Fawaz y colaboradores presentan Narriva, un procedimiento para condensar las respuestas previas de una persona a encuestas de privacidad en un perfil textual estructurado y usarlo para anticipar cómo responderá a otras preguntas. Gemini 3.0 Flash genera cinco perfiles candidatos por iteración y recibe feedback sobre los errores en las preguntas de generación; Gemini 2.5 Flash-Lite contesta las preguntas de evaluación. El experimento principal divide dentro de cada encuestado sus preguntas contestadas: 80% para construir y optimizar el perfil, 20% para probarlo, con hasta tres iteraciones. Se usan cinco datasets: SPA, Pew PP1, W49, W127 y CAuthN. Frente a un LLM sin personalización, tanto el historial literal como Narriva mejoran. La exactitud individual del perfil narrativo es 84,6% en SPA, 67,7% en PP1, 64,3% en W49, 66,1% en W127 y 45,8% en CAuthN; el historial literal obtiene 85,2%, 69,4%, 65,8%, 66,6% y 50,2%. En similitud de la distribución marginal por pregunta, medida como 1-TVD, Narriva alcanza 0,94, 0,84, 0,80, 0,81 y 0,73. Los perfiles reducen el prompt entre 82% y 95%, de 1.738-8.920 a 296-453 tokens. Los prompts inspirados en Privacy Calculus, Bounded Rationality y Protection Motivation Theory rinden de forma agregada parecida al perfil básico, aunque seleccionar post hoc la plantilla que mejor funciona para cada encuestado mejora algunos resultados. El hallazgo más sólido es ingenieril: dentro del mismo cuestionario, una representación textual mucho más corta conserva gran parte de la capacidad predictiva del historial. Debe leerse con límites precisos. El máximo cercano al 87% procede de SPA, donde unas 144 preguntas repiten combinaciones muy similares de dato, receptor y propósito; es generalización a ítems retenidos del mismo instrumento, no a cualquier situación nueva. Se eliminan respuestas neutrales en SPA y parte de CAuthN, se excluyen vacíos y rechazos y una única partición aleatoria no publica seed ni análisis de sensibilidad. La exactitud exacta tampoco es comparable sin más entre una variable binaria y escalas de 5, 7 o hasta 100 valores. En población, 1-TVD compara por separado la distribución marginal de cada pregunta: puede ser alto aunque muchas predicciones individuales sean erróneas y no conserva relaciones conjuntas, subgrupos ni equidad. La transferencia entre estudios aplica cada perfil del estudio origen a todas las preguntas únicas del destino y compara agregados ponderados; no hay personas enlazadas. Por tanto, PP1→W127 0,808 o W49→W127 0,782 muestran transporte de márgenes entre encuestas estadounidenses de privacidad, no portabilidad longitudinal de la personalidad de un individuo ni transferencia entre poblaciones totalmente distintas. Atribuir las diferencias a deriva temporal es plausible, pero año, panel, muestra, escala, instrumento y tema cambian a la vez. El artículo afirma auditabilidad y mejora de privacidad por compresión sin estudios con usuarios ni ataques de reconstrucción, inferencia, enlace o reidentificación; un perfil compacto puede ser por sí mismo un artefacto psicográfico sensible. Tampoco se evalúan decisiones autónomas reales, confianza calibrada, abstención, corrección por el usuario, seguridad o gobernanza del archivo portátil. Las bootstrap no especifican la unidad de remuestreo y las afirmaciones de significación carecen de tests y contrastes pareados. No se publican código, matrices procesadas, splits, perfiles, predicciones ni análisis. Narriva es una propuesta prometedora para simulación de respuestas dentro y entre encuestas a nivel agregado, no evidencia aún de un asistente de privacidad interpretable, privado, justo o listo para despliegue.
Pregunta de investigación
¿Puede una persona textual, comprimida desde respuestas históricas y estructurada con teorías de privacidad, conservar capacidad predictiva individual, reproducir distribuciones poblacionales y transferirse a preguntas de otras encuestas con menos tokens que el historial literal?