💻 computer science

Inferring personality from a live interaction with an LLM: Predictions are internally consistent and show convergent validity

Este estudio preregistrado demuestra que los modelos de lenguaje de gran tamaño pueden inferir de manera fiable los rasgos de personalidad de los Cinco Grandes a partir de conversaciones en vivo con una alta consistencia interna y validez convergente, particularmente para la neuroticismo y la amabilidad, aunque el rendimiento varía según la observabilidad del rasgo y la estrategia de instrucción.

Autores originales: Merlin Monzel, Sebastian Jung, Martin Reuter

Publicado 2026-08-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Merlin Monzel, Sebastian Jung, Martin Reuter

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Durante décadas, los psicólogos han dependido de una herramienta sencilla para comprender quiénes somos: un cuestionario. Las personas se sientan y se califican a sí mismas en una serie de afirmaciones, respondiendo si están de acuerdo o en desacuerdo con ideas sobre ser extrovertidas, organizadas o ansiosas. Este método es eficiente y nos ha proporcionado un mapa estándar de la personalidad humana, a menudo llamado el "Big Five" (Los Cinco Grandes). Estos cinco rasgos —apertura a la experiencia, responsabilidad, extraversión, amabilidad y neuroticismo— actan como un marco para describir cómo las personas piensan, sienten y se comportan. Sin embargo, este enfoque tiene un defecto. Pide a las personas que miren hacia adentro y se juzguen a sí mismas, un proceso que puede verse empañado por cómo deseamos ser vistos o por simples errores de autorreflexión. También pierde los detalles ricos y complejos de cómo hablamos e interactuamos realmente en el mundo real.

Recientemente, ha surgido un nuevo tipo de tecnología que podría cambiar la forma en que medimos estos rasgos. Los modelos de lenguaje de gran tamaño son programas informáticos entrenados en vastas cantidades de texto, capaces de mantener conversaciones que se sienten sorprendentemente humanas. Debido a que estos modelos han leído mucho contenido escrito humano, a veces pueden detectar patrones en la forma en que las personas usan las palabras que revelan su carácter subyacente. La pregunta que los investigadores comenzaron a plantearse fue si una computadora podría escuchar una conversación en tiempo real y adivinar con precisión la personalidad de una persona, simplemente escuchándola hablar, sin que esta tenga que completar jamás un formulario.

Un equipo de investigadores de la Universidad de Bonn se propuso probar esta idea. Invitaron a 117 personas a tener una conversación de diez minutos con un chatbot de inteligencia artificial. El chatbot recibió una instrucción específica: hacer preguntas abiertas sobre la semana pasada del participante, manteniendo sus propias respuestas breves, todo ello mientras intentaba reunir suficiente información para comprender el carácter de la persona. El objetivo era ver si la computadora podía extraer un perfil de personalidad de este breve intercambio. Una vez terminada la conversación, los investigadores pidieron al chatbot que evaluara la personalidad del participante en los cinco rasgos principales. Para asegurar que los resultados fueran sólidos, los investigadores también pidieron a los participantes que completaran un cuestionario de personalidad estándar sobre sí mismos, proporcionando un punto de referencia para comparar contra las conjeturas de la computadora.

Los investigadores probaron dos formas diferentes de pedirle a la computadora que realizara su juicio. En el primer enfoque, simplemente pidieron al modelo que calificara a la persona en los cinco rasgos basándose en la conversación. En el segundo enfoque, más complejo, alimentaron a la computadora con la lista exacta de preguntas del test de personalidad estándar y le pidieron que adivinara cómo habría respondido la persona a cada una de ellas. Los resultados mostraron que la computadora era sorprendentemente buena en la tarea. Cuando los investigadores comprobaron la consistencia de las calificaciones de la computadora, encontraron que el modelo comprendía la estructura de la personalidad tan bien como lo haría un psicólogo humano. Las puntuaciones que generó la computadora eran internamente consistentes, lo que significa que no daba respuestas contradictorias para la misma persona.

Más importante aún, las evaluaciones de la computadora coincidieron con los autoinformes de los participantes. Los emparejamientos más fuertes se encontraron para el neuroticismo, que se relaciona con la estabilidad emocional y la ansiedad, y la amabilidad, que se relaciona con la bondad y la cooperación. La computadora fue particularmente buena detectando signos de depresión y compasión en la forma en que la gente hablaba. Sin embargo, la tecnología tuvo dificultades con otros rasgos. Le resultó más difícil predecir qué tan extrovertida u abierta de mente era una persona. Esta dificultad probablemente se deba a la naturaleza de la conversación misma. Rasgos como la extraversión suelen manifestarse en cómo las personas actúan en grupos o en qué tan enérgicas son en persona, cosas que son difíciles de capturar en un chat de texto con una máquina. Del mismo modo, la creatividad y la apertura son a menudo procesos internos que no siempre dejan un rastro claro en una conversación corta.

