El artículo presenta Parametric Social Identity Injection (PSII), una técnica para simular respuestas de opinión pública mediante la intervención directa de estados ocultos de un LLM. El sistema combina un perfil demográfico en el prompt, vectores demográficos construidos a partir de preguntas e instrucciones generadas con GPT-4o, embeddings asociados a cinco idiomas, denominados «value vectors», ruido gaussiano y una asignación de atributos a capas específicas. Se evalúa con una muestra aleatoria de 100 personas de World Values Survey Wave 7: Q1-Q259 sirven como preguntas objetivo y Q260-Q290 como información de identidad. Cuatro modelos abiertos responden cada pregunta por separado y sus distribuciones agregadas se comparan con las humanas mediante divergencia KL y desviación de entropía (ED).
En la Tabla 1, PSII obtiene el mejor KL y ED global de los métodos comparados en los cuatro modelos: 0,4843/0,0319 para Qwen2.5-7B, 0,5814/0,2123 para Qwen2.5-14B, 0,4017/0,0040 para Llama-3.1-8B y 0,5607/0,0774 para Mistral-24B. Esto es evidencia de un mejor ajuste de los márgenes de respuesta y de la entropía total en esa muestra concreta. No gana cada combinación de categoría y modelo: SimVBG, por ejemplo, logra menor KL en «Beliefs & Life» con Qwen2.5-14B y Mistral-24B. Las ablaciones atribuyen la mayor parte de la mejora a los vectores demográficos y muestran que el ruido contribuye especialmente a acercar la entropía.
La lectura completa y la auditoría del artefacto acotan la interpretación central. Las métricas no comparan grupos demográficos ni calculan diversidad dentro de cada grupo: agregan a las 100 personas por pregunta. Por ello, demuestran ajuste marginal agregado, no que PSII recupere correctamente diferencias entre grupos, minorías o intersecciones. La dispersión de estados ocultos se muestra con KPCA y radio kNN para una sola pregunta y no se valida contra una noción humana de diversidad. Además, las capas se eligen minimizando KL en la misma tarea WVS usada para evaluar, sin conjunto de selección separado.
El código revela una desalineación metodológica: el idioma del prompt y el embedding de idioma se eligen de forma aleatoria e independiente entre inglés, chino, español, árabe y ruso, de modo que coinciden solo por azar y no se basan en el idioma real de la persona. Los llamados value vectors se entrenan en CulturaX como embeddings lingüísticos, no contra valores WVS. Tampoco se publica el tratamiento analítico de 1.057 códigos negativos de no respuesta ni de Q223, donde 70 respuestas humanas válidas usan códigos de partido que el prompt no puede emitir. No hay intervalos, pruebas ni repeticiones de inferencia que respalden la palabra «significativamente».
La publicación ofrece un repositorio considerable, una etiqueta v1.0.0 y un archivo Zenodo con perfiles, traducciones y 400 vectores, pero no incluye outputs ni código para KL, ED, JS, MAE, tablas, figuras o los baselines SimVBG y Persona Vectors; por tanto, los resultados no se pueden regenerar de extremo a extremo. Los CSV públicos contienen 615 columnas de microdatos WVS, coordenadas, identificadores y respuestas sensibles. Las condiciones oficiales actuales de WVS prohíben redistribuir los archivos de datos, por lo que su inclusión pública plantea un riesgo de licencia y privacidad no resuelto. El trabajo es una contribución técnica prometedora para estudiar steering representacional, pero no valida gemelos sociales fieles ni simulación poblacional segura fuera de este experimento controlado.