Archivo de la categoría: Investigación

IA generativa: el último chivo expiatorio de la evaluación de la investigación

Danny Kingsley. «Generative AI – the Latest Scapegoat for Research Assessment», LSE, 13 de octubre de 2023. https://blogs.lse.ac.uk/impactofsocialsciences/2023/10/13/generative-ai-the-latest-scapegoat-for-research-assessment/.

Reflexionando sobre el debate en torno a la inteligencia artificial generativa y su impacto en la comunicación académica, Danny Kingsley argumenta que, al igual que el acceso abierto hace veinte años, la IA refleja las deficiencias duraderas en la publicación y evaluación de la investigación.

Ha sido interesante observar la explosión de discusión en torno a ChatGPT y la IA generativa. Los comentarios oscilan entre el gran potencial que ofrece (en términos de eficiencia) y las preocupaciones sobre el daño que causará a sistemas de confianza de larga data. Uno de esos sistemas es la publicación académica.

A pesar de los desafíos planteados, ChatGPT simplemente refleja los problemas que ya aquejan al sistema de publicación académica actual. De hecho, de la misma manera en que hace una década, el acceso abierto fue un chivo expiatorio de la comunicación académica, ahora la IA generativa es un chivo expiatorio del sistema de publicación académica. Estas preocupaciones parten de una suposición subyacente: que el sistema actual está funcionando. Debemos preguntarnos: ¿es así?

No hay espacio aquí para una lista exhaustiva de los muchos y variados problemas del ecosistema actual de publicación académica. A modo de muestra, hay que tener en cuenta que por ejemplo las revistas depredadoras lamentablemente están aquí para quedarse, la preocupante cantidad de fraude en la investigación médica y que los investigadores que aceptan manipular citas tienen más probabilidades de que se publiquen sus artículos.

Dos estudios recientes, uno en Europa y otro en Australia, revelan el nivel de presión al que se ven sometidos los doctorandos y los investigadores en sus primeros años para proporcionar autoría regalada. También se han revelado alarmantes detalles sobre el intercambio de dinero por autoría, con precios que dependen de dónde se publicará el trabajo y el área de investigación. Las investigaciones sobre esto están llevando a una serie de retractaciones. Incluso la «naturaleza autocorrectiva» del sistema no funciona, con la revelación de un gran número de citas a artículos que habían sido retractados, y más de una cuarta parte de estas citas ocurrieron después de la retractación.

Consideremos algunas de las preocupaciones planteadas sobre la IA y la publicación académica. La incapacidad actual de la IA para documentar el origen de sus fuentes de datos a través de citas, y la falta de identificadores de esas fuentes de datos, significa que no hay capacidad para replicar los «hallazgos» generados por la IA. Esto ha llevado a llamados para el desarrollo de una especificación o estándar formal para la documentación de la IA respaldado por un modelo de datos sólido. Nuestro entorno actual de publicación no prioriza la reproducibilidad, con el intercambio de código como algo opcional y una adopción lenta de requisitos para compartir datos. En este entorno, la generación de datos falsos es motivo de preocupación. Sin embargo, ChatGPT «no es el creador de estos problemas; en cambio, permite que este problema exista en una escala mucho mayor».

A pesar de toda la preocupación, la IA generativa ofrece una forma de abordar las desigualdades en el sistema académico de publicación actual. Por ejemplo, escribir artículos en inglés cuando no es el primer idioma del autor puede ser una barrera significativa para participar en el discurso de investigación. La IA generativa ofrece una solución potencial para estos autores, argumentada en el contexto de la publicación médica. Otro argumento es que las reacciones impulsivas de los editores al uso de ChatGPT en artículos significa que estamos perdiendo la oportunidad de nivelar el campo de juego para los autores que tienen el inglés como segundo idioma (ESL).

Después de todo, la práctica de recibir asistencia en la redacción de artículos no es algo nuevo. Un estudio que investiga a autores prolíficos en revistas científicas de alto impacto que no eran investigadores encontró un sorprendente nivel de publicación en múltiples áreas de investigación. Estos autores son humanos (en su mayoría con títulos en periodismo), no IA.

Hablando de autoría, recientemente se informó que un radiólogo utilizó ChatGPT para escribir artículos y los publicó con éxito en áreas que estaban muy alejadas de su experiencia, incluyendo agricultura, seguros, derecho y microbiología. Esto es una representación excelente de las preocupaciones que muchos han expresado sobre la producción excesiva de artículos «escritos» por la IA generativa. Aunque las acciones del radiólogo son impactantes, este tipo de comportamiento no se limita al uso de la IA, como lo demuestra la admisión de un experto en carne español que había publicado 176 artículos en un año en múltiples áreas a través de asociaciones cuestionables.

El único impulsor de casi todas las prácticas de investigación cuestionables es la actual importancia del artículo publicado como la única producción que cuenta. El rabo está moviendo al perro.

Si un exceso de revistas y artículos de revista ya está alimentando las «fábricas de artículos» (que a su vez pueden generarse mediante IA), es posible que todo el ecosistema de publicación académica esté a punto de colapsar. Un comentario ha preguntado si el uso de la IA para ayudar a escribir artículos aumentará aún más la presión para publicar, dado que los niveles de publicación han aumentado drásticamente en la última década.

