Ruiz Mendoza, K. K. Manual apegado a APA 7.ª edición para citar, documentar y transparentar el uso de IAGen. 2026. El documento ofrece orientaciones prácticas para documentar de manera transparente el uso de herramientas de inteligencia artificial generativa en trabajos académicos y de investigación
El documento propone un marco práctico para transparentar el uso de la inteligencia artificial generativa (IAGen) en la producción académica, partiendo de una idea fundamental: no basta con declarar de forma genérica que se ha utilizado IA. La transparencia exige explicar qué herramienta se empleó, con qué finalidad, qué partes del trabajo fueron afectadas, cómo se verificó la información generada y qué responsabilidad asumieron finalmente los autores.
El principio central es que la utilización de IA debe ser documentable y auditable, manteniendo siempre la contribución intelectual humana como elemento fundamental del trabajo académico.
Uno de los principios más importantes del manual es la responsabilidad humana final. La inteligencia artificial puede ayudar a organizar ideas, redactar, traducir, revisar la claridad de un texto, elaborar tablas, generar imágenes o apoyar determinados análisis, pero no puede asumir la responsabilidad ética, académica o legal del trabajo. Las decisiones sobre las ideas, la interpretación de los resultados, las conclusiones, la selección de fuentes y la edición definitiva corresponden a las personas autoras. Por esta razón, el documento recomienda que la IA nunca aparezca como autora o coautora de una investigación.
El manual insiste especialmente en la verificación de los resultados producidos por la IA. Toda afirmación, dato, cita, DOI, referencia bibliográfica, tabla, figura o resultado sugerido por una herramienta generativa debe contrastarse con fuentes originales o documentación primaria. La salida de un modelo de lenguaje no debe considerarse por sí misma una fuente de conocimiento. Esta recomendación resulta especialmente relevante porque los sistemas generativos pueden producir información incorrecta, referencias inexistentes o interpretaciones que parecen plausibles pero carecen de respaldo documental.
Una aportación práctica del documento es la creación de una bitácora de uso de IA generativa. Esta debería registrar elementos como la fecha, la herramienta y el modelo utilizado, el objetivo académico, el prompt, la salida que finalmente se empleó y las modificaciones o verificaciones realizadas por el autor. De este modo, el uso de IA deja de ser una actividad opaca y pasa a formar parte de la metodología documentada de la investigación. El manual señala que el registro debe ser suficientemente claro para que otra persona pueda comprender qué intervención tuvo la IA, aunque no necesariamente pueda reproducir exactamente la misma respuesta.
El documento también ofrece modelos concretos para redactar una declaración metodológica sobre el uso de IA. La fórmula propuesta consiste en indicar qué herramienta se utilizó, para qué finalidad y dejar constancia de que la persona autora revisó, verificó y modificó la salida antes de incorporarla al trabajo. Se pretende así evitar declaraciones ambiguas como “se utilizó inteligencia artificial” y sustituirlas por explicaciones específicas sobre la naturaleza y alcance de la intervención tecnológica.
Otro aspecto destacado es la documentación de los prompts y de las salidas relevantes mediante apéndices. El manual recomienda identificar la herramienta, el modelo y la fecha de utilización, explicar el objetivo académico, conservar el prompt suficientemente completo, registrar la salida relevante, documentar las modificaciones humanas y señalar las fuentes utilizadas para verificar los resultados. Esta documentación proporciona una especie de rastro de auditoría que permite reconstruir cómo intervino la IA en el proceso de elaboración del trabajo.
La guía presta también atención a la privacidad y protección de datos. No recomienda incorporar a los apéndices conversaciones que contengan nombres, matrículas, correos electrónicos, rostros, direcciones, datos médicos u otra información sensible. Del mismo modo, deben evitarse prompts que revelen contraseñas, credenciales, documentos internos o información protegida. La transparencia sobre el uso de IA no debe convertirse, por tanto, en una nueva fuente de exposición de información personal o confidencial.
En cuanto a la presentación formal, el manual adapta estas prácticas al estilo APA 7.ª edición. Propone modelos para las declaraciones metodológicas, las notas de figuras generadas con IA, las tablas elaboradas con asistencia de IA y las referencias de chats específicos. También explica cómo organizar los apéndices y cómo numerar sus tablas y figuras: por ejemplo, Tabla A1 o Figura A1 para el Apéndice A.
En definitiva, el documento plantea que la cuestión no es prohibir o permitir genéricamente la inteligencia artificial en la investigación, sino establecer condiciones de uso responsable. La IA puede convertirse en una herramienta legítima para mejorar determinados procesos académicos siempre que exista supervisión humana, transparencia, trazabilidad y verificación. La idea esencial podría resumirse así: la IA puede participar en el proceso de producción del conocimiento, pero la responsabilidad sobre ese conocimiento continúa siendo humana.
La ciencia siempre ha cometido errores, pero tradicionalmente se confiaba en que su propio sistema de autocorrección acabaría detectándolos y sustituyéndolos por conocimientos más sólidos. El problema actual es que esa capacidad de corrección ya no parece avanzar al mismo ritmo que la producción y difusión de información.
Antes, los errores podían tardar años en propagarse porque las publicaciones, revisiones, libros y manuales evolucionaban lentamente. Esa lentitud actuaba, paradójicamente, como una forma de contención. Ahora, una afirmación errónea puede difundirse prácticamente de inmediato a través de artículos, bases de datos, redes académicas y sistemas de inteligencia artificial.
Hu utiliza como ejemplo histórico las afirmaciones de Justus von Liebig sobre el valor nutricional del extracto de carne. Liebig defendió que el concentrado de carne poseía un importante valor nutritivo y contribuyó a popularizar el llamado beef tea. Sin embargo, experimentos realizados posteriormente por Adolf Fick y Johannes Wislicenus apuntaron en otra dirección: eran principalmente las grasas y los carbohidratos, y no las proteínas, los que proporcionaban energía para el trabajo muscular. A pesar de ello, las ideas iniciales de Liebig sobrevivieron durante décadas y contribuyeron a consolidar una asociación entre carne, proteína y fuerza que continúa teniendo influencia en la cultura alimentaria contemporánea.
A partir de este ejemplo, el autor introduce el concepto de “consenso sintético”Se trataría de una situación en la que la credibilidad de una afirmación no procede fundamentalmente de una nueva validación empírica, sino de su repetición, agregación y reproducción dentro de diferentes sistemas de conocimiento. Una afirmación puede aparecer en artículos, revisiones, libros, bases de datos y posteriormente en sistemas de IA. Al aparecer tantas veces, parece estar respaldada por múltiples fuentes, aunque todas esas apariciones procedan en última instancia de la misma afirmación original y no constituyan verificaciones independientes.
El fenómeno se desarrolla, según Hu, mediante tres fuerzas: persistencia, suministro y recursividad. La persistencia significa que un error puede continuar circulando incluso después de que el artículo original haya sido retractado. El autor cita el caso de un ensayo sobre suplementos de omega-3 en pacientes con EPOC que fue retractado en 2008 por falsificación de datos y que, once años después, seguía siendo citado positivamente en más de un centenar de publicaciones y otros materiales. La retractación afecta al documento original, pero con frecuencia no acompaña a todas las copias, citas, revisiones y afirmaciones derivadas que ya se han incorporado al sistema científico.
