Este preprint propone CPM-MultiAgent, un orquestador de prompts para mantener una representación explícita de la emoción de una persona ficticia durante un diálogo. Un analizador extrae el desencadenante y el contexto; cuatro agentes valoran relevancia, implicaciones, potencial de afrontamiento y significado normativo; una revisión entre agentes consolida esas valoraciones; y un integrador cambia cada emoción en -1, 0 o +1, limitado a una escala de 1 a 5. Un crítico puede pedir rehacer la actualización. Aunque el texto llama «latente» al estado, en la implementación es un vector JSON estructurado y visible para los agentes, no una variable latente aprendida. La taxonomía es configurable; los casos usan las ocho emociones de Plutchik y una escala que el artículo vincula a PANAS.
La evaluación principal consta de solo 24 pruebas sintéticas construidas por los autores en tres familias: paciente simulado para formación sanitaria, estudiante simulado para comunicación escolar y cliente simulado para atención al cliente. El artículo muestra tres secuencias completas de cinco turnos, pero no publica las 24 entradas, estados iniciales, salidas o juicios. Todos los agentes usan GPT-5.4 por defecto, con temperatura 0,2 y top-p 1,0; el juez usa GPT-5.4 a temperatura 0. Se comparan zero-shot, few-shot, dos variantes CoT, self-consistency, Self-Refine y una adaptación de EQ-Negotiator. No hay repositorio oficial de código o datos. El archivo TeX dice ofrecer los prompts de baseline, pero su sección desactivada contiene siete comentarios literales «Insert the ... prompt»; faltan ejemplos few-shot, número y agregación de self-consistency, rondas de Self-Refine y adaptación de EQ-Negotiator.
Los autores reconocen que no existe un gold estándar que asigne a cada desencadenante una transición emocional correcta. Sustituyen ese criterio por seis escalas Likert juzgadas por GPT-5.4: corrección de actualización, grounding del desencadenante, consistencia temporal, consistencia de persona, calidad del razonamiento de appraisal y global. CPM-MultiAgent obtiene 4,322/5 global frente a 4,311 de EQ-Negotiator, el baseline global más fuerte: una diferencia de 0,011 sin intervalo, test o denominador claramente documentado. En consistencia de persona la diferencia es 0,006. Todas las medias están cerca del techo. Como el mismo GPT-5.4 genera y juzga los resultados, ocultar nombres y barajar el orden reduce filtración de identidad, pero no elimina autopreferencia, sesgo correlacionado ni alineación entre el diseño y la rúbrica.
Hay una inconsistencia reproducible importante: el prompt de juez impreso en Appendix D.2 solo solicita EUC, grounding, consistencia temporal, consistencia de persona y global; omite por completo Appraisal Reasoning Quality. Sin embargo, la Tabla 1 y las ablaciones publican ARQ, incluido el 4,833 del método. Esa columna no puede derivarse del prompt divulgado. Otra contradicción afecta la evaluación humana: Section 4.3 afirma que humanos y LLM usan el mismo conjunto de métricas y escala 1-5, pero el formulario humano pide solo dos preferencias pareadas categóricas, actualización emocional y razonamiento. No es la misma métrica ni la misma escala.
Participan 103 anotadores anónimos, voluntarios y no remunerados. El artículo dice contar con aprobación IRB, sin identificar comité, protocolo, demografía o reclutamiento. Frente a EQ-Negotiator, la actualización emocional recibe 41 preferencias por el método, 26 empates y 36 por el baseline. Si se excluyen empates y, de forma optimista, se tratan las respuestas como independientes, 41/67 da p binomial exacta bilateral=0,086437: no se distingue del azar ni antes de corregir multiplicidad. Las preferencias de razonamiento son más fuertes, 67/24/12 frente a EQ, pero el método obliga a producir una justificación de appraisal extensa y estructurada; la preferencia puede medir claridad o presencia de esa estructura, no que el estado emocional sea correcto. No se reportan fiabilidad interjuez, intervalos, potencia, asignación, estratos por escenario o análisis de medidas repetidas.
Las ablaciones bajan la puntuación global del mismo juez: sin peer review, 4,079; sin significado normativo, 4,200; sin desencadenante, 4,226; sin crítico, 4,262. Esto indica que la descomposición ayuda a satisfacer la rúbrica de plausibilidad en este banco, no que cada componente CPM tenga validez psicológica. La robustez repite las mismas 24 pruebas: con GPT-5.4, mini, nano y Qwen3.6-35B-A3B, el multiagente puntúa por encima de zero-shot y de una variante monolítica, pero sin incertidumbre ni dominios externos. La latencia paralela reportada baja de 14.528 a 11.004 ms para texto con GPT-5.4 y de 8.063 a 6.487 ms con mini; no se publican proveedor, región, hardware, repeticiones, varianza ni componentes de voz.
La contribución defendible es un patrón de software para externalizar y revisar una trayectoria emocional discreta durante role-play, junto con evidencia inicial de que su explicación estructurada resulta más plausible o preferible en escenarios sintéticos. No valida el Component Process Model, una emoción interna del modelo ni transiciones humanas reales. La regla de pasos enteros y el clipping predisponen trayectorias suaves, precisamente una propiedad premiada por el juez. Tampoco se evalúan las respuestas finales del personaje, resultados de usuarios, seguridad, beneficio clínico o educativo ni despliegue real. Por ello el trabajo no demuestra una simulación emocional psicológicamente correcta o generalizable; demuestra ajuste a una rúbrica y preferencia de presentación bajo un artefacto pequeño, no publicado y difícil de reproducir.