Estamos haciendo las preguntas equivocadas. Un buen ejemplo es este artículo que pregunta si los editores deberían preocuparse de que ChatGPT haya escrito un artículo sobre sí mismo. El artículo continúa discutiendo «otras preocupaciones éticas y morales» y pregunta: «¿Es correcto usar la IA para escribir artículos cuando la publicación de artículos se utiliza como un barómetro de la competencia, la permanencia y la promoción de los investigadores?».

Reformularía la pregunta como: «¿Es correcto que la publicación de artículos se utilice como la principal herramienta de evaluación de los investigadores?» El único impulsor de casi todas las prácticas de investigación cuestionables es la importancia actual del artículo publicado como la única producción que cuenta. El rabo está moviendo al perro.

Quince años de investigación sobre Comunicación en universidades españolas

MAPCOM. Quince años de investigación sobre Comunicación en universidades españolas. Fifteen years of research into Communication in Spanish universities, bajo la dirección académica Carmen Caffarel Serra, Carlos Lozano Ascencio, Juan Antonio Gaitán Moya y José Luis Piñuel Raigada (Editores), publicada por Comunicación Social Ediciones y Publicaciones en su colección «Metodologías Iberoamericanas de la Comunicación», en 2023.

Texto completo

El libro MapCom. Quince años de investigación sobre comunicación en universidades españolas recoge los principales resultados de sucesivos proyectos de investigación realizados entre 2007 y 2022, en los que participaron cerca de 90 investigadores de varias universidades españolas.

Estas investigaciones fueron coordinadas inicialmente por José Luis Piñuel Raigada y Juan Antonio Gaitán Moya y, posteriormente, por Carmen Caffarel Serra y Carlos Lozano Ascencio, editores, ahora, de la edición de este libro. Su objetivo era elaborar un banco de datos —de acceso abierto y participativo— que permitiese mapear el estado de la investigación en nuestro campo.

MapCom venía a cumplir una misión específica dentro de la política de investigación en comunicación: dar a conocer experiencias y facilitar contactos entre las distintas universidades de España y América Latina, de acuerdo con el espíritu fundacional de propia AE-IC.

MDPI, Hindawi y Frontiers en la lista negra de la política científica de China y Malasia

MDPI, Frontiers e Hindawi son revistas de acceso abierto, lo que significa que todos los lectores pueden descargarlas gratuitamente, pero los autores tienen que pagar una cuota, que no es barata (APCs). En los últimos años, muchas de las revistas de estas editoriales han sido incluidas en la lista de advertencia del Instituto de Literatura de la Academia China de Ciencias, aunque algunas de sus revistas están incluidas en los cuartiles Q1 y Q2 de Clarivate Analytics

Estas editoriales cobran a los autores elevados gastos de procesamiento de artículos (APC) para que sus artículos sean aceptados (la mayoría de las veces con rapidez). Sin embargo, debido a su rapidez, las revistas de estas editoriales son muy populares entre los académicos con fondos suficientes. Muchos investigadores noveles y estudiantes de doctorado publican artículos en sus revistas mientras sus «ricos» supervisores pagan el APC.

MDPI fue incluida en la lista de Jeffrey Beall de empresas editoriales depredadoras de acceso abierto en febrero de 2014. En octubre de 2015, Frontiers también se añadió a su lista de editoriales de acceso abierto depredadoras «potenciales, posibles o probables». En 2010, Beall incluyó un subconjunto de revistas de Hindawi en una lista de presuntas editoriales de acceso abierto depredadoras. La lista de Beall se cerró en 2017 por presiones de su empleador.

Ahora, el Ministerio de Universidades de Malasia ha emitido una directiva que prohíbe a las universidades públicas del país utilizar fondos del presupuesto estatal para respaldar la publicación de artículos en revistas asociadas a MDPI, Hindawi y Frontiers, tres destacados editores. Esta decisión se basa en preocupaciones relacionadas con la integridad académica y la precisión de la autoría en trabajos académicos dentro del país. Para hacer cumplir estas restricciones, el Ministerio ha establecido un comité dedicado para supervisar las publicaciones en revistas depredadoras o de baja calidad, con el objetivo de mejorar la ética académica y salvaguardar la reputación de las universidades y el país en su conjunto.

La Universidad de Industria y Comercio de Zhejiang en China también incluyó en una lista negra todas las revistas afiliadas a MDPI, Hindawi y Frontiers a principios de 2023. Los artículos publicados en revistas de estos editores no serán considerados al evaluar las capacidades de investigación y los logros de los docentes, según la votación del consejo universitario.

Además, el Fondo de Innovación Vingroup (VINIF), bajo el Instituto de Investigación de Big Data, ha introducido regulaciones que rigen su Programa de Subvención para Proyectos de Ciencia y Tecnología y las becas postdoctorales nacionales. Estas regulaciones establecen que los proyectos de investigación respaldados por VINIF deben cumplir con criterios específicos, incluida la publicación en revistas internacionales u organizaciones de investigación reputadas clasificadas como Q1 o su equivalente. Es importante destacar que los artículos de revistas relacionadas con MDPI y Hindawi no son elegibles bajo estas pautas.

