Resumen: La simulación cognitiva individualizada (ICS) tiene como objetivo construir modelos computacionales que se aproximan a los procesos de pensamiento de individuos específicos. Si bien los grandes modelos de lenguaje (LLM) imitan de manera convincente el comportamiento humano a nivel superficial, como los juegos de roles, su capacidad para simular procesos cognitivos individualizados más profundos sigue siendo poco comprendida. Para abordar esta brecha, presentamos una tarea novedosa que evalúa diferentes métodos de representación cognitiva en ICS. Construimos un conjunto de datos a partir de novelas publicadas recientemente (posteriores a la fecha de lanzamiento de los LLM probados) y proponemos un marco de evaluación cognitiva de 11 condiciones para comparar siete LLM disponibles en el contexto de la emulación del estilo de autor. Nuestra hipótesis es que las representaciones cognitivas efectivas pueden ayudar a los LLM a generar una narración que refleje mejor al autor original. Por lo tanto, probamos diferentes representaciones cognitivas, por ejemplo, características lingüísticas, mapas conceptuales e información basada en perfiles. Los resultados muestran que la combinación de características conceptuales y lingüísticas es particularmente efectiva en ICS, superando a las señales estáticas basadas en perfiles en la evaluación general. Es importante destacar que los LLM son más eficaces a la hora de imitar el estilo lingüístico que la estructura narrativa, lo que subraya sus limitaciones en una simulación cognitiva más profunda. Estos hallazgos proporcionan una base para el desarrollo de sistemas de inteligencia artificial que se adapten a las formas individuales de pensamiento y expresión, impulsando tecnologías creativas más personalizadas y alineadas con el ser humano.
Publicado originalmente en export.arxiv.org el 23 de octubre de 2025.
Ver fuente original