El suministro hace referencia al crecimiento de los paper mills, organizaciones que producen artículos científicos fraudulentos o de baja calidad de forma industrializada. El problema deja de ser entonces detectar ocasionalmente un artículo defectuoso y pasa a consistir en hacer frente a un volumen de información potencialmente fraudulenta que puede superar la capacidad de editores, revisores, instituciones y organismos de integridad científica para examinarla. El sistema de control se encuentra así ante una asimetría: la producción de contenidos problemáticos puede escalar mucho más rápidamente que su detección y retirada.
La tercera fuerza, y quizá la más novedosa, es la recursividad introducida por la IA generativa. Los grandes modelos de lenguaje pueden sintetizar y reproducir información existente a un coste marginal muy bajo. Si entre esa información existen afirmaciones erróneas, sin fundamento o incluso inventadas, la IA puede incorporarlas a nuevos textos. Estos nuevos textos pueden volver a alimentar otros sistemas de IA, creando un ciclo en el que una afirmación se repite y se transforma sucesivamente. Con cada repetición puede disminuir la percepción de incertidumbre y aumentar la apariencia de corroboración, aunque la evidencia original no haya mejorado.
El artículo conecta esta dinámica con dos problemas relacionados: el “model collapse” y la aparición de una posible “monocultura científica”. El primero describe el deterioro que puede producirse cuando los modelos se entrenan indiscriminadamente con contenidos generados por otros modelos. El segundo hace referencia a la tendencia de los sistemas de IA a favorecer la convergencia de temas, métodos y formas de expresión cuando se utilizan cada vez más para generar ideas, sintetizar literatura y formular preguntas de investigación. El riesgo es que la IA no solo reproduzca errores existentes, sino que contribuya a reducir la diversidad intelectual del sistema científico.
Esto plantea una limitación importante para los mecanismos tradicionales de revisión por pares, supervisión editorial y retractación. Estos mecanismos fueron diseñados fundamentalmente para corregir errores dentro de la literatura científica. Pero actualmente el conocimiento ya no está contenido exclusivamente en los artículos publicados. Las afirmaciones científicas pasan a bases de datos, revisiones, materiales docentes, herramientas de decisión, motores de búsqueda y modelos de IA. Por ello, retirar o corregir un artículo puede resultar insuficiente: el error puede continuar existiendo en todos los sistemas que ya lo han incorporado.
La propuesta central de Hu es construir una auténtica “capa de propagación” de las correcciones. Si una afirmación errónea puede viajar de un artículo a una revisión, de esta a una base de datos y posteriormente a un modelo de IA, las correcciones deberían poder realizar exactamente el mismo recorrido. El autor menciona iniciativas como United2Act, los trabajos de la STM Association sobre el uso responsable de contenidos científicos en IA, Crossmark, la base de datos de Retraction Watch y las recomendaciones de NISO sobre comunicación de retractaciones. Sin embargo, señala que todavía existe una adopción desigual y, sobre todo, que los modelos de IA permanecen en gran medida fuera del circuito de corrección científica.
La conclusión es especialmente relevante para la integridad científica en la era de la IA: el desafío ya no consiste únicamente en impedir que un artículo falso o defectuoso llegue a publicarse. Hay que garantizar que, cuando aparezca un error, la corrección sea capaz de viajar tan lejos y tan rápido como viajó el error original. De lo contrario, podemos terminar en un sistema en el que la repetición produzca una apariencia de consenso y donde una afirmación parezca verdadera simplemente porque ha sido reproducida miles de veces por personas, bases de datos y máquinas.
La metáfora final del artículo resulta muy apropiada: lo que se incorpora a una estructura tiende a permanecer. La pregunta que plantea Hu para el ecosistema académico es, por tanto, qué estamos incorporando a las infraestructuras que conservarán y transmitirán el conocimiento del futuro y si esas infraestructuras serán capaces de recordar no solo las afirmaciones, sino también sus correcciones. Es un cambio de perspectiva importante: la integridad científica deja de ser únicamente una cuestión de revisar publicaciones y pasa a convertirse también en un problema de arquitectura, metadatos, trazabilidad, interoperabilidad y gobernanza de la información científica.
John S. Tregoning recupera una provocadora idea formulada en 1963 por el inmunólogo y premio Nobel Peter Medawar: “el artículo científico es un fraude”. La expresión no se refiere al fraude científico entendido como falsificación, plagio o fabricación de datos, sino a que el formato convencional del artículo científico ofrece una representación engañosa de cómo se desarrolla realmente la investigación.
El esquema habitual —planteamiento del problema, metodología, resultados y conclusiones— presenta la ciencia como un proceso lineal, ordenado y casi inevitable, cuando en realidad investigar implica dudas, caminos descartados, errores, intuiciones, cambios de rumbo, casualidades y decisiones humanas.
El autor sostiene que el artículo científico oculta buena parte del proceso creativo que existe detrás de los resultados. Las hipótesis aparecen en los artículos como si hubieran sido formuladas desde el principio de manera clara y racional, pero Medawar señalaba que muchas surgen mediante conjeturas, intuiciones y recorridos intelectuales difíciles de reconstruir. Para Tregoning, esta dimensión creativa no es un defecto de la ciencia, sino una de sus características fundamentales. La imaginación permite formular preguntas nuevas, encontrar conexiones inesperadas y decidir qué caminos experimentales merece la pena explorar.
Esta cuestión adquiere una nueva dimensión con la inteligencia artificial. Tregoning reconoce que la IA puede ser extraordinariamente útil, especialmente para trabajar con grandes conjuntos de datos que superan la capacidad de procesamiento humano, pero establece una diferencia esencial entre procesar información y generar auténtica imaginación científica. En su opinión, la ciencia necesita todavía esa capacidad humana para formular hipótesis, interpretar situaciones ambiguas y descubrir posibilidades que no estaban previamente determinadas por los datos. Por ello, la creciente automatización de la producción científica hace todavía más importante recordar que detrás de cada investigación existe una persona que formula preguntas, toma decisiones e interpreta resultados.
Otro problema importante es que los artículos científicos reconstruyen retrospectivamente la investigación como una historia coherente, aunque el trabajo real haya sido mucho más desordenado. En ocasiones, el experimento que aparece como primera figura fue en realidad el último que se realizó; determinados resultados pueden proceder de investigaciones independientes desarrolladas por personas diferentes o en momentos distintos. El investigador selecciona posteriormente aquellos datos que permiten construir una narración científica comprensible. Esto no significa necesariamente que exista manipulación: significa que la publicación científica exige transformar un proceso complejo y contingente en un relato estructurado.
Tregoning relaciona esta reconstrucción narrativa con uno de los grandes problemas de la ciencia contemporánea: la presión por publicar resultados positivos. Cuando los investigadores disponen de recursos limitados, existe una tendencia a realizar experimentos de los que esperan obtener resultados publicables. Los resultados negativos o los experimentos que no conducen a conclusiones interesantes tienen mucha menos presencia en la literatura. El sistema de publish or perish puede acabar influyendo incluso en las preguntas que los científicos deciden investigar, favoreciendo historias de éxito frente a la realidad mucho más irregular del proceso investigador.
El artículo también cuestiona la idea de que la escritura científica deba eliminar completamente la presencia del investigador. El uso de una voz impersonal y uniforme pretende transmitir objetividad, pero también borra las decisiones, perspectivas y elecciones de los autores. Tregoning considera que los investigadores son quienes deciden qué caminos seguir, qué datos seleccionar y cómo interpretar aquello que han encontrado. Incluso los revisores y editores intervienen en la construcción final del relato, porque sus observaciones pueden modificar qué aspectos se destacan y cómo se presenta la investigación.