Además de estas acciones, muchas revistas de MDPI, Hindawi y Frontiers figuran en la lista de advertencia de la Academia China de Ciencias. Esta lista tiene como objetivo advertir a los investigadores chinos sobre la selección de revistas y alentar a los editores a mejorar la calidad de sus artículos. La mayoría de las revistas en esta lista pertenecen a las categorías Q1 y Q2 según la clasificación ISI/WoS.

MDPI Publishing, Hindawi Publishing y Frontiers Publishing son los tres editores incluidos en esta lista negra. MDPI es uno de los editores más grandes del mundo de artículos científicos, con más de 429 revistas de acceso abierto. Hindawi, fundado originalmente en Egipto en 1997 y adquirido por el grupo editorial estadounidense Wiley en 2021, publica actualmente más de 282 revistas. Frontiers Publishing, con sede en Suiza y fundado en 2007, supervisa más de 221 revistas académicas.

Un artículo aprobado y aceptado en una revista de Springer Nature aparece con la frase «Regenerate response» comando de ChatTGPT para reformular los resultados

Joelving, Author Frederik. «Signs of Undeclared ChatGPT Use in Papers Mounting». Retraction Watch (blog), 6 de octubre de 2023. https://retractionwatch.com/2023/10/06/signs-of-undeclared-chatgpt-use-in-papers-mounting/.

La semana pasada, una revista ambiental publicó un artículo sobre el uso de energía renovable en la limpieza de tierras contaminadas, con un costo de acceso de 40 euros, y aparentemente escrito por investigadores chinos. El artículo incluía una frase peculiar, «Regenerate response», lo que planteó dudas sobre la posibilidad de contenido generado por IA. Este incidente destaca una tendencia creciente de uso de IA, en particular ChatGPT, en la investigación sin una debida declaración. El autor del artículo y la persona de contacto de la empresa no respondieron a las solicitudes de comentarios. Springer Nature, el editor, declaró que están investigando cuidadosamente el asunto de acuerdo con las mejores prácticas, pero no pudieron proporcionar más detalles en este momento.

Supuestamente escrito por investigadores en China, «Revitalizing our earth: unleashing the power of green energy in soil remediation for a sustainable future» incluye la frase superflua «Regenerate response» al final de una sección de métodos. Para aquellos que no están familiarizados, «Regenerate response» es un botón en ChatGPT de OpenAI que incita al chatbot a reformular una respuesta insatisfactoria.

«¿Los autores copiaron y pegaron la salida de ChatGPT e incluyeron por error la etiqueta del botón?» se preguntó Guillaume Cabanac, profesor de informática en la Universidad de Toulouse, en Francia, en un comentario en PubPeer..

Y agregó: «¿Cómo es que esta expresión sin sentido sobrevivió a la revisión de pruebas por parte de los coautores, editores, revisores, correctores de estilo y maquetadores?»

Este caso es el ejemplo más reciente de una creciente tendencia de uso descuidado y no declarado de ChatGPT en la investigación. Hasta ahora, Cabanac, cuyo trabajo fue cubierto en Nature el mes pasado, ha publicado más de 30 artículos en PubPeer que contienen esas dos palabras reveladoras y sueltas. Y eso no incluye los artículos que aparecen en revistas depredadoras, dijo el investigador científico a Retraction Watch.

«El software informático se ha utilizado durante décadas para ayudar a los autores», dijo Cabanac. «Solo piensa en Grammarly o DeepL para personas como yo. No soy hablante nativo de inglés, así que voy a WordReference, a veces voy a DeepL. Pero lo que hago es mirar el resultado y corregir los errores».

ChatGPT y otras herramientas que utilizan sistemas de IA conocidos como modelos de lenguaje a gran escala tienden a inventar cosas. Como informamos a principios de este año, ese trabajo independiente puede ser un problema para los investigadores que buscan ayuda para encontrar referencias.

«A veces elabora cosas que no estaban en la mente de los investigadores», dijo Cabanac. «Y ese es el punto de inflexión para mí. Cuando las personas utilizan el sistema para generar algo que no tenían en mente, como fabricar datos, generar texto con referencias a trabajos que ni siquiera leyeron, esto es inaceptable».

Según algunos editores, los chatbots tienen usos legítimos al escribir artículos. La clave es informar a los lectores sobre lo que se hizo.

El autor correspondiente del artículo ambiental, Kangyan Li de ESD China Ltd., no respondió a las solicitudes de comentarios. Tampoco lo hizo una persona de contacto mencionada en el sitio web de su empresa.

Un portavoz de Springer Nature, que publica la revista Environmental Science and Pollution Research en la que apareció el artículo, dijo que el editor estaba «investigando cuidadosamente el problema de acuerdo con las mejores prácticas de COPE» pero no pudo compartir más detalles en este momento.

No está claro cómo los autores, y mucho menos la revista, pudieron pasar por alto la extraña frase. «Tal vez no se trate de los autores, sino de una fábrica de papel», dijo Cabanac, refiriéndose a organizaciones poco fiables que venden espacios de autor en artículos científicos que pueden contener datos falsos.

«Regenerar respuesta» no es la única señal de participación no declarada de un chatbot que ha visto Cabanac. Un ejemplo aún más atroz es la frase «Como modelo lingüístico de IA, yo…«, que ha encontrado en nueve artículos hasta ahora.

