Stories of Your Life as Others: A Round-Trip Evaluation of LLM-Generated Life Stories Conditioned on Rich Psychometric Profiles

Este trabajo propone una evaluación de ida y vuelta: convertir perfiles psicométricos humanos en relatos de vida sintéticos y comprobar si otros LLM recuperan los puntajes originales leyendo solo esos relatos. Usa PARSEL, un corpus de conversaciones y tareas cooperativas con 297 participantes; 290 tienen perfiles completos y 248, al menos tres conversaciones. Claude Opus 4.6 recibe los 60 ítems y seis dominios HEXACO, nueve subescalas adicionales, confianza, rasgos psicopáticos y ansiedad de interacción, hechos biográficos extraídos de conversaciones y una descripción de apariencia obtenida de webcam. Con ello redacta un perfil inmersivo de unas 1.000 palabras. Diez generadores producen entrevistas McAdams de 24 turnos y unas 8.000 palabras; Sonnet 4.6, GPT-5.4 y Gemini 3 Flash las puntúan a ciegas. En la ruta principal GPT-4.1→Sonnet, la correlación media entre puntaje original y recuperado es r=0,750, IC bootstrap 95% [0,730, 0,768], desde 0,682 en Conscientiousness hasta 0,825 en Extraversion. Las nueve subescalas no HEXACO alcanzan r=0,314–0,645. Los tres generadores principales, puntuados por Sonnet, quedan muy próximos: GPT-4.1 0,750, Gemini 3 Flash 0,744 y Grok 4.1 Fast 0,740. En una tarea de emparejamiento cinco-alternativas, Haiku y Grok identifican el perfil correcto en 79% de los casos y Gemini en 95,2%, aunque los cuatro distractores son aleatorios y Gemini también preparó los perfiles anonimizados. El resultado central es valioso pero debe interpretarse como transmisión diseñada de información: el input contiene los puntajes exactos y Claude los traduce explícitamente a lenguaje de facetas y ejemplos antes de que se genere la historia. r=0,750 demuestra que esa señal sobrevive al canal puntaje→perfil→relato→puntaje; no demuestra una personalidad autónoma, natural o estable. El artículo llama a 0,887 «techo humano» y presenta 0,750 como 85% de él, pero 0,887 procede de otra muestra, un retest de 13 días con HEXACO-100, mientras aquí se usa HEXACO-60 y texto sintético. Es una referencia contextual, no un techo held-out comparable. La validación con conversación real presenta un error estadístico material: texto, abstract y Tabla 7 afirman que 9 de 10 correlaciones relato–conversación sobreviven Bonferroni con α=0,005. Según los p publicados, solo cinco cumplen: vulnerabilidad, agencia, valencia emocional, dominancia e intensidad emocional. Comunión p=0,008, calidez 0,010, complejidad 0,013 y profundidad de revelación 0,039 solo son significativas sin esa corrección; humor no lo es. La correlación de variabilidad emocional en conversaciones, r=0,170 y p=0,007, tampoco cruza 0,005 y procede de la misma muestra y los mismos codificadores, por lo que es convergencia interna, no réplica independiente. Hay dos confusores adicionales. Los hechos biográficos que alimentan el relato se extraen de las mismas conversaciones usadas después como criterio, creando una ruta directa conversación→prompt→relato→comparación sin ablación psicometría-only. Además, relato y conversación pueden correlacionar porque ambos dependen del mismo perfil; no se controla el perfil para demostrar fidelidad individual adicional. Las mismas etiquetas LLM se aplican en ambos contextos, con fiabilidad modesta en conversación, ICC de tres codificadores 0,483. El método dice promediar tres anotadores, pero las tablas usan solo el par Gemini–Haiku después de identificarlo como el mejor, sin regla preespecificada para excluir GPT-5.4 Mini. La búsqueda Jaccard no encuentra copia casi literal de ítems, pero no detecta paráfrasis semánticas y el propio trabajo cuenta 7,9 autodescripciones temáticamente solapadas por relato. El texto también habla de nueve pares generador–scorer; al excluir self-scoring, su Tabla 4 contiene ocho pares primarios no vacíos y el mismo rango r=0,719–0,750. Los modelos se comparan con N distintos, 290 o 154; las decisiones de prompt y scoring se seleccionan en pilotos reutilizados en la evaluación; y un solo modelo de difusión no permite atribuir causalmente el patrón a datos de entrenamiento. En privacidad, el estudio procesa perfiles completos, rasgos oscuros, ansiedad, conversaciones y apariencia a través de varios proveedores. El PARSEL original informa aprobación VCWE-2021.168, pero el preprint anonimiza el identificador y no aclara si consentimiento y aprobación cubren esta reutilización, transferencias API o generación de impersonaciones. No hay código, prompts, outputs ni análisis públicos: se prometen tras aceptación. La evidencia apoya una transferencia robusta de puntajes a texto largo, pero no una simulación individual del comportamiento humano ni una alternativa ya validada a la evaluación psicométrica.

