Este preprint estudia si asignar perfiles Big Five a un LLM genera decisiones de visualización que puedan interpretarse como señales de personalidad y si esas señales sobreviven al cambio de modelo, tarea y método de agregación. Compara GPT-4o-mini, GPT-4.1-mini y GPT-5-mini en dos experimentos: generación de colores para seis conceptos y valoración de 12 tipos de gráfico en tres contextos. La lectura defendible es deliberadamente cauta y coincide con la conclusión de los autores: estas personas LLM pueden servir como sondas exploratorias del comportamiento del modelo, no como sustitutos de participantes humanos ni como representación validada de preferencias de usuario.
Los 43 perfiles no proceden de 43 personas. Se construyen a partir de puntuaciones Big Five promedio por estado de EE. UU.; cada rasgo se reduce a Bajo, Medio o Alto y se eliminan combinaciones duplicadas. Por tanto, son combinaciones sintéticas derivadas de datos ecológicos. No describen individuos, no constituyen una muestra representativa y no permiten trasladar una asociación del nivel estatal al comportamiento de una persona. Además, la distancia entre perfiles es la suma L1 sobre cinco valores ordinales 0/1/2: supone intervalos iguales y el mismo peso para todos los rasgos sin una justificación psicométrica específica.
En el experimento de color se cruzan esos 43 perfiles con Banana, Strawberry y Carrot como conceptos concretos, y Serendipity, Serenity y Chaos como abstractos. Para cada concepto, perfil y modelo se recogen 30 colores RGB válidos: 7.740 por modelo y 23.220 en total. Las respuestas mal formadas o fuera de rango se rechazan y se repite la llamada hasta completar 30, pero no se publican el número ni el patrón de rechazos. GPT-4o-mini y GPT-4.1-mini usan temperatura 0,7. GPT-5-mini no admite ese parámetro y recibe 30 seeds fijas combinadas con ocho lentes interpretativas, literal, afectiva, metafórica, atmosférica, apagada, vívida, oscura y clara. Es un protocolo de prompt distinto; los propios autores lo presentan como stress test, no como comparación de muestreo equivalente.
Los RGB se convierten a CIELCH y cada perfil queda representado por un histograma circular de tono con 36 bins. Se compara la distancia L1 de personalidad con la distancia Hellinger entre histogramas mediante un test de Mantel de 9.999 permutaciones. A 36 bins, GPT-4o-mini no muestra asociación significativa en ninguno de los seis conceptos; GPT-4.1-mini la muestra en los seis, con r entre 0,12 y 0,21 y p<=0,006; GPT-5-mini solo en Strawberry, p=0,001, y Chaos, p=0,015. Tras Holm sobre 18 pruebas sobreviven cuatro conceptos de GPT-4.1-mini y Strawberry en GPT-5-mini. Al cambiar a 18, 36 y 72 bins, los recuentos se mantienen en 0/6 para GPT-4o-mini y 6/6 para GPT-4.1-mini, pero varían 4/6, 2/6 y 2/6 para GPT-5-mini. Las cifras exactas por concepto están en un Supplemental.pdf anunciado pero no publicado.
Una ANOVA descriptiva sobre el tono lineal atribuye en conceptos abstractos eta cuadrado 0,038 a persona y 0,008 a modelo, una razón de 4,7. Sin embargo, el tono es circular. Al repetir con seno y coseno, la relación pasa a 0,036 frente a 0,018, solo dos veces, y para Banana se invierte qué factor domina. En conceptos concretos, modelo y persona explican de media 0,015 y 0,020. El residuo domina los ajustes, entre 0,929 y 0,982. Además, el efecto abstracto agregado procede sobre todo de GPT-4.1-mini: eta cuadrado medio de persona 0,23, frente a 0,05 en GPT-4o-mini y 0,03 en GPT-5-mini. Esto respalda dependencia de configuración, no un efecto estable de personalidad. La ANOVA no modela por completo la estructura anidada y los seis conceptos fueron elegidos, no muestreados; no permiten generalizar una diferencia de categoría.
