Este preprint, que el manuscrito presenta como bajo revisión en VALE 2026, estudia si las respuestas de una encuesta cultural pueden servir para construir personas textuales que mejoren la predicción agregada de otras preguntas del World Values Survey (WVS). El resultado descriptivo es claro dentro de ese diseño: en diez países seleccionados deliberadamente y 35 preguntas left-out, las personas basadas en valores obtienen menor MAE que los prompts genérico, nacional y sociodemográfico. Pero el nombre «simulación intercultural» necesita una frontera importante: el sistema parte de respuestas reales de la misma población y su calibración también aprende de distribuciones humanas del país objetivo. Es mejor describirlo como imputación poblacional asistida por encuesta, no como reconstrucción autónoma de una cultura.
El trabajo usa el WVS Trend File 1981-2022 v4.1.0. Para cada encuestado, diez respuestas que sustentan el mapa cultural de Inglehart-Welzel se convierten mediante GPT-5.4 o Claude Sonnet 4.6 en frases de persona. Cada modelo recibe esos descriptores, contesta una pregunta left-out y aporta probabilidades sobre todas las opciones enteras; las distribuciones se promedian entre personas. Se prueban nueve países del convex hull cultural, Moldova, Taiwan, Japón, Islandia, Suecia, Puerto Rico, Colombia, Ghana y Jordania, y Reino Unido como comparador WEIRD. La selección es intencionalmente extrema, no representativa.
La heatmap del apéndice reporta MAE medio 0,164 para prompt genérico, 0,154 para país, 0,138 para sociodemografía y 0,108 para valores. Ghana pasa descriptivamente de 0,210 a 0,121 frente al genérico y Jordania de 0,213 a 0,125. El rango entre países también se estrecha. Esto sustenta que los diez ítems reales contienen señal predictiva útil para otras actitudes WVS y que expresarlos como descriptores ayuda a estos modelos. No prueba que Ghana o Jordania estén menos presentes en los datos de entrenamiento: el paper no mide exposición, idioma, tokenización ni cobertura de corpus. Por ello, atribuir la mejora a mitigación de sesgos heredados del entrenamiento es una hipótesis causal, no un resultado medido.
Las distribuciones sin calibrar son demasiado concentradas. El paper eleva la temperatura y aplica un exponential tilt cuyo parámetro beta conserva exactamente la media original. La temperatura se ajusta leave-one-question-out con las distribuciones humanas de las demás preguntas del mismo análisis y se aplica a la pregunta retenida. La reducción de distancia Wasserstein y la aproximación de varianza marginal son útiles, pero «sin sacrificar accuracy» es consecuencia matemática de fijar la esperanza: el MAE de medias no puede cambiar. La transformación repondera soporte existente; no crea opciones con probabilidad cero ni valida correlaciones entre preguntas, subgrupos, coherencia individual o multimodalidad real.
Los resultados no son zero-shot respecto a una población nueva. Las personas contienen diez respuestas de individuos reales del país objetivo y la calibración necesita labels humanos de otras preguntas del mismo país. El diseño evalúa generalización entre ítems dentro del mismo corpus, no un país sin encuesta. Tampoco predice a cada individuo: el propio artículo limita el claim a promedios y distribuciones agregadas. WVS aporta simultáneamente predictores y outcomes, y las asociaciones del marco Inglehart-Welzel son conocidas y potencialmente presentes en pretraining.
La incertidumbre está incompleta. No se publican N humanos, complete cases o personas por país, pesos de encuesta, composición por oleadas, tratamiento detallado de missingness, seeds, repeticiones de modelo, número de remuestreos de la curva de tamaño ni el método de sus bandas/rangos. La heatmap aplica Wilcoxon p<0,05 a numerosas comparaciones sin corrección múltiple documentada; los Mann-Whitney de descriptores usan celdas repetidas de preguntas, países y modelos sin unidad observacional clara. Una ausencia de diferencia entre GPT-5.4 y Claude no es equivalencia.
Hay además deriva interna de versiones: métodos enumera Qwen 3.5-36B y Ministral 3-27B, mientras las figuras etiquetan Qwen3.6-35B y Ministral-3-14B. Faltan IDs/revisiones, proveedores, fechas API, extracción de logprobs, templates, cuantización y configuración. No se encontró repo, código, datos, outputs, tablas por persona, temperaturas ajustadas, entorno, tests, CI o licencia; el paper promete liberarlos tras publicación. Por eso las cifras no son reproducibles hoy. La conclusión fiel es que personas derivadas de valores WVS reales mejoran de forma descriptiva la imputación agregada de otros ítems WVS y que una calibración con supervisión humana corrige dispersión marginal. No establece personas culturales fieles, creencias genuinas, predicción individual, causalidad de training-data bias, estructura conjunta humana ni generalización a países sin datos, respuestas abiertas, conducta o decisiones de alto impacto.