Modeling, Evaluating, and Embodying Personality in LLMs: A Survey

Esta publicación de Findings of EMNLP 2025 es una revisión narrativa y una propuesta de taxonomía sobre personalidad en LLM, no una revisión sistemática reproducible ni un estudio empírico. Esa distinción es central. Aunque el abstract dice que analiza sistemáticamente las limitaciones y la introducción presenta el trabajo como el primer systematic account del modelado multimodal de personalidad, el artículo no informa bases bibliográficas, consulta de búsqueda, fecha o intervalo de búsqueda, criterios de inclusión y exclusión, proceso de cribado, número de trabajos recuperados o incluidos, revisores, protocolo de extracción, evaluación de calidad ni riesgo de sesgo. Tampoco ofrece una tabla de estudios incluidos. Por tanto, comprehensive describe la ambición temática, no una cobertura demostrada, y systematic no debe interpretarse como el diseño formal de una systematic review. Los propios autores reconocen que pueden faltar aportaciones recientes o de dominios específicos, que quedan fuera los idiomas de bajos recursos, la adaptación cultural y los estudios longitudinales, y que no realizan benchmarking, reimplementación ni comparación cuantitativa. La contribución defendible es un mapa conceptual amplio. La taxonomía organiza primero cómo se modela la personalidad. Los antecedentes incluyen reglas y léxicos manuales, rasgos construidos, n-gramas, embeddings clásicos y machine learning, seguidos por modelos preentrenados como BERT y GPT-2. En la etapa LLM distingue enfoques model-centric, zero-shot, few-shot y fine-tuning, de enfoques system-level, RAG y agentes. Zero-shot y few-shot controlan la salida mediante prompts o demostraciones; fine-tuning modifica parámetros y puede ofrecer mayor estabilidad, pero exige datos, cómputo y controles frente a overfitting o catastrophic forgetting. RAG puede introducir información de usuario o contexto sin reentrenar, aunque depende de la calidad de recuperación, y los agentes pueden mantener perfiles, memoria y herramientas, pero hacen más compleja la coherencia de la persona. Esta clasificación es útil para ubicar técnicas, pero reúne bajo personality fenómenos distintos: rasgos psicométricos, estilos inducidos, perfiles de usuario, personalización, personajes ficticios, role-play y conducta de agentes. El paper no fija una prueba que permita determinar cuándo una salida condicionada es un rasgo, una persona o simple instruction following. Una segunda dimensión amplía la expresión más allá del texto: visión, voz y realidad virtual. La tesis es que prosodia, expresión facial, gesto y embodiment pueden hacer más creíble una personalidad. Sin embargo, la evidencia multimodal es mucho más escasa que la textual y la sección de VR se apoya de forma destacada en un estudio de 2025 cofirmado por autoras de la revisión. Los autores admiten que la literatura citada sigue siendo principalmente text-centric. En consecuencia, Embodying señala una agenda prometedora, no una base madura o representativa de resultados. La tercera dimensión compara evaluación cualitativa y cuantitativa. Entre las cualitativas, la evaluación humana aporta sensibilidad contextual, pero es cara, subjetiva, difícil de reproducir y sensible a la composición demográfica. LLM-as-judge reduce coste y escala el juicio, pero hereda sesgos y limitaciones culturales del evaluador, puede ser inconsistente o alucinar y requiere calibración independiente. Entre las cuantitativas, los cuestionarios psicométricos producen puntuaciones aparentemente estandarizadas, pero fueron diseñados para humanos. El modelo predice tokens, no introspecciona un yo estable; orden de opciones, redacción, formato de escala, framing y posible exposición del material en entrenamiento pueden cambiar la respuesta. LIWC es trazable y fácil de usar, pero sus diccionarios rígidos pierden contexto y semántica. Los vectores y embeddings capturan relaciones contextuales y escalan bien, pero son menos interpretables y pueden correlacionar con etiquetas de personalidad sin estar fundamentados psicométricamente. Esta discusión identifica correctamente amenazas importantes, pero no valida empíricamente ninguna familia. Table 1 asigna a cinco métodos valores binarios para Traceable, Scalable, Prompt-Agnostic y Context-Aware. Los ejes no se operacionalizan ni se miden; por ejemplo, declarar human evaluation prompt-agnostic o personality tests no context-aware depende del protocolo concreto. La tabla es una heurística editorial, no evidencia comparativa. Los retos propuestos son coherentes con el diagnóstico: desarrollar benchmarks invariantes al prompt, sensibles al contexto y psicométricamente fundamentados; integrar modalidades; escalar la personalización; y asegurar que la conducta condicionada sea segura, coherente y socialmente apropiada. La discusión ética menciona manipulación por personas emocionalmente adaptativas, estereotipos impuestos por taxonomías de rasgos, suplantación de figuras públicas o personajes y falta de consentimiento o transparencia en adaptaciones longitudinales. Son riesgos pertinentes, pero tampoco se someten a una revisión sistemática o a evaluación causal. El artículo no aporta experimentos, muestra, modelos ejecutados, datos nuevos, código ni síntesis cuantitativa. Sus afirmaciones sobre avances proceden de los trabajos citados y no deben convertirse en resultados propios. Tampoco demuestra que los LLM posean rasgos internos, que una técnica produzca personalidad estable, que los inventarios humanos sean válidos para máquinas, que la literatura cubierta sea completa ni que exista consenso sobre la mejor evaluación. Debe citarse como una taxonomía narrativa útil y crítica: ofrece vocabulario para conectar modelado, modalidades y evaluación, pero la fuerza de cada conclusión depende de las fuentes primarias y la exhaustividad no puede auditarse. La ficha anterior contenía además un fallo grave de integridad: abstract_en_original era un párrafo genérico inventado que no figuraba en la publicación. Se ha sustituido literalmente por el abstract de ACL, conservando incluso los errores development LLMs y consistent consistent porque el campo original debe ser fiel a la fuente.

This Findings of EMNLP 2025 paper is a narrative survey and taxonomy proposal about personality in LLMs, not a reproducible systematic review or an empirical study. That distinction is central. Although the abstract says it systematically analyzes limitations and the introduction calls the work the first systematic account of multimodal personality modeling, the paper reports no bibliographic databases, search query, search date or time window, inclusion and exclusion criteria, screening process, number of retrieved or included studies, reviewers, extraction protocol, quality assessment, or risk-of-bias appraisal. It does not provide an included-study table. Comprehensive therefore describes topical ambition rather than demonstrated coverage, and systematic should not be read as a formal systematic-review design. The authors themselves acknowledge that recent or domain-specific contributions may be missing, that low-resource languages, cultural adaptation, and longitudinal user studies are outside scope, and that they perform no benchmarking, reimplementation, or quantitative comparison. The defensible contribution is a broad conceptual map. The taxonomy first organizes how personality is modeled. Early approaches include manual rules and lexicons, engineered features, n-grams, classical embeddings, and machine learning, followed by pretrained models such as BERT and GPT-2. In the LLM era it separates model-centric approaches, zero-shot, few-shot, and fine-tuning, from system-level approaches, RAG and agents. Zero-shot and few-shot control output through instructions or demonstrations. Fine-tuning changes model parameters and may offer greater stability, but requires data, compute, and safeguards against overfitting or catastrophic forgetting. RAG can add user or contextual information without retraining but depends on retrieval quality. Agents can maintain profiles, memory, and tools but make persona coherence more complex. This classification is useful for locating techniques, yet it groups distinct phenomena under personality: psychometric traits, induced styles, user profiles, personalization, fictional characters, role-playing, and agent behavior. The paper supplies no construct test for deciding when a conditioned output is a trait, a persona, or ordinary instruction following. A second dimension extends expression beyond text to vision, voice, and virtual reality. The argument is that prosody, facial expression, gesture, and embodiment can make personality more credible. However, the multimodal evidence is much thinner than the textual literature, and the VR subsection prominently relies on one 2025 study coauthored by survey authors. The limitations concede that most cited work remains text-centric. Embodying therefore marks a promising agenda, not a mature or demonstrably representative evidence base. The third dimension compares qualitative and quantitative evaluation. Human evaluation can provide contextual sensitivity but is expensive, subjective, difficult to reproduce, and sensitive to annotator demographics. LLM-as-judge reduces cost and scales judgment but imports evaluator bias and cultural limitations, can be inconsistent or hallucinate, and needs independent calibration. Among quantitative methods, psychometric questionnaires yield apparently standardized scores but were designed for humans. A model predicts tokens rather than introspecting a stable self; option order, wording, scale format, framing, and possible training exposure can change answers. LIWC is traceable and easy to apply, but rigid dictionaries lose context and semantics. Vectors and embeddings capture contextual relations and scale well, yet are less interpretable and can correlate with personality labels without psychometric grounding. This discussion correctly identifies important threats but empirically validates none of the method families. Table 1 assigns binary values to five methods for Traceable, Scalable, Prompt-Agnostic, and Context-Aware. The axes are neither operationalized nor measured. For example, whether human evaluation is prompt-agnostic or personality tests are context-unaware depends on the actual protocol. The table is an editorial heuristic rather than comparative evidence. The proposed directions follow logically from the diagnosis: develop prompt-invariant, context-aware, psychometrically grounded benchmarks; integrate modalities; scale personalization; and ensure conditioned behavior remains safe, coherent, and socially appropriate. The ethical discussion notes manipulation by emotionally adaptive personas, stereotypes imposed by trait taxonomies, impersonation of public or fictional figures, and lack of consent or transparency in longitudinal adaptation. These are pertinent risks, but they are not subjected to systematic evidence review or causal evaluation. The paper contributes no experiments, sample, executed models, new dataset, code, or quantitative synthesis. Claims about advances belong to cited primary studies and must not be represented as the survey's own findings. Nor does it establish that LLMs possess internal traits, that any technique produces stable personality, that human inventories are valid for machines, that the literature coverage is complete, or that there is consensus on the best evaluation method. It should be cited as a useful and critical narrative taxonomy: it supplies vocabulary connecting modeling, modalities, and evaluation, while the strength of each conclusion depends on the primary sources and completeness cannot be audited. The previous repository record also had a critical integrity defect: abstract_en_original was a generic invented paragraph absent from the publication. It has been replaced verbatim with the ACL abstract, including the source's development LLMs and consistent consistent errors because an original-text field must remain faithful to the source.