El preprint propone una evaluación «externa»: en vez de pedir a un LLM que conteste un cuestionario, entrena un Llama2-7B con LoRA para predecir una de 16 etiquetas MBTI a partir de 50 textos y aplica ese clasificador a publicaciones y comentarios generados por ChatGPT y tres Llama2-chat. El predictor alcanza 81,0% de accuracy al agregar cuatro clasificadores binarios y 81,7% como clasificador directo de 16 clases en un split interno del dataset Kaggle PersonalityCafe. Para cada modelo y rol se remuestrean 100 conjuntos de 50 textos con reemplazo. En los resultados, Llama2-7B y 13B pasan de una moda ESTJ en posts a INFP en comentarios, Llama2-70B de ESTJ a INFJ, y ChatGPT mantiene INFJ como moda pero cambia mucho su distribución. Ocho celebridades sirven como contraste: siete conservan la moda entre posts/comentarios, pero solo seis conservan también la segunda moda. El estudio muestra que un clasificador de estilo/tema asigna distribuciones MBTI distintas a dos tipos de salida. No demuestra que los LLM tengan múltiples personalidades: rol, prompt, contenido y acto discursivo cambian a la vez; el detector se traslada de un foro de personalidad a Twitter y texto sintético sin validación fuera de dominio; las 100 muestras se solapan; no hay test estadístico, verdad MBTI de celebridades ni control por tema/longitud. La conclusión más sólida es metodológica: las etiquetas de personalidad inferidas desde texto dependen fuertemente del dominio y la situación, por lo que deben interpretarse como patrones de salida del clasificador, no como rasgos internos.
Pregunta de investigación
¿Puede un clasificador de MBTI entrenado sobre conjuntos de 50 textos humanos servir como evaluador externo de salidas abiertas de LLM, y cambian las distribuciones de etiquetas cuando el mismo modelo genera publicaciones frente a comentarios en Twitter en comparación con autores humanos?