and Big Data Analytics, 5(1), 84–93. https://doi.org/10.51483/IJDSBDA.5.1.2025.84-93
Reid, A., & Miño, P. (2021). When therapy goes public: Copyright gatekeepers and sharing therapeutic artifacts on social media. International Journal of Communication, 15, 950–969. https://ijoc.org/index.php/ijoc/article/view/1652
Sæle, R. G., & Gilbertson, S. (2024). Ethical reflections on social media use within music therapy: A conversational focus group study. Nordic Journal of Music Therapy, 33(5), 409–425. https://doi.org/10.1080/08098131.2024.2350939
Shuvi, M., Fish, N., Aberman, K., Shamir, A., & Cohen-Or, D. (2020). Neural alignment for face de-pixelization (arXiv:2009.13856). arXiv. https://doi.org/10.48550/arXiv.2009.13856
Sun, J., Yang, J., Zhou, G., Jin, Y., & Gong, J. (2024). Understanding human-AI collaboration in music therapy through co-design with therapists. En CHI 2024 Proceedings (Art. 704, pp. 1–21). ACM. https://doi.org/10.1145/3613904.3642764
Syntonym. (n.d.). Generative AI for privacy! Hyper realistic face anonymization for videos & images. Syntonym. https://www.Syntonym.com/
Tariq, S., Woo, S. S., Singh, P., Irmalasari, I., Gupta, S., & Gupta, D. (2025). From prediction to explanation: Multimodal, explainable, and interactive deepfake detection framework for non-expert users (arXiv:2508.07596) https://arxiv.org/abs/2508.07596
Tiribelli, S., Monnot, A., Shah, S. F. H., Arora, A., Toong, P. J., & Kong, S. (2023). Ethics Principles for Artificial Intelligence-Based Telemedicine for Public Health. American journal of public health, 113(5), 577–584. https://doi.org/10.2105/AJPH.2023.307225
Todt, J., Hanisch, S., & Strufe, T. (2024). Fantômas: Understanding face anonymization reversibility. Proceedings on Privacy Enhancing Technologies, 2024(4), 24–43. https://doi.org/10.56553/POPETS-2024-0105
Warrier, U., Warrier, A., & Khandelwal, K. (2023). Ethical considerations in the use of artificial intelligence in mental health. The Egyptian Journal of Neurology, Psychiatry and Neurosurgery, 59, 139. https://doi.org/10.1186/s41983-023-00735-2
Westerlund, M. (2019). The emergence of deepfake technology: A review. Technology Innovation Management Review, 9(11), 39–52. https://doi.org/10.22215/timreview/1282
Yim, D., Khuntia, J., Parameswaran, V., & Meyers, A. (2024). Preliminary evidence of the use of generative AI in health care clinical services: Systematic narrative review. JMIR Medical Informatics, 12, e52073. https://doi.org/10.2196/52073
Zhu, Y., Imoussaïne-Aïkous, M., Côté-Lussier, C., and H. Falk, T. (2024). On the Impact of Voice Anonymization on Speech Diagnostic Applications: A Case Study on COVID-19 Detection. Trans. Info. For. Sec. 19 5151–5165. https://doi.org/10.1109/TIFS.2024.3390990
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Con el envío del original, el/los autor/es declaran que conocen y aceptan, en su totalidad, la política de privacidad así como los derechos de autor de la Revista de Estilos de Aprendizaje.
La Revista Estilos de Aprendizaje ofrece acceso libre y abierto a su contenido de forma totalmente gratuita con el fin de hacer llegar la investigación científica a sus lectores y sociedad en general. Todos los contenidos digitales son de acceso libre y gratuito y se publican bajo licencia de Creative Commons:
La cesión de derechos se realiza bajo la licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional (CC-BY-NC-ND 4.0)
Bajo esta licencia, está permitida la reproducción y difusión de los contenidos de la revista con fines educativos, sociales y de transmisión de conocimiento, sin ánimo de lucro y siempre que no se modifiquen, se cite la procedencia y la autoría.
La licencia a la que se acoge la Revista de Estilos de Aprendizaje permite copiar y distribuir los contenidos de la revista, siempre que se reconozca la autoría de la obra, especificando correctamente el autor y la entidad editora. No se puede utilizar la obra para fines comerciales y tampoco se puede alterar, transformar o generar una obra derivada a partir de esta obra.
La Revista de Estilos de Aprendizaje es una revista de acceso abierto. La publicación de artículos o reseñas en la Revista no da derecho a remuneración alguna. Así mismo, tanto para los autores como los lectores, la revista es gratuita Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional (CC-BY-NC-ND 4.0).
Desde la Revista de Estilos de Aprendizaje se invita al/los autor/autores a ampliar la visibilidad y el alcance de sus artículos publicados mediante la redifusión de los mismos en:
- Espacios web y redes personales, así como en encuentros y foros científicos.
- Archivos abiertos institucionales en Universidades, repositorios educativos y Centros de Investigación.
- Redes académicas y científicas (Researchgate, Academia.edu, Plubons, etc.).
Se requiere que en todos estos espacios y publicaciones se incluyan todos los datos bibliográficos de la publicación.
