Pedro San Ricardo es una figura clave en la vida cultural y musical de Salamanca, reconocido por haber impulsado durante más de una década la sala Music Factory como un referente del ocio nocturno de calidad. Su apuesta ha sabido combinar música en directo, cultura y entretenimiento, alejándose del modelo tradicional de otros establecimientos y marcando una identidad propia. Además, destaca por promover iniciativas solidarias y por convertir su sala en escenario de artistas de primer nivel, tanto del panorama nacional como local. Su trayectoria refleja una visión empresarial en la que la música, la cultura y el compromiso social han dejado una huella importante en la noche salmantina. Con él hemos conversado de manera amena, compartiendo también algunas de las canciones que han marcado su vida personal y su recorrido profesional.
El artículo explica que el sesgo de confirmación lleva a las personas a aceptar fácilmente la información que refuerza sus creencias y a rechazar la que las contradice. Este efecto se amplifica en entornos digitales, donde los algoritmos refuerzan burbujas informativas. Como estrategia, propone cuestionar activamente las propias ideas y construir argumentos sólidos en contra de ellas para mejorar la toma de decisiones.
El sesgo de confirmación como uno de los mecanismos cognitivos más influyentes —y peligrosos— en la toma de decisiones contemporánea. Parte de una idea central: el sesgo de confirmación no es una excepción ocasional, sino un proceso constante del cerebro humano que opera de forma automática en la vida cotidiana, especialmente cuando nuestras creencias ya están formadas. Según el autor, cuanto más sólida es una convicción, más se intensifica el filtrado mental de la información, generando una percepción distorsionada de la realidad.
McKinney explica que este sesgo funciona a través de tres mecanismos principales. El primero es la evaluación desigual de la información, por el cual el cerebro analiza de manera crítica los datos que contradicen nuestras creencias, mientras acepta sin cuestionar aquellos que las confirman. El segundo es la memoria selectiva, que refuerza lo que coincide con nuestras ideas previas y debilita el recuerdo de evidencias contrarias. El tercero es el llamado efecto de retroalimentación defensiva, donde los intentos de refutación no corrigen la creencia, sino que la refuerzan, haciendo que la persona salga de la confrontación más convencida que antes.
El autor amplía el problema al contexto digital actual, subrayando que el entorno informativo contemporáneo amplifica este sesgo de forma sistemática. Algoritmos de redes sociales, motores de búsqueda y sistemas de recomendación tienden a priorizar contenido afín a las preferencias previas del usuario. Esto crea burbujas informativas que refuerzan continuamente las mismas ideas, debilitando la exposición a perspectivas alternativas. En este sentido, el sesgo de confirmación no es solo psicológico, sino también estructural y tecnológico.
A partir de este diagnóstico, McKinney introduce una estrategia práctica para “interrumpir” el sesgo en el momento en que se produce. Su propuesta central es un ejercicio deliberado de inversión cognitiva: antes de tomar una decisión importante, el individuo debe construir activamente el mejor argumento posible en contra de su propia posición. No se trata de resumir la alternativa, sino de defenderla con rigor intelectual. Este ejercicio permite identificar supuestos ocultos, lagunas de información y puntos débiles en el razonamiento propio.
El autor enfatiza que el objetivo no es eliminar el sesgo de confirmación —algo que considera imposible— sino reducir su influencia en decisiones críticas. La clave no es la neutralidad absoluta, sino el desarrollo de una “confianza examinada”: decisiones que no se basan únicamente en lo que confirma nuestras creencias, sino en la capacidad de haber sido desafiadas por evidencias contrarias.
McKinney destaca los beneficios acumulativos de este enfoque. Las decisiones que han sido sometidas a contraste sistemático tienden a ser más robustas y adaptativas. Además, las personas que practican este tipo de pensamiento crítico son menos vulnerables a la manipulación informativa y a la influencia de sistemas diseñados para reforzar creencias preexistentes. En conjunto, el artículo propone una forma de alfabetización cognitiva orientada a mejorar la calidad del juicio humano en entornos complejos y saturados de información.