El estudio también analizó si la computadora presentaba sesgos. Existía la preocupación de que el modelo pudiera apoyarse en estereotipos, como asumir que las mujeres son más emocionales que los hombres, simplemente porque había leído esas ideas en sus datos de entrenamiento. Sin embargo, debido a que los investigadores ocultaron el género de los participantes a la chatbot, la computadora no amplificó estos estereotipos. Las diferencias que encontró entre hombres y mujeres fueron consistentes con lo que los participantes dijeron sobre sí mismos, lo que sugiere que el modelo estaba reaccionando a las personas reales en lugar de a una noción preconcebida. No obstante, los investigadores descubrieron que la computadora tendía a ser excesivamente amable en sus juicios. Otorgó puntuaciones más altas para rasgos como la amabilidad y la responsabilidad, y puntuaciones más bajas para el neuroticismo, quizás porque estaba programada para ser cortés o porque adoptaba por defecto una versión "agradable" de la persona.

Aunque las predicciones de la computadora no fueron perfectas, el estudio sugiere que nos dirigimos hacia un futuro donde la personalidad puede entenderse a través de la conversación natural en lugar de solo listas de verificación. Los investigadores encontraron que el método más simple de pedir una calificación general funcionó mejor que el método más complejo de alimentar a la computadora con las preguntas del test, el cual causó que el sistema fallara con mayor frecuencia. Esto indica que el modelo posee una comprensión intuitiva de la personalidad que no siempre necesita un marco rígido para funcionar. Los hallazgos sugieren que, si bien estas herramientas aún no están listas para reemplazar a los psicólogos humanos o tomar decisiones que cambien la vida, pueden extraer con éxito señales significativas sobre quiénes somos a partir de las palabras que elegimos decir. A medida que la tecnología mejore, y conforme las conversaciones sean más largas y detalladas, la capacidad de leer la personalidad a partir del habla puede convertirse en una nueva y poderosa forma de comprender la mente humana.

Resumen Técnico: Inferencia de la Personalidad a partir de Interacciones en Vivo con LLM

Planteamiento del Problema
La evaluación tradicional de la personalidad depende en gran medida de cuestionarios psicométricos (por ejemplo, el Inventario Big Five-2, BFI-2). Aunque son eficientes, estas medidas de autoinforme son susceptibles a errores de introspección, sesgos de respuesta (como la deseabilidad social) y, a menudo, no logran capturar la riqueza contextual del comportamiento natural. Por el contrario, los formatos de evaluación cualitativa están subutilizados debido a los desafíos prácticos de transcribir, codificar y cuantificar datos textuales, así como a las preocupaciones sobre la fiabilidad de los evaluadores humanos. Si bien el Procesamiento de Lenguaje Natural (NLP) automatizado ha abordado algunas limitaciones, frecuentemente depende de diccionarios predefinidos que carecen de flexibilidad contextual. Los avances recientes en los Modelos de Lenguaje de Gran Tamaño (LLM) ofrecen una alternativa potencial, pero aún no está claro si los LLM pueden inferir eficazmente los rasgos de personalidad de los Cinco Grandes a partir de interacciones conversacionales adaptativas y en vivo, cómo las diferentes estrategias de prompting afectan la validez y si sesgos sistemáticos (por ejemplo, estereotipos de género o de complacencia) comprometen la evaluación.

Metodología
Este estudio preregistrado investigó la validez predictiva de un LLM para evaluar los rasgos de personalidad de los Cinco Grandes (Apertura, Responsabilidad, Extraversión, Amabilidad, Neuroticismo) a través de una interacción en vivo de 10 minutos.

Participantes: 117 participantes (principalmente estudiantes de psicología de la Universidad de Bonn; 62.4% mujeres, 37.6% hombres; edad 18–67) interactuaron en una conversación con un LLM (Meta Llama 3.3 70B/80B Instruct).
Protocolo de Interacción: Se instruyó a los participantes para que conversaran sobre su última semana. El LLM fue programado (prompted) para realizar preguntas abiertas, mantener contribuciones breves y extraer información relevante para la evaluación de la personalidad. Los parámetros del modelo se estandarizaron (Temperatura = 0, top_p = 0.05) para asegurar salidas deterministas.
Estrategias de Evaluación: Tras la conversación, se emplearon dos estrategias de prompting distintas para generar puntuaciones de personalidad:
1. Prompting No Contextual: Se le pidió al LLM que estimara las puntuaciones de los Cinco Grandes del participante en una escala de 1 a 5 sin material de referencia adicional.
2. Prompting Contextual: Se le proporcionó al LLM la totalidad de los 60 ítems del BFI-2 y se le pidió que estimara qué tan de acuerdo estaría el participante con cada afirmación basándose en la conversación.
Verdad de Referencia (Ground Truth): Los participantes completaron el cuestionario de autoinforme estándar BFI-2 como referente de validez.
Control de Sesgo: Para probar el sesgo de género, el género del participante se ocultó al LLM durante las fases de interacción y evaluación.
Análisis: El estudio examinó la consistencia interna (Alfa de Cronbach), la validez convergente (correlaciones entre las puntuaciones del LLM y los autoinformes) y la influencia de subfacetas específicas. Se utilizaron estadísticas bayesianas para evaluar la evidencia de la hipótesis nula respecto al sesgo de género.

