The Effects of Demographic Instructions on LLM Personas

Este artículo corto de SIGIR 2025 estudia si añadir instrucciones demográficas cambia la concordancia de cinco LLM con juicios humanos sobre sexismo; no evalúa personalidad psicológica ni demuestra que el modelo adopte una identidad. Usa 7.958 tuits bilingües de EXIST 2023: 6.920 de entrenamiento más 1.038 de desarrollo, no el test separado de 2.076. Cada tuit tiene seis etiquetas binarias, tres de mujeres y tres de hombres y dos por cada grupo 18-22, 23-45 y 46+, para 47.748 juicios. GPT-3.5, GPT-4, GPT-4o, Mistral Small 22B y Qwen2.5-14B producen una etiqueta con un prompt base y con instrucciones que añaden solo sexo o edad. El outcome es alfa de Krippendorff de razón entre la etiqueta del modelo y la proporción humana del grupo por tuit. En la ejecución base, los cinco modelos tienen mayor alfa con el agregado femenino que con el masculino: 0,415/0,371; 0,365/0,325; 0,228/0,191; 0,353/0,310; y 0,378/0,345. Esto describe concordancia diferencial, no identifica por sí solo sesgo causal, personalidad femenina ni qué grupo es normativamente correcto. Por edad no hay dirección común. Las personas demográficas producen efectos mixtos: el prompt femenino eleva el acuerdo objetivo de GPT-4, GPT-4o y Mistral; el masculino solo el de GPT-4 y Qwen. GPT-4 y Qwen mejoran en sus tres condiciones de edad, GPT-3.5 solo en 46+, GPT-4o en ninguna y Mistral en 18-22 y 23-45 pero no en 46+. El texto afirma erróneamente que Mistral mejora consistentemente: la tabla baja de 0,392 a 0,383 para 46+. La lectura defendible es que una frase demográfica puede mover el acuerdo de modo dependiente del modelo y no fiable como mitigación. La selección del prompt también limita la inferencia: tres candidatos se probaron sobre veinte tuits y se eligió el de mayor coincidencia entre tres LLM (75%, frente a 70% y 55%); o1-preview lo reescribió después. El criterio fue consistencia entre modelos, no validez humana, calibración o reducción de sesgo, y no hay confirmación reservada. Cada celda final contiene una sola predicción por tuit; no se estiman repetición, paráfrasis o deriva de API, los cambios para Mistral/Qwen no se especifican y se agregan inglés y español sin desglose. La auditoría estadística descubre un problema sustantivo. Las tasas demográficas son observaciones emparejadas en los mismos tuits, pero el código usa t-test independiente y ANOVA/Tukey independientes. El artefacto reproduce p=0,237; respetando el emparejamiento, la diferencia mujer-hombre es solo 0,00716, pero el t-test pareado da p=0,0463 y Wilcoxon p=0,000383. Cambia la decisión nominal sin convertir 0,72 puntos porcentuales en un efecto grande. Las diferencias de edad siguen detectándose con Friedman emparejado, aunque los post hoc deben rehacerse. Los intervalos tampoco son reproducibles. El paper afirma 10.000 bootstraps e intervalos menores de 0,001, pero la función pública transpone la matriz 2x7.958, la aplana, remuestrea celdas y la reconstruye 7.958x2; la librería interpreta entonces otra estructura y se rompe el emparejamiento. Para mujer-hombre, el alfa objetivo es 0,4768 y el callback defectuoso 0,000254. En 500 remuestreos de auditoría, un bootstrap correcto da aproximadamente [0,4578; 0,4955], mientras el público produce un intervalo estrecho alrededor de cero. El commit previo al paper llama esta función 10.000 veces; como no hay outputs finales, no puede probarse qué ejecución generó el manuscrito, pero si se usó esta función sus intervalos no acotan las tablas. La distancia también importa: alfa de intervalo da 0,647 en vez de 0,477. El repositorio coincidente del primer autor compila, pero no está enlazado ni versionado en el paper y carece de dataset, predicciones finales, outputs Mistral/Qwen, CSV, intervalos, logs y tablas; el JSON intermedio no coincide en varios alfas. No hay tests, CI, tag o release; Ruff encuentra 68 incidencias y el entorno omite OpenAI. La capa API captura cualquier excepción y devuelve None sin publicar tasas finales de fallo. Tampoco hay prueba de contaminación: la nota de que las etiquetas no eran públicas no sostiene una garantía, porque el experimento usa train y desarrollo distribuidos por los organizadores. Las tablas apoyan una advertencia práctica sobre inestabilidad del persona prompting simple, no identidad, empatía, personalidad, equidad ni generalización.

