Este preprint construye un instrumento de autodescripción para LLM a partir de 240 ítems Likert y 60 escenarios administrados 30 veces a 25 configuraciones de 17 familias. El análisis factorial usa las corridas 1–15 para explorar y seleccionar 100 ítems; aunque el análisis paralelo sugiere 19 factores, el autor fuerza cinco por equilibrio, interpretación y replicación: Responsiveness, Deference, Guardedness, Boldness y Verbosity. La solución explica el 31,2% de la varianza, muestra alfa de 0,930–0,974 y Tucker phi de 0,957–0,976 entre mitades. Esa estabilidad no equivale a buen ajuste: el CFA estricto obtiene CFI 0,528 y el ESEM 0,646, ambos muy por debajo del criterio preregistrado de 0,95; el módulo público también calcula SRMR 0,113. Además, los ítems directos y de escenario que pretendían medir dimensiones correspondientes ordenan los modelos de forma casi no relacionada (media r = -0,067), por lo que el instrumento final usa solo Likert. La validación reúne 2.500 respuestas abiertas, 151 participantes de Prolific con 906 valoraciones no-gold sobre 300 textos y un conjunto de tres jueces LLM. Ninguna correlación factor por factor entre autoinforme y valoración humana excluye cero: Responsiveness 0,04, Deference 0,08, Guardedness 0,27, Boldness -0,05 y Verbosity 0,41. Verbosity es la señal más prometedora, alcanza el 74% del techo estimado de fiabilidad y es positiva dentro de prompt, pero no predice longitud bruta (r = 0,14). Responsiveness sí correlaciona con jueces LLM (r = 0,53) pero no con humanos, pese a que humanos y jueces coinciden (r = 0,59); una prueba de factor común rechaza que una sola variable latente no negativa explique las tres medidas (p = 0,007), sin identificar por sí sola el mecanismo. La auditoría reprodujo las cifras principales desde SQLite tras fijar manualmente scikit-learn 1.5.2. La receta oficial de clon limpio falla con la resolución actual de dependencias, omite ESEM y solo verifica automáticamente las alfas. El paquete OSF contiene las bases completas, pero dos CSV están desactualizados: judge_ratings.csv tiene 20 filas frente a 6.500 en SQLite y prolific_ratings.csv 745 frente a 1.125. La conclusión fiel es que estos 25 modelos generan autodescripciones muy estables bajo un formato concreto, pero esas puntuaciones predicen débilmente la conducta abierta observada y no establecen una ontología general de personalidad de los LLM.
Pregunta de investigación
¿Una escala derivada de las propias respuestas de 25 LLM, en vez de categorías psicológicas humanas, produce factores estables y predice cómo humanos, jueces LLM y medidas textuales describen su conducta abierta?