Este trabajo, aceptado por IEEE Transactions on Cognitive and Developmental Systems y disponible como arXiv v1 de 21 páginas, organiza la literatura sobre modelos de lenguaje como instrumentos para percibir o medir atributos psicológicos humanos. Su pregunta es si un LLM puede inferir constructos latentes, personalidad, emoción, estados cognitivos o indicadores de salud mental, a partir de conversación, texto natural o señales multimodales. Los autores estructuran el campo en tres dimensiones: plausibilidad teórica (por qué podría funcionar), metodología de medición (cómo se realiza) y eficacia aplicada (qué se ha medido). La primera recurre a resultados funcionales de teoría de la mente y a la capacidad de simular “sujetos virtuales”; la segunda distingue evaluación activa y conversacional, evaluación pasiva de lenguaje y fusión multimodal; la tercera recorre personalidad y salud mental. La fuente cita 229 referencias únicas y contiene seis tablas: una de teoría de la mente, otra de sujetos virtuales, 24 estudios organizados por paradigma, nueve marcos de personalidad, veinte filas de “tendencias” de rendimiento y quince datasets reales o sintéticos.
La síntesis describe, dentro de la evaluación activa, entrevistas o diálogos adaptativos, prompting con chain-of-thought, ajuste de instrucciones y arquitecturas multiagente que preguntan, aclaran y puntúan. En evaluación pasiva reúne clasificación zero/few-shot, embeddings, RAG, ajuste fino y destilación para inferir rasgos o síntomas desde ensayos, redes sociales y transcripciones. La sección multimodal combina texto con imagen, vídeo, audio, wearables o señales fisiológicas. Para personalidad, repasa Big Five, HEXACO, MBTI, Dark Triad y marcos menos utilizados; para salud mental, incluye detección de depresión, ansiedad, PTSD, emoción y riesgo suicida. El artículo reconoce problemas sustantivos: sensibilidad al prompt, inestabilidad temporal, respuestas socialmente deseables, dificultad con ítems invertidos, alucinación, opacidad, privacidad, sesgo cultural y demográfico, coste, dependencia de proveedores y falta de validación clínica. Su posición final es prudente: bajo condiciones controladas los LLM pueden apoyar tareas estructuradas de inferencia o cribado, pero no alcanzan la fiabilidad e interpretabilidad necesarias para sustituir instrumentos validados o juicio clínico.
La auditoría obliga, sin embargo, a cambiar cómo debe describirse la contribución. Aunque el artículo se llama repetidamente “systematic review”, no informa bases de datos, cadenas de búsqueda, fechas, criterios de inclusión o exclusión, deduplicación, fases de cribado, número de revisores, resolución de desacuerdos, diagrama de flujo, protocolo registrado, formulario de extracción, evaluación de calidad ni riesgo de sesgo. Tampoco publica el inventario completo de estudios seleccionados ni un dataset de extracción. Es por tanto una encuesta narrativa amplia con una taxonomía útil, no una revisión sistemática reproducible. No se puede saber si la cobertura es exhaustiva, qué trabajos fueron descartados o cuánto sesgo de selección afecta a las conclusiones.
También hay mezcla de objetos de estudio. El foco declarado es usar LLM para medir a personas, pero la base teórica y varias aplicaciones incluyen modelos como sujetos virtuales, cuestionarios administrados al propio LLM, role-play de personalidades y simulaciones multiagente. Que un modelo reproduzca respuestas coherentes con una persona o resuelva una prueba de teoría de la mente no demuestra que mida válidamente la personalidad o salud mental de un humano real. Parte de la sección multimodal incluye sentiment analysis sobre productos, eventos o celebridades, y la historia de salud mental incorpora BERT/RoBERTa; eso amplía el alcance más allá de LLM y psicometría humana. Estas líneas son relevantes como contexto, pero no deben agregarse como evidencia equivalente de validez de medida.
La evidencia psicométrica tampoco permite una conclusión cuantitativa uniforme. La tabla de marcos asigna etiquetas High, Moderate-High, Moderate o Low sin rubricar cómo se obtuvieron. La tabla de rendimiento mezcla accuracy, MSE, F1, mejora porcentual, descripciones narrativas, scores de rasgo, acuerdo, R², correlaciones, alfa de Cronbach, varianza explicada y d de Cohen en datasets, tareas y modelos incompatibles, incluidos métodos anteriores a los LLM. Por ello no demuestra una mejora sostenida en el tiempo ni permite ordenar sistemas. En salud mental, el texto habla de validez concurrente parcial porque algunos clasificadores igualan baselines supervisados, pero luego admite que sensibilidad, especificidad en umbrales clínicos, validez predictiva y acuerdo entre modelos están poco estudiados. Accuracy de benchmark no equivale a diagnóstico válido, calibración, beneficio clínico o cribado seguro. La frase “validez moderada” es una valoración narrativa, no un efecto combinado ni una graduación formal de certeza.
Hay además afirmaciones cuantitativas y regulatorias que requieren límites. El ejemplo de coste dice que 10.000 transcripciones de 500 tokens de entrada costarían unos 375 dólares con GPT-4; con el precio que el propio texto cita, 30 dólares por millón de tokens de entrada, cinco millones de tokens son 150 dólares. Como no especifica tokens ni precio de salida, la cifra no se reproduce. En regulación estadounidense, el artículo afirma de forma general que la FDA clasifica como dispositivo el software de apoyo clínico destinado a informar diagnóstico o tratamiento, pero la guía oficial distingue funciones Non-Device CDS que cumplen los cuatro criterios legales de otras funciones que sí son dispositivo. En la UE, “usarse en un contexto sanitario” no basta por sí solo: el artículo 6 de la Ley de IA remite a condiciones de producto/componente de seguridad y evaluación de conformidad del Anexo I o a usos del Anexo III, con excepciones. La guía APA de telepsicología de 2013 sí exige preservar fiabilidad, validez y condiciones de administración al adaptar tests a tecnología, pero no trata LLM ni fundamenta por sí sola la frase más amplia sobre herramientas automatizadas como mero suplemento del juicio clínico. Finalmente, la afirmación absoluta de que ningún evaluador psicológico basado en LLM tiene autorización regulatoria no incluye jurisdicción, registro, definición de producto, fecha ni búsqueda verificable.
La contribución defendible es un mapa conceptual amplio y una advertencia bien orientada sobre los límites actuales. No aporta un nuevo ensayo psicométrico, no hace meta-análisis, no demuestra validez clínica ni exhaustividad de la literatura y no justifica sustituir evaluaciones humanas. Su mejor uso es como puerta de entrada temática y taxonomía provisional, verificando cada estudio primario y tratando sus conclusiones agregadas como narrativas.