Este preprint estudia cómo diez modelos locales reescriben fragmentos de Reddit sobre autismo cuando reciben una persona «autista» o «neurotípica». Es importante delimitar el constructo: el experimento mide la respuesta de modelos a una instrucción identitaria de reescritura, no la comunicación auténtica, la cognición ni la personalidad de personas autistas. Los autores parten de AUTALIC, un corpus previo de discurso sobre autismo anotado por tres personas por fila, y afirman usar 2.120 textos para clasificación y reescritura, más 283 ejemplos para in-context learning. Prueban diez modelos de 135M a 20B parámetros; SmolLM2 y GPT-OSS Safeguard se excluyen por salidas inválidas y LLaMA Guard 3 por producir un vocabulario de solo dos tokens. El cálculo principal se describe como siete modelos por 2.120 textos, 14.840 pares de reescrituras, reducido por casos completos a 13.274 pares. La generación usa Ollama y temperaturas heterogéneas: 0 para LLaMA Guard 3, 1 para Gemma 3 y GPT-OSS, y aproximadamente 0,8 para los demás. La fidelidad al texto fuente se estima con ROUGE-1, ROUGE-L y similitud coseno de all-mpnet-base-v2; el cambio afectivo, con Twitter-RoBERTa. Se aplican Wilcoxon pareado, 10.000 remuestreos bootstrap y correlaciones biseriales por rangos. Tres modelos adicionales, Phi-4 Reasoning, Magistral y OpenThinker, actúan como codificadores cualitativos y Magistral sintetiza sus análisis. En las salidas retenidas, las reescrituras neurotípicas superan a las autistas en 0,019 de ROUGE-1 (p=4,33×10⁻²⁰; IC95% 0,015-0,024; r=0,21) y 0,017 de ROUGE-L (p=3,96×10⁻¹⁹; IC95% 0,012-0,021; r=0,20). Son diferencias léxicas pequeñas, detectables con una muestra pareada muy grande. La diferencia de similitud semántica es 0,001 con p=0,220: esto es un fallo al rechazar diferencia cero, no una demostración de equivalencia estadística, porque no se define margen ni se usa TOST u otra prueba de equivalencia. Ambas condiciones desplazan el sentimiento alrededor de +0,30 frente al original; la diferencia entre personas es -0,010 (p=0,0036; IC95% -0,017 a -0,003; r=0,06), estadísticamente detectable pero prácticamente insignificante. El artículo informa una similitud media de 0,66 entre las dos reescrituras de cada texto y la describe como casi idéntica. Esa formulación es excesiva: 0,66 no implica identidad y el valor extremo de 0,991 procede de LLaMA Guard, precisamente excluido porque actúa como clasificador de dos tokens. Los ejemplos cualitativos sí documentan fallos plausibles: Mistral NeMo sustituye contenido por marcadores, Dolphin Mistral inventa transformaciones estereotipadas y Gemma o DeepSeek producen encabezados y explicaciones procedimentales en lugar de la reescritura. Sin embargo, el prompt pide razonamiento y guardar un archivo Excel, por lo que induce parte de esos tokens procedimentales; el apéndice tampoco reproduce la plantilla neurotípica pese a afirmar que incluye ambas. Los raw outputs, codebooks, lotes, semillas y reglas de adjudicación no están publicados. Las frecuencias de fallos son estimaciones aproximadas de LLM, no conteos observados verificables. La comparación humana incorpora dos adultos autistas, un corpus disputado de 52 textos y una selección de 15. Los ejemplos sobre Autism Speaks, voz autobiográfica, lenguaje reapropiado y ambigüedad aportan hipótesis valiosas sobre errores de los clasificadores. No permiten afirmar un patrón sistemático o representativo: no se publican tasas, intervalos, muestreo, labels, reflexiones ni trazas de adjudicación, y la redacción sobre kappa es internamente ambigua. La versión v2 tampoco informa revisión ética, consentimiento, reclutamiento o compensación de esos participantes. El estudio atribuye la fragilidad a estrategias de alineamiento, pero el diseño no identifica esa causa: compara familias, tamaños, fine-tunings, temperaturas y capacidades distintas, sin un modelo base prealineamiento, una intervención de alineamiento ni pares de arquitectura controlados. También hay incoherencias en la contabilidad de modelos: LLaMA Guard se excluye del corpus principal y luego ofrece la evidencia más fuerte de colapso; GPT-OSS se excluye por invalidez y después sustenta una afirmación sobre el modelo mayor. El filtrado por casos completos puede sesgar la diferencia si una persona falla más, pero faltan conteos por modelo/condición, reglas ejecutables e IDs. ROUGE, cosine y sentimiento miden proximidad léxica, semántica y polaridad, no autenticidad comunicativa autista. La base ponderada heredada de la v1 promedia por igual AQ, SATA e IAT normalizados en una muestra de nueve anotadores; no se publican puntuaciones, pesos ni labels ponderados y su validación es pequeña y parcialmente circular. La auditoría del artefacto AUTALIC encuentra 2.400 filas y confirma 1.382 acuerdos unánimes y 1.018 no unánimes, pero el ZIP actual contiene 122 filas consecutivas con texto objetivo y contextos completamente vacíos aunque conserva las etiquetas. Un segundo repositorio contiene los 2.400 objetivos, incluidos los 122 ausentes, pero no sus contextos. Las 2.278 cadenas no vacías y los 2.400 tríos de puntuaciones coinciden fila a fila entre repositorios. Hay además 138 contextos precedentes vacíos; solo 1.876 de 2.400 están presentes, frente a 2.014 declarados en el paper original. Veintiún objetivos superan 100 palabras y el mayor alcanza 910, por lo que no son uniformemente «oraciones». No se publica el mapeo de las 2.120 filas usadas en v2, así que no puede saberse si estos defectos afectaron al análisis. El registro arXiv requiere una advertencia excepcional: v1 era un paper distinto, «Annotator Positionality as Signal», con otro título, abstract, autoría y estudio; seis días después v2 reemplazó su identidad manteniendo el mismo identificador. La página arXiv muestra cinco autores, mientras el PDF v2 acredita seis e incluye a Hana Gabrielle Rubio Bidon; esta ficha conserva la autoría del PDF. Una submission anónima aparece indexada en OpenReview, pero no se verificó aceptación, revisiones públicas ni suplemento: debe citarse como preprint. No existe repositorio específico del paper, entorno, código de generación, outputs, manifest de exclusiones, cálculos estadísticos, análisis cualitativo ni corpus humano. Los repositorios públicos corresponden al corpus previo y a un chatbot Qwen no relacionado con el pipeline de v2. Por tanto, la contribución defendible es evidencia privada de una diferencia léxica pequeña entre reescrituras identitarias retenidas, un efecto afectivo despreciable y ejemplos útiles de fallos de cumplimiento. No demuestra equivalencia semántica, autenticidad autista, causalidad del alineamiento, prevalencia de los fallos, representación de la comunidad autista ni reproducibilidad computacional.
Pregunta de investigación
¿Cambian la fidelidad léxica, la similitud semántica, el tono y los modos de fallo cuando distintos LLM reescriben discurso sobre autismo bajo una persona autista frente a una neurotípica, y puede atribuirse esa variación al alineamiento?