A Cabanac le preocupa que un descuido tan flagrante, posiblemente la punta del iceberg, pueda pasar desapercibido tanto para el personal editorial como para los revisores.

Futuros de la ciencia para la política en Europa: escenarios e implicaciones políticas

European Commission, Directorate-General for Research and Innovation, Sarvaranta, L., Bravo-Biosca, A., De Marchi, B. et al., Futures of science for policy in Europe – Scenarios and policy implications, Publications Office of the European Union, 2023, https://data.europa.eu/doi/10.2777/121857

Este informe analiza las tendencias más importantes para el futuro de la ciencia al servicio de las políticas en Europa y los retos y oportunidades que plantean para el desarrollo de ecosistemas científicos al servicio de las políticas en la Unión Europea. En un contexto de creciente protagonismo de la ciencia en los debates públicos y de mayor disposición de los gobiernos a movilizar el asesoramiento científico, el informe explora las tendencias que configuran las prácticas y los procesos de intercambio de información entre los agentes del conocimiento y los responsables políticos, con la intención de elaborar políticas con base científica en Europa, y enmarca importantes retos y oportunidades para los ecosistemas de ciencia y política en la UE.

Cómo llevar a cabo un proyecto de ciencia ciudadana en la biblioteca

Los proyectos de ciencia ciudadana en bibliotecas pueden enriquecer la experiencia de la comunidad al fomentar la participación activa en la ciencia y la investigación, al mismo tiempo que promueven la educación, la colaboración y la conexión con temas científicos y ambientales importantes.


La ciencia ciudadana, también conocida como «ciencia participativa» o «ciencia colaborativa», es una forma de investigación científica en la que individuos no profesionales, es decir, ciudadanos comunes y corrientes que no necesariamente tienen formación científica formal, colaboran con científicos y expertos en la recopilación de datos, observaciones y análisis de fenómenos naturales, culturales o científicos. En resumen, la ciencia ciudadana implica la participación activa de la comunidad en la investigación científica.

Ejemplos de proyectos de ciencia ciudadana incluyen la observación de aves, la identificación de especies en peligro de extinción, la monitorización de la calidad del agua, la recolección de datos meteorológicos, la búsqueda de patrones en grandes conjuntos de datos, la identificación de galaxias en imágenes astronómicas y mucho más. Estos proyectos a menudo se basan en la contribución voluntaria y el entusiasmo de los ciudadanos para abordar cuestiones científicas y ambientales importantes.

La ciencia ciudadana ha crecido en popularidad en todo el mundo debido a la disponibilidad de tecnologías digitales y plataformas en línea que facilitan la participación y la colaboración entre ciudadanos y científicos. Esta forma de investigación amplía la base de conocimientos científicos y empodera a las comunidades para involucrarse activamente en la resolución de problemas y en la toma de decisiones basadas en la evidencia.

El papel de las bibliotecas en la Ciencia Ciudadana

Los proyectos de ciencia ciudadana ofrecen una valiosa oportunidad para que los miembros de la comunidad se sumerjan en el mundo de la ciencia de una manera práctica y participativa. Al hacerlo, se fomenta la alfabetización científica al volver la ciencia accesible y relevante para un público más amplio. Estos proyectos no solo tienen el potencial de estrechar los lazos dentro de la comunidad al involucrar a los residentes en actividades colaborativas que impactan directamente su entorno, sino que también generan datos que pueden resultar invaluables para la investigación científica.

Además, la ciencia ciudadana tiene el poder de avivar la curiosidad y el interés por la ciencia en individuos de todas las edades. Las bibliotecas, con su oferta de recursos como acceso a internet, computadoras y espacios de reunión, se convierten en el entorno perfecto para que las personas exploren su fascinación por la ciencia de manera informal.

Por otro lado, estos proyectos pueden ser una poderosa herramienta para atraer a nuevos usuarios a la biblioteca y elevar su visibilidad en la comunidad. Esto se vuelve especialmente relevante para aquellas bibliotecas que buscan ampliar su alcance y consolidar su relevancia en la era moderna.

Finalmente, la ciencia ciudadana en las bibliotecas tiene el potencial de estimular la innovación y la creatividad al desafiar a los participantes a abordar cuestiones científicas y ambientales desde múltiples perspectivas. En última instancia, estos proyectos no solo contribuyen a la comunidad científica, sino que también enriquecen la vida de quienes participan y fortalecen los lazos entre la biblioteca y la sociedad que sirve.

Llevar a cabo un proyecto de ciencia ciudadana en una biblioteca es una excelente manera de involucrar a la comunidad local en la investigación científica y fomentar la participación ciudadana en cuestiones científicas. Aquí hay una guía general sobre cómo realizar un proyecto de ciencia ciudadana en una biblioteca:

