Archivo de la categoría: Investigación

Recomendaciones de la Asociación Mundial de Editores Médicos (WAME) sobre chatbots e inteligencia artificial generativa en relación con las publicaciones académicas

Recommendations on Chatbots and Generative Artificial Intelligence in Relation to Scholarly Publications, WAME (World Association of Medical Editors) Revised May 31, 2023.

Los chatbots almacenan la información proporcionada, como el contenido y las instrucciones, y pueden utilizarla en respuestas futuras. Esto implica que el contenido académico generado o editado mediante IA puede permanecer y aparecer en futuras respuestas, lo que aumenta el riesgo de plagio involuntario tanto para el usuario como para los futuros usuarios de la tecnología. Es importante que cualquier persona que necesite mantener la confidencialidad de un documento, incluyendo autores, editores y revisores, sea consciente de este problema antes de considerar el uso de chatbots para editar o generar trabajos.

Sin embargo, los chatbots pueden utilizarse para tareas sencillas de tratamiento de textos (similares a los programas de tratamiento de textos y corrección gramatical), generación de ideas y textos o investigación sustantiva. Las recomendaciones se han adaptado para dar cabida a estas distintas aplicaciones.

1) Solo los humanos pueden ser autores;

2) Los autores deben reconocer las fuentes de sus materiales;

3) Los autores deben asumir la responsabilidad pública de su trabajo;

4) Los editores y revisores deben informar a los autores y entre sí sobre el uso de chatbots en la evaluación de manuscritos, revisiones y correspondencia;

5) Los editores requieren herramientas digitales adecuadas para abordar los efectos de los chatbots en la publicación.

Recomendación 1 de WAME: Los chatbots no pueden ser autores.

Las revistas han empezado a publicar artículos en los que se han utilizado chatbots como Bard, Bing y ChatGPT, y algunas revistas incluyen a los chatbots como coautores. El estatus legal de un autor difiere de un país a otro, pero en la mayoría de las jurisdicciones, un autor debe ser una persona jurídica. Los chatbots no cumplen los criterios de autoría del Comité Internacional de Editores de Revistas Médicas (ICMJE), en particular el de poder dar «la aprobación final de la versión que se publicará» y «ser responsable de todos los aspectos del trabajo para garantizar que las cuestiones relacionadas con la exactitud o integridad de cualquier parte del trabajo se investiguen y resuelvan adecuadamente.» Ninguna herramienta de IA puede «entender» una declaración de conflicto de intereses, y no tiene capacidad legal para firmar una declaración. Los chatbots no tienen ninguna afiliación independiente de sus desarrolladores. Dado que los autores que presentan un manuscrito deben asegurarse de que todos los nombrados como autores cumplen los criterios de autoría, los chatbots no pueden incluirse como autores.

Recomendación 2 de WAME: Los autores deben ser transparentes cuando se utilizan chatbots y proporcionar información sobre cómo se utilizaron.

Debe indicarse el alcance y el tipo de uso de chatbots en las publicaciones de revistas. Esto es coherente con la recomendación del ICMJE de reconocer la ayuda en la redacción y proporcionar en los Métodos información detallada sobre cómo se llevó a cabo el estudio y los resultados generados.

  • Recomendaciones de WAME 2.1: Los autores que envíen un artículo en el que se haya utilizado un chatbot/AI para redactar un nuevo texto deben indicar dicho uso en el agradecimiento; se deben especificar todas las indicaciones utilizadas para generar un nuevo texto, o para convertir texto o indicaciones de texto en tablas o ilustraciones.
  • Recomendación 2.2 de WAME: Cuando se utilice una herramienta de IA, como un chatbot, para realizar o generar trabajo analítico, ayudar a informar de los resultados (por ejemplo, generando tablas o figuras) o escribir códigos informáticos, esto debe indicarse en el cuerpo del artículo, tanto en el resumen como en la sección de métodos. Con el fin de permitir el escrutinio científico, incluida la replicación y la identificación de falsificaciones, debe facilitarse la secuencia de comandos completa utilizada para generar los resultados de la investigación, la hora y la fecha de la consulta, así como la herramienta de IA utilizada y su versión.