Una de las consecuencias educativas de este modelo es especialmente interesante. Si los estudiantes aprenden ciencia fundamentalmente a través de artículos científicos, pueden adquirir una imagen falsa de cómo se hace investigación: podrían pensar que primero se formula una hipótesis perfectamente definida, después se realiza un experimento y finalmente se obtiene una conclusión. La realidad es mucho más exploratoria. La investigación científica avanza mediante tanteos, fracasos, resultados inesperados, modificaciones de hipótesis y decisiones que difícilmente pueden reflejarse en la estructura convencional de un artículo.
Tregoning no propone abandonar el artículo científico. Reconoce que continúa siendo la unidad fundamental de comunicación de la ciencia y que probablemente seguirá desempeñando ese papel durante mucho tiempo. Sin embargo, propone complementarlo con otras formas de comunicación, como congresos, blogs y redes sociales, que permitan mostrar mejor el proceso, las personas que participan en él y las circunstancias que rodean la producción del conocimiento. También menciona iniciativas que intentan modificar el modelo tradicional de publicación y revisión, como los preprints, Review Commons o el nuevo modelo editorial de eLife.
La conclusión resulta especialmente pertinente en el contexto actual de la IA generativa y la proliferación de contenidos científicos automatizados. Si los sistemas de IA pueden producir textos que imitan perfectamente la forma convencional de un artículo científico, existe el riesgo de confundir la calidad formal del producto con la calidad del proceso que lo ha generado. Para Tregoning, precisamente por eso debemos prestar más atención a aquello que tradicionalmente queda fuera del artículo: la innovación, la intuición, la imaginación, las decisiones y el razonamiento humano. El artículo científico no debería ser considerado la investigación misma, sino la manifestación externa y estructurada de un proceso intelectual mucho más complejo.
La ciencia no es solamente el resultado que aparece publicado; es también el conjunto de decisiones, dudas, experimentos, errores, intuiciones y descubrimientos humanos que hicieron posible llegar hasta él.
Ebrahim, Nader Ale. “Measure What Matters: The Five Dimensions of Research Visibility & Impact”. LinkedIn, 2026. Artículo original en LinkedIn
El artículo plantea la necesidad de superar una concepción excesivamente limitada del impacto de la investigación científica, tradicionalmente vinculada al número de citas, el índice h, el factor de impacto de las revistas o la posición de una publicación dentro de determinados rankings bibliométricos. Aunque estos indicadores continúan siendo útiles para conocer la influencia académica de un trabajo, el autor sostiene que no permiten captar por sí solos todas las formas en que una investigación puede generar valor.
Un artículo puede recibir pocas citas y, sin embargo, ser ampliamente leído, descargado, compartido en redes académicas, utilizado por profesionales, incorporado a documentos institucionales o contribuir a una determinada política pública. Del mismo modo, una investigación puede alcanzar una elevada visibilidad antes de que su impacto bibliométrico sea apreciable, debido al tiempo que normalmente transcurre entre la publicación de un trabajo, su lectura, su utilización por otros investigadores y la aparición de nuevas citas. Por ello, la evaluación de la investigación debería contemplar un conjunto más amplio de evidencias que permita observar tanto su influencia académica como su circulación, visibilidad, utilización y repercusión social.
La propuesta se articula en torno a cinco dimensiones que permiten construir una imagen más completa del impacto de la investigación: las citas, la visibilidad, la calidad o relevancia del canal de publicación, el impacto social y la colaboración.
La primera dimensión continúa siendo el impacto bibliométrico, que puede analizarse mediante indicadores como las citas totales, el índice h, el Field-Weighted Citation Impact (FWCI) y la proporción de trabajos que se sitúan entre los artículos más citados de su campo. La importancia del FWCI reside especialmente en que permite contextualizar las citas en función de la disciplina, el año de publicación y otros factores que influyen en los patrones de citación. Esto resulta fundamental porque no todas las áreas científicas tienen las mismas prácticas de citación y, por tanto, no resulta adecuado comparar directamente el número de citas de investigadores pertenecientes a disciplinas muy diferentes. El artículo defiende así una utilización más contextualizada de los indicadores bibliométricos, evitando convertir una métrica aislada en una representación completa del valor de una investigación.
La segunda dimensión corresponde a la visibilidad. Una investigación difícilmente puede generar impacto si sus potenciales lectores no pueden descubrirla. En un sistema científico caracterizado por un crecimiento constante de la producción académica, publicar un artículo ya no garantiza que este sea encontrado y leído por las personas que podrían beneficiarse de sus resultados. La visibilidad depende de factores como la presencia en bases de datos, repositorios institucionales, perfiles académicos, identificadores persistentes, buscadores especializados y plataformas de comunicación científica. También adquieren importancia las descargas, las visualizaciones y otras evidencias de uso. Desde esta perspectiva, la publicación es solamente el comienzo del proceso de impacto: primero es necesario que el trabajo sea descubrible, después que sea leído y utilizado y, finalmente, que pueda generar nuevas investigaciones, colaboraciones o aplicaciones. La visibilidad se convierte, por tanto, en una condición previa para muchas de las demás formas de impacto.
La tercera dimensión está relacionada con la calidad y relevancia del canal de publicación. El prestigio de una revista, su posición dentro de una determinada categoría científica y los indicadores bibliométricos asociados a ella continúan teniendo importancia en el ecosistema académico, aunque el autor advierte implícitamente frente a la tendencia de utilizar el prestigio de la revista como sustituto de la evaluación del propio artículo. Un trabajo científico no adquiere automáticamente una determinada calidad por el simple hecho de aparecer en una revista prestigiosa, del mismo modo que una investigación relevante no debería quedar infravalorada exclusivamente porque haya sido publicada en un canal con menor impacto bibliométrico. La evaluación responsable requiere distinguir entre las características del vehículo de comunicación y las evidencias concretas de influencia de cada investigación. Esta distinción resulta especialmente importante en un contexto en el que las políticas de evaluación científica están avanzando hacia modelos que intentan valorar los resultados y contribuciones de los investigadores de una manera más amplia.
La cuarta dimensión corresponde al impacto social, una cuestión cada vez más relevante dentro de las políticas contemporáneas de investigación. El conocimiento científico no produce necesariamente su principal efecto dentro de las universidades o centros de investigación. Puede influir en políticas públicas, organizaciones, empresas, profesionales, instituciones educativas, medios de comunicación y ciudadanos. Las altmétricas pueden aportar información complementaria para observar parte de esta circulación, especialmente cuando un trabajo recibe atención en redes sociales, medios digitales, blogs, plataformas académicas o espacios de comunicación científica. Sin embargo, la mera acumulación de menciones no debería confundirse automáticamente con impacto. Una gran cantidad de atención puede indicar visibilidad, pero el impacto requiere evidencias de utilización, influencia o transformación. La cuestión esencial consiste, por tanto, en identificar qué ocurre con el conocimiento una vez que abandona el circuito estrictamente académico y llega a otros públicos y contextos de aplicación.
