Este preprint ofrece una revisión narrativa extensa de cómo se trasladan teorías e instrumentos psicológicos al estudio de los LLM. Organiza 154 referencias en seis frentes: herramientas de evaluación, conjuntos de datos específicos para LLM, consistencia y estabilidad, resultados atribuidos a distintas familias de modelos, métodos para inducir o editar personalidad y simulaciones de conducta humana. Describe cuestionarios de personalidad como MBTI, BFI, IPIP-NEO, SD3, HEXACO y SSCS; medidas de afecto y agresión como PANAS y BPAQ; y tareas de teoría de la mente como falsa creencia, Strange Stories, Imposing Memory y Faux Pas. También reúne recursos diseñados o reutilizados para modelos, entre ellos MPI, TRAIT, SECEU, EQ-Bench, EmoBench, ToMi, un benchmark psicométrico multidominio y SocialIQA.
Su aportación más útil es taxonómica. Distingue la consistencia de respuestas bajo cambios de orden, prompt, temperatura, formulación, ítems invertidos o repeticiones; la consistencia estadística mediante desviación estándar, alfa, omega, ICC y test-retest; y la coherencia entre autoinforme y conducta. Separa esto de la estabilidad después de fine-tuning, cambios de parámetros o inducción y edición de personalidad, aunque reconoce que la literatura usa «estabilidad» de manera poco uniforme. Para simulación de rasgos resume prompting explícito, escenarios implícitos, fine-tuning y edición de modelos; para aplicaciones distingue experimentos sociales, juegos y negociación interactiva. Este vocabulario ayuda a no tratar como equivalentes un cuestionario, un benchmark de capacidad social y una conducta de agente.
Los perfiles de GPT, LLaMA, Mistral, Qwen, Claude y Gemini, sin embargo, no proceden de un experimento común ni de un metaanálisis. Combinan generaciones, tamaños, versiones, idiomas, prompts, instrumentos y fechas diferentes. El propio texto presenta resultados contradictorios para GPT-4 en SD3 y variabilidad por tarea, pero la figura inicial condensa cada familia en un único «Psychological ID» y la conclusión afirma que GPT-4 rinde mejor en todas las dimensiones. Esa comparación no está respaldada por una matriz común de modelos, pruebas y condiciones. Ser juez de EQ-Bench, acertar una tarea emocional, producir lenguaje empático o responder un autoinforme tampoco demuestra el mismo constructo psicológico. Varias frases de las secciones de Claude, Gemini y Qwen carecen de una cita directa o convierten decisiones de uso en evidencia de capacidad.
La principal limitación es que el artículo se denomina sistemático sin proporcionar un método de revisión sistemática. No declara bases bibliográficas, consulta, periodo de búsqueda, fecha de corte, criterios de inclusión o exclusión, proceso de cribado, diagrama de flujo, corpus de estudios incluidos, protocolo de extracción, revisores, resolución de desacuerdos ni evaluación de calidad o riesgo de sesgo. Las 154 referencias mezclan estudios primarios de LLM, validaciones psicométricas humanas, revisiones, páginas de modelos y recursos generales; no forman un conjunto de evidencia definido que otro equipo pueda reconstruir. Además, la fiabilidad o validez de un cuestionario en personas no se transfiere automáticamente a un modelo: que MBTI tenga una exigencia lectora de séptimo curso solo indica que un LLM puede procesar el texto, no que sus puntuaciones sean válidas, invariantes o interpretable como personalidad.
El trabajo acierta al advertir de sensibilidad al prompt, orden de opciones, temperatura, falta de diversidad y desajuste entre herramientas humanas y modelos. También reconoce que los LLM no sustituyen de forma completa a participantes humanos. Aun así, sus propuestas de mejorar seguridad «optimizando» rasgos y de emplear modelos como muestras humanas son hipótesis, no resultados demostrados por la revisión. No hay experimento nuevo, metaanálisis, tabla de extracción, código ni datos; el archivo fuente oficial contiene TeX, bibliografía y siete figuras. La contribución defendible es una puerta de entrada amplia y visual al espacio de herramientas, conjuntos de datos y aplicaciones hasta abril de 2025. No es una estimación sistemática de la evidencia, no establece perfiles psicológicos estables por familia y no valida el uso clínico o poblacional de estas mediciones.