Recomendación 3 de WAME: Los autores son responsables del material proporcionado por un chatbot en su artículo (incluida la exactitud de lo presentado y la ausencia de plagio) y de la atribución adecuada de todas las fuentes (incluidas las fuentes originales del material generado por el chatbot). Los autores de artículos escritos con la ayuda de un chatbot son responsables del material generado por el chatbot, incluida su exactitud. Hay que tener en cuenta que el plagio es «la práctica de tomar el trabajo o las ideas de otra persona y hacerlas pasar por propias», y no sólo la repetición literal de un texto previamente publicado. Es responsabilidad del autor asegurarse de que el contenido refleja sus datos e ideas y no es plagio, fabricación o falsificación. De lo contrario, ofrecer dicho material para su publicación, independientemente de cómo se haya escrito, puede constituir una falta de ética científica. Del mismo modo, los autores deben asegurarse de que todo el material citado se atribuye adecuadamente, incluyendo citas completas, y que las fuentes citadas apoyan las declaraciones del chatbot. Dado que un chatbot puede estar diseñado para omitir fuentes que se opongan a los puntos de vista expresados en sus resultados, es responsabilidad de los autores encontrar, revisar e incluir tales puntos de vista contrarios en sus artículos. (Los autores deben identificar el chatbot utilizado y la pregunta específica (enunciado de la consulta) utilizada con el chatbot. Deben especificar qué han hecho para mitigar el riesgo de plagio, ofrecer una visión equilibrada y garantizar la exactitud de todas sus referencias.

Recomendación 4 de WAME: Los editores y revisores deben especificar, a los autores y entre sí, cualquier uso de chatbots en la evaluación del manuscrito y la generación de revisiones y correspondencia. Si utilizan chatbots en sus comunicaciones con los autores y entre sí, deben explicar cómo se utilizaron. Los editores y revisores son responsables de cualquier contenido y cita generados por un chatbot. Deben ser conscientes de que los chatbots retienen las instrucciones que se les envían, incluido el contenido del manuscrito, y que proporcionar el manuscrito de un autor a un chatbot viola la confidencialidad del manuscrito enviado.

Recomendación 5 de WAME: Los editores necesitan herramientas adecuadas que les ayuden a detectar contenidos generados o alterados por IA. Tales herramientas deben ponerse a disposición de los editores, independientemente de su capacidad para pagarlas, por el bien de la ciencia y del público, y para ayudar a garantizar la integridad de la información sanitaria y reducir el riesgo de resultados adversos para la salud. Muchos editores de revistas médicas utilizan enfoques de evaluación de manuscritos que no fueron diseñados para hacer frente a las innovaciones y las industrias de la IA, incluidos los textos e imágenes plagiados manipulados y los documentos generados en papel. Ya han estado en desventaja al tratar de diferenciar lo legítimo de lo fabricado, y los chatbots llevan este desafío a un nuevo nivel. Los editores necesitan acceder a herramientas que les ayuden a evaluar los contenidos con eficacia y precisión. Esto es especialmente importante para los editores de revistas médicas, donde las consecuencias adversas de la desinformación incluyen posibles daños a las personas.

¿Puede aparecer ChatGPT cómo autor o coautor de artículos científicos?

Stokel-Walker, Chris. «ChatGPT Listed as Author on Research Papers: Many Scientists Disapprove». Nature 613, n.o 7945 (18 de enero de 2023): 620-21. https://doi.org/10.1038/d41586-023-00107-z.

Varios científicos han expresado su desaprobación al ver que ChatGPT, la herramienta de IA, figura como coautor en al menos cuatro artículos de investigación. Esta situación ha llevado a las editoriales a tomar medidas rápidas para regular su uso.

El popular chatbot de inteligencia artificial ChatGPT ha hecho su entrada oficial en el ámbito de la literatura científica y ha sido citado como autor en al menos cuatro artículos y preprints. Este hecho ha suscitado debates entre directores de revistas, investigadores y editores sobre la inclusión de herramientas de IA en publicaciones académicas y la conveniencia de citar al bot como autor. Las editoriales se apresuran a establecer políticas para el chatbot, que OpenAI, una empresa tecnológica con sede en San Francisco (California), presentó en noviembre como herramienta de libre acceso.

Al ser consultados por el equipo de noticias de Nature, los editores y servidores de preprints coinciden unánimemente en que los sistemas de IA como ChatGPT no cumplen los requisitos para figurar como autores de estudios, ya que no pueden asumir la responsabilidad del contenido y la integridad de los artículos científicos. Sin embargo, algunos editores sugieren que la contribución de una IA a la redacción de artículos puede reconocerse en secciones distintas de