La emergencia de la inteligencia artificial generativa está reconfigurando de forma profunda el ecosistema del acceso al conocimiento, especialmente en relación con las llamadas shadow libraries (bibliotecas sombra) como Anna’s Archive, LibGen o Sci-Hub. El autor parte del contexto de una nueva oleada de litigios impulsados por grandes editoriales internacionales contra estas plataformas, que históricamente han sido vistas como espacios de acceso no autorizado a libros y artículos académicos. Sin embargo, el debate actual no se limita a la infracción de derechos de autor, sino que incorpora un elemento decisivo: su uso como fuentes de entrenamiento para modelos de lenguaje de gran escala (LLM).
El 6 de marzo, un importante grupo de editoriales, incluidas las cinco más grandes del mundo (Hachette, Penguin Random House, HarperCollins, Macmillan y Simon & Schuster), presentó una demanda ante un tribunal federal de Nueva York para intentar cerrar la biblioteca clandestina «Anna’s Archive». Décadas atrás, John Willinsky describió la publicación académica como su «momento Napster» con la aparición de sitios piratas como LibGen y Sci-Hub. La carrera por entrenar grandes modelos de lenguaje utilizando sitios como Anna’s Archive (sucesor de LibGen/Sci-Hub) se asemeja a una segunda etapa, donde estos sitios no solo sirven como canales para libros y artículos pirateados, sino también como fuentes de datos de entrenamiento para grandes modelos de lenguaje (LLM). Esto también se limita a las editoriales comerciales; HathiTrust informó recientemente que una gran parte de su colección fue obtenida y redistribuida en Anna’s Archive.
Las demandas contra bibliotecas clandestinas no son nuevas: editores y creadores llevan intentando eliminar obras creativas pirateadas de internet desde sus inicios, como lo demuestra la interminable lista de demandas publicadas en el blog Torrentfreak. En los últimos años, estas demandas han puesto de relieve el papel que desempeñan sitios como Anna’s Archive en el entrenamiento de grandes modelos de lenguaje (LLM), ya que «la actuación de los editores es ahora especialmente crucial a la luz de los informes que indican que Anna’s Archive anuncia activamente que proporcionará acceso de alta velocidad —y de hecho ya ha proporcionado— obras de autores robadas a desarrolladores de grandes sistemas de IA de modelos de lenguaje (LLM) y a intermediarios de datos»
El rápido ritmo del progreso tecnológico, sumado a la feroz competencia entre las empresas que desarrollan modelos de IA, ha generado un vacío ético, y países de todo el mundo se apresuran a desarrollar políticas para ponerse al día. Una de las muchas víctimas de este vacío son los autores y creadores, cuyas obras publicadas se han convertido en el principal material de entrenamiento para modelos de IA, frecuentemente sin recibir compensación alguna. Y dado que las grandes empresas tecnológicas detrás del desarrollo de la IA han adoptado un enfoque de entrenamiento similar al de Trump, han recurrido al pirateo de sitios web y bibliotecas clandestinas como Anna’s Archive para obtener datos de entrenamiento.
Esto, naturalmente, ha dado lugar a un sinfín de demandas y acusaciones. Por ejemplo, en el caso Kadrey contra Meta, se alegó que Meta entrenó su modelo de aprendizaje automático (LLM) con Books3, un conjunto de datos que incluía el texto completo de casi 200.000 libros pirateados. En esta decisión, Meta obtuvo una ajustada victoria, al determinarse que el uso de este conjunto de datos constituía un uso legítimo. Por otro lado, el caso Bartz et al. contra Anthropic PBC culminó en el mayor acuerdo de demanda colectiva por derechos de autor en la historia de Estados Unidos (1.500 millones de dólares). Los documentos judiciales de este caso ofrecen el ejemplo más claro del insaciable apetito de la IA por los datos de entrenamiento: además de contenido de bibliotecas clandestinas, Anthropic contrató a Tom Turvey, exdirector de alianzas del proyecto de digitalización de libros de Google, y le encargó obtener «todos los libros del mundo». Anthropic compró, digitalizó y destruyó millones de los libros impresos más utilizados y creó un gigantesco corpus electrónico que se planeaba que continuara indefinidamente. La liquidación de Anthropic se debió en gran medida al uso de una «biblioteca central» de obras pirateadas, a pesar de la sentencia del juez Alsup que dictaminó que el entrenamiento con libros adquiridos legalmente constituía un uso legítimo. Además, muchas otras empresas tecnológicas líderes, como Nvidia, Salesforce y Apple, han estado utilizando una estrategia similar para la formación de másteres en derecho (LLM).
