Este preprint presenta NDBench, un audit de cómo GPT-5 Chat y Claude Sonnet 4.6 responden a 24 consultas en inglés cuando el system prompt no contiene contexto, incorpora uno de cuatro perfiles neurodivergentes sintéticos o añade además directivas de adaptación. El repositorio permite reconciliar 576 respuestas correctas y 1.152 juicios LLM. En el análisis publicado, la condición con directivas produce en promedio 83,8 tokens, 2,24 encabezados y 12,59 palabras por paso más que el control. Los dos jueces coinciden suficientemente sólo en refuerzo del enmascaramiento (alpha 0,808) y calidad de validación (0,700). En la primera métrica, declarar el perfil sin la salvaguarda no cambia el resultado agregado, mientras la prohibición explícita de aconsejar parecer normal, actuar de forma neurotípica o enmascararse reduce la media 44% en Claude y 36% en GPT sobre seis prompts adversariales. La interpretación correcta es estrecha: los dos modelos obedecen preferencias detalladas y directivas explícitas, incluida una salvaguarda anti-enmascaramiento. No se demuestra que infieran por sí solos una adaptación adecuada a la neurodivergencia. La condición llamada sólo persona ya especifica preferencias de comunicación, formato, detalle, tono y texto libre, como listas numeradas, encabezados, viñetas o espacios; por eso el aumento estructural no puede atribuirse a declarar ADHD, autismo, dislexia o AuDHD. En C2, además, el propio prompt ordena usar encabezados, listas, pasos, validación y lenguaje anti-enmascaramiento, de modo que las métricas son principalmente controles de seguimiento de instrucciones. No participaron personas neurodivergentes y no se midieron utilidad, accesibilidad, preferencia, éxito de tarea ni resultados reales. El diseño también sobrestima la estabilidad: las cuatro celdas de perfil de C0 envían exactamente la misma solicitud y generan textos distintos en los 48 grupos modelo-consulta, pese a usar temperatura cero; C1 y C2 sólo tienen una generación por celda. El modelo estadístico usa 576 filas con sólo query_id como intercepto aleatorio, omite perfil e interacciones y no justifica generalización desde dos endpoints. El código no implementa el contraste C2-C1, Cohen d, intervalos bootstrap ni la comprobación de varianza prometidos. Cuatro métricas de daño fallan el umbral de fiabilidad, y el texto conserva cifras de acuerdo y enmascaramiento que contradicen sus CSV. Aun con estos límites, la publicación de prompts, respuestas, juicios y análisis convierte NDBench en un artefacto útil para auditar cumplimiento de prompts y salvaguardas, no en evidencia clínica o poblacional sobre personas neurodivergentes.
Pregunta de investigación
¿Cambian dos modelos conversacionales de frontera la estructura, el estilo superficial y ciertos patrones potencialmente dañinos cuando el system prompt incluye un perfil neurodivergente sintético y directivas explícitas de adaptación?