Yang y colaboradores presentan Persona-E², un dataset para estudiar cómo distintas personas dicen sentirse ante el mismo texto. Su rasgo más valioso no es el tamaño bruto, sino la densidad: las mismas 36 personas etiquetan los mismos 3.111 eventos con una emoción principal, asco, miedo, ira, tristeza, sorpresa, alegría o neutral, y una confianza de 1 a 5. Cada participante aporta además MBTI y cinco puntuaciones Big Five. Esto permite observar desacuerdos dentro de un panel fijo sin confundirlos con que cada ítem haya sido visto por personas distintas.
Los eventos proceden de noticias, redes sociales y relatos cotidianos. Un pipeline reduce 76.773 textos mediante dos clasificadores NSFW, puntuación de “potencial diferencial” con Qwen3-Max y revisión de cinco expertos. Algunas fuentes chinas se traducen al inglés con Qwen3-Max. Los anotadores, todos de China, universitarios, con 18–25 años y dominio avanzado de inglés, responden durante varias semanas a “¿cómo te sentirías al leer este evento?”. El paper declara entrenamiento, monitorización de latencia y repetición, recordatorios y reanotación, pero no informa umbrales, cuántas etiquetas fueron corregidas, duración total ni abandono.
Para analizar personalidad, los autores agrupan los 36 vectores Big Five con K-means en seis clusters de 3, 4, 7, 11, 6 y 5 personas. Comparan acuerdo dentro y fuera del grupo mediante Personality Agreement Gap. Los seis clusters dan gaps positivos de 8,27 a 25,96 puntos; seis tipos MBTI con al menos tres miembros también son positivos. Es una asociación descriptiva interesante, no una identificación causal: los grupos se construyen y evalúan sobre las mismas 36 personas, el muestreo externo “igualado” no está especificado, no hay incertidumbre agrupada por persona, réplica independiente, preregistro ni control de múltiples análisis.
Las etiquetas interpretativas del artículo, “Emotional Black Hole” para redes, “Psychological Immune System” para relatos vitales, “Anxious Empathy” o “Negative Passivation”, exceden los datos. “General Writer” no es la emoción del autor, sino la salida de un clasificador externo, comparada con mayorías humanas. La correlación entre Openness y neutralización usa solo seis medias de cluster: se reproduce como r=.862 y p=.027, con IC95% aproximado [.17,.985]; deja de ser significativa al retirar cualquiera de cinco clusters y un ajuste elemental por cinco rasgos da p=.135. Debe tratarse como hipótesis exploratoria, no mecanismo psicológico demostrado.
En RQ2, GPT-5.1, Llama-3-8B, Qwen3-8B, Gemma-3-12B y Ministral-3-8B predicen dos emociones con prompts general, Big Five y Big Five-CoT. La atención se concentra en una Subjective Divergence Subset de 413 eventos supuestamente consistentes dentro de cada cluster y divergentes entre clusters. Esa selección no se puede reconstruir: los scores liberados están en 0–100 aunque el umbral se escribe .3, “diferencia significativa” no se operacionaliza y no se publican IDs ni semilla. Aplicar literalmente el criterio produce 2.635 casos; interpretarlo como >30 produce 1.275, no 413.
Los resultados de predicción tampoco sostienen una mejora general “significativa” por personalidad. En la SDS, algunos modelos o dominios mejoran y otros empeoran. En una muestra aleatoria de 100 eventos, GPT-5.1 obtiene top-1 35% sin personalidad, 36% con Big Five y 35% con CoT; top-2 baja de 56% a 54% y 52%. Los prompts no son controles equivalentes: Big Five añade cinco números, obliga a decidir polaridad y hasta incluye Surprise tanto en candidatos positivos como negativos. Efecto de información, formato y personalidad quedan mezclados.
RQ3 no evalúa si el modelo descubre una emoción o reproduce un proceso cognitivo. Cada prompt recibe ya la emoción humana y su intensidad y genera una justificación posterior. Cinco revisores eligen forzosamente la mejor de tres explicaciones en consistencia de persona, plausibilidad y especificidad. Big Five domina, pero recibe mucha más información y la instrucción explícita de nombrar dimensiones OCEAN; el baseline no recibe perfil. Sin racionales humanos, informes concurrentes, acuerdo entre revisores, intervalos o cegamiento verificable, el resultado demuestra preferencia por explicaciones más informadas bajo ese protocolo, no “cognitive soundness” ni eliminación de la ilusión de personalidad.
La publicación de datos es útil pero presenta defectos concretos. El CSV principal tiene 3.113 filas: dos eventos de The Paper carecen de las 36 anotaciones y no aparecen en el archivo de clusters. Entre los 3.111 restantes falta la emoción/confianza de E34 en un evento, por lo que hay 111.995 etiquetas observables, no 111.996; otra confianza vale 28 en una escala 1–5. Hay duplicados, dos textos “[translation failed]”, categorías mezcladas y 38 textos ingleses distintos entre archivos. Además, el campo “General Writer” publica 27/28 etiquetas tipo GoEmotions, no las siete clases que afirma el paper, sin liberar el mapeo usado.
El repositorio GitHub actual es la web Vue del proyecto, no el código científico: no contiene filtrado, clustering, análisis, prompts ejecutables, respuestas de modelos, juicios humanos, tests ni entorno reproducible, y no declara licencia propia. Hugging Face y Kaggle sí distribuyen los tres CSV bajo CC BY-NC-SA 4.0, aunque la tarjeta añade restricciones de uso que no coinciden exactamente con la licencia estándar y no documenta derechos de redistribución por cada fuente. La conclusión fiel es que Persona-E² aporta un panel denso y abierto para explorar desacuerdo emocional en 36 jóvenes chinos; no establece ground truth poblacional, causalidad de rasgos, cognición humana en LLMs ni resultados plenamente reproducibles.