Por supuesto, no son solo las grandes tecnológicas las que se benefician de esta situación. Grandes editoriales, incluidas algunas de las editoriales académicas más destacadas como Taylor & Francis y Wiley, han firmado importantes acuerdos de licencia para que grandes empresas tecnológicas utilicen sus publicaciones en el entrenamiento de IA. Los autores solo se enteran de estos acuerdos a través de artículos o comunicados de prensa. Cambridge University Press adoptó un modelo más progresista que permite a los autores optar por no permitir que su trabajo se utilice para entrenamiento, pagando además regalías. Estos son solo algunos ejemplos; para una lista más extensa, consulte el rastreador de acuerdos de licencia de IA generativa de Ithaka S+R. Esto refleja un cambio de perspectiva: las grandes editoriales se están convirtiendo menos en proveedoras de información y más en intermediarias de datos, al tiempo que investigan el desarrollo de sus propias herramientas y plataformas de IA que utilizan el contenido que poseen y licencian.
¿Qué implica esto para los autores y creadores? En este punto, es probable que muchas publicaciones en inglés, entradas de blog o publicaciones en internet se hayan utilizado como datos de entrenamiento para múltiples másteres en Derecho (LLM). Los autores que no desean que su contenido se utilice para entrenamiento tienen pocas opciones. Pueden publicar en plataformas que permiten a los autores optar por no participar, aunque esta opción no tiene mucho sentido si los datos de entrenamiento se obtienen de bibliotecas no oficiales. También pueden analizar los modelos de licenciamiento emergentes.
En este escenario, el artículo subraya que las bibliotecas piratas han pasado de ser únicamente mecanismos de distribución paralela de contenidos a convertirse en infraestructuras invisibles dentro de la economía de datos de la IA. Esta transformación intensifica el conflicto entre acceso abierto y propiedad intelectual, ya que las obras de autores y académicos no solo se consumen por lectores humanos, sino que también son absorbidas masivamente por sistemas automatizados sin compensación ni control efectivo. El texto destaca cómo esta dinámica ha generado una “zona gris ética y legal”, donde las fronteras entre uso legítimo, reutilización y explotación se vuelven cada vez más difusas.
Finalmente, el artículo plantea un problema de fondo para los autores contemporáneos: la pérdida de capacidad de control sobre sus obras en un entorno donde prácticamente todo contenido publicado puede haber sido ya incorporado a múltiples sistemas de IA. Frente a ello, se mencionan respuestas emergentes como nuevos modelos de licencia, mecanismos de “opt-out” y proyectos como Creative Commons Signals, aunque el autor se muestra escéptico respecto a su efectividad real frente a la escala y opacidad del entrenamiento de modelos de IA por parte de grandes empresas tecnológicas.
Sun, Yicheng, Yihan Liao, and Xiaoxue Ma. “Trusting AI to Detect AI? A Systematic Evaluation of the Reliability and Robustness of Current AIGC Detection Tools for Student Academic Work.” Computers & Education (2026). Elsevier. https://doi.org/10.1016/j.compedu.2026.105456
La investigación demuestra que los actuales detectores de texto generado por inteligencia artificial presentan problemas significativos de precisión, vulnerabilidad ante modificaciones simples y riesgo elevado de falsos positivos, por lo que no deben considerarse herramientas plenamente fiables para evaluar autoría académica, abriendo un debate más amplio sobre cómo la educación debe adaptarse a la presencia estructural de la inteligencia artificial en la escritura y el aprendizaje.
El estudio analiza uno de los debates más relevantes en el ámbito educativo contemporáneo: hasta qué punto pueden considerarse fiables las herramientas de inteligencia artificial diseñadas para detectar contenidos producidos por otros sistemas de IA generativa, especialmente en contextos académicos donde universidades, escuelas y docentes buscan identificar si un trabajo ha sido elaborado por estudiantes o generado parcial o totalmente mediante modelos como OpenAI ChatGPT, asistentes de escritura automatizada o generadores de texto similares. La investigación parte de una preocupación creciente: mientras las instituciones educativas adoptan detectores automáticos para preservar la integridad académica, todavía existe poca evidencia científica sólida acerca de la precisión real de estos sistemas y de sus limitaciones metodológicas.
