El artículo estudia la respuesta socialmente deseable inducida en cuestionarios de personalidad para LLM y propone mitigarla con un formato graded forced-choice (GFC). A partir de 100 marcadores Big Five de IPIP, GPT-5 y Gemini 2.5 Pro realizan 30 valoraciones de deseabilidad por ítem; tras excluir dos ítems sobre votar, una optimización selecciona 30 pares entre dominios y 60 ítems únicos con deseabilidad muy próxima. Cincuenta perfiles sintéticos se generan como vectores Big Five correlacionados, se discretizan en estaninos y se verbalizan mediante adjetivos explícitos. Nueve modelos responden bajo instrucciones HONEST y FAKE-GOOD, tanto a 60 ítems Likert como a 30 pares GFC. Cada ítem o par constituye una llamada independiente que vuelve a incluir el perfil completo; no es una sesión continua ni una personalidad observada espontáneamente.
Los datos liberados contienen 54.000 respuestas Likert completas y 26.999 de las 27.000 GFC previstas. En los 45 cruces modelo×rasgo, los efectos Likert corregidos hacia la dirección socialmente deseable son siempre positivos, entre d=0,628 y 1,695, con media 1,116. GFC reduce con fuerza esa tendencia: sus efectos van de -0,917 a 0,666, la media con signo es -0,089 y la media absoluta 0,298. La recuperación honesta del perfil, correlacionada con el z continuo generado por los autores, es mayor en Likert (medias por modelo 0,866-0,947) que en GFC (0,420-0,695). La contribución defendible es mostrar que el emparejamiento por deseabilidad y la comparación forzada atenúan el desplazamiento promedio en la dirección de quedar bien, aunque sacrifican información y no mantienen invariable cada rasgo.
La auditoría identifica límites importantes que la agregación principal oculta. La Figura 4 promedia los cinco efectos con signo antes de aplicar umbrales absolutos: en GPT-5, por ejemplo, A=0,462 y C=0,360 se cancelan con N=-0,388 y O=-0,873, produciendo una media de -0,058 que aparece como prácticamente despreciable pese a cambios grandes del perfil. GPT-5 mini alcanza -0,917 en N y Gemini 2.5 Pro -0,755 en O. Los modelos IRT agrupan los nueve modelos y ambas condiciones con parámetros de ítem compartidos, sin probar invariancia o funcionamiento diferencial. Además, el GRM Likert conserva 245 parámetros con Rhat>1,01 -máximo 1,0348 y ESS bulk mínimo 115,55-, aunque el manuscrito solo dice que se monitorizó la convergencia y el pipeline continúa con medias posteriores. Los tests, correlaciones e intervalos gráficos tratan esas medias theta como observaciones sin error y no propagan incertidumbre posterior.
La única respuesta GFC supuestamente ausente de Claude Sonnet está realmente en el CSV bruto publicado y termina en el valor válido 3; un derivado desfasado la convierte en NA, el reintento quedó sin recuperar y el análisis elimina los cinco theta de esa persona-condición. El OSF es amplio -código R/Stan, datos, estados, modelos ajustados, diagnósticos y figuras- y las figuras revisadas coinciden por hash con arXiv v2, pero el proyecto no está registrado ni congelado, carece de licencia de nodo y no fija versiones de R, paquetes o CmdStan. OpenAI y Gemini se llamaron mediante aliases y defaults del proveedor, sin acreditar los snapshots inmutables que sugiere la tabla del paper. El trabajo apoya GFC como mitigación prometedora en este diseño explícito y sintético; no demuestra ausencia general de sesgo, preservación completa del perfil, personalidad estable, SDR espontánea ni validez psicométrica transversal entre modelos, culturas o despliegues.