This SIGIR 2025 short paper studies whether demographic instructions change five LLMs' agreement with human sexism judgments; it does not assess psychological personality or show that a model adopts an identity. It uses 7,958 bilingual EXIST 2023 tweets: 6,920 training plus 1,038 development items, not the separate 2,076-item test set. Each tweet has six binary labels, three female and three male and two in each 18-22, 23-45, and 46+ group, for 47,748 judgments. GPT-3.5, GPT-4, GPT-4o, Mistral Small 22B, and Qwen2.5-14B produce one label under a baseline prompt and prompts adding only sex or age. The outcome is ratio Krippendorff alpha between the model label and each group's per-tweet human proportion. In the baseline run, every model has higher alpha with the female than male aggregate: 0.415/0.371, 0.365/0.325, 0.228/0.191, 0.353/0.310, and 0.378/0.345. This is differential agreement, not by itself a causal bias, female personality, or normative gold standard. Age has no common direction. Demographic personas have mixed effects: female prompting raises target agreement for GPT-4, GPT-4o, and Mistral; male prompting only for GPT-4 and Qwen. GPT-4 and Qwen improve in all three target-age conditions, GPT-3.5 only for 46+, GPT-4o in none, and Mistral for 18-22 and 23-45 but not 46+. The prose incorrectly says Mistral improves consistently: Table 3 falls from 0.392 to 0.383 for 46+. The defensible conclusion is that a short demographic phrase can move agreement in a model-dependent way and is not reliable mitigation. Prompt selection also limits inference: three candidates were tried on twenty tweets and the one with greatest agreement among three LLMs was selected (75%, versus 70% and 55%); o1-preview then rewrote it. The criterion was cross-model consistency, not human validity, calibration, or bias reduction, with no held-out confirmation. Each final cell has one prediction per tweet; run-to-run, paraphrase, and API variation are unmeasured, Mistral/Qwen modifications are unspecified, and English and Spanish are pooled. Statistical auditing finds a material problem. Demographic rates are paired on the same tweets, yet the code uses an independent t-test and independent ANOVA/Tukey tests. The artifact reproduces p=0.237; respecting pairing, the female-minus-male difference is only 0.00716, but a paired t-test gives p=0.0463 and Wilcoxon p=0.000383. The nominal decision changes without making 0.72 percentage points a large effect. Age differences remain detectable with a paired Friedman check, although post-hoc tests need redesign. The intervals are also not reproducible. The paper claims 10,000 bootstraps and intervals narrower than 0.001, but the public function transposes the 2x7,958 matrix, flattens it, resamples cells, and reshapes it as 7,958x2; the library then sees another reliability structure and tweet pairing is broken. For female versus male, target alpha is 0.4768 and the defective callback 0.000254. In 500 audit resamples, a correct bootstrap gives about [0.4578, 0.4955], while the public method gives a narrow interval around zero. The pre-paper commit calls this function 10,000 times; final outputs are absent, so the exact manuscript run cannot be proven, but if this function was used its intervals do not bound the tables. Distance choice matters too: interval alpha is 0.647 rather than 0.477. The matching first-author repository compiles but is neither linked nor versioned in the paper and lacks the dataset, final predictions, Mistral/Qwen outputs, CSVs, intervals, logs, and tables; its intermediate JSON disagrees with several alphas. There are no tests, CI, tag, or release; Ruff reports 68 findings and the environment omits OpenAI. The API layer catches every exception and returns None without releasing final failure rates. No contamination test exists: the claim that labels were not public is not a guarantee because this experiment uses train and development data distributed by organizers. The tables support a practical warning about simple persona-prompt instability, not identity, empathy, personality, fairness, or generalization.