Los autores realizaron una evaluación sistemática y comparativa de múltiples detectores de contenido generado por IA (AIGC detectors, Artificial Intelligence Generated Content detectors), sometiéndolos a pruebas extensivas con diferentes tipos de textos académicos producidos tanto por humanos como por sistemas de lenguaje avanzados. El objetivo era medir dos dimensiones fundamentales: la fiabilidad, entendida como la capacidad del sistema para clasificar correctamente un texto, y la robustez, es decir, la resistencia del detector frente a modificaciones o manipulaciones deliberadas destinadas a engañar al algoritmo. Los resultados muestran que muchas herramientas presentan inconsistencias importantes y no ofrecen un nivel de precisión suficientemente estable como para convertirse en un criterio único de evaluación académica.
Uno de los hallazgos más significativos es que numerosos detectores funcionan razonablemente bien cuando analizan textos generados directamente por modelos de lenguaje sin edición posterior, pero su rendimiento cae de manera drástica cuando el contenido es ligeramente modificado por una persona. Cambios mínimos como reformular frases, alterar el orden sintáctico, introducir expresiones más personales o corregir ciertos patrones lingüísticos pueden reducir notablemente la capacidad del sistema para identificar el origen artificial del texto. Esto revela que la mayoría de detectores dependen de patrones estadísticos superficiales relacionados con la predictibilidad léxica y la regularidad sintáctica, en lugar de comprender realmente la autoría del contenido.
La investigación también advierte sobre el problema inverso: los falsos positivos. En numerosas pruebas, textos completamente redactados por humanos fueron clasificados erróneamente como producidos por inteligencia artificial. Este aspecto resulta especialmente preocupante en contextos universitarios, ya que una detección incorrecta puede derivar en acusaciones injustas de fraude académico, cuestionamiento de la honestidad del estudiante o procedimientos disciplinarios basados en evidencia técnicamente poco fiable. El estudio subraya que confiar excesivamente en estas herramientas puede generar problemas éticos y legales, particularmente cuando las instituciones utilizan resultados automatizados como prueba concluyente en procesos de evaluación.
Otro aspecto analizado es la evolución constante de los grandes modelos lingüísticos (LLM, Large Language Models). Herramientas de detección entrenadas para reconocer patrones asociados a versiones anteriores de modelos como ChatGPT ChatGPT, Anthropic Claude o sistemas similares pueden volverse rápidamente obsoletas cuando aparecen modelos más sofisticados capaces de producir lenguaje cada vez más cercano a la escritura humana natural. Esto genera una especie de carrera tecnológica permanente: conforme mejoran los generadores de texto, los detectores deben actualizarse continuamente, aunque sin garantía de alcanzar precisión duradera.
El estudio examina además estrategias conocidas como evasión adversarial, es decir, técnicas intencionadas utilizadas para burlar detectores automáticos. Entre ellas se incluyen la paráfrasis automática, traducción múltiple entre idiomas, edición humana posterior, reformulación mediante otros modelos lingüísticos e incluso la mezcla de fragmentos humanos con contenido generado por IA. Los resultados demuestran que muchos detectores pierden efectividad frente a estas intervenciones relativamente simples, lo que pone en duda su utilidad práctica en escenarios reales donde un usuario busca deliberadamente evitar la detección.
Desde una perspectiva educativa, los investigadores plantean una reflexión importante: el problema no puede abordarse únicamente desde la lógica policial o punitiva. La expansión de herramientas generativas obliga a repensar los sistemas tradicionales de evaluación académica. Si resulta cada vez más difícil distinguir entre producción humana y producción asistida por IA, las universidades deben reconsiderar qué significa realmente aprender, escribir, investigar y demostrar competencias intelectuales en un entorno donde la inteligencia artificial forma parte habitual del proceso de trabajo. En lugar de centrarse exclusivamente en detectar fraude, el sistema educativo debería avanzar hacia modelos pedagógicos que integren críticamente la IA, enseñando al alumnado a utilizarla de manera ética, transparente y reflexiva.
