Löhn, Kiehne, Ljapunov y Balke no ejecutan un nuevo test de personalidad sobre modelos: construyen un marco normativo para juzgar si es legítimo trasladar tests psicológicos humanos a LLM. A partir de los Standards for Educational and Psychological Testing y las International Guidelines for Test Use formulan siete requisitos: fiabilidad para el uso previsto (R1), validez para ese uso (R2), adecuación al tipo de examinado (R3), no divulgación o contaminación del material (R4), validez en cada modelo comparado (R5a), validez de las traducciones (R5b) y uso transparente y reproducible del test (R5c). El mérito central es separar obtener una respuesta repetible de justificar la interpretación del score: un sistema puede contestar siempre igual y aun así no medir el constructo humano que se le atribuye.
Para mostrar la utilidad del marco, revisan 25 trabajos localizados mediante búsquedas por palabras clave en Google Scholar, Scopus y DBLP hasta octubre de 2023, ampliadas siguiendo redes de citas. El conjunto cubre 12 constructos y 34 tests o evaluaciones; 20 estudios incluyen GPT-3 o una versión posterior y 17 de esos 20 no estudian otra familia. Los cuatro autores califican conjuntamente cada paper con una escala ordinal: no aplicable, no abordado, discutido, esfuerzo o estudio sin evidencia de cumplimiento, y cualquier evidencia de cumplimiento. La propia regla es deliberadamente benévola: la categoría superior reconoce alguna evidencia de una forma de fiabilidad o validez, no una validación completa, y no valora si esa evidencia es suficiente.
La tabla revela una brecha amplia. Para R1, solo 6 de 25 estudios aportan alguna evidencia de fiabilidad; para R2, 3 aportan alguna evidencia de validez. R3 parece mejor atendido, pero los 13 casos superiores se benefician de una definición débil que considera adecuado un formato textual compatible. Solo 1 estudio alcanza la categoría superior en R4. De los 10 trabajos comparativos a los que se aplica R5a, solo Serapio-García et al. presenta evidencia; R5b se aplica a dos trabajos y solo Pellert et al. utiliza traducciones ya validadas. Únicamente 2 de 25 cumplen plenamente el criterio de transparencia R5c. Nueve estudios modifican o reformulan tests para reducir contaminación, pero solo Coda-Forno et al. aporta evidencia de que la modificación conserva resultados. Ningún trabajo aporta evidencia para todos sus requisitos aplicables.
El diagnóstico es valioso como lista de control y como advertencia contra antropomorfizar scores sin una cadena de validación. No es, sin embargo, una revisión sistemática reproducible ni un estándar validado. No se publican cadenas de búsqueda, flujo de selección, criterios de exclusión, hoja de codificación, extractos de evidencia, acuerdo entre evaluadores o artefactos; la clasificación se decide en reuniones conjuntas. Tampoco hay umbrales operativos para decidir cuánta evidencia basta. Algunas exigencias son demasiado absolutas o estrechas: demostrar ausencia de contaminación suele ser imposible en modelos propietarios, la «adecuación» no se reduce a aceptar texto y la sección de fairness omite sesgo entre grupos, accesibilidad y daño. El artículo establece que la literatura temprana revisada documentaba insuficientemente sus inferencias bajo este marco; no prueba que todas sus conclusiones fueran falsas ni que los constructos humanos no puedan adaptarse mediante validación específica.