La quinta dimensión se refiere a la colaboración, especialmente a la colaboración internacional. La investigación contemporánea se desarrolla cada vez con mayor frecuencia mediante redes que conectan investigadores, universidades, centros de investigación y países diferentes. La colaboración puede ampliar la circulación de los resultados, facilitar el intercambio de conocimientos, favorecer nuevos proyectos y aumentar las posibilidades de que una investigación sea conocida y utilizada en contextos diferentes. La tasa de colaboración internacional constituye, por ello, un indicador que ayuda a comprender la dimensión relacional de la investigación. No se trata únicamente de contabilizar cuántos autores participan en un artículo, sino de observar hasta qué punto la investigación forma parte de redes científicas amplias y diversas. La colaboración puede convertirse además en un mecanismo para incrementar tanto la visibilidad como la influencia posterior de los resultados.
A partir de estas dimensiones, el autor propone considerar un conjunto de indicadores que combina bibliometría tradicional, datos de uso, visibilidad digital, acceso abierto, altmétricas y colaboración. Entre ellos aparecen el FWCI, las citas totales, el índice h, la proporción de trabajos situados entre el 10 % más citado, la identificación de trabajos altamente citados, el porcentaje de publicaciones en acceso abierto, las descargas y visualizaciones, el Altmetric Attention Score, la colaboración internacional y el crecimiento de las citas. La importancia de esta combinación reside precisamente en que ningún indicador individual pretende explicar por sí solo el impacto de una investigación. El objetivo es construir un perfil multidimensional que permita responder a preguntas diferentes: cuánto se cita un trabajo, quién lo encuentra, quién lo lee, dónde circula, qué atención recibe, con quién se conecta y qué utilización puede tener más allá del ámbito académico.
Esta perspectiva resulta especialmente coherente con la evolución de la ciencia abierta y con los cambios que está experimentando la comunicación científica. El acceso abierto, los repositorios institucionales, los identificadores persistentes como ORCID y la disponibilidad de metadatos estructurados facilitan que las investigaciones puedan ser descubiertas y utilizadas por comunidades mucho más amplias. La publicación deja de ser así un acontecimiento aislado para convertirse en una etapa dentro de un ciclo de comunicación que incluye producción, publicación, descubrimiento, lectura, reutilización, citación, difusión y aplicación. En este contexto, la visibilidad adquiere un valor estratégico porque permite que los resultados lleguen a públicos que probablemente nunca habrían encontrado el artículo a través de los canales tradicionales.
Para las bibliotecas universitarias, esta propuesta tiene importantes implicaciones. Los servicios bibliotecarios pueden desempeñar un papel activo en la mejora de la visibilidad y el impacto de la investigación mediante el asesoramiento sobre repositorios, acceso abierto, ORCID, perfiles académicos, metadatos, identificadores persistentes y estrategias de difusión. También pueden ayudar a los investigadores a interpretar correctamente los indicadores bibliométricos y altmétricos, evitando usos simplistas o inadecuados de las métricas. De esta manera, la biblioteca se convierte no solo en un servicio de acceso a la información científica, sino también en un agente de apoyo a la comunicación, evaluación y difusión de la investigación. La alfabetización bibliométrica y la formación en ciencia abierta adquieren así una importancia creciente dentro de los servicios de apoyo a la investigación.
La aparición de la inteligencia artificial introduce además una nueva dimensión en esta cuestión. Los investigadores dependen cada vez más de sistemas automatizados para descubrir literatura, resumir documentos, identificar conexiones entre trabajos y localizar información relevante. Esto significa que la descubribilidad de una investigación ya no depende exclusivamente de que aparezca bien posicionada en una base de datos tradicional. Los metadatos de calidad, los identificadores persistentes, la accesibilidad del texto completo y una adecuada estructuración de la información pueden influir también en la capacidad de los sistemas digitales y de IA para localizar y recomendar determinados trabajos. La visibilidad científica empieza, por tanto, a adquirir una dimensión algorítmica: una investigación debe ser no solo visible para los investigadores, sino también suficientemente accesible y estructurada para los sistemas que participan cada vez más en los procesos de descubrimiento científico.
El artículo propone pasar de una visión de la investigación basada fundamentalmente en la pregunta “¿cuántas citas ha recibido?” a una perspectiva mucho más amplia: “¿cómo circula, quién la descubre, quién la utiliza, con quién se conecta y qué efectos produce?”. Las cinco dimensiones —impacto de las citas, visibilidad, calidad del canal de publicación, impacto social y colaboración— permiten construir una imagen más rica y equilibrada del valor de la actividad científica. La principal aportación de este enfoque consiste en recordar que el impacto no comienza cuando aparece una cita ni termina cuando se publica un artículo. Se desarrolla a través de un proceso en el que la investigación debe ser descubierta, leída, compartida, conectada con otros trabajos, incorporada a nuevas investigaciones y, cuando sea posible, utilizada para generar conocimiento, innovación o beneficios sociales.
A UWN Reporter. “US, Europe challenged by Asia, Middle East: QS rankings”. University World News, 21 de junio de 2026. El artículo analiza los resultados de la edición 2027 del QS World University Rankings, publicada el 18 de junio de 2026, a partir de datos proporcionados por QS. https://www.universityworldnews.com/post.php?story=20260620082137544
La edición 2027 del QS World University Rankings confirma que Estados Unidos y Reino Unido continúan dominando la parte más alta de la clasificación mundial, pero también evidencia un proceso de transformación geográfica de la educación superior.
El Massachusetts Institute of Technology (MIT) conserva por decimoquinto año consecutivo la primera posición, mientras que Imperial College London mantiene el segundo puesto y Stanford University asciende desde el sexto lugar hasta compartir la segunda posición. Oxford y Harvard permanecen cuarta y quinta, respectivamente. Sin embargo, detrás de este liderazgo de las instituciones anglosajonas se observa una creciente presencia de universidades de Asia y Oriente Medio. El artículo subraya que el mapa mundial de la educación superior se está haciendo progresivamente más diversificado, debido sobre todo a las inversiones sostenidas en investigación, internacionalización, talento e innovación realizadas por países asiáticos y de Oriente Medio.
El cambio resulta especialmente visible al ampliar la mirada más allá de las diez primeras universidades. Estados Unidos mantiene nueve instituciones entre las veinte primeras y Reino Unido cuatro, pero el resto de posiciones muestran una mayor diversidad geográfica, con universidades de Singapur, China continental, Hong Kong, Suiza y Australia. China continental constituye uno de los grandes protagonistas de esta edición: cuenta con 85 universidades clasificadas, 13 nuevas incorporaciones y un 72 % de sus instituciones mejorando posiciones. Además, 26 universidades chinas alcanzan su mejor clasificación histórica y seis aparecen ya entre las cien mejores del mundo, con Nanjing University entrando por primera vez en este grupo. El crecimiento chino es presentado como el resultado de una inversión sostenida en investigación y de una mejora en indicadores como las citas por profesor, la reputación académica y la reputación entre empleadores. Sin embargo, QS señala que la internacionalización continúa siendo un punto débil, ya que ninguna universidad de China continental aparece entre las cien primeras en estudiantes internacionales, profesorado internacional o sostenibilidad.
Hong Kong y Singapur representan otros dos ejemplos destacados de sistemas relativamente pequeños capaces de competir con grandes potencias universitarias. Hong Kong aparece por segundo año consecutivo como el sistema de educación superior que más mejora en Asia: la University of Hong Kong conserva el puesto 11 y The Chinese University of Hong Kong asciende al 18, de modo que por primera vez dos universidades de Hong Kong se sitúan entre las veinte mejores del mundo. Singapur, por su parte, mantiene a la National University of Singapore como la universidad mejor situada de Asia y única institución asiática entre las diez primeras, en el puesto 10, mientras que Nanyang Technological University ocupa el 12. El caso singapurense resulta especialmente significativo porque QS lo presenta como una demostración de que el tamaño de un sistema universitario no determina necesariamente su competitividad: la inversión continuada durante décadas en investigación, empleabilidad e internacionalización permite a un sistema pequeño competir con países mucho mayores.