Los autores concluyen que, aunque los detectores automáticos pueden servir como herramientas auxiliares dentro de procesos más amplios de evaluación, actualmente no ofrecen suficiente precisión, consistencia ni robustez como para convertirse en árbitros definitivos de la autenticidad académica. Recomiendan que cualquier institución educativa evite depender exclusivamente de sistemas automáticos y combine su uso con revisión humana, análisis contextual del trabajo, conocimiento previo del estilo del estudiante y nuevas estrategias pedagógicas orientadas a la alfabetización crítica en inteligencia artificial.
En términos más amplios, el estudio pone de relieve una paradoja tecnológica cada vez más evidente: se está utilizando inteligencia artificial para detectar inteligencia artificial, pero ambos sistemas evolucionan simultáneamente en una dinámica competitiva donde los mecanismos de control van siempre un paso detrás de las capacidades generativas. Esto plantea preguntas profundas no solo sobre integridad académica, sino sobre confianza, autoría intelectual y el futuro mismo de la producción del conocimiento en la era algorítmica
Bibliochecker ejemplifica cómo las nuevas herramientas de verificación automatizada pueden convertirse en aliadas estratégicas para preservar la integridad académica frente a los errores y alucinaciones producidas por la inteligencia artificial generativa.
En un contexto académico marcado por el uso creciente de sistemas de inteligencia artificial generativa como ChatGPT, Gemini o Claude, una de las preocupaciones más relevantes dentro de la investigación científica es la proliferación de “alucinaciones bibliográficas”, es decir, referencias inventadas o parcialmente incorrectas que los modelos generan al construir citas aparentemente plausibles pero inexistentes. Frente a este problema surge Bibliochecker, una herramienta web diseñada específicamente para verificar la autenticidad y consistencia de referencias bibliográficas generadas o asistidas por inteligencia artificial.
Bibliochecker se presenta como una aplicación accesible directamente desde el navegador, sin necesidad de instalación ni registro, lo que facilita su uso inmediato por parte de investigadores, estudiantes, bibliotecarios, editores científicos y revisores académicos. Su objetivo principal consiste en detectar posibles errores, inconsistencias o invenciones en listas bibliográficas, especialmente aquellas elaboradas mediante herramientas de IA. La plataforma automatiza la verificación cruzando la información proporcionada con bases de datos académicas consolidadas como CrossRef, Semantic Scholar y OpenAlex, lo que permite comprobar la existencia real de un documento, validar identificadores DOI y contrastar la coherencia entre título, autoría y fecha de publicación.
Una de sus fortalezas radica en la flexibilidad del ingreso de datos. El usuario puede introducir referencias de tres formas distintas: pegando directamente texto copiado desde documentos Word o PDF, cargando archivos en formato .docx que contengan exclusivamente la sección bibliográfica o utilizando ejemplos predeterminados para familiarizarse con el funcionamiento del sistema. La herramienta identifica automáticamente cada referencia incluso cuando estas aparecen en texto corrido o sin separación entre líneas, aplicando patrones inspirados en la normativa APA 7 para detectar estructuras bibliográficas.
El sistema permite activar distintos módulos de comprobación según las necesidades del usuario. El módulo de CrossRef verifica en tiempo real la validez del DOI y compara metadatos asociados; Semantic Scholar realiza búsquedas por similitud textual del título y verifica autoría y año; OpenAlex consulta su base académica abierta para confirmar coincidencias; mientras que un verificador específico examina si la referencia cumple con requisitos formales del estilo APA 7, revisando aspectos como el formato de autores, la correcta ubicación del año entre paréntesis, el uso de puntuación normativa o la presencia obligatoria del DOI en artículos científicos. Además, el sistema incorpora enlaces a Google Scholar para facilitar comprobaciones manuales complementarias.
Cada referencia analizada recibe un diagnóstico estructurado en cuatro categorías claramente diferenciadas. La categoría “Válida” indica que la obra fue localizada en las bases de datos sin inconsistencias detectadas. La categoría “Sospechosa” señala discrepancias parciales, como diferencias entre nombres de autores, títulos ligeramente distintos o inconsistencias cronológicas. La categoría “Problema” representa casos más graves, donde el DOI no existe o el documento no aparece en ninguna base académica consultada, sugiriendo una alta probabilidad de invención o error generado por IA. Finalmente, el estado “Sin DOI” identifica referencias donde no ha sido posible realizar validación automática mediante identificadores persistentes, algo frecuente en libros, tesis o documentos no indexados formalmente.
