En este artículo, presentamos un nuevo marco para aprender conceptos espaciales dentro de un contexto de humano en el circuito (HITL), destacando el papel crítico de la explicabilidad en los sistemas de IA. Al incorporar la retroalimentación humana, el enfoque mejora el proceso de aprendizaje, haciéndolo particularmente adecuado para aplicaciones donde la confianza del usuario y la interpretabilidad son esenciales, como AiTR. Específicamente, introducimos una nueva medida de similitud paramétrica para relaciones espaciales expresadas como histogramas de fuerzas (HoFs). A continuación, un concepto espacial se representa como un grafo atribuido espacialmente y paquetes de HoF. Por último, se describe un proceso para utilizar esta estructura para tomar decisiones y aprender de la retroalimentación humana. La robustez del marco se demuestra a través de ejemplos con diversos tipos de usuarios, mostrando cómo las diferentes estrategias de retroalimentación influyen en la eficiencia del aprendizaje, la precisión y la capacidad de adaptar el sistema a un usuario particular. En general, este marco representa un paso prometedor hacia sistemas de IA centrados en el ser humano capaces de entender relaciones espaciales complejas mientras ofrecen perspectivas transparentes sobre sus procesos de razonamiento.