India también muestra una evolución especialmente significativa. Más de la mitad de sus universidades clasificadas mejoran posiciones y 18 alcanzan su mejor resultado histórico. La presencia india en el ranking ha pasado de 14 instituciones hace una década a 52 en 2027, un incremento del 271 %, lo que convierte al país en el miembro del G20 con mayor crecimiento proporcional en número de universidades clasificadas. El avance ya no se limita a los prestigiosos Indian Institutes of Technology: universidades públicas y privadas de numerosos estados están alcanzando posiciones históricas, lo que apunta a una expansión territorial y diversificación del sistema universitario. El artículo interpreta estos resultados como indicios de que la transformación de la educación superior india se está convirtiendo en un fenómeno sistémico y no únicamente en una historia de éxito de los IIT.
El Oriente Medio y, particularmente, los países árabes del Golfo constituyen otro de los grandes focos de crecimiento. Veinticuatro instituciones de la región alcanzan posiciones históricas, con importantes avances en Arabia Saudí, Emiratos Árabes Unidos, Jordania, Qatar y otros países. King Fahd University of Petroleum and Minerals (KFUPM) llega al puesto 63 y consolida su presencia entre las cien mejores del mundo, mientras King Saud University alcanza el 107 y Qatar University el 109. Khalifa University, de Emiratos Árabes Unidos, llega al puesto 147, convirtiéndose en la primera universidad del país que entra entre las 150 primeras. QS vincula esta evolución con las grandes inversiones gubernamentales en talento, investigación e innovación, enmarcadas además en estrategias nacionales de diversificación económica.
En Europa, el panorama es más desigual. Reino Unido conserva una posición privilegiada, con Imperial College en segundo lugar y 93 universidades clasificadas, pero su ritmo de mejora es inferior al de algunos competidores internacionales. Solo 31 universidades británicas mejoran posiciones frente a 38 que retroceden. QS advierte especialmente sobre el debilitamiento de la tradicional ventaja británica en internacionalización: el número de universidades británicas situadas entre las cien primeras en determinados indicadores relacionados con profesorado y estudiantes internacionales ha disminuido durante la última década. En Europa continental, en cambio, Italia aparece entre los sistemas que más mejoran, con Politecnico di Milano en el puesto 87, mientras Alemania, España y Francia incrementan considerablemente el número de universidades presentes en la clasificación. La Technical University of Munich, en el puesto 25, es la universidad mejor situada de la Unión Europea, seguida por Université PSL, en el puesto 34.
Uno de los mensajes más importantes del informe afecta precisamente a Estados Unidos. Aunque sigue siendo el sistema universitario más representado, con 184 instituciones frente a 192 en la edición anterior, el 66 % de sus universidades empeora su posición. El contraste entre una élite universitaria extremadamente fuerte y un conjunto más amplio de instituciones sometidas a presión es muy marcado. MIT, Harvard, Stanford, Caltech y otras universidades de élite mantienen posiciones extraordinarias, pero el conjunto del sistema estadounidense experimenta un descenso medio de 10,2 posiciones entre instituciones comparables, mientras China continental registra una subida media de 17,1 posiciones. Especialmente preocupante para QS es la pérdida de competitividad internacional: la representación estadounidense entre las 200 primeras universidades en el indicador de estudiantes internacionales se ha reducido de 28 instituciones en 2017 a solo 14 en 2027, mientras que en profesorado internacional ha pasado de 15 a ocho.
El artículo también muestra que la presión competitiva se extiende a Canadá, América Latina, África y otras regiones. Canadá experimenta retrocesos en dos tercios de sus universidades clasificadas, aunque McGill conserva el primer puesto nacional y se mantiene en el lugar 30 mundial. América Latina presenta una trayectoria descendente más pronunciada: el 52 % de sus universidades retrocede y solo el 8 % mejora. La Universidad de Buenos Aires, en el puesto 84, continúa siendo la única institución latinoamericana entre las cien primeras, mientras que Colombia registra retrocesos generalizados. En África subsahariana, Sudáfrica continúa liderando, aunque University of Cape Town cae hasta el puesto 184. Al mismo tiempo, aumenta el número de universidades africanas incluidas en el ranking, pasando de 12 hace una década a 23 en la edición actual, lo que refleja una expansión gradual de sus capacidades de investigación, resultados estudiantiles y colaboración internacional.
En conjunto, el QS World University Rankings 2027 presenta una educación superior mundial en transición. La supremacía de Estados Unidos y Reino Unido en la cúspide permanece, pero ya no representa por sí sola la dinámica del sistema global. China, India, Hong Kong, Singapur y los países árabes están incrementando su presencia mediante políticas de inversión sostenida en investigación, internacionalización, innovación y atracción de talento. El ranking incorpora más de 1.500 universidades de 106 sistemas de educación superior, y su análisis se basa en 21 millones de artículos científicos, 222 millones de citas, 1,6 millones de respuestas de encuestas académicas, datos de 8.808 instituciones y opiniones de más de 121.000 académicos y 69.000 empleadores. La principal conclusión es que la competencia universitaria internacional está pasando de un modelo concentrado en unas pocas potencias occidentales a otro mucho más distribuido, donde la capacidad de atraer talento internacional, producir investigación de impacto y mantener conexiones globales será cada vez más decisiva.
La sección de estadísticas de Sci-Hub ofrece una visión general del uso de la plataforma a partir de los datos recopilados exclusivamente de sus dominios oficiales. El objetivo de esta página es mostrar tendencias de utilización, especialmente en lo relativo a los países desde los que se realizan más descargas de artículos científicos. No obstante, el propio sitio advierte que estos datos representan únicamente una parte de la actividad total de Sci-Hub, ya que no incluyen las descargas realizadas a través de los numerosos dominios espejo (mirrors) que reproducen el servicio. En aquellos países donde los dominios principales han sido bloqueados por decisiones judiciales o administrativas, el tráfico hacia estos sitios alternativos puede ser considerablemente superior al registrado por los servidores originales.
El responsable del sitio también anuncia su intención de publicar en el futuro el registro completo de descargas (full Sci-Hub download log), lo que permitiría disponer de un conjunto de datos mucho más detallado para analizar patrones de acceso, distribución geográfica, frecuencia de uso y comportamiento de los usuarios. Un registro de esta naturaleza tendría un notable interés para investigadores especializados en comunicación científica, bibliometría y acceso abierto, ya que posibilitaría estudiar con mayor precisión cómo se distribuye el acceso informal a la literatura académica a escala mundial.
Entre los datos que actualmente se ofrecen destaca una clasificación de los países con mayor número de descargas durante el último mes. La tabla ordena las naciones según el volumen de artículos descargados, proporcionando una instantánea de los lugares donde Sci-Hub presenta una mayor utilización reciente. Este tipo de información permite identificar tendencias geográficas, observar variaciones temporales en el uso de la plataforma y detectar regiones donde la demanda de literatura científica mediante canales alternativos resulta especialmente intensa.