Otro elemento destacable es la posibilidad de exportar un reporte completo en formato HTML, generando una tabla estructurada con todos los resultados obtenidos. Este informe puede compartirse, archivarse o imprimirse, facilitando procesos editoriales, revisión académica o auditoría bibliográfica previa a la publicación de artículos científicos. La herramienta también incorpora distintos modos visuales —oscuro, claro y editorial sobrio— que mejoran la experiencia de uso en distintos contextos de trabajo.
Desde una perspectiva más amplia, Bibliochecker responde a una necesidad emergente dentro del ecosistema de la comunicación científica contemporánea: la verificación crítica de contenidos generados por inteligencia artificial. A medida que investigadores y estudiantes incorporan sistemas generativos en tareas de redacción académica, aumenta el riesgo de incluir citas falsas que comprometan la integridad científica. En este escenario, herramientas como Bibliochecker no sustituyen el criterio profesional humano, pero sí actúan como filtros preliminares de enorme valor para fortalecer la calidad documental y reducir errores antes de la difusión pública del conocimiento.
La propia plataforma insiste en una advertencia metodológica fundamental: sus resultados constituyen un apoyo automatizado y nunca un dictamen definitivo. Incluso una referencia marcada como válida puede contener errores que escapan a la detección automática, mientras que referencias catalogadas como sospechosas pueden corresponder a simples inconsistencias de metadatos o documentos no indexados en las bases consultadas. En otras palabras, Bibliochecker representa un ejemplo significativo del nuevo paradigma de colaboración entre inteligencia artificial y revisión humana experta, particularmente relevante para bibliotecas académicas, editoriales científicas y profesionales de la gestión de información digital.
El programa aborda cómo la inteligencia artificial se ha convertido en una competencia esencial del siglo XXI y por qué la alfabetización en IA debe ir más allá del uso instrumental de herramientas como ChatGPT. Se analiza la necesidad de comprender algoritmos, detectar sesgos, evaluar críticamente contenidos generados automáticamente y actuar de forma ética y responsable. A partir de marcos conceptuales de alfabetización en IA internacionales como los de UNESCO y EDUCAUSE, se reflexiona sobre las nuevas competencias digitales necesarias. El espacio destaca además el papel estratégico de las bibliotecas como mediadoras frente a la desinformación y como agentes clave en la formación de ciudadanía crítica en el entorno algorítmico. Finalmente, se plantea que la alfabetiza
El gráfico publicado por Statista, basado en datos del informe anual del Reuters Institute for the Study of Journalism, pone de relieve una transformación significativa en la manera en que las personas se relacionan con la información periodística: cada vez más ciudadanos deciden evitar activamente las noticias.
Este fenómeno, denominado selective news avoidance o evasión selectiva de noticias, refleja una creciente saturación informativa asociada a un entorno mediático marcado por conflictos bélicos, crisis económicas, polarización política y una exposición constante a contenidos negativos en plataformas digitales. Según el estudio, el promedio global de personas que afirma evitar las noticias “a veces” o “con frecuencia” ha pasado del 29 % en 2017 al 40 % en 2025, lo que confirma una tendencia sostenida de alejamiento frente a la sobrecarga informativa.
Este aumento no se distribuye de manera homogénea entre países. Algunas sociedades presentan niveles particularmente elevados de evasión informativa. Turquía lidera la lista con un 61 %, seguida por el Reino Unido con un 46 %, mientras que Estados Unidos alcanza el 42 %. Otros países como Australia, Alemania, Francia y España muestran igualmente incrementos significativos. En el caso español, el porcentaje se sitúa en torno al 37 %, una cifra que evidencia que incluso sociedades con fuerte tradición de consumo informativo comienzan a mostrar signos de cansancio frente a un ecosistema mediático caracterizado por la hiperconectividad permanente. Japón representa una excepción relativa, con apenas un 11 %, aunque incluso allí el porcentaje ha crecido respecto a años anteriores.
Detrás de esta tendencia aparecen causas psicológicas y culturales cada vez más estudiadas. El informe identifica que una de las principales razones para evitar noticias es el impacto negativo sobre el estado de ánimo: aproximadamente 39 % de quienes evitan la información señalan que las noticias afectan negativamente su bienestar emocional. A esto se suma la sensación de agotamiento producida por la cobertura excesiva de guerras y conflictos internacionales, mencionada por cerca del 30 % de los encuestados. En un contexto dominado por el doomscrolling —el consumo compulsivo de noticias negativas en redes sociales— muchas personas desarrollan estrategias deliberadas para limitar su exposición informativa como mecanismo de autoprotección psicológica.
