Este preprint y envío declarado a AIES 2026 pregunta si los cuestionarios Big Five permiten atribuir a los LLM diferencias de personalidad comparables a las humanas. El estudio cubre tres requisitos: que los ítems describan de forma apropiada a un chatbot, que las puntuaciones distingan modelos y que las respuestas reproduzcan la estructura latente de cinco factores. En la primera fase, tres expertos, dos de ellos autores, evaluaron cinco inventarios. Los dos adaptados a LLM, BFI-LLM y LMLPA, superaron el umbral de adecuación para chatbots; BFI-44, IPIP-NEO-120 y MPI no. Un piloto con nueve modelos, dos inventarios finalistas, siete plantillas y tres repeticiones seleccionó BFI-LLM y una plantilla que identifica la tarea como evaluación psicológica. En la segunda fase se administraron por separado 44 ítems a 244 entradas de modelos de 49 familias, con dos órdenes visuales de la misma escala 1–5 y cinco repeticiones por orden. De 107.352 filas BFI deduplicadas que contiene el repositorio, el preprocesado reproduce las 106.058 respuestas válidas declaradas. Las medias se concentran en los extremos socialmente deseables: alta amabilidad, responsabilidad, extraversión y apertura, y bajo neuroticismo. El modelo mixto atribuye 3% de la varianza a un intercepto general por modelo, 37% al ítem, 32% a la interacción modelo–ítem y 28% al residual. La CFA robusta sobre la matriz 244 × 44 presenta ajuste muy deficiente; apertura, responsabilidad, extraversión y amabilidad correlacionan entre .92 y .99, y los ítems invertidos cargan mucho peor que los positivos. Una EFA de dos factores tampoco ajusta bien. Este es el hallazgo más sólido: bajo este protocolo de autorreporte, no se recupera la estructura Big Five humana y las etiquetas de rasgo no tienen validez estructural demostrada. La conclusión debe ser más estrecha que parte del texto. El 3% corresponde al nivel general de respuesta por modelo y no elimina la interacción modelo–ítem del 32%; por tanto, no prueba que los modelos carezcan de diferencias estables. Las comparaciones con normas humanas usan ítems adaptados y no disponen de invariancia o equiparación de medida, de modo que son referencias direccionales, no una comparación normativa directa. Los 19 pares base/instruction muestran desplazamientos socialmente deseables en cuatro rasgos, pero mezclan rutas de inferencia, proveedores, plantillas y valores por defecto; sugieren una asociación con instruction tuning, no identifican causalmente el alineamiento como motor principal. La auditoría del repositorio encuentra datos y código sustanciales, pero no reproducción de un comando: el preprocesado escribe en `final_df` y R lee `final_dfs`, faltan derivados, entorno R, pruebas, CI, licencia e instrucciones de ejecución. Además, el parser toma el primer dígito 1–5 de muchas explicaciones. Una sensibilidad que prioriza una respuesta final explícita cambia 2.369 filas BFI de 92 modelos: las medias globales apenas varían, pero una puntuación individual puede cambiar hasta 1,17 puntos. Por ello, el patrón agregado es informativo, mientras que rankings por modelo, diferencias de familia, país o subgrupo no deben tratarse como medidas de personalidad validadas.
Pregunta de investigación
¿Cumplen las aplicaciones del Big Five a LLM tres requisitos psicométricos básicos: contenido adecuado para describir chatbots, diferencias interpretables entre modelos y una estructura interna coherente con los cinco factores humanos?