  1. Identifica un tema o proyecto: Elige un proyecto de ciencia ciudadana que sea relevante para tu comunidad y que se adapte a los recursos de la biblioteca. Puedes buscar proyectos existentes en plataformas en línea de ciencia ciudadana o trabajar en colaboración con organizaciones de investigación científica.
  2. Forma un equipo: Recluta a un equipo de bibliotecarios y posiblemente a expertos en el tema del proyecto para liderar la iniciativa. Es importante tener un grupo comprometido y capacitado para coordinar y facilitar el proyecto.
  3. Capacitación de los bibliotecarios: Asegúrate de que los bibliotecarios estén bien informados sobre el proyecto y tengan las habilidades necesarias para guiar a los participantes y responder a sus preguntas.
  4. Comunicación y promoción: Promociona el proyecto entre los miembros de la comunidad utilizando medios de comunicación social, el sitio web de la biblioteca, carteles y otros métodos de marketing. Explica claramente los objetivos del proyecto y cómo las personas pueden participar.
  5. Registro de participantes: Establece un sistema para registrar a los participantes y recopilar su información de contacto. Esto facilitará la comunicación y el seguimiento del proyecto.
  6. Proporciona recursos y herramientas: Asegúrate de que los participantes tengan acceso a las herramientas y recursos necesarios para participar en el proyecto. Esto podría incluir kits de recolección de datos, acceso a bases de datos científicas, software de análisis, etc.
  7. Recopilación de datos: Ayuda a los participantes a recopilar datos de acuerdo con los protocolos del proyecto. Proporciona orientación y apoyo continuo para garantizar la calidad de los datos.
  8. Comunicación continua: Mantén una comunicación regular con los participantes a través de boletines informativos, reuniones, correos electrónicos u otros medios. Anima a los participantes a hacer preguntas y compartir sus experiencias.
  9. Análisis de datos: Trabaja con expertos o facilita el análisis de datos recopilados. Puedes organizar talleres o sesiones informativas para que los participantes comprendan los resultados y su relevancia.
  10. Presentación de resultados: Organiza eventos o presentaciones donde los resultados del proyecto se compartan con la comunidad. Esto puede incluir charlas, exposiciones o informes escritos.
  11. Evaluación y retroalimentación: Pide a los participantes que evalúen su experiencia y dales la oportunidad de proporcionar retroalimentación sobre el proyecto. Utiliza esta información para mejorar futuros proyectos.
  12. Fomenta la continuidad: Después de completar un proyecto, considera la posibilidad de continuar con otros proyectos de ciencia ciudadana o crear una comunidad de participantes activos en la biblioteca.

Recuerda que la clave para un proyecto exitoso de ciencia ciudadana en la biblioteca es la planificación adecuada, la comunicación efectiva y la participación activa de la comunidad. Además, debes estar dispuesto a adaptarte y aprender a medida que avanzas en este emocionante camino de involucrar a la comunidad en la investigación científica.

¿Puede la IA generativa aportar algo a la revisión académica por pares?

Impact of Social Sciences. «Can Generative AI Add Anything to Academic Peer Review?», 26 de septiembre de 2023. https://blogs.lse.ac.uk/impactofsocialsciences/2023/09/26/can-generative-ai-add-anything-to-academic-peer-review/.

Aunque las aplicaciones de IA generativa prometen eficiencia y pueden beneficiar el proceso de revisión por pares, dadas sus deficiencias y nuestro limitado conocimiento de su funcionamiento interno, Mohammad Hosseini y Serge P.J.M. Horbach sostienen que no deberían utilizarse de forma independiente ni indiscriminada en todos los contextos. Centrándose en los últimos acontecimientos, sugieren que el proceso de revisión por pares es uno de los contextos en los que la IA generativa debería utilizarse con mucho cuidado, si es que se utiliza.


En el siempre cambiante panorama de la investigación académica y la comunicación académica, la llegada de la inteligencia artificial generativa y modelos de lenguaje grandes (LLM) como el ChatGPT de OpenAI ha despertado atención, elogios y críticas. El uso de la inteligencia artificial generativa en diversas tareas académicas se ha discutido en profundidad. Entre los posibles casos de uso, contar con el apoyo de la inteligencia artificial generativa para revisores y editores en el proceso de revisión por pares parece una opción prometedora. El sistema de revisión por pares ha enfrentado durante mucho tiempo diversos desafíos, incluyendo revisiones sesgadas o no constructivas, escasez de revisores expertos y la naturaleza que consume mucho tiempo de la empresa.

Aunque el uso de la inteligencia artificial generativa podría mitigar algunos de estos desafíos, como ocurre con muchas discusiones sobre la integración de nuevas tecnologías en flujos de trabajo existentes, también existen varias preocupaciones legítimas. Recientemente se analizó el uso de LLM en el contexto de cinco temas críticos dentro del contexto de la revisión por pares: los roles de los revisores y editores, la calidad y funciones de las revisiones por pares, problemas de reproducibilidad y las amplias implicaciones sociales y epistémicas del proceso de revisión por pares. Se concluyó que la inteligencia artificial generativa tiene el potencial de remodelar los roles tanto de los revisores por pares como de los editores, agilizando el proceso y posiblemente aliviando problemas relacionados con la falta de revisores. Sin embargo, esta posible transformación no está exenta de complejidad.

Asistir en las revisiones, pero no ser un revisor independiente

En su forma actual, las aplicaciones de IA generativa son incapaces de realizar revisiones por pares de forma independiente (es decir, sin supervisión humana), porque siguen cometiendo demasiados errores y su funcionamiento interno es desconocido y cambia rápidamente, lo que da lugar a resultados impredecibles. Sin embargo, la IA generativa puede ayudar a los actores del proceso de revisión por pares de otras maneras, por ejemplo, ayudando a los revisores a mejorar sus notas iniciales para que sean más constructivas y respetuosas. Además, la IA generativa puede permitir a los académicos que no escriban en su lengua materna contribuir al proceso de revisión en otros idiomas (por ejemplo, inglés), o ayudar a los editores a redactar cartas de decisión basadas en un conjunto de informes de revisión. Estos casos de uso podrían ayudar a ampliar el grupo de revisores y hacer que el proceso sea más eficiente y equitativo.