El estudio distingue además dos perfiles de evasores informativos. Por un lado están los “consistent avoiders”, personas que mantienen una distancia estructural respecto a la actualidad, generalmente asociada a bajos niveles de interés por la política o menor confianza en los medios tradicionales. Por otro lado aparecen los “selective avoiders”, usuarios que sí valoran estar informados, pero que filtran conscientemente ciertos temas debido al exceso de negatividad, complejidad o sensación de impotencia que generan determinadas noticias. Este segundo grupo resulta especialmente relevante porque muestra que el alejamiento de la información no siempre implica apatía cívica, sino una respuesta adaptativa frente al agotamiento cognitivo provocado por el entorno digital contemporáneo.
Desde una perspectiva más amplia, estos datos plantean interrogantes importantes sobre el futuro del periodismo y la democracia. La evasión creciente de noticias puede debilitar la participación ciudadana, reducir la confianza en las instituciones informativas y favorecer la fragmentación del espacio público. Para medios, periodistas, bibliotecas y profesionales de la información, el fenómeno representa un desafío estratégico: ya no basta con ofrecer información rigurosa, sino que resulta imprescindible desarrollar formas de comunicación más contextualizadas, menos saturadas y emocionalmente sostenibles. El reto central consiste en informar sin contribuir al agotamiento psicológico del público, preservando así la función social del periodismo en una era de sobreexposición digital.
Research Information. “Clarivate Releases Journal Citation Reports 2026”. Junio de 2026. Basado en el anuncio oficial de Clarivate Analytics
Clarivate ha presentado la edición 2026 de su influyente informe Journal Citation Reports (JCR), una de las herramientas bibliométricas más utilizadas en el mundo académico para evaluar el impacto y la influencia de las revistas científicas. Esta nueva edición refuerza la apuesta por una evaluación más responsable, contextualizada y multidimensional de las publicaciones científicas, en un momento en que la comunidad investigadora cuestiona cada vez más la dependencia exclusiva del tradicional Impact Factor.
El informe, integrado en la plataforma Journal Citation Reports de Clarivate, amplía significativamente su cobertura global. La edición 2026 incorpora 22.643 revistas académicas procedentes de 113 países y distribuidas en 254 categorías temáticas, consolidando a JCR como uno de los repertorios de referencia para universidades, bibliotecas, agencias de evaluación e instituciones científicas. La metodología mantiene un enfoque estable que permite comparaciones longitudinales entre disciplinas y seguimiento de tendencias de publicación a escala internacional.
Una de las principales líneas de evolución del JCR 2026 es el énfasis en la evaluación responsable de revistas, reduciendo la centralidad histórica del Journal Impact Factor (JIF) como único indicador de calidad. Clarivate insiste en que las métricas de revista no deben utilizarse para evaluar directamente investigadores individuales o artículos concretos. En este sentido, la plataforma complementa el JIF con indicadores adicionales como el Journal Citation Indicator (JCI), métricas normalizadas por campo disciplinar, estadísticas de acceso abierto, datos sobre contribuciones editoriales y análisis comparativos por categoría científica.
El lanzamiento refleja también cambios más amplios en el ecosistema de la comunicación científica. Según Clarivate, el crecimiento de modelos de publicación en acceso abierto, la expansión de revistas multidisciplinares y el aumento global del volumen de citación exigen herramientas analíticas más sofisticadas. Por ello, JCR 2026 incorpora nuevos mecanismos de contextualización que permiten interpretar mejor la influencia de una revista dentro de su propio campo, evitando comparaciones simplistas entre disciplinas con dinámicas de citación muy diferentes.
Para bibliotecarios, gestores de colecciones y responsables universitarios, esta actualización resulta especialmente relevante porque influye directamente en políticas de suscripción, estrategias de adquisición, decisiones de financiación y evaluación institucional de la investigación. El sistema sigue funcionando como referencia central en numerosos procesos de acreditación académica y análisis del rendimiento científico internacional, aunque en paralelo continúa creciendo el debate sobre alternativas más abiertas y menos dependientes de métricas cuantitativas tradicionales.