El segundo experimento recrea 12 idiomáticas de gráfico para jerarquía, serie temporal y comparación. Cada persona puntúa claridad, interpretabilidad, atractivo y preferencia global de 1 a 7. El orden de los gráficos es fijo. Para aproximarse al N=64 de Alves et al., los autores generan 60 ejecuciones a partir de solo 43 perfiles, repitiendo algunos. Esas repeticiones son muestras estocásticas, no 60 perfiles independientes. Se agrupan por cercanía a tres prototipos etiquetados Organized and Stable, Sociable and Cooperative y Emotionally Reactive, con n=24, 14 y 22; siete perfiles empatan y se asignan al grupo de índice menor. Las etiquetas son interpretaciones impuestas, en especial asociar neuroticismo alto con «emocionalmente reactivo», y pueden reificar estereotipos.
Para GPT-4.1-mini, los tres grupos eligen Treemap para jerarquía, Line Chart with Points para tiempo y Radar para comparación bajo mayoría, IRV y Borda. Las cuotas Borda son 47/43/43 %, 46/52/49 % y 31/35/28 %. Apriori cambia el ganador en 5 de 27 celdas, sobre todo hacia Pie en comparación, y el promedio Likert también produce ganadores distintos y menor estabilidad. En 1.000 bootstraps, jerarquía y tiempo tienen 97,6-100 % de estabilidad; comparación cae a 91,6 %, 97,7 % y 53,4 % según grupo. Pero el bootstrap trata las ejecuciones duplicadas como unidades persona y no representa incertidumbre sobre los 43 perfiles únicos ni sobre su derivación estatal.
Los tres modelos coinciden en el primer gráfico de las nueve combinaciones grupo-contexto. La evidencia decisiva es que una condición sin persona recupera el mismo ganador en 8 de 9 combinaciones modelo-contexto; la excepción es una casi igualdad de GPT-5-mini donde Radar queda segundo. El contexto de la tarea, por tanto, domina la primera posición. La persona modifica niveles de puntuación y posiciones inferiores más que el ganador. El Kendall tau medio entre modelos es 0,79, con medias por pareja 0,889, 0,778 y 0,711; cinco de 27 celdas bajan de 0,5, principalmente en el tercer grupo. Los modelos mixtos tampoco cambian ningún ganador, aunque el tercer grupo puntúa aproximadamente 0,93 puntos menos que el primero en la escala de 7. Esa diferencia puede ser un estilo de respuesta inducido por el prompt, no una preferencia visual.
Las 12 regresiones OLS de GPT-4.1-mini usan 60 filas, cinco rasgos simultáneos y no tienen holdout. Informan 36 de 60 coeficientes significativos tras Holm, pero los perfiles repetidos reducen la independencia y los coeficientes completos no están disponibles. Tampoco hay validación humana emparejada. Los ganadores difieren del estudio humano citado para jerarquía y tiempo, y los autores correctamente no afirman una réplica. No se miden comprensión, precisión de tarea, tiempo, accesibilidad, carga cognitiva, confianza, satisfacción ni calidad de una visualización aplicada.
La reproducibilidad está incompleta. El texto afirma que todos los prompts, asignaciones de perfiles y clusters, estadísticas Mantel, sensibilidades, regresiones, rankings, matrices Kendall y baseline sin persona están en Supplemental.pdf. Ese archivo no forma parte del tar de arXiv, las rutas auxiliares devuelven 404 y no se encontró una copia pública en búsquedas por título, autores, OSF o GitHub. El archivo fuente contiene TeX y cinco figuras, pero no código, datos, outputs o scripts. Tampoco se identifican snapshots exactos de modelo o fechas de API. Por ello, las tablas resumidas pueden describirse, pero la mayor parte de los resultados exactos no puede verificarse ni reproducirse.
La aportación más sólida no es una recomendación de colores o gráficos ni una demostración de personalidad humana simulada. Es una advertencia metodológica: la variación visual puede confundirse con señal de persona; la señal cambia con el modelo y el protocolo; el tratamiento circular y la agregación alteran la magnitud o el ganador; y un baseline neutro revela que el contexto explica casi toda la primera elección. Antes de interpretar personas LLM como usuarios hacen falta múltiples configuraciones, conceptos muestreados, perfiles individuales válidos, control sin persona, análisis que respete repeticiones, artefactos completos y calibración directa con humanos.