Confidencialidad, sesgo y robustez

A pesar de estos posibles beneficios, y además de las limitadas capacidades de la inteligencia artificial generativa para llevar a cabo revisiones independientes, existen preocupaciones importantes relacionadas con el uso de LLMs en contextos de revisión. Estas preocupaciones se refieren, por ejemplo, a la forma en que los desarrolladores de herramientas de inteligencia artificial generativa utilizan los datos proporcionados. Especialmente cuando se envían conjuntos de datos que pueden contener información personal o confidencial, la forma en que los desarrolladores de las herramientas utilizan el contenido proporcionado debería ser transparente, lo cual no es el caso en la actualidad. Además, las herramientas de inteligencia artificial generativa corren el riesgo de agravar algunos de los sesgos existentes en la revisión por pares, ya que reproducen contenido y sesgos presentes en sus datos de entrenamiento. En tercer lugar, dado que estas herramientas evolucionan rápidamente y su resultado depende en gran medida de la indicación proporcionada (incluso cambios menores podrían tener un gran impacto en el contenido generado), su resultado no siempre es reproducible. Esto plantea dudas sobre la robustez de las revisiones generadas con la ayuda de la inteligencia artificial, lo que refuerza la idea de que la inteligencia artificial generativa solo podría servir para mejorar (en cuanto a formato, tono, gramática y legibilidad) las revisiones que han sido escritas por revisores humanos.


Externalización del elemento social de la revisión por pares

Otra preocupación se relaciona con el hecho de que la revisión por pares es un proceso inherentemente social. De hecho, en lugar de ser un mecanismo de control mecánicamente objetivo, la revisión por pares se basa en las interacciones entre colegas acerca de lo que significa hacer buena ciencia. Por lo tanto, el proceso es un medio importante para debatir y negociar las normas de la comunidad acerca de qué preguntas deben abordarse, qué métodos son apropiados o aceptables, qué formas de comunicación son más adecuadas y muchas otras cuestiones. La revisión por pares también es un componente constitutivo fundamental de la integridad de la investigación y las normas éticas. En un estudio reciente, descubrimos que, en lo que respecta a las normas de integridad de la investigación, los investigadores valoran principalmente la opinión de sus pares epistémicos, es decir, aquellos que publican en las mismas revistas o asisten a las mismas conferencias, en lugar de, por ejemplo, otros colegas que trabajan en el mismo instituto. Los procesos de revisión por pares son un lugar destacado donde los expertos «se encuentran» y donde se desarrollan discusiones sobre estos temas, de manera implícita o explícita. Externalizar estos procesos a herramientas automatizadas podría empobrecer estas discusiones y tener consecuencias imprevistas más amplias.

Desarrollos recientes

En los último meses varios acontecimientos han cambiado el panorama de la inteligencia artificial generativa y han tenido un impacto en su uso con fines de revisión académica por pares. La reacción de algunos financiadores, como el National Institutes of Health (NIH) [Notice number NOT-OD-23-149] y Australian Research Council [Policy on Use of Generative Artificial Intelligence in the ARC’s grants programs]) que han prohibido el uso de la inteligencia artificial generativa en sus procesos de revisión y evaluación de subvenciones, se encuentra entre estos cambios.

Estos financiadores están principalmente preocupados por la confidencialidad y la generación de contenido falso, y con razón. La revisión de subvenciones es un juego diferente en comparación con las revisiones de artículos en revistas, ya que lo primero moldea las agendas de investigación y el acceso a recursos financieros, mientras que lo segundo informa principalmente sobre los resultados de estudios que ya se han realizado y, a veces, se han publicado como preprints.

En cuanto a la generación de contenido falso, los modelos de inteligencia artificial generativa aún cometen errores, incluso a nivel de hechos básicos. Por lo tanto, utilizarlos para revisar subvenciones y posteriormente distribuir fondos podría dañar seriamente la integridad del flujo de trabajo de los financiadores y comprometer la legitimidad de las decisiones de financiamiento. Además, las solicitudes de subvención a veces contienen información detallada sobre cada miembro del proyecto, cuya privacidad podría verse comprometida si se comparte con terceros. Esto también es una preocupación principal cuando se utiliza la inteligencia artificial generativa para revisar manuscritos o conjuntos de datos, que podrían contener información personal o sensible sobre los participantes en la investigación o tecnologías.

Las aplicaciones de la inteligencia artificial generativa todavía se encuentran en fases tempranas de desarrollo y en un futuro cercano podrían beneficiar el proceso de revisión por pares de muchas maneras. Dicho esto, dadas las limitaciones de esta tecnología, se deberían fomentar experimentos a pequeña escala y una adopción gradual. También debemos estar preparados para poner fin a su uso cuando sea necesario o en casos en los que los riesgos superen a los beneficios.