Contribuciones Clave y Resultados

Consistencia Interna y Estructura:
El LLM demostró una alta consistencia interna en sus evaluaciones, con valores de Alfa de Cronbach que oscilaron entre .77 (Extraversión) y .88 (Neuroticismo), comparables a los datos de autoinforme. Esto sugiere que el modelo "entiende" la estructura interna de los rasgos de los Cinco Grandes.
Validez Convergente:
Las puntuaciones derivadas por el LLM mostraron una validez convergente significativa con los autoinformes, aunque el rendimiento varió según el rasgo y la estrategia de prompting.

Prompting No Contextual: Los cinco rasgos fueron predichos significativamente ( $p < .05$ ). El Neuroticismo ( $r = .35$ ) y la Amabilidad ( $r = .40$ ) mostraron las correlaciones más fuertes, mientras que la Extraversión ( $r = .15$ ) fue la más débil.
Prompting Contextual: Esta estrategia produjo una mayor validez de techo para la Amabilidad ( $r = .52$ ) y la Responsabilidad ( $r = .50$ ), pero sufrió de altas tasas de fallo técnico (el 70.6% de los intentos no produjeron una salida utilizable). La Apertura y la Extraversión no fueron predichas significativamente en esta condición, probablemente debido al pequeño tamaño de muestra efectivo ( $n=37$ ).
Comparación: El prompting no contextual resultó ser más robusto y estable, mientras que el prompting contextual introdujo mayor variabilidad e inestabilidad técnica.

Impulsores de Subfacetas:
Subfacetas específicas impulsaron la precisión de la predicción. Para la Amabilidad, la subfaceta de "Compasión" fue el principal motor. Para el Neuroticismo, la "Depresión" fue un predictor clave en las evaluaciones contextuales. Por el contrario, la "Imaginación Creativa" (Apertura) y la "Asertividad" (Extraversión) contribuyeron menos a la predictibilidad, lo que sugiere que estos rasgos son menos observables en datos lingüísticos durante interacciones no guiadas.
Análisis de Sesgo:

Sesgo de Complacencia (Leniency Bias): El LLM exhibió un sesgo de complacencia consistente con la deseabilidad social, asignando puntuaciones más altas a la Amabilidad y la Responsabilidad, y puntuaciones más bajas al Neuroticismo en comparación con los autoinformes. Sin embargo, los autores señalan que esto afecta a las puntuaciones absolutas más que al orden relativo de los participantes.
Sesgo de Género: No se encontró evidencia de sesgo de género. El LLM no amplificó los estereotipos de género (por ejemplo, asignando un mayor Neuroticismo a las mujeres) cuando el género fue ocultado. Si bien existieron efectos principales de género en los datos (consistentes con las diferencias poblacionales conocidas), no hubo un efecto de interacción que indicara que el LLM evaluó los géneros de manera diferente a como lo hicieron los autoinformes. El análisis bayesiano proporcionó evidencia anecdótica para la hipótesis nula de ausencia de sesgo de género.

Significancia y Reivindicaciones
El artículo sostiene que los LLM pueden extraer con éxito señales de personalidad estables y significativas a partir de breves datos conversacionales, logrando una consistencia interna comparable a la de los autoinformes y una validez convergente moderada. El estudio destaca que:

Factibilidad: Los LLM pueden inferir la personalidad sin definiciones explícitas de los rasgos (no contextual), lo que sugiere que este conocimiento es recuperable de los datos de entrenamiento.
Restricciones: El rendimiento predictivo depende fuertemente de la "observabilidad lingüística" de rasgos específicos. Los rasgos con marcadores lingüísticos fuertes (por ejemplo, emociones negativas para el Neuroticismo, lenguaje prosocial para la Amabilidad) se predicen con mayor precisión que aquellos expresados mediante el comportamiento manifiesto (por ejemplo, la Extraversión) o estados internos (por ejemplo, la Imaginación Creativa).
Robustez: Aunque el prompting contextual (proporcionar los ítems del BFI-2) puede teóricamente mejorar la validez, actualmente sufre de limitaciones técnicas (problemas de ventana de contexto) y altas tasas de fallo, lo que hace que el prompting no contextual sea el enfoque más fiable por ahora.
Implicaciones Éticas: Ocultar la información de identidad (como el género) previene eficazmente la reproducción de estereotipos de género. Sin embargo, los autores advierten que, debido a las limitaciones actuales en validez y posibles sesgos, las predicciones de personalidad basadas en LLM no deben tratarse todavía como diagnósticas o definitivas, particularmente en contextos de alto riesgo como la selección de personal.

Los hallazgos sugieren que, si bien los LLM ofrecen una vía prometedora para la evaluación cualitativa de la personalidad, el progreso futuro requiere estrategias de prompting más dirigidas, datos de interacción más ricos y un escrutinio continuo de los sesgos de los modelos antes de su aplicación en el mundo real.

Más como este