El estudio pregunta si una opinión real de una persona ayuda a un LLM que la representa a aproximar sus demás opiniones mejor que una ficha demográfica. Parte de 564 participantes estadounidenses de Amazon Mechanical Turk encuestados en 2018: cada uno valoró 64 afirmaciones con una escala forzada de seis puntos y aportó datos demográficos. Un análisis previo de las correlaciones entre los 64 temas aplica PCA con rotación Varimax, retiene nueve factores ortogonales que explican el 72% de la varianza de la matriz y asigna cada tema al factor donde más carga. El tema con mayor carga de cada factor funciona como opinión semilla y los otros 55 como pruebas. Con ChatGPT, GPT-4o-mini, Mistral-7B y Llama-3.1-8B, el paper compara un rol genérico, solo demografía, la opinión semilla sola, demografía más una semilla del mismo factor, demografía más una semilla de otro factor y un techo que revela también la respuesta objetivo. La demografía sola no mejora de forma consistente: frente al rol genérico, el MAE medio baja en GPT-4o-mini y Llama, pero sube en ChatGPT y Mistral. En cambio, demografía más semilla del mismo factor logra el menor MAE medio no supervisado en los cuatro modelos: 1,34, 1,16, 1,29 y 1,60, frente a 1,67, 1,35, 1,55 y 2,16 al usar una semilla de otro factor. Un control con enunciados invertidos conserva el orden, aunque debilita algo el resultado. El ajuste fino con gpt-3.5-turbo-0125 muestra el mismo patrón descriptivo, pero solo para los factores Ghost y Partisan, 18 temas en total. La conclusión estrecha es útil: dentro de esta muestra, conocer una opinión correlacionada permite predecir mejor otras respuestas de esa misma persona que conocer solo sus datos demográficos. No obstante, no es validación externa. Los mismos 564 participantes y también sus respuestas de prueba se usaron para descubrir los factores, asignar temas y elegir las semillas; no hay personas, encuesta ni oleada independientes. El texto habla de efectos 'significativos' sin intervalos ni tests, no reporta semillas o repeticiones y afirma que el MAE va de 0 a 4 aunque la codificación publicada de −3 a +3 permite diferencias de hasta 6. Los datos solo se obtienen contactando a los autores y, pese a prometer su liberación, no se localizó código, outputs ni scoring públicos. Por ello el trabajo respalda asociación y predicción interna, no causalidad, propagación de creencias ni 'gemelos digitales' fieles y generalizables.
Pregunta de investigación
¿Añadir al agente la respuesta real de una persona a un tema central de una red de creencias mejora la concordancia con sus respuestas a otros temas relacionados, frente a usar solo demografía o una opinión de una red distinta?