El preprint pregunta si dos LLM pueden predecir las respuestas que una persona concreta dio a cuatro cuestionarios de rasgos neurodivergentes a partir de una entrevista escrita. Esta revisión usa arXiv:2601.15319v1, única versión disponible al 15 de julio de 2026: 27 páginas, incluidas tablas y el protocolo suplementario bilingüe. No se localizó publicación revisada por pares, repositorio de código ni datos abiertos.
Participaron 26 adultos italianos de 21 a 36 años, 19 mujeres y 7 hombres, reclutados voluntariamente en redes universitarias y sociales en mayo de 2025. Cada persona completó una entrevista escrita de 29 preguntas y cuatro autoinformes: ASRS v1.1 de 18 ítems para síntomas de TDAH; BAARS-IV de 27 ítems para inatención, hiperactividad, impulsividad y Sluggish Cognitive Tempo; AQ de 50 ítems para rasgos autistas; y RAADS-R de 80 ítems con distinciones entre infancia y presente. Se recogieron también edad, sexo biológico, educación, nacionalidad y diagnóstico neuroevolutivo declarado, pero el artículo no publica la distribución diagnóstica.
La entrevista no es una entrevista diagnóstica validada. Fue creada para el estudio mediante revisión fenotípica, diferenciación etiológica, redacción de 29 preguntas y revisión cualitativa por dos especialistas, uno en TDAH/CDS y otro en autismo adulto. Las preguntas evitan copiar literalmente los tests, pero se diseñaron explícitamente alrededor de inatención, impulsividad, organización, comunicación social, intereses restringidos, sensibilidad sensorial, enlentecimiento, ensoñación e iniciación. Por tanto, existe un solapamiento de constructo fuerte: la tarea mide en buena parte traducción entre una descripción narrativa de síntomas y preguntas de los mismos dominios, no inferencia de un estado latente independiente.
El pipeline tiene dos fases. GPT-4o y Qwen3-235B-A22B reciben la entrevista completa, edad y sexo y deben construir un perfil psicológico “realista y coherente”, haciendo inferencias plausibles en lugar de parafrasear. A continuación se les pide asumir el rol de esa persona y contestar cada cuestionario con valores numéricos. La temperatura se fija en 1. El estudio genera una simulación de ambos modelos y una segunda ejecución solo para GPT-4o, utilizada como análisis de estabilidad.
La descripción de temperatura contiene errores conceptuales: afirma que cerca de 0 las respuestas son “más estocásticas y reproducibles” y que cerca de 1 son más creativas pero “menos estocásticas”. En realidad, bajar temperatura reduce normalmente el muestreo aleatorio y aumenta reproducibilidad; subirla suele aumentar diversidad y estocasticidad. Tampoco se informa API, proveedor, snapshot exacto de GPT-4o, versión de Qwen, fecha de inferencia, seed, top-p, system prompt, conservación del contexto ni parámetros de razonamiento. La referencia a valores por defecto de una “browser app” no permite reconstruir la configuración.
Los autores realizan ANOVA de un factor sobre tres grupos de 26 observaciones: humanos, réplicas GPT-4o y réplicas Qwen. Los grados de libertad residuales 75 confirman que las 78 puntuaciones se trataron como independientes. Sin embargo, cada salida LLM está emparejada con una persona específica. El análisis ignora esa dependencia y la variabilidad entre participantes; correspondían comparaciones pareadas, medidas repetidas o un modelo mixto. Además, no hallar una diferencia de medias entre grupos no demuestra equivalencia ni concordancia individual: un modelo podría permutar perfectamente los perfiles entre participantes y conservar la misma media.
Los ANOVA no encuentran diferencias en totales o subescalas de ASRS, BAARS-IV o RAADS-R. En AQ, el total queda en p=0,063 y tres de cinco subescalas dan p nominal menor que 0,05: Social Skill p=0,039, Communication p=0,031 e Imagination p=0,042. Tukey identifica diferencias entre Qwen y humanos, no entre GPT-4o y humanos. Se prueban al menos 19 totales/subescalas sin corrección familiar documentada; incluso corrigiendo solo las seis pruebas AQ, ninguna de esas p sobreviviría Bonferroni u Holm. Los ANOVA tampoco presentan diagnósticos de distribución, homocedasticidad, intervalos de equivalencia o tamaño de efecto.
