Este preprint de 20 páginas estudia si una entrevista adaptativa ayuda a un LLM a predecir decisiones auto-reportadas de una persona. Veinte voluntarios de 20 a 30 años, equilibrados por género según los autores, fueron reclutados en redes académicas online, sin compensación, para una sesión aproximada de 60 minutos. Un modelo de razonamiento DeepSeek genera diez preguntas abiertas individualizadas sobre prioridades, decisiones, miedos, autoconocimiento, afrontamiento, relaciones, conflictos de valores, identidad, regulación emocional y narrativa vital; tras las respuestas, formula cinco o seis seguimientos y sintetiza un resumen de personalidad. Después, cada participante informa uno o dos tipos MBTI posibles, completa lo que el artículo denomina BFI-44 y responde 25 escenarios morales y sociales creados por los autores. GPT-5 intenta reproducir esas respuestas con tres representaciones: solo Core-10, la entrevista completa y el resumen. El resultado agregado no muestra una mejora por añadir contexto: Core obtiene 0,379 con IC95% [0,337, 0,420], Full 0,365 [0,333, 0,402] y Summary 0,393 [0,350, 0,433]; los intervalos se solapan y el propio artículo los trata como diferencias descriptivas. La puntuación mezcla 17 elecciones categóricas, 7 escalas Likert y un único ranking. Las elecciones quedan casi iguales, 0,391, 0,397 y 0,403; el exact match Likert es 0,307, 0,236 y 0,329, mientras tolerar un punto produce 0,579, 0,743 y 0,721. Q17, el único ranking, se evalúa por concordancia de sus diez pares y obtiene 0,675, 0,730 y 0,675. No es exactitud de ranking completo y su azar aproximado es 0,5, distinto del de las otras tareas; promediar los tres formatos no genera una métrica homogénea. La tesis central se apoya en 340 pares participante-pregunta de elección. Bajo Full, 134 trazas citan evidencia de seguimientos, solas o junto al Core; 61 son correctas, 45,5%, frente a 81 de 206, 39,3%, que no la citan. En comparación pareada con Core, 15 mejoran, 6 empeoran, 46 siguen correctas y 67 siguen incorrectas. La auditoría recalcula que 15 frente a 6 da p exacta bilateral 0,0784 y que 61/134 frente a 81/206 da Fisher p=0,263, antes incluso de corregir la dependencia por 20 participantes y 17 preguntas. Además, uso de seguimiento es una etiqueta post-hoc de la misma traza cuya exactitud se evalúa: preguntas, participantes y dificultad difieren entre grupos, de modo que la asociación no identifica un efecto causal de la entrevista adaptativa. Los intervalos del análisis de razonamiento remuestrean predicciones individuales e ignoran clustering por participante e ítem. De 680 trazas Core y Full, solo 120 únicas, 17,6%, integran la verificación humana: 60 con tres anotadores y 60 con uno. El 95% de acuerdo humano y 87,9% con pre-etiquetas no especifican estadístico, IC, acuerdo por clase ni corrección por azar; 312 de 340 etiquetas Full son value-based, por lo que la prevalencia puede inflar el acuerdo. La explicación del propio modelo tampoco prueba qué evidencia causó internamente la decisión. El cuestionario público confirma que los 25 escenarios son ítems ad hoc con referencias conceptuales a CNI, delay discounting, ERQ, Schwartz o Big Five, no ítems validados de esas baterías. No hay pilotaje, fiabilidad, análisis factorial ni validación de constructo. Los llamados pares de consistencia cambian dominio, opciones y dirección; el PDF final empareja Q21 con Q25, mientras TeX y notebook usan Q21 con Q22. El notebook compara letras literales aunque las opciones no están semánticamente alineadas, mezcla incluso una elección Q19 con una escala Q20 y no aplica reverse coding, por lo que su salida 0,680 no es interpretable. La procedencia de Big Five también queda sin resolver. El artículo afirma BFI-44, pero el enlace actual de MindWorks muestra 50 ítems basados en Goldberg. La escala uniforme 1-40 y el corte 20/21 encajan más naturalmente con diez ítems por rasgo que con el BFI-44 de conteos desiguales. Sin formulario archivado, scoring o datos no puede confirmarse qué se administró. Luego el análisis desecha la magnitud y binariza cada rasgo en 20 frente a 21 sin validar el umbral ni publicar prevalencias. MBTI también es un diagnóstico débil: algunos humanos declaran dos tipos y el modelo dos candidatos; hit@2 puede acertar entre hasta cuatro combinaciones. Off-by-1 y off-by-2 son bins exclusivos, aunque la tabla dice que menor es mejor; menos near misses también puede significar errores más lejanos. El orden fijo entrevista-cuestionarios puede cebar las respuestas posteriores, algo reconocido por los autores, y el resumen generado por LLM puede estar estilísticamente optimizado para otro LLM. No hay control contrabalanceado, resumen humano o control de igual longitud. Tampoco se conservan snapshots exactos de GPT-5 o DeepSeek-R1, proveedor, endpoint, metadata de respuesta o fecha por llamada; la temperatura de entrevista se expresa como rango 0,8-1,0, se mantienen defaults de API y temperatura cero no garantiza determinismo alojado. La auditoría revisó visualmente las 20 páginas del paper, las 6 del cuestionario, el TeX y las 37 celdas del Colab. El notebook depende íntegramente de CSV privados en Google Drive y solo puntúa un fichero de predicción cada vez. No contiene inferencia, los tres contextos, bootstrap, agregación de trazas ni acuerdo humano, aunque el artículo afirma que el código enlazado incluye bootstrap y razonamiento. Sus outputs están desordenados o stale: Q17 vale 0,725 en una celda y 0,1 en la siguiente. Tras crear Q17_rep, la exactitud por usuario conserva también Q17 original y promedia 26 columnas, contando el ranking dos veces; el heatmap tiene 26 datos y 25 etiquetas. No se publican respuestas humanas, transcripciones, predicciones, trazas, anotaciones o entorno, por lo que el resultado principal no se reproduce. En ética, los autores dicen que no hubo revisión IRB formal y se autoencuadran en 45 CFR 46.104 categoría 2, pero no identifican institución, decisión oficial o número de exención; dos autores figuran como independientes. Las narrativas se enviaron a APIs comerciales y se almacenan localmente, pero no se documentan retención del proveedor, términos de procesamiento, eliminación o si el consentimiento cubría terceros. La contribución defendible es un estudio piloto transparente al reconocer que más contexto no mejora uniformemente y un diseño interesante para separar elicitation, compresión y grounding. No demuestra que el seguimiento mejore la alineación, que las trazas revelen el mecanismo interno, que el instrumento mida conducta o personalidad estable, ni una regla general sobre qué representación usar por tipo de tarea.
Pregunta de investigación
¿Una entrevista con diez preguntas abiertas, seguimientos adaptativos y un resumen permite que GPT-5 prediga mejor las decisiones, MBTI y Big Five auto-reportados de una persona, y cuándo usa realmente la evidencia obtenida en los seguimientos?