Este preprint presenta Cognitive Digital Shadows (CDS), un corpus de respuestas de LLM sobre cuatro temas sociales: vacunas y salud, contenido falso en redes, brecha de género en ciencia y amenaza de estereotipo en STEM. Los registros se generan en modo asistente de IA o con una persona sintética construida a partir de edad, género, sexualidad, trabajo, educación, ciudad, migración, religión, uso de redes, rasgos psicológicos y puntuaciones OCEAN. La contribución útil es infraestructural: conserva prompts, selecciones y respuestas, publica redes textuales derivadas y ofrece un notebook de Colab para filtrar perfiles y visualizar redes semánticas y emocionales. La validación mediante textual forma mentis networks sólo pregunta si palabras tomadas del tema del prompt son frecuentes o estructuralmente distintas del resto. El propio artículo delimita correctamente que esto no valida verdad, calidad, realismo de persona ni fidelidad a una población humana. La auditoría integral del commit público encuentra 226.571 JSON válidos, no un subconjunto identificable de 190.000: 133.219 son modo humano y 93.352 modo IA, con los cuatro temas casi equilibrados. Sin embargo, ninguna persona humana contiene los 17 atributos declarados porque `biological_sex` falta en las 133.219. Sólo 128.676 opiniones, 56,79%, cumplen las 250–500 palabras prometidas; 94.836 son más cortas y 3.059 más largas. Además, 2.415 registros GPT-oss usan temperatura 0,0 aunque el texto afirma 0,7 para todas las simulaciones. Los 19 CSV de análisis suman 226.924 nombres: incluyen 560 sin JSON fuente y omiten 207 JSON publicados, de modo que la línea raw-análisis no cierra. Varios directorios mezclan versiones o familias: el de Claude Sonnet 4.5 contiene dos salidas de Claude 3.5; Mistral Small mezcla `mistral-small-latest` y `mistral-large-2512`; y Phi-4-mini-instruct contiene en realidad Phi-4-mini-reasoning. El código liberado tampoco regenera el corpus: fija los dos valores de `ROLE_MODES` a `llm`, omite sexo biológico, escribe `current_marital_status` donde el parser busca `marital_status`, cubre una sola configuración Qwen, no conserva semilla y contradice la descripción del reasoning summary al pedir derivaciones completas paso a paso. Los tests de anclaje producen p muy pequeños con observaciones aplanadas y dependientes; además, significación no implica mayor centralidad, y en el notebook ejecutado de LiquidAI las cuatro medianas de palabras temáticas de los resúmenes son iguales o inferiores al resto. El dashboard es un notebook, no una aplicación alojada: exige Colab, dependencias sin fijar, montar Drive y cargar un parquet mutable de 773 MB. Zenodo preserva sólo el notebook v3 de 76 kB; el repositorio carece de licencia global, tests, CI y entorno bloqueado. CDS sigue siendo un recurso grande para estudiar respuestas condicionadas y diseñar auditorías futuras, pero debe citarse como colección sintética con importantes derivas de esquema y reproducibilidad, nunca como encuesta, población simulada o evidencia de opiniones reales.
Pregunta de investigación
¿Cómo puede construirse y ponerse a disposición un corpus trazable para comparar el discurso generado por distintos LLM bajo roles de asistente y configuraciones sintéticas de personalidad y sociodemografía en temas sociales sensibles?