Teaching Values to Machines es un trabajo publicado en el workshop GEM 2026 de ACL, páginas 825-847, DOI 10.18653/v1/2026.gem-main.70 y licencia CC BY 4.0. Su preprint asociado requiere una advertencia de procedencia: arXiv:2605.30036v1 se envió el 28 de mayo de 2026, pero Asaf Yehudai retiró v2 el 16 de junio indicando un desacuerdo sobre la atribución adecuada y la intención de resolverlo. La versión arXiv vigente no tiene PDF ni licencia; ACL Anthology mantiene, no obstante, una publicación con Asaf Yehudai, Naama Rozen y Ariel Gera como autores. La auditoría tomó como fuente autoritativa el PDF GEM y revisó visualmente sus 23 páginas, el texto completo y, además, las 23 páginas y el TeX completo de arXiv v1. El estudio pregunta si descripciones breves de valores pueden cambiar sistemáticamente el comportamiento de LLMs, si las estructuras valorales y las relaciones valor-conducta resultantes se parecen a correlaciones humanas y si mezclas de outputs permiten simular experimentos psicológicos poblacionales. La intervención no aprende una personalidad: antepone uno de diez prompts basados en Schwartz, poder, logro, hedonismo, estimulación, autodirección, universalismo, benevolencia, tradición, conformidad o seguridad, que pide imaginar ser una persona que valora intensamente ese contenido. Se evalúan Flan-T5-XXL, Llama-3-8B-Instruct, Llama-3-70B-Instruct, Mixtral-8x7B-Instruct, Qwen3-235B-A22B-Instruct-2507, GPT-OSS-20B y GPT-OSS-120B. Para RQ1, los autores reutilizan el test de persona de Perez et al.: seleccionan aleatoriamente 50 enunciados por conducta, los convierten en preguntas sí/no bajo los diez prompts y calculan acuerdo. Las figuras muestran cambios grandes en política, religión, ética, personalidad, agencia y seguridad, y algunas correlaciones negativas entre pares teóricamente opuestos. No se informa cuántas conductas entraron, qué 50 enunciados se eligieron ni las seeds. La capa psicológica usa PVQ de 40 ítems para medir diez valores y cinco evaluaciones conductuales: nueve causas de donación, Prosocialness Scale de 16 ítems, Paired Charity Game, BFI-2 de 60 ítems y Everyday Behavior Questionnaire de 85 ítems. Se declara temperatura 0,7 y 100 repeticiones por prompt; faltan revisiones exactas de modelos, runtime, serialización, top-p, límites, seeds, parser, retries y fechas. Los outputs se combinan en pseudopoblaciones. Uniform asigna 10% a cada valor. H-Norm renormaliza la fracción humana con un valor dominante; H-Even reparte entre los diez valores el aproximadamente 53% que una fuente clasifica sin valor dominante; H-NP representa ese 53% mediante el modelo sin priming. Model-Specific pondera cada valor según su similitud con la estructura humana objetivo. Para estructura de valores, el artículo calcula correlaciones entre diez scores, proyecta con MDS en dos dimensiones, alinea el mapa LLM al humano mediante Procrustes y define S_V=1-disparidad. La Tabla 1 presenta ese score en escala 0-100: promedios 79,40 Uniform, 80,90 H-Norm, 81,76 H-Even, 82,81 H-NP y 78,81 Model-Specific. H-NP es máximo en seis modelos; Mixtral alcanza su máximo con H-Norm. La tabla y el texto llaman a S_V correlación, pero no lo es: es uno menos una disparidad Procrustes después de MDS. Para conducta, se correlacionan las formas vectorizadas de matrices valor-conducta de LLM y humanos, ahora sí mediante Pearson S_B. En H-NP, la Tabla 2 da medias por modelo desde 45,8 en Llama-3-8B hasta 68,0 en Qwen. Las medias por área son 77,7 Charity, 45,2 Donation, 39,1 Prosocial, 72,5 Everyday y 64,4 Big Five; Llama-3-8B obtiene -4,1 en Prosocial sin significación. La tabla Uniform del apéndice da 48,7-69,0 y supera ligeramente a H-NP en promedio conductual. Una ablación compara Priming Only, un PVQ previamente contestado como contexto, Test Only, y ambos. En H-NP las medias son 59,0, 41,5 y 55,6 respectivamente: Priming Only gana en cuatro de siete modelos y Priming & Test en tres. En Uniform son 59,8, 42,2 y 56,4. Las