El dato más llamativo es el claro liderazgo de China, con 62.841.491 descargas, una cifra extraordinariamente superior a la del resto de los países. De hecho, el volumen chino supera ampliamente la suma de las descargas de todos los demás países del Top 20. Este predominio puede explicarse por una combinación de factores: el enorme tamaño de su comunidad científica, el elevado número de estudiantes e investigadores, la intensa actividad investigadora del país y las barreras de acceso a determinadas publicaciones internacionales.
En segundo lugar aparece Estados Unidos, con 14.565.580 descargas. Aunque la cifra es muy elevada, representa menos de una cuarta parte de las descargas registradas para China. Resulta especialmente significativo porque Estados Unidos alberga algunas de las universidades y centros de investigación con mayores presupuestos para suscripciones científicas. Ello confirma que el uso de Sci-Hub no responde únicamente a la falta de acceso institucional, sino también a razones de conveniencia, rapidez o facilidad de acceso a los artículos.
Existe un gran salto entre los dos primeros países y el resto del ranking. India, en tercera posición, registra 2.992.560 descargas, seguida por Rusia (1.936.812), Brasil (1.853.519) e Indonesia (1.444.790). Estos países representan grandes sistemas nacionales de educación superior y cuentan con millones de estudiantes e investigadores, pero también con importantes desigualdades en el acceso a la literatura científica comercial, lo que puede favorecer el recurso a plataformas alternativas como Sci-Hub.
En el grupo intermedio destacan Alemania, Singapur, Irán, Japón, Turquía, Francia y Corea del Sur, todos ellos con cifras comprendidas entre aproximadamente 700.000 y 1,3 millones de descargas. La presencia simultánea de países con infraestructuras científicas muy desarrolladas (Alemania, Francia, Japón o Corea del Sur) junto a otros con mayores limitaciones económicas demuestra que el uso de Sci-Hub constituye un fenómeno global y no exclusivo de los países con menos recursos.
Los últimos puestos del Top 20 corresponden a Países Bajos, Filipinas, México, Malasia, Reino Unido, Vietnam y Canadá, con cifras que oscilan entre unas 460.000 y 600.000 descargas. Aunque el volumen es inferior al de los primeros países del ranking, sigue representando un uso considerable de la plataforma. La presencia de países como Reino Unido o Canadá, cuyos sistemas universitarios disponen de amplias colecciones de revistas científicas, sugiere nuevamente que muchos usuarios recurren a Sci-Hub por la rapidez de acceso o para evitar barreras de autenticación.
Desde una perspectiva geográfica, Asia domina claramente la clasificación, con diez de los veinte países representados (China, India, Indonesia, Singapur, Irán, Japón, Turquía, Corea del Sur, Malasia y Vietnam). América aporta cuatro países (Estados Unidos, Brasil, México y Canadá), Europa cinco (Rusia, Alemania, Francia, Países Bajos y Reino Unido) y África no aparece representada entre los veinte primeros. Esta distribución refleja, en gran medida, dónde se concentra actualmente la producción científica mundial y el crecimiento de los sistemas de investigación.
La tabla también ilustra una desigualdad muy marcada en el uso de la plataforma. China registra aproximadamente 4,3 veces más descargas que Estados Unidos y más de veinte veces las de India, que ocupa el tercer lugar. Esto indica que el uso de Sci-Hub no está distribuido de forma uniforme, sino que se concentra en unos pocos países con grandes comunidades investigadoras.
Sin embargo, el propio sitio reconoce importantes limitaciones metodológicas que deben tenerse en cuenta al interpretar estas estadísticas. En particular, los datos no se depuran para eliminar el efecto del uso de redes privadas virtuales (VPN), servidores proxy ni accesos automatizados mediante robots. Como consecuencia, la localización geográfica que reflejan las direcciones IP puede no corresponder con la ubicación real del usuario. Un ejemplo señalado expresamente es el del Reino Unido, donde el acceso a Sci-Hub ha sido restringido en diversas ocasiones; muchos usuarios recurren a servidores VPN situados en Estados Unidos para acceder al servicio, de modo que sus descargas aparecen registradas como procedentes de ese país. Este fenómeno puede distorsionar significativamente la distribución geográfica observada y sobreestimar el uso en determinadas regiones mientras subestima el de otras.
Estas advertencias ponen de manifiesto que las estadísticas deben interpretarse como una aproximación al comportamiento de los usuarios y no como una representación exacta del consumo mundial de artículos científicos a través de Sci-Hub. A ello se suma el hecho de que la exclusión de los dominios espejo implica que una parte sustancial del tráfico internacional queda fuera del análisis. En consecuencia, los datos disponibles son útiles para identificar tendencias generales y realizar comparaciones aproximadas, pero no constituyen una medición exhaustiva del uso global de la plataforma.
En conjunto, esta sección refleja el interés de Sci-Hub por aportar cierta transparencia sobre la utilización del servicio y por facilitar datos que puedan ser analizados por la comunidad investigadora. Al mismo tiempo, el propio sitio reconoce las limitaciones técnicas y metodológicas inherentes a la recopilación de estos datos, recordando que factores como la censura de dominios, el empleo de VPN, los accesos automatizados y la existencia de múltiples réplicas del servicio condicionan la fiabilidad de las estadísticas y hacen necesario interpretarlas con cautela.
La rápida expansión de la inteligencia artificial generativa está transformando el fraude científico al reducir drásticamente el tiempo y el esfuerzo necesarios para producir artículos aparentemente rigurosos. Lo que antes requería semanas o meses de trabajo —incluida la fabricación de datos, imágenes y referencias— ahora puede realizarse en cuestión de horas mediante herramientas de IA capaces de redactar manuscritos convincentes y difíciles de distinguir de investigaciones legítimas.
Según diversos expertos citados en el reportaje, la IA no ha creado el problema del fraude científico, pero sí ha multiplicado su escala y velocidad, actuando como un potente acelerador de un sistema ya afectado por la presión del «publicar o perecer». Como resume Ivan Oransky, cofundador de Retraction Watch, «la IA es un acelerador, no la chispa»: el sistema de «publicar o perecer» ya incentivaba malas prácticas, pero la IA ha multiplicado la velocidad y la escala con la que pueden cometerse.
El reportaje sostiene que el verdadero problema no es únicamente que existan investigadores deshonestos, sino que el ecosistema editorial carece de recursos suficientes para detectar el creciente volumen de manuscritos fraudulentos. Muchas revistas científicas dependen de editores y revisores voluntarios, sometidos a una enorme carga de trabajo, que difícilmente pueden comprobar la autenticidad de todos los datos, imágenes, referencias y análisis estadísticos que reciben. Esta vulnerabilidad convierte el sistema editorial en un objetivo especialmente atractivo para quienes utilizan la IA para fabricar investigaciones falsas.
El artículo explica que la IA permite automatizar prácticamente todas las fases de un fraude científico. Un modelo puede generar hipótesis plausibles, redactar una introducción convincente, describir una metodología aparentemente coherente, inventar resultados compatibles con esa metodología e incluso producir referencias bibliográficas inexistentes pero verosímiles. A ello se añade la posibilidad de crear gráficos, tablas e imágenes sintéticas difíciles de distinguir de las reales, lo que incrementa el riesgo de que estudios completamente ficticios lleguen a superar los controles editoriales iniciales.
