BlossomPsy es un prototipo de evaluación MBTI que sustituye parte del cuestionario por conversación abierta y, cuando su estimador considera baja la confianza, muestra pares de imágenes. Dos agentes Doubao formulan preguntas en chino. Un RoBERTa-base compartido alimenta cuatro clasificadores binarios y uno de 16 tipos; una variante de UCB decide qué dimensión explorar y un PID ajusta dos parámetros de la transformación de confianza durante entrenamiento sintético. Trece ítems MBTI-M se convierten en pares visuales mediante tres agentes y supervisión humana; nueve se retienen. Es una idea de interfaz adaptativa, no un instrumento psicométrico validado ni una herramienta clínica.
La comparación principal de arXiv v2 mezcla 12 estudiantes universitarios chinos con nueve participantes simulados mediante Qwen y Doubao. Los 21 completan BlossomPsy y MBTI-M chino. Siete coinciden en cuatro dimensiones, nueve en tres, tres en dos y dos en una; es decir, 16/21 coinciden en al menos tres. No se publican resultados separados para las 12 personas y los nueve LLM. Estos últimos representan el 43 % de la muestra y reciben prompts que les ordenan adoptar un tipo MBTI; su consistencia sirve como stress test del flujo, pero no añade evidencia psicométrica humana. MBTI-M se usa como referencia, no como verdad de personalidad.
La tabla dimensional no es aritméticamente reproducible. Reporta accuracy/F1/κ de 0,76/0,79/0,63 para E/I; 0,67/0,72/0,50 para S/N; 0,95/0,92/0,90 para T/F; y 0,76/0,78/0,62 para J/P. El propio artículo define accuracy como aciertos/(aciertos+errores). En clasificación binaria, accuracy 0,76 permite como máximo κ≈0,546, por lo que 0,63 y 0,62 son imposibles; accuracy 0,67 permite como máximo κ≈0,405, no 0,50. Una enumeración exhaustiva tampoco encuentra matrices 2×2 de 21 casos que reproduzcan esos tripletes. Solo T/F es factible. Si los accuracy redondeados fueran 16/21, 14/21, 20/21 y 16/21, sus intervalos Wilson 95 % serían aproximadamente [0,549;0,894], [0,454;0,828], [0,773;0,992] y [0,549;0,894]. Sin etiquetas, matrices o código, no deben citarse los κ como evidencia fiable.
Existe además deriva sustantiva entre versiones. v1 declaraba 45 participantes, 12 humanos y 33 LLM, y mostraba una distribución por 16 tipos que sumaba 45. Un día después, v2 declara 21, los mismos 12 humanos y solo nueve LLM, y reemplaza esa distribución por una tabla de procedencia. Las cifras de coincidencia, accuracy, F1, κ, el radar de experiencia y las conclusiones permanecen iguales. Los porcentajes de coincidencia encajan exactamente con 7, 9, 3 y 2 de 21, pero no hay explicación de la revisión ni datos para saber qué figuras usan 21, 45 u otros subconjuntos.
La afirmación de mayor satisfacción se apoya solo en un radar sin valores numéricos. No se indica si respondieron 12 humanos, los 21 casos mezclados u otra muestra; faltan ítems, anclajes, medias, dispersión, respuestas individuales, orden, contrabalanceo y tests pareados. El gráfico sugiere una preferencia preliminar de interfaz, pero no establece un aumento estadístico de satisfacción o engagement. Tampoco se reportan tiempo, abandono, errores, accesibilidad o carga cognitiva.
La validación visual está dominada por simulación. Cada uno de los 13 pares recibe diez respuestas humanas y 40 de Qwen; por tanto, 80 % de los 50 votos son sintéticos. Los pares se modifican y vuelven a probar hasta superar 66 %, y los nueve retenidos no se validan en una muestra independiente. Coincidir con el ítem textual mide acuerdo de elección, no que la imagen mida el rasgo MBTI. No hay análisis de ítems, estructura factorial, funcionamiento diferencial o validación de psicólogos. El texto reconoce posibles sesgos visuales por género y cambia figuras según el género del usuario, pero no valida esa regla, no contempla identidades no binarias y no presenta análisis de equidad.
El clasificador se entrena en Personality Cafe, 8.675 usuarios con 50 posts y etiquetas auto-reportadas, y se afina en posts CPME filtrados por palabras supuestamente propias de estudiantes, traducidos al inglés. No se publican tamaños después de filtros, vocabulario de selección, modelo de traducción, splits, índices, seeds o separación por autor. Personality Cafe trata explícitamente MBTI y puede filtrar nombres de tipos; el paper no dice si los elimina ni si segmenta antes de dividir usuarios. CPME tiene etiquetas por usuario; sin split por autor, fragmentos del mismo usuario podrían cruzar entrenamiento y test. También faltan controles de duplicados y asegurar que over/undersampling ocurre solo en training. La fila fuerte de RoBERTa, 0,838/0,920/0,797/0,759, carece de una definición inequívoca de población de test y métrica. Otra tabla publica 84/87/86/81 % en un «contextual setting» diferente que no se especifica.
Las ablaciones usan solo 16 LLM simulados, uno por tipo, sin repeticiones o incertidumbre. El sistema completo muestra más coincidencias que algunas variantes, pero eliminar PID, fotos o mUCB cambia también la información y la ruta conversacional. El PID converge cerca de α=15,57 y β=5,51 en un entorno CPME corrompido; no se compara con grid search o random search, y el propio artículo admite que alternativas simples podrían igualarlo. La convergencia de dos escalares no demuestra calibración, mejor testing adaptativo o necesidad de control PID.
No se encontró código, checkpoint, datos procesados, evaluaciones brutas o scripts estadísticos; el tar de arXiv contiene TeX y figuras. Tampoco se informa consentimiento, revisión ética, compensación, reclutamiento o gobernanza de conversaciones personales. La contribución defendible es un diseño exploratorio de UX y orquestación para hacer un test más conversacional. No demuestra validez MBTI, personalidad real, transferibilidad a Big Five, superioridad causal de sus componentes ni aptitud para clínica, educación, empleo o decisiones de alto impacto.