La evidencia más informativa es descriptiva y emparejada: error absoluto medio por ítem. En ASRS, MAE es 0,80 para GPT-4o, 0,86 para Qwen y 1,68 para random; en BAARS-IV, 0,607, 0,634 y 1,28; en AQ, 0,326, 0,367 y 0,499; en RAADS-R, 0,842, 0,994 y 1,38. Tras dividir por el rango de cada escala y promediar los cuatro tests por igual, el artículo informa 0,25, 0,28 y 0,45. Es una ventaja clara frente al baseline aleatorio descrito, pero no se proporcionan intervalos ni pruebas de la diferencia de MAE.
La exactitud de coincidencia exacta por ítem es modesta y depende del número de opciones. En ASRS es 0,417 para GPT-4o, 0,385 para Qwen y 0,175 para random; BAARS-IV 0,486, 0,497 y 0,269; AQ 0,666, 0,633 y 0,501; RAADS-R 0,487, 0,438 y 0,268. Los valores aleatorios son aproximadamente los esperables con respuestas uniformes en escalas de cinco, cuatro o dos categorías puntuadas. El método no explica cómo se generó random, cuántas réplicas se usaron, seed o si preservó distribuciones marginales.
Superar una respuesta uniforme no prueba simulación individual. Faltan baselines decisivos: moda o mediana por ítem estimada sin la persona objetivo, perfil humano promedio, entrevistas permutadas entre participantes, entrevista vacía, solo edad/sexo, un prompt genérico, un modelo textual simple y una ablación sin la fase de “perfil psicológico”. Un modelo puede obtener MAE mucho menor que azar seleccionando respuestas frecuentes de la población o mapeando síntomas explícitos a ítems relacionados sin haber identificado al participante correcto.
El AQ muestra una excepción importante. En Attention to Detail, GPT-4o tiene MAE 0,435 frente a 0,400 de random y exactitud 0,514 frente a 0,538: peor que azar en ambas tablas. Qwen obtiene 0,365 y 0,570. Esto contradice una lectura sin excepciones de que ambos modelos superan random en todos los dominios. Qwen también supera a GPT-4o en exactitud total BAARS-IV, 0,497 frente a 0,486, y en algunas subescalas. La afirmación de que GPT-4o es consistentemente más preciso debe entenderse como promedio agregado, no como dominancia en cada métrica.
La tabla 8 contiene un error editorial verificable: las cinco desviaciones estándar de random para BAARS-IV son exactamente 0,607, 0,590, 0,523, 0,577 y 0,684, idénticas a las cinco medias de GPT-4o de la misma tabla. Sin datos no es posible saber cuáles son los valores correctos. Esta copia afecta la trazabilidad de la dispersión, aunque no las medias principales.
El análisis llamado “reliability” compara solo dos ejecuciones de GPT-4o. La coincidencia exacta entre runs es 0,799 en ASRS, 0,870 en BAARS-IV, 0,805 en AQ y 0,768 en RAADS-R; el MAE normalizado agregado es 0,09 para totales y 0,10 para subescalas. Esto mide estabilidad de salida bajo un prompt repetido, no fiabilidad psicométrica del instrumento ni test-retest humano. Con dos runs no se estiman ICC, correlación de rangos de perfiles, consistencia interna, error estándar de medida o intervalos. Qwen no se repite, de modo que el abstract no puede sostener comparativamente que GPT-4o tenga mayor reproducibilidad que Qwen.
Para “sensibilidad” se definen 11 perfiles high y 15 low: high significa superar el percentil 95 en al menos tres de cuatro tests; low, quedar por debajo en al menos tres. No se especifica qué población normativa, traducción italiana, sexo/edad, valores de corte o procedimiento produce esos percentiles. Con el mismo autoinforme usado como target se define el estrato y se describe el MAE en ese estrato, sin prueba de interacción o diferencia high–low. Los resultados sugieren descriptivamente mayor error en perfiles altos para BAARS-IV y RAADS-R, pero ASRS cambia poco y AQ es mixto. Eso no valida discriminación clínica ni sensibilidad diagnóstica.