Uno de los aspectos más preocupantes es el crecimiento de una auténtica industria del fraude científico. El artículo describe cómo las denominadas paper mills (fábricas de artículos científicos) están incorporando herramientas de IA para aumentar enormemente su productividad. Estas organizaciones venden manuscritos completos o autorías a investigadores necesitados de publicaciones para obtener promociones, financiación o estabilidad laboral. La IA reduce sus costes de producción y les permite generar cantidades de artículos que hace pocos años habrían resultado imposibles.
Frente a esta amenaza, está surgiendo un mercado paralelo de empresas especializadas en detectar fraudes científicos asistidos por IA. Estas compañías desarrollan herramientas capaces de identificar patrones lingüísticos sospechosos, analizar imágenes manipuladas, localizar referencias inexistentes, detectar duplicaciones de datos y descubrir inconsistencias estadísticas. Sin embargo, el artículo advierte que esta situación se asemeja a una carrera armamentística: conforme mejoran los sistemas de detección, también evolucionan las herramientas utilizadas por quienes producen investigaciones fraudulentas.
El texto insiste en que las soluciones puramente tecnológicas serán insuficientes si no cambian los incentivos del sistema científico. Mientras la carrera académica siga premiando principalmente el número de publicaciones, el factor de impacto o determinados indicadores bibliométricos, continuará existiendo una fuerte presión para producir artículos rápidamente, lo que favorece tanto el uso irresponsable de la IA como el crecimiento del fraude organizado. En consecuencia, los autores y expertos consultados consideran necesario revisar los modelos de evaluación científica y reforzar la cultura de la integridad investigadora.
El artículo también pone de relieve la importancia de aumentar la transparencia durante todo el proceso editorial. Entre las medidas propuestas figuran exigir la declaración explícita del uso de IA generativa, mejorar la revisión por pares, reforzar la comprobación de datos e imágenes antes de la publicación y promover mecanismos que faciliten la reproducibilidad de los resultados. Estas prácticas no eliminarían el fraude, pero elevarían considerablemente el coste y la dificultad de producir investigaciones falsas.
La conclusión del reportaje es que la inteligencia artificial no representa una amenaza aislada, sino un factor que acelera debilidades estructurales ya existentes en la comunicación científica. La tecnología facilita la creación de artículos fraudulentos a una velocidad sin precedentes, mientras que las revistas científicas, los revisores y las editoriales disponen de recursos limitados para detectarlos. Frenar esta tendencia requerirá combinar herramientas automáticas de detección, reformas en los procesos editoriales y, sobre todo, cambios profundos en los incentivos que gobiernan la evaluación y la publicación de la investigación científica.
Los investigadores señalan que las prácticas de publicación transparentes podrían estar asociadas con una mayor calidad de la investigación, aunque todavía se necesitan más evidencias.
Los artículos científicos cuyos informes de revisión por pares son públicos tienen menos probabilidades de ser retractados que aquellos cuyos informes permanecen confidenciales, según concluye un estudio. Sus autores sugieren que este fenómeno podría reflejar, al menos en algunos casos, una mayor confianza de los investigadores que optan por hacer transparente el proceso de evaluación.
El análisis, publicado este año como preprint en el servidor MetaArXiv, examinó 116.359 artículos publicados desde mayo de 2019 en revistas de acceso abierto de la Public Library of Science (PLOS), con sede en San Francisco (California). Las revistas de PLOS permiten a los autores decidir, una vez aceptado el manuscrito, si desean publicar junto al artículo los informes de revisión por pares. De los trabajos analizados, 46.920 artículos —algo más del 40 %— fueron acompañados por estos informes abiertos.
Entre los artículos con informes públicos de los revisores, 105 fueron posteriormente retractados, frente a 321 retractaciones entre aquellos cuyo proceso de revisión permaneció cerrado.
El estudio no pretende explicar directamente la relación entre la revisión abierta y la menor tasa de retractaciones. Sin embargo, en un trabajo de seguimiento aún no publicado, descrito a Nature Index, el coautor Matt Spick, especialista en integridad de la investigación de la Universidad de Surrey (Reino Unido), investigó si el tono o sentimiento de los informes de los revisores podía aportar alguna explicación.
Una posibilidad era que los autores de PLOS, que deciden si publican los informes únicamente después de que el artículo ha sido aceptado, tendieran a hacerlo cuando las evaluaciones eran especialmente favorables. Para comprobar esta hipótesis, Spick comparó el contenido de los informes de revisión de PLOS con los informes públicos de artículos publicados en revistas de BMC, editorial con sede en Londres y perteneciente a Springer Nature, la misma empresa que publica Nature. No encontró diferencias significativas entre ambos conjuntos de datos, lo que sugiere que la menor tasa de retractaciones no puede explicarse simplemente porque los autores publiquen únicamente las revisiones más positivas.
En su lugar, Spick y Adrian Barnett, estadístico de la Queensland University of Technology (Australia) y coautor del preprint de MetaArXiv, plantean otra hipótesis: los investigadores que tienen una mayor confianza en la calidad de su trabajo y que, además, apoyan las prácticas de ciencia abierta, podrían estar más predispuestos a elegir la revisión por pares abierta. En consecuencia, la decisión de hacer públicos los informes de revisión podría constituir, por sí misma, un indicador indirecto de la calidad del artículo.
Esta interpretación es compartida por Jessica Polka, responsable del desarrollo de materiales docentes de biología en MIT Open Learning, quien considera que publicar los informes de los revisores constituye «una señal muy útil para el lector de que los autores confían en la solidez de sus resultados».
Los autores advierten de que existen numerosos factores que dificultan atribuir esta relación a una única causa.
Por ejemplo, el estudio no analiza las razones concretas por las que algunos artículos fueron retractados. Además de los casos de fraude o mala conducta científica, las retractaciones también pueden producirse por errores honestos o por problemas de reproducibilidad, circunstancias que no necesariamente influyen en la confianza que los autores tienen en su trabajo cuando deciden si desean hacer públicos los informes de revisión.
Asimismo, el estudio no evaluó si el modelo de revisión utilizado por las revistas de PLOS —como la revisión simple ciega (single-blind), en la que los revisores conocen la identidad de los autores pero no al contrario, o la doble ciega (double-blind), en la que autores y revisores permanecen mutuamente anónimos— influye en la proporción de autores que optan por publicar los informes de evaluación.
No obstante, la investigación sí detectó diferencias geográficas significativas. Los investigadores de Arabia Saudí, Corea del Sur, Pakistán, Polonia y China fueron los menos propensos a elegir la revisión abierta, mientras que los autores del Reino Unido, Países Bajos, Francia y Etiopía figuraban entre los más inclinados a hacerlo.
Según Barnett, estas diferencias pueden explicarse, al menos en parte, por factores culturales e institucionales. Las normas académicas, el grado en que universidades y organismos financiadores promueven la ciencia abierta y la transparencia, así como las políticas nacionales de publicación científica, influyen en la disposición de los investigadores a compartir públicamente los informes de revisión.
Las prácticas editoriales también están fuertemente condicionadas por las políticas de grandes financiadores de la investigación y organizaciones filantrópicas, como Wellcome, en Londres, o la Fundación Gates, en Seattle (Washington), que fomentan activamente la ciencia abierta y la publicación de los informes de revisión por pares como parte de una investigación más transparente y responsable.