Si bien apoyamos la prohibición de las aplicaciones de inteligencia artificial generativa en algunos contextos, también tenemos preocupaciones sobre esta estrategia a largo plazo. Además de la complicada pregunta de cómo hacer cumplir dicha prohibición y supervisar el cumplimiento, siempre es necesario equilibrar las preocupaciones en relación con la inteligencia artificial generativa con sus beneficios en términos de eficiencia, que podrían liberar recursos financieros (en el caso de los financiadores, para financiar proyectos adicionales). En el futuro, recomendamos a los diferentes grupos de usuarios en la academia que revisen y modifiquen con frecuencia sus políticas sobre el uso de aplicaciones de inteligencia artificial generativa en función de las circunstancias y adopten medidas de mitigación de riesgos que se adapten a su contexto específico.

Conjunto de herramientas para la defensa del derechos al conocimiento

‘A Toolkit for Knowledge Rights Advocacy’ – KR21 Workshop Report (via LIBER)

Descargar

Durante la Conferencia Anual de LIBER celebrada en julio, Knowledge Rights 21 organizó el taller «A Toolkit for Knowledge Rights Advocacy». Los organizadores, Stephen Wyber (Director de Política y Promoción de la IFLA) y Giannis Tsakonas (Director del Centro de Biblioteconomía e Información de la Universidad de Patras y Vicepresidente de LIBER), adoptaron un enfoque atractivo e interactivo para suscitar la reflexión de los participantes y motivarlos a unirse al creciente movimiento KR21. Knowledge Rights 21 (KR21) aboga por un cambio progresivo y positivo en la forma en que facilitamos el acceso al conocimiento, tanto sobre el terreno como a través de reformas legales.

Knowledge Rights 21 (KR21), el programa financiado por Arcadia en el que LIBER participa junto con IFLA y SPARC Europe, celebró en mayo su primera reunión de red en Bruselas. Miembros de la red KR21 de Europa y Estados Unidos participaron en este evento de tres días de duración, cuyo objetivo era aumentar la concienciación entre la red culturalmente diversa y las partes interesadas en la elaboración de políticas sobre los retos y oportunidades de las prácticas legislativas y no legislativas en toda Europa. El objetivo general era reforzar el derecho al conocimiento.

El taller se abrió con un debate sobre la situación de los distintos ámbitos políticos en los que se centra KR21. El proyecto une a LIBER, SPARC Europa e IFLA para capacitar a las bibliotecas en la defensa de políticas que apoyen sus misiones. Los participantes debatieron sobre el panorama político del acceso al conocimiento, a través de herramientas digitales de encuesta y diálogos exploratorios.

Al taller asistieron participantes en representación de países de todo el continente, desde Irlanda a Suiza, pasando por Croacia y los Países Bajos. Los participantes señalaron la falta de concienciación, tanto por parte de las bibliotecas como de los principales legisladores, sobre lo que las bibliotecas pueden hacer en aras de la apertura del conocimiento y la investigación. Además, el índice de conocimiento del marco jurídico de la ciencia y la investigación es bastante bajo, así como el conocimiento del papel que pueden desempeñar las bibliotecas.

Los participantes creen que, en general, el marco normativo no apoya el acceso abierto y que, cuando lo hace, es relativamente débil o se inclina hacia el acceso abierto dorado. El Acceso Abierto Verde parece ocupar un lugar destacado en la agenda de las bibliotecas, ya que los participantes le dieron prioridad evidente a través de sus esfuerzos por fortalecer las infraestructuras, cambiar las culturas institucionales y reformar la legislación.

La segunda parte del taller se centró en los factores que fomentan o desalientan el compromiso con los legisladores y en los pasos necesarios para llevar a cabo la reforma. LIBER presentó su trabajo sobre los derechos secundarios de publicación (DSP), incluidos los resultados de una encuesta sobre el panorama de los DSP en siete países europeos. Esto proporcionó una base útil para reflexionar sobre los factores que permiten o dificultan a los defensores del Acceso Abierto promover una legislación más progresista, así como los problemas a los que se enfrentan.

Compartir datos de investigación es cada vez más importante. Cómo pueden ayudar las bibliotecas

F1000. «Sharing Research Data Is Becoming More Important. Here’s How Libraries Can Help». Library Journal. Accedido 27 de septiembre de 2023. https://www.libraryjournal.com/story/sharing-research-data-is-becoming-more-important.-heres-how-libraries-can-help-lj230921.

Los datos de investigación son las pruebas subyacentes que sustentan las afirmaciones que se hacen en las publicaciones académicas, y poner estos datos a disposición del público es un aspecto fundamental de la publicación de acceso abierto. Sin embargo, debido a una serie de obstáculos -algunos reales, otros percibidos-, muchos investigadores son reacios a compartir sus datos con la comunidad investigadora en general.

Editores y bibliotecarios pueden colaborar para ayudar a los investigadores a superar estos obstáculos, afirma Jamie Hutchins, director de investigación abierta en las Américas del grupo Taylor & Francis. Hacerlo tiene importantes beneficios para los investigadores, sus instituciones y la sociedad en su conjunto.

Los datos de investigación pueden adoptar muchas formas, y no sólo se refieren a los números que aparecen en las hojas de cálculo. El aspecto de los datos de investigación varía según la disciplina y puede incluir elementos como notas, cuadernos de laboratorio y bocetos; medios como fotos, vídeos y diapositivas; respuestas a encuestas y transcripciones de entrevistas; modelos y algoritmos; y el software o código escrito para ejecutar simulaciones y analizar información.

