The Impact of Big Five Personality Traits on AI Agent Decision-Making in Public Spaces: A Social Simulation Study

Este preprint estudia si diez agentes basados en GPT-3.5-turbo, definidos mediante etiquetas opuestas de los Big Five, producen patrones diferentes al valorar desinformación en una simulación de aula con AgentVerse. Cada par representa los extremos de un dominio: curioso/cauteloso, organizado/descuidado, extrovertido/reservado, amistoso/crítico y sensible/confiado. Un agente facilitador actúa como profesor. Cada estudiante presenta una afirmación falsa distinta y los otros nueve generan una opinión pública marcada como [Speak] y un texto supuestamente privado marcado como [Think]; los silencios se excluyen. Antes y después de la simulación, los agentes puntúan en una escala 1–5 enunciados adaptados de un estudio anterior para comprobar que sus instrucciones de personalidad siguen visibles. La tabla de estabilidad parece resumir 50 ejecuciones, aunque el artículo no describe de forma reproducible el número de iteraciones, los prompts completos, los parámetros de generación ni la instantánea exacta de GPT-3.5-turbo. Los conteos descriptivos muestran el contraste mayor entre el agente curioso, con 100 respuestas públicas afirmativas y 8 negativas, 92,6 % de aceptación, y el cauteloso, con 4 afirmativas y 223 negativas, 97,8 % de rechazo. El agente crítico también rechaza con frecuencia, 23 sí y 207 no; los resultados de las demás etiquetas son más equilibrados. La discrepancia [Speak]–[Think] es mayor para amistoso (158 casos), extrovertido (132), descuidado (130) y sensible (106), y menor para cauteloso (6), confiado (15), crítico (31) y curioso (35). El manuscrito interpreta estos patrones como influencia de apertura, responsabilidad y extraversión sobre la aceptación de información y como sensibilidad social en algunos perfiles. Esa lectura debe tomarse como exploratoria. No se reportan coeficientes de correlación, pruebas de significación, intervalos de confianza ni un modelo estadístico, pese a que el abstract habla de «correlaciones significativas». Tampoco existe una condición sin etiquetas de personalidad, aleatorización de prompts, replicación con otros modelos o evaluación humana. [Think] no es acceso a una creencia privada del sistema: es otra salida textual solicitada en el mismo prompt, por lo que su diferencia con [Speak] no demuestra cognición disonante. Los diez temas, el orden de interacción, el rol de quien presenta cada falsedad y la etiqueta del agente pueden confundirse con el efecto atribuido al rasgo. Los extremos se expresan mediante adjetivos binarios, no mediante un instrumento Big Five validado ni puntuaciones continuas. En consecuencia, el estudio documenta frecuencias distintas de texto generado por una única configuración de GPT-3.5 bajo diez personas instruidas; no establece rasgos psicológicos, mecanismos de decisión ni comportamiento humano simulado con validez externa. Además, varias referencias genéricas del manuscrito carecen de identificadores y no se localizaron en los índices editoriales primarios consultados, lo que reduce la trazabilidad de su marco teórico.

This preprint examines whether ten GPT-3.5-turbo agents, defined through opposing Big Five labels, produce different patterns when judging misinformation in an AgentVerse classroom simulation. Each pair represents the poles of one domain: curious/cautious, organized/careless, outgoing/reserved, friendly/critical, and sensitive/confident. A facilitator agent acts as professor. Each student presents a different false claim, and the other nine generate a public opinion marked [Speak] and a supposedly private text marked [Think]; silences are excluded. Before and after the simulation, agents rate adapted personality statements on a 1–5 scale to check whether their persona instructions remain visible. The stability table appears to summarize 50 runs, but the paper does not reproducibly specify the number of iterations, full prompts, generation parameters, or exact GPT-3.5-turbo snapshot. Descriptive counts show the largest contrast between the curious agent, with 100 public yes and 8 no responses, 92.6% acceptance, and the cautious agent, with 4 yes and 223 no responses, 97.8% rejection. The critical agent also rejects frequently, 23 yes and 207 no, while the remaining labels are more balanced. [Speak]–[Think] discrepancies are largest for friendly (158), outgoing (132), careless (130), and sensitive (106), and smallest for cautious (6), confident (15), critical (31), and curious (35). The manuscript interprets these patterns as effects of openness, conscientiousness, and extraversion on information acceptance and as social sensitivity in some profiles. This interpretation is exploratory. No correlation coefficients, significance tests, confidence intervals, or statistical model are reported, even though the abstract refers to “significant correlations.” There is also no unlabelled control condition, prompt randomization, replication across models, or human evaluation. [Think] is not access to a private belief: it is another requested text output in the same interaction, so disagreement with [Speak] does not demonstrate cognitive dissonance. The ten topics, interaction order, role of the misinformation presenter, and agent label can be confounded with the claimed trait effect. Binary adjectives stand in for trait poles rather than a validated Big Five instrument or continuous scores. The study therefore documents different output frequencies from one GPT-3.5 configuration under ten instructed personas; it does not establish psychological traits, decision mechanisms, or externally valid human-behavior simulation. Several generic references also lack persistent identifiers and were not found in the primary publication indexes checked, weakening the theoretical audit trail.