Este preprint presenta MEDS, un corpus para estudiar cómo 14 carpetas nominales de LLM responden sobre matemáticas en dos condiciones: como asistente de IA sin persona o representando una persona sintética con sociodemografía, materias favoritas y rechazadas y rasgos OCEAN. Cada ejecución pretende conservar cinco JSON que cubren cuatro tareas: una entrevista de siete preguntas; tres escalas de autoeficacia y ansiedad con justificaciones; dos lotes de asociaciones semánticas; y 18 problemas de opción múltiple con explicación y confianza. El valor real del trabajo es el corpus abierto: permite inspeccionar prompts, respuestas, puntuaciones, asociaciones y metadatos, y comparar descriptivamente familias y modos. La validación del artículo encuentra distribuciones más variadas al usar personas, asociaciones negativas con matemáticas en algunos modelos, salidas clasificadas como falacias y brechas entre exactitud y confianza. Estas observaciones describen texto generado, no validan que los perfiles se comporten como estudiantes reales. No hay participantes humanos ni contraste con una población, y tampoco se presentan fiabilidad, estructura factorial, invariancia o validez criterial de las escalas cuando las responde un LLM. EmoAtlas mide léxico emocional y el clasificador DistilBERT etiqueta texto; ninguno demuestra emoción sentida, ansiedad, cognición o falacias adjudicadas humanamente. La auditoría integral de las 34 páginas, la fuente TeX y el commit público encuentra 139.948 JSON válidos, no 140.000. Hay 28.000 ejecuciones iniciadas, pero sólo 27.987 completas: trece ejecuciones humanas de Granite conservan únicamente la entrevista. De las 55.974 respuestas de asociaciones, 194 incumplen los 25 términos exigidos; nueve registros matemáticos sustituyen identificadores de preguntas por valores como 20, 45, 80, 200 o 360; 23 respuestas carecen de razonamiento y 59 resúmenes finales están vacíos. El CSV de escalas sí reproduce exactamente los 27.987 registros completos y 1.287.402 ítems. En cambio, el CSV demográfico tiene 27.543 personas, de las que sólo 21.004 pertenecen a ejecuciones humanas completas; 6.539 son restos fuera de la selección e incluyen dos modelos ausentes del corpus final. Diez carpetas mezclan alias de modelo o endpoints, sin digest que fije el checkpoint. El único código liberado es un notebook de generación sin ejecutar: fija `ROLE_MODES` a dos valores `human`, genera 1.800 sesiones con semilla nula y un modelo placeholder, por lo que no puede producir las 6.983 ejecuciones base LLM, los 14 entornos exactos, la selección, la limpieza ni las figuras. Tampoco se publica el código de corrección BERT, EmoAtlas, clasificación de falacias, redes, estadística o calibración. La Figura 8 presenta otra ruptura de trazabilidad: la exactitud pública reproduce 13 de 14 barras, pero ninguna barra de confianza coincide con el promedio de `(puntuación-1)/4` definido en el apéndice; Grok da 0,942 en los JSON frente a 0,884 en el SVG y Mistral Small 4 da 0,755 frente a 0,508. Ministral 3B muestra exactitud 0,350 en la figura, pero 0,486 en el corpus actual. Además, el problema 18 usa BD en la proporción y entrega BC como dato, de modo que la respuesta publicada presupone una corrección no escrita. MEDS es útil como colección sintética para auditorías exploratorias y diseño de herramientas, pero no demuestra realismo humano, eficacia educativa, seguridad de tutores ni diferencias reales entre grupos.
Pregunta de investigación
¿Cómo construir y describir un corpus multimodal de respuestas sintéticas que permita comparar rendimiento matemático, confianza declarada, ansiedad, autoeficacia, explicaciones y asociaciones semánticas de distintos LLM bajo modos de asistente y de persona humana simulada?