Poner esta información a disposición del público ayuda a otros investigadores a reproducir los resultados de un estudio o a basarse en este corpus de conocimientos. Fomenta una mayor conexión y colaboración entre investigadores, lo que da lugar a nuevos avances.

El intercambio de datos suele fomentarse dentro de la comunidad científica, y las nuevas directrices federales, como el memorando Nelson, ampliarán aún más esta práctica. Sin embargo, hacer públicos los datos de investigación requiere mucho tiempo, esfuerzo y esfuerzo.

La falta de tiempo y de conocimientos son los principales obstáculos

En la encuesta «State of Open Data» de Digital Science de 2020, los investigadores identificaron una serie de problemas o preocupaciones que tienen a la hora de compartir públicamente sus datos de investigación.

Por ejemplo, es posible que no sepan cómo formatear y preparar sus datos para que puedan compartirse y reutilizarse, o que no tengan tiempo para hacerlo. Muchos investigadores tampoco están seguros de qué información tienen permiso para compartir y de los problemas de licencias y derechos de autor que pueden surgir.

Como señala el informe Digital Science «Esperamos que [los investigadores] sean expertos en su propia disciplina. … Pero también esperamos que los investigadores sepan una o dos cosas, preferiblemente más, sobre seguridad de la información: Dónde y cómo almacenar los datos de forma que puedan utilizarse no sólo ahora, sino también en el futuro, sin que sean accesibles a personas que no tienen nada que ver con ellos. … [Esperamos de ellos que] sean expertos jurídicos y, en esa capacidad, sepan cómo navegar con éxito por un panorama a veces muy difícil de derechos de propiedad intelectual, licencias, privacidad y quizá también patentes».

Se trata de retos que los bibliotecarios, como expertos en trabajar con datos y navegar por cuestiones de derechos de autor, pueden ayudar a resolver a los investigadores. Los editores también desempeñan un papel clave: Una plataforma como F1000 de Taylor & Francis incluye herramientas para ayudar a los investigadores a almacenar y compartir sus datos y, al mismo tiempo, mantener segura esta información.

Superar las preocupaciones de los investigadores

Más allá de estos obstáculos técnicos, los investigadores han expresado su preocupación por el posible uso indebido de sus datos. Algunos investigadores son reacios a ceder el control sobre sus datos de investigación y punto. «Para muchos, incluso la idea de que los datos puedan ser reutilizados por otros investigadores ha sido un obstáculo para la adopción de los principios de la investigación abierta», afirma Hutchins.

Sin embargo, Hutchins señala que compartir ampliamente los datos no sólo beneficia a la sociedad, sino que también aporta ventajas claras y directas a los propios investigadores. Por ejemplo, aumenta las posibilidades de descubrir su trabajo, ayudando a otros a encontrar, utilizar y citar sus resultados de investigación. Esto, a su vez, mejora la imagen de los investigadores y de las instituciones que los emplean.

De hecho, un estudio reveló que los artículos de revistas que enlazaban con datos de repositorios de investigación tenían hasta un 25% más de citas que los que no tenían acceso a los datos subyacentes.

«Desde el punto de vista de los editores, tenemos pruebas de que incluso el paso mínimo de incluir una declaración de disponibilidad de datos en un artículo de investigación -algo que exige F1000 y que ahora están adoptando otras revistas- puede aumentar su impacto», afirma Hutchins.

Algunas instituciones, como la Universidad de Florida (UF), han rediseñado sus servicios bibliotecarios para apoyar más eficazmente la investigación en su universidad, por ejemplo ofreciendo servicios de consultoría y orientación sobre las mejores prácticas para compartir datos de investigación. «A menudo oímos decir a investigadores de todas las etapas de su carrera que no son conscientes de los recursos y servicios de apoyo de que disponen», afirma Hutchins. «Este parece un ámbito claro para la colaboración entre bibliotecas y editoriales».

Escritura universitaria para estudiantes internacionales: un enfoque basado en el uso

Carol Lynn Moder, Alys Avalos-Rivera, Ho’omana Nathan Horton, Miriam Kinfe. «University Academic Writing for International Students: A Usage-Based Approach», Open Textbook, Library.2020.

Texto completo

PDF

ePub

Este recurso está diseñado específicamente para satisfacer las necesidades de redacción académica de los estudiantes internacionales que estudian en universidades de los Estados Unidos. Los materiales del libro se pueden cubrir en un semestre de 14 semanas, pero cada capítulo o sección también se puede utilizar de forma independiente. Basado en una serie de proyectos de análisis de necesidades, este recurso proporciona una descripción general de los principales patrones retóricos de escritura que se utilizan comúnmente en entornos universitarios de los Estados Unidos. Estos géneros comúnmente requeridos incluyen resúmenes descriptivos y evaluativos, ensayos cortos, tareas de comparación y contraste, revisiones de literatura, informes descriptivos y propuestas. El recurso incluye capítulos que abordan la estructura y el propósito de estos géneros más comunes, incluida la conciencia de las formas en que el público objetivo y la situación deben dar forma a la escritura de cada uno.