Melanie Márquez Adams es una escritora, editora, traductora y académica nacida en Guayaquil en 1976, cuya trayectoria literaria se ha desarrollado entre Ecuador, Estados Unidos y España. Su obra aborda temas como la migración, la identidad latina, la pertenencia y la experiencia de vivir entre lenguas y culturas. Ha publicado libros como Mariposas negras, Querencia, El país de las maravillas y Anfibias, moviéndose entre la crónica, el ensayo, el cuento y la autoficción. Además, ha impulsado la visibilidad de la literatura latinoamericana en EE. UU. como editora de importantes proyectos colectivos, reconocidos con el International Latino Book Award en 2018. Su escritura combina memoria íntima, mirada crítica y exploración de lo femenino, mientras actualmente continúa su formación en traducción intercultural en la Universidad de Salamanca.
An illustrated framework highlighting key factors influencing students’ AI literacy development.
Shomotova, A., ElSayary, A., & Husain, S. (2026). What shapes students’ AI literacy? Investigating digital competence, student background, and GenAI use in higher education.Education and Information Technologies, 31, 387–418. https://doi.org/10.1007/s10639-025-13832-x
Este estudio investiga las relaciones entre la competencia digital, el uso de la Inteligencia Artificial Generativa (IA Gen), las características de los antecedentes personales de los estudiantes y la alfabetización en IA entre estudiantes de pregrado en los Emiratos Árabes Unidos (EAU). A medida que la IA se integra cada vez más en la educación superior, comprender cómo los estudiantes desarrollan las habilidades para utilizar estas herramientas de manera responsable y efectiva resulta fundamental.
A partir de instrumentos validados—la Escala de Competencia Digital Estudiantil (SDiCoS, por sus siglas en inglés) y la Escala de Alfabetización en Inteligencia Artificial (AILS, por sus siglas en inglés)—se recopilaron datos de 186 estudiantes de pregrado, los cuales fueron analizados mediante análisis factorial, modelos de ecuaciones estructurales, ANOVA y regresión jerárquica.
Los hallazgos revelaron una fuerte relación positiva entre la competencia digital y la alfabetización en IA, emergiendo las habilidades de evaluación digital como el predictor más sólido. La frecuencia del uso de IA Gen se asoció significativamente tanto con la competencia digital como con la alfabetización en IA. Las características de los antecedentes de los estudiantes, incluyendo el rendimiento académico (CGPA), el tipo de escuela secundaria a la que asistieron (privada internacional vs. pública) y los niveles de educación de los padres, influyeron significativamente en la relación.
Específicamente, el rendimiento académico contribuyó positivamente tanto a la competencia digital como a la alfabetización en IA, mientras que las variables del trasfondo educativo moderaron la relación entre ambas. Además, la competencia digital predijo significativamente la frecuencia de uso de la IA Gen, mientras que la alfabetización en IA no lo hizo.
Estos resultados resaltan el papel fundacional de la competencia digital para respaldar la alfabetización en IA de los estudiantes y subrayan el valor del aprendizaje experiencial. Las implicaciones prácticas incluyen la integración de la ética de la IA, la evaluación crítica y el compromiso práctico con la IA en los planes de estudio de alfabetización digital. El estudio contribuye a los debates globales en curso sobre la IA en la educación, ofreciendo perspectivas para el desarrollo de currículos, la estrategia institucional y el acceso equitativo a las tecnologías emergentes en la educación superior.
En conjunto, esta investigación aporta una conclusión especialmente relevante para el futuro de la educación superior: la preparación de los estudiantes para convivir con la inteligencia artificial depende menos del conocimiento técnico específico sobre IA y más de la solidez de sus competencias digitales generales, su experiencia práctica con herramientas inteligentes y el contexto educativo y social en el que han desarrollado esas capacidades. En un escenario donde la inteligencia artificial está redefiniendo la producción académica, la enseñanza universitaria deberá evolucionar hacia modelos formativos que integren alfabetización digital avanzada, pensamiento crítico, ética tecnológica y experiencia práctica continuada con sistemas de inteligencia artificial. El estudio se convierte así en una referencia importante para comprender cómo preparar a las nuevas generaciones para un ecosistema educativo profundamente transformado por la automatización inteligente
Universo Abierto 