Esta revisión construye un marco amplio para lo que denomina «psicometría de LLM»: aplicar instrumentos, teorías y principios de medición psicológica a los propios modelos para evaluar, interpretar y modificar sus patrones de conducta. Su precaución ontológica es esencial: personalidad, valores, moralidad o inteligencia se usan para describir manifestaciones sintéticas observables, no para afirmar experiencia subjetiva, conciencia o estados psicológicos humanos. El marco organiza la evaluación mediante tres preguntas, qué constructo medir, cómo medirlo y con qué validez, y añade una cuarta: cómo utilizar esa medición para mejorar el sistema.
El mapa cubre constructos no cognitivos, rasgos de personalidad, valores, moral y actitudes, y cognitivos, heurísticos, teoría de la mente, inteligencia emocional y social, psicolingüística, aprendizaje y razonamiento. Distingue tests estructurados, conversaciones abiertas y simulaciones de agentes; inventarios establecidos, ítems curados y datos sintéticos; prompting de personas, ayudas al rendimiento y perturbaciones adversarias; y puntuación cerrada, probabilística, léxica, humana o mediante otro modelo. En vez de asumir que una puntuación plausible es interpretable, dedica un bloque central a fiabilidad, validez de contenido, equivalencia de constructo, sesgos de respuesta, deseabilidad social, validez criterial y ecológica, estandarización y baremación.
La síntesis presenta evidencia heterogénea y a menudo contradictoria. Algunos modelos muestran alta consistencia interna o perfiles prosociales en cuestionarios, pero esos perfiles cambian con prompts, orden de opciones, idioma, formato, contexto y versión. Las respuestas directas pueden divergir de decisiones o conversaciones abiertas; los tests humanos pueden no recuperar la misma estructura factorial; y un acierto puede proceder de memorización o atajos en lugar del proceso cognitivo que el ítem pretende medir. La revisión recomienda instrumentos específicos para IA, estímulos no contaminados, variantes paralelas, documentación exacta de inferencia, análisis factorial e IRT, criterios externos y tareas ecológicas. También muestra cómo escalas o constructos se usan para steering, fine-tuning, recompensas de alignment y mejora social o cognitiva, aunque la eficacia general de esas intervenciones no se estima.
El documento es una referencia conceptual excepcionalmente extensa, 57 páginas y 412 entradas bibliográficas, pero su etiqueta de «systematic review» no queda respaldada por un método de revisión reproducible. No publica bases consultadas, consulta, fechas de búsqueda, criterios operativos completos, número de registros, deduplicación, cribado, extracción, diagrama PRISMA, evaluación de calidad o riesgo de sesgo. La Tabla 2 asigna modelos «supporting» o «contradicting» a conclusiones narrativas sin ponderar diseño, tamaño, dependencia, incertidumbre o calidad psicométrica. El repositorio aporta una lista útil, pero no un corpus estructurado ni el historial de inclusión; carece de licencia y su PDF embebido es una versión antigua de mayo de 2025, mientras el texto revisado es v3 de marzo de 2026. Por ello, la obra sirve como tratado y taxonomía crítica de alto valor, no como prueba exhaustiva, metaanálisis ni estimación imparcial del consenso del campo.