This paper proposes a round-trip evaluation: turn human psychometric profiles into synthetic life stories and test whether other LLMs recover the original scores from the stories alone. It uses PARSEL, a corpus of conversations and cooperative tasks with 297 participants; 290 have complete profiles and 248 have at least three conversations. Claude Opus 4.6 receives all 60 HEXACO items and six domains, nine additional subscales, trust, psychopathic traits, and social interaction anxiety, biographical facts extracted from conversations, and an appearance description derived from webcam images. It writes an approximately 1,000-word immersive profile. Ten generators produce 24-turn, roughly 8,000-word McAdams interviews; Sonnet 4.6, GPT-5.4, and Gemini 3 Flash score them blindly. In the primary GPT-4.1→Sonnet path, mean source-to-recovered correlation is r=.750, bootstrap 95% CI [.730, .768], ranging from .682 for Conscientiousness to .825 for Extraversion. The nine non-HEXACO subscales reach r=.314-.645. The three primary generators scored by Sonnet are close: GPT-4.1 .750, Gemini 3 Flash .744, and Grok 4.1 Fast .740. In five-way matching, Haiku and Grok select the correct personality-only profile on 79% of trials and Gemini on 95.2%, although the four distractors are random and Gemini also prepared the stripped profiles. The central result is useful but should be read as designed information transfer: the input contains exact scores and Claude explicitly translates them into facet language and examples before story generation. r=.750 shows that this signal survives a score→profile→story→score channel; it does not establish autonomous, natural, or stable personality. The paper calls .887 a human ceiling and describes .750 as 85% of it, but .887 comes from another sample and a 13-day HEXACO-100 retest, whereas this study uses HEXACO-60 and synthetic text. It is contextual reference data, not a comparable held-out ceiling. The real-conversation validation contains a material statistical error: the text, abstract, and Table 7 caption say that nine of ten story–conversation correlations survive Bonferroni at alpha .005. The reported p values show only five do: vulnerability, agency, emotional valence, dominance, and emotional intensity. Communion p=.008, warmth .010, emotional complexity .013, and disclosure depth .039 are significant only without that correction; humor is not. The real-conversation emotional-variability correlation, r=.170 and p=.007, also misses .005 and uses the same participants and coders, making it within-sample convergence rather than independent replication. Two further confounds matter. Biographical facts supplied to story generation come from the same conversations later used as criterion, creating a conversation→prompt→story→comparison path without a psychometrics-only ablation. Story and conversation features may also correlate because both depend on the same profile; the study does not control the 15 supplied constructs to establish incremental individual fidelity. The same LLM rubric coders label both contexts, while conversation reliability is modest, three-coder ICC .483. Methods say three annotators are averaged, yet result tables use only the Gemini–Haiku pair after calling it the best pair, with no prespecified rule for dropping GPT-5.4 Mini. The Jaccard check finds no near-verbatim item copying, but cannot detect semantic paraphrase, and the paper itself counts 7.9 thematically overlapping self-descriptions per story. The main text also says nine generator–scorer pairs; after self-scoring is excluded, Table 4 contains eight nonempty primary pairs with the same r=.719-.750 range. Models are compared at different N, 290 or 154; prompt and scoring choices are selected on pilots reused in evaluation; and one diffusion model cannot causally locate the effect in training data. For privacy, full profiles, dark traits, anxiety, conversations, and appearance pass through several providers. The original PARSEL paper reports approval VCWE-2021.168, but this preprint anonymizes the identifier and does not clarify whether consent and approval cover this reuse, API transfers, or impersonating story generation. No code, prompts, outputs, or analyses are public; release is promised upon acceptance. The evidence supports robust transfer of supplied scores into long text, not individual human-behavior simulation or a validated replacement for psychometric assessment.