medias impresas son aritméticamente consistentes. El principal límite causal es que valor y conducta reciben la misma etiqueta explícita. Al mezclar los diez grupos, las diferencias de medias entre prompts pueden producir una correlación valor-conducta alta aunque dentro de cada prompt o run no exista una relación estable. El artículo no separa covarianza intra- y entre-condición ni usa un modelo multinivel. Dice que valor y conducta se miden independientemente, pero no explica cómo empareja generaciones estocásticas de PVQ y conducta para formar una muestra: si se emparejan draws independientes, la correlación individual es artificial; si existe continuidad, seed o historial compartido, no se documenta. Las 100 generaciones de un mismo modelo y prompt son una distribución de outputs, no cien personas independientes. No hay identidad persistente, historia vital, estabilidad longitudinal o representatividad demográfica. Los métodos human-informed incorporan el target humano en la mezcla, por lo que parte de la mejora está diseñada. Model-Specific es más circular: usa la similitud a la matriz humana para elegir pesos y evalúa contra esa misma matriz sin cohorte held-out. Su fórmula w_v=s_v/suma(s_k) normaliza Pearson crudos; si algún s_v es negativo puede producir pesos negativos, no una probabilidad. Los scores y pesos no se publican. MDS también queda subespecificado: no se da transformación correlación-distancia, algoritmo, inicialización, seed, stress o convergencia. La proyección 2D y el ajuste óptimo de traslación, rotación y escala favorecen mapas visualmente parecidos, pero no hay null distribution ni incertidumbre. La significación usa 100 bootstraps de 500 muestras y un t-test de una muestra de las 100 correlaciones contra cero. Los bootstraps reutilizan el mismo pool y no son experimentos independientes; tratarlos como N=100 reduce artificialmente el error estándar. No se dan intervalos, corrección por múltiples comparaciones o una permutación que preserve prompts e ítems. Las estrellas son por ello anti-conservadoras. Los targets humanos tampoco forman una población única: Charity reúne 276 donantes australianos y 1.042 estadounidenses; Big Five usa 246 estudiantes israelíes; el juego solo 46 estudiantes israelíes; Everyday agrega 1.857 personas de Italia, Polonia, Rusia y EE.UU.; Prosocial combina dos muestras italianas de 340 y 245 jóvenes. No se explica pooling o weighting. El LLM contesta BFI-2, pero la matriz humana procede de un estudio de 2002 anterior a BFI-2; la correlación entre instrumentos no garantiza equivalencia de ítems. El prior de 53% se traslada a todas esas poblaciones sin publicar los diez pesos exactos. El reclamo de más de cinco millones de preguntas tampoco puede reconstruirse: faltan el número de conductas Perez, lista de enunciados, si RQ1 se repite 100 veces, serialización y ledger por condición. No se encontró repositorio de autores. El TeX contiene una promesa comentada de publicar código/datos, pero el release real solo incluye manuscrito y figuras: faltan items, outputs, matrices humanas, pesos, parser, bootstraps y scripts. La contribución defendible es que instrucciones explícitas de valores cambian de forma marcada las respuestas y que mezclas de distribuciones prompt-conditioned pueden aproximar correlaciones agregadas seleccionadas. No demuestra valores internos, personalidad persistente, individuos humanos sintéticos, relaciones valor-conducta individuales, representatividad poblacional, significación válida ni reproducción independiente. Debe citarse como publicación GEM 2026 con advertencia visible de que el registro arXiv asociado sigue retirado por un desacuerdo no resuelto de atribución.
Pregunta de investigación
¿Pueden prompts explícitos basados en los diez valores de Schwartz inducir patrones coherentes de respuesta en siete LLMs, aproximar correlaciones humanas entre valores y conductas y formar pseudopoblaciones mediante mezclas de outputs?