El trabajo no publica correlación participante-a-participante, ICC, Bland–Altman, calibración, recuperación de orden, clasificación de casos, sensibilidad/especificidad a diagnóstico o validez incremental. Los cuestionarios humanos se tratan como verdad objetivo, aunque son autoinformes con error de medida y no equivalen a diagnóstico. El dato predicho es la respuesta dada por la persona, no su neurotipo ni una evaluación clínica independiente.
RAADS-R requiere distinguir si una conducta existía antes de los 16 años. La entrevista no pregunta de forma sistemática por historia infantil. El propio artículo reconoce que el modelo construye una narración de desarrollo plausible a partir de indicios indirectos. Esa coherencia no es evidencia de que recupere la historia real; es precisamente una inferencia no observada que, en un contexto clínico, podría convertirse en falsa biografía. La evaluación contra el autoinforme puede medir coincidencia de categoría, pero no valida la narrativa generada ni sus causas.
Los datos y el código no están disponibles. La reserva de las entrevistas es razonable por su sensibilidad, pero impide verificar transcripción, traducción, scoring inverso, respuestas faltantes, parsing, cálculo de percentiles, baseline random, errores de tablas y análisis. No se depositan resultados anonimizados por ítem, estadísticas suficientes, scripts, entorno, prompts completos con ítems, IDs de modelo o registros de API. “Disponible bajo solicitud razonable” no sustituye una reproducción auditable.
La muestra es pequeña, joven, italiana, voluntaria, mayoritariamente femenina y de conveniencia. No se informa cuántos participantes tenían diagnóstico confirmado, cuál, por quién, ni comorbilidades, medicación, educación o composición del grupo high. Por ello, el título sobre perfiles de adultos neurodivergentes abarca más de lo demostrado: el estudio predice patrones de autoinforme relacionados con neurodivergencia en una muestra mixta, no valida perfiles clínicos de TDAH, autismo o CDS.
La entrevista se administró en italiano y se usaron traducciones italianas de cuatro escalas, pero no se identifican versiones, estudios de validación, equivalencia cultural, licencias o reglas exactas de scoring. En RAADS-R existen 16 ítems normativos con scoring inverso; el PDF muestra categorías numéricas en el prompt, pero no documenta el código de inversión. En AQ se solicitan cuatro respuestas y luego se aplica el scoring binario original; el pipeline exacto tampoco está disponible. Las MAE emparejadas no cambian al invertir ambos lados, pero sumas, percentiles y clasificación de intensidad sí dependen de un scoring correcto.
En protección de datos, el artículo afirma anonimización mediante un código formado por tres letras del nombre y tres del apellido. Eso es pseudonimización derivada de identificadores, no anonimización irreversible, especialmente en una muestra local de 26 personas. El sistema recopiló edad, sexo, educación, nacionalidad, diagnóstico y texto libre sensible y envió resultados, entrevistas y consentimiento a una dirección de correo. El suplemento dice que la plataforma no recogió ni almacenó información personalmente identificable, lo que entra en tensión con la descripción principal. No se informa comité de ética, número de aprobación o exención, base de tratamiento, cifrado, retención, acceso o evaluación de reidentificación; sí se declara consentimiento y uso no diagnóstico.
La contribución defendible es una prueba piloto de predicción cross-format: entrevistas sintomáticamente ricas permiten a dos LLM aproximar respuestas de autoinforme mejor que una elección uniforme, con GPT-4o algo mejor en el promedio normalizado y una estabilidad de dos runs de 77–87 % de coincidencia exacta. Es una señal útil para diseñar benchmarks más rigurosos. No demuestra reconstrucción de identidad, simulación de cognición neurodivergente, validez clínica, superioridad de una arquitectura, ausencia de estereotipos ni utilidad como sustituto de participantes humanos. Las conclusiones sobre “synthetic participants” requieren datos mayores, controles pareados, baselines no triviales, scoring reproducible, evaluación diagnóstica y gobernanza ética explícita.