Retracted Paper Mill Papers across Year (2016–2024)
Cheng, Michelle W. T., Xinhua Yang y Ryan M. Allen. Tracking the Retracted Paper Mill Articles: A Bibliometric Study. Scientometrics (2026). https://doi.org/10.1007/s11192-026-05751-6
Las denominadas paper mills —empresas que elaboran manuscritos científicos fraudulentos y venden la autoría de esos trabajos a investigadores— se han convertido en una de las amenazas más serias para la integridad de la investigación científica. Este estudio constituye el análisis bibliométrico más amplio realizado hasta la fecha sobre este fenómeno, examinando 10.409 artículos retractados por estar vinculados a paper mills registrados en la base de datos Retraction Watch desde su creación hasta finales de 2024.
El objetivo de los autores es determinar la magnitud del problema, su evolución temporal, su distribución geográfica y disciplinaria, así como las principales características de estos trabajos fraudulentos. Los resultados muestran un crecimiento explosivo de las retractaciones, especialmente a partir de 2020, alcanzando un máximo histórico en 2023, lo que confirma que las paper mills han pasado de ser un problema marginal a representar un desafío estructural para el sistema mundial de publicación científica.
Uno de los hallazgos más llamativos es la enorme concentración geográfica de los artículos retractados. De los 10.409 trabajos analizados, 9.137 (87,8%) corresponden a autores cuya afiliación principal se encuentra en China, muy por delante de otros países como Etiopía, India, Pakistán o Arabia Saudí. No obstante, los autores advierten que estos datos describen únicamente la distribución de los casos registrados en la base de datos utilizada y no deben interpretarse automáticamente como una medida exacta de la prevalencia real del fraude científico en cada país. También destacan que la expansión de estas prácticas está estrechamente relacionada con la presión creciente por publicar en revistas indexadas, la utilización de indicadores bibliométricos para evaluar la carrera académica y la existencia de organizaciones comerciales que ofrecen manuscritos completos y plazas de coautoría a cambio de dinero.
El análisis revela igualmente una transformación en los ámbitos científicos afectados. Tradicionalmente, las paper mills se concentraban en áreas biomédicas, especialmente investigaciones relacionadas con cáncer, biología celular o genética. Sin embargo, el estudio muestra que durante los últimos años se ha producido un desplazamiento significativo hacia disciplinas como informática, ciencia de datos, inteligencia artificial, aprendizaje automático, algoritmos y modelos computacionales. La categoría con mayor número de retractaciones corresponde a Business and Technology (5.217 artículos), seguida por Business and Life Sciences (3.369) y Health Sciences (1.217). En cambio, las ciencias sociales y las humanidades presentan cifras mucho menores, aunque los autores advierten que ello no significa que estén exentas del problema. El análisis de palabras clave confirma esta evolución temática: mientras entre 2011 y 2016 predominaban términos biomédicos como cell, cells o cancer, entre 2021 y 2024 aparecen con mayor frecuencia conceptos como model, data, algorithm, learning y network.
Otro resultado relevante se refiere al tipo de publicaciones afectadas y a los modelos editoriales. La inmensa mayoría de los trabajos retractados son artículos de investigación, aunque en los últimos años también aumentan las retractaciones de comunicaciones a congresos, revisiones, metaanálisis y estudios clínicos, lo que indica que las paper mills están diversificando su actividad. Además, aproximadamente el 80 % de los artículos retractados se publicaron en revistas de acceso abierto, porcentaje muy superior al observado en revistas híbridas o de suscripción. Los autores aclaran, sin embargo, que esto no implica que el acceso abierto sea responsable del problema, sino que probablemente refleja una combinación de factores relacionados con los procesos editoriales, los sistemas de revisión y los mecanismos de detección utilizados por las editoriales. El estudio también calcula que el tiempo medio entre la publicación y la retractación fue de 709 días, aunque este intervalo ha variado considerablemente a lo largo del tiempo, reduciéndose de forma notable tras las grandes campañas de retractación derivadas del caso Hindawi.
En las conclusiones, los autores sostienen que las paper mills representan una amenaza incluso mayor que las revistas depredadoras, ya que consiguen infiltrar artículos fraudulentos en revistas consolidadas y aparentemente fiables, erosionando la confianza en el sistema de revisión por pares y en la literatura científica. Asimismo, advierten de que el desarrollo de la inteligencia artificial generativa podría facilitar la producción masiva de manuscritos falsos cada vez más difíciles de detectar, incrementando la sofisticación de estas organizaciones. Frente a esta situación, proponen reforzar la cooperación entre universidades, editoriales y organismos de integridad científica, desarrollar mejores herramientas de detección, ampliar la investigación empírica sobre las paper mills y fortalecer la formación ética de investigadores y estudiantes. En definitiva, el trabajo constituye una de las radiografías más completas disponibles sobre un fenómeno que amenaza la credibilidad de la comunicación científica internacional y que previsiblemente seguirá creciendo en los próximos años.
Cambridge University Press ha anunciado uno de los hitos más importantes de su estrategia de ciencia abierta al comunicar que, durante 2026, el 75 % de los artículos de investigación publicados en sus revistas aparecerán en acceso abierto (Open Access). Además, la mitad de todas sus revistas científicas ya funcionan íntegramente bajo modelos de acceso abierto, lo que supone una transformación profunda de una de las editoriales académicas más prestigiosas y antiguas del mundo. Este avance refleja el cambio estructural que está experimentando la comunicación científica, cada vez más orientada a eliminar las barreras económicas para el acceso al conocimiento.
La transición ha sido posible gracias a una combinación de modelos de publicación. Cambridge ha ampliado significativamente sus acuerdos Read and Publish con universidades, consorcios bibliotecarios e instituciones de investigación de numerosos países. Estos acuerdos permiten que las bibliotecas financien conjuntamente tanto el acceso a las revistas como la publicación en abierto de los trabajos de sus investigadores, reduciendo la dependencia de las tradicionales suscripciones y facilitando que los resultados de la investigación financiada con fondos públicos estén disponibles para cualquier lector sin coste adicional.
El anuncio también pone de relieve que el acceso abierto ha dejado de ser una iniciativa experimental para convertirse en el modelo predominante dentro de una parte creciente de la edición académica. Cambridge subraya que la transformación se ha llevado a cabo preservando los procesos de revisión por pares, los estándares de calidad editorial y la sostenibilidad económica de las publicaciones. El objetivo es construir un ecosistema en el que la investigación sea más visible, reutilizable e influyente, favoreciendo una difusión más rápida del conocimiento científico entre investigadores, profesionales, responsables políticos y ciudadanía.
El avance de Cambridge refleja una tendencia más amplia en el sector editorial académico. Las políticas impulsadas por financiadores de la investigación, gobiernos y universidades, junto con iniciativas internacionales de ciencia abierta, están acelerando la conversión de revistas de suscripción hacia modelos completamente abiertos. Este cambio también responde a la creciente demanda de transparencia, colaboración y acceso equitativo al conocimiento, especialmente en disciplinas donde la investigación tiene un impacto directo sobre la salud, la educación, el medio ambiente o la innovación tecnológica.
Para las bibliotecas universitarias y los servicios de información científica, esta evolución supone una transformación estratégica. Su papel ya no se limita a gestionar suscripciones, sino que se amplía hacia la negociación de acuerdos transformativos, el asesoramiento a investigadores sobre publicación en acceso abierto, la gestión de repositorios institucionales y el apoyo al cumplimiento de los mandatos de los organismos financiadores. En este contexto, el anuncio de Cambridge confirma que el acceso abierto se está consolidando como el modelo dominante para la difusión de la investigación científica y que las bibliotecas continúan siendo actores fundamentales en esta transición.
Universo Abierto 