El artículo presenta LSLE, un marco para pedir a un LLM multimodal que responda como una persona con alfabetización visual baja, media o alta. Lo prueba con Claude Sonnet 4.6, temperatura 0,7 y diez generaciones por ítem y condición. Evalúa los 53 ítems del VLAT y los cinco ítems BeauVis sobre tres visualizaciones, tanto a partir de la imagen como de una descripción textual estructurada; añade una condición sin persona. El resultado principal es negativo: las personas no producen el gradiente humano esperado. En VLAT con imagen, baja/media/alta obtienen 0,75/0,73/0,75 frente a 0,69 sin persona y un promedio humano agregado cercano a 0,65. Con texto todas quedan en 0,97–0,98 porque la descripción entrega tipo de gráfico, ejes, valores, leyenda y rasgos visuales, eliminando buena parte de la tarea perceptiva. La concordancia del orden de dificultad con humanos es débil en imagen y máxima sin persona (Spearman 0,44 frente a 0,31/0,24/0,23); con texto es negativa o casi nula. La diferencia alta-menos-baja no sigue la discriminación humana por ítem (r=-0,08 en imagen; -0,15 en texto). La propia tabla conjunta muestra que cada persona se aleja más de la referencia humana que el modelo sin persona: JSD 0,328/0,343/0,338 frente a 0,289. En BeauVis conserva el orden grueso BeamTree < StarTree < Sunburst, pero sobrevalora el atractivo y no demuestra un efecto de alfabetización. La auditoría impide interpretar esto como validación de estratos humanos. El estudio no dispone de respuestas individuales ni construye grupos humanos bajo/medio/alto: compara las tres personas contra el mismo promedio, dificultad y discriminación publicados. El índice de discriminación VLAT tampoco es una diferencia observada entre estratos equivalente a alta-menos-baja. Los prompts prescriben directamente capacidades, errores por tipo de gráfico y confianza, sin calibración descrita, alternativas de prompt ni conjunto de prueba separado. Los umbrales VLAT sí están bien copiados del ensayo original de 54 ítems (media 34,72; DE 7,05), pero aquel protocolo ofrecía `Omit` y corrección por azar, mientras LSLE usa exactitud bruta sobre los 53 ítems finales sin documentar omisiones ni orden de respuestas. Hay un error factual adicional: el paper atribuye N=150 a la validación BeauVis, pero el trabajo primario reclutó 201 y analizó 197 tras cuatro exclusiones; su bibliografía también cambia Tingying He por Tong He. Aunque declara JSD y Earth Mover's Distance, no presenta ningún valor EMD. Tampoco publica prompts completos pese a remitir a material suplementario, imágenes y descripciones exactas, respuestas, datos humanos empleados, código, parser, fallos, configuración completa de API ni estadísticos suficientes para reproducir correlaciones, JSD o t-tests. Con diez completaciones por ítem, las distribuciones son además discretas e inciertas, sin intervalos ni análisis de sensibilidad. La aportación defendible es por tanto una advertencia empírica: describir verbalmente niveles de alfabetización puede distorsionar las respuestas de un modelo competente sin recrear diferencias humanas. La recomendación de usar LSLE solo como complemento formativo es prudente, pero su utilidad para seleccionar diseños nuevos todavía no se evalúa.
Pregunta de investigación
¿Puede un LLM multimodal condicionado con descripciones de alfabetización visual baja, media y alta aproximar la exactitud, el orden de dificultad, la discriminación y las distribuciones de juicio observadas en humanos en VLAT y BeauVis mejor que el mismo modelo sin persona?