El artículo propone estudiar el deterioro de información mediante cadenas de reescritura hechas por un LLM condicionado con 21 personajes. Su aportación defendible es una demostración exploratoria: cuando un mismo texto corto se reescribe treinta veces, un juez LLM deja de recuperar progresivamente ciertas respuestas. Sin embargo, la auditoría del texto completo, los agregados y el código muestra que el experimento no implementa la métrica publicada y no simula propagación en una red social. La cifra más llamativa, el 85,2 % de pares heterogéneos llega a «propaganda», se recalcula exactamente desde los agregados, pero procede de una referencia incorrecta, preguntas parcialmente especulativas y umbrales sin validar. No constituye evidencia de propaganda humana ni de difusión real.
El diseño parte de diez textos de unas 100-200 palabras sobre crimen, educación, salud, marketing, política, deporte y tecnología. El apéndice reproduce los textos, aunque no ofrece una tabla completa de URLs, fechas ni procedencia verificable. Para cada texto se construyen 21 ramas lineales de 30 nodos. En la condición homogénea todos los nodos de una rama reciben el mismo prompt de personaje; en la heterogénea se asignan personajes al azar. Los perfiles incluyen individuos de izquierda y derecha, influencers, agencias sensacionalista y neutral, especialistas médico y tecnológico, creador de conflicto, pacificador, simplificador, educador rural, progenitor joven, persona con bajo nivel educativo, activista LGBTQ+, periodistas, líder religioso, consumidor tecnológico, ecologista y fundador de startup. Son instrucciones estereotipadas aplicadas al mismo modelo, no personas calibradas con datos humanos.
Cada nodo recibe la reescritura anterior y produce otra. Un auditor formula diez preguntas sí/no por texto y las responde en cada paso. El artículo define un vector binario de respuestas, fija como verdad un vector de diez unos y llama Misinformation Index a su distancia de Hamming respecto a las respuestas del auditor. En esa definición el índice debería estar entre 0 y 10. Después promedia los 30 índices de una rama y denomina Misinformation Propagation Rate al resultado. Clasifica MPR menor o igual que 1 como «error factual», entre 1 y 3 como «mentira» y mayor que 3 como «propaganda». No aporta anotación humana, estudio de fiabilidad ni calibración empírica que justifique esos nombres o cortes.
Los agregados públicos permiten reconstruir las cuentas publicadas. En ramas homogéneas, de 210 combinaciones personaje-dominio, 47 quedan en error, 97 en mentira y 66 en propaganda. En ramas heterogéneas, 13 quedan en error, 18 en mentira y 179 en propaganda: 85,2 %. La auditoría identificó que esas cifras salen de la columna I1 de scattered_chart.json. Es una verificación aritmética del informe, no una reproducción del experimento: faltan las reescrituras completas, los vectores pregunta-respuesta, las asignaciones de personajes, las llamadas a la API, los logs y el código que convirtió los resultados crudos en los seis JSON de visualización.
El código contradice el método en un punto decisivo. La supuesta referencia de verdad no es un vector de unos. sendInfo genera node0Answers pidiendo a GPT-4o-mini que conteste el artículo original bajo el papel de un lector que comparte noticias «in a hoax way», distorsiona los hechos y los exagera. I1, la columna que reproduce figuras y porcentajes, compara esa respuesta condicionada con la del auditor. Por tanto, el 85,2 % no mide distancia a respuestas verdaderas conocidas, sino desacuerdo con una línea base generada por el mismo tipo de modelo y deliberadamente inducida a distorsionar.
También cambia la escala. Aunque el artículo habla de respuestas binarias, answerQuestions exige 2 para sí, 0 para no y 1 si el hecho no aparece. La función suma diferencias absolutas entre esos valores; no calcula Hamming binaria. Los datos publicados contienen I1 hasta 11 e I2 hasta 14, resultados imposibles si hubiera diez bits. Si una respuesta llega incompleta, el código rellena con -2 y sigue calculando, lo que puede ampliar aún más el rango. El texto llama a la distancia «normalizada», pero ni la ecuación ni el código dividen por diez.
Existe además un desfase de un nodo. El programa crea rewrittenContent, pero el personaje y el auditor contestan sobre info.content, es decir, el texto recibido antes de la reescritura actual. El índice almacenado junto a la nueva versión evalúa en realidad la entrada anterior. El artículo dice que los agentes usan GPT-4o y el auditor GPT-4o-mini; el código público emplea GPT-4o-mini para generar preguntas, reescribir y auditar. La condición heterogénea se describe con un máximo de dos repeticiones de cada personaje, mientras que la condición agentCounter < 3 permite tres. Usa Math.random sin seed y no guarda un manifiesto de asignación. Tampoco fija temperatura, top_p, snapshot, reintentos o ejecución determinista.
Las preguntas erosionan todavía más la validez. El propio prompt del generador solicita posibles desarrollos, investigaciones, preocupaciones públicas, rumores y acusaciones futuras. El apéndice pregunta, por ejemplo, si podrían surgir rumores, si aparecerían acusaciones o si el éxito de un sistema podría provocar investigaciones. No son hechos contenidos en la fuente. Que una reescritura no permita responderlos no equivale a perder información original; que los introduzca podría ser una invención, pero el esquema puede tratarla como respuesta recuperable. El índice tampoco separa omisión, contradicción, dato falso añadido, compresión, ambigüedad o error del juez.
Por eso las etiquetas son excesivas. Una mentira implica conocimiento e intención; propaganda suele implicar propósito comunicativo, encuadre y persuasión sistemática. Aquí «propaganda» significa únicamente que la media de desacuerdos supera tres en diez preguntas de calidad desigual. Los cortes 1 y 3 no se validan contra juicios humanos ni literatura empírica. El artículo reconoce al final que verdad y desinformación son multidimensionales y que debería usarse puntuación continua, pero aun así interpreta los bins como categorías sustantivas y atribuye deliberación a ciertos perfiles.
Tampoco hay una red social en sentido operativo. Las 21 ramas son cadenas de teléfono independientes: no existen usuarios observados, lazos, exposición, selección, decisión de compartir, bifurcaciones, cascadas, probabilidad de repost, pesos de influencia, homofilia ni tiempo. El experimento mide reescritura serial obligatoria. Repetir treinta veces un prompt de «médico» o «progenitor» tampoco crea treinta agentes independientes. No se valida que los perfiles reproduzcan conductas de esos grupos, y algunas instrucciones ordenan explícitamente exagerar, omitir o distorsionar; encontrar deterioro después de inducirlo es en parte una consecuencia del tratamiento.
No hay repeticiones estocásticas por celda, intervalos de confianza ni robustez entre modelos. Generador y juez pertenecen a la misma familia, de modo que comparten sesgos y errores. El artículo asume un auditor perfecto sin medir sensibilidad, especificidad, acuerdo humano o estabilidad. education1, el caso más resistente, se excluye del análisis de los diez extremos como outlier sin criterio previo. Las diferencias entre dominios y personajes se leen causalmente a partir de una sola trayectoria aleatoria por combinación.
La reproducibilidad pública es baja. El repositorio llamado LLM-Data-Poisoning contiene el apéndice y una interfaz, no el conjunto crudo anunciado. El backend conserva solo seis JSON agregados y subconjuntos de nodos. Las rutas de resultados completos devuelven 500 porque faltan los archivos. El script principal está fijado a sports-0; el uso de variables de entorno está comentado y no existe el procesador que produjo los agregados. No hay release, tag, contenedor funcional, tests ni licencia. El backend se congeló unos trece meses antes de la entrega del artículo.
La calidad de software añade riesgos graves. El repositorio público expone una clave de proyecto OpenAI en el código y otro valor no vacío en .env; esta auditoría no los prueba ni reproduce. Deben considerarse comprometidos, revocarse y eliminarse de todo el historial. El backend tiene ocho vulnerabilidades de producción, una crítica, y calcula mal el puerto: PORT=4000 arranca en 4024 por usar OR binario. La UI no instala normalmente por un conflicto Chart.js, ignora el lockfile, declara un next build --force inválido y, forzando dependencias, falla al prerenderizar /data con self is not defined; sus dependencias reportan otra vulnerabilidad crítica y seis altas.
El trabajo sí tiene méritos: publica los 21 prompts, los diez textos, las cien preguntas, describe claramente sus ramas y reconoce en limitaciones que no dispone de grafo real, tiempo, escala continua, otros modelos ni validación humana. Los agregados bastan para verificar los conteos. La conclusión rigurosa debe permanecer en ese nivel: en un prototipo no replicado con GPT-4o-mini, reescrituras seriales condicionadas por personajes aumentaron el desacuerdo de un juez LLM sobre una mezcla de preguntas factuales y especulativas. No demuestra que personajes LLM emulen sesgos humanos, que expertos estabilicen redes, que audiencias heterogéneas produzcan propaganda, ni que el marco prediga o mitigue la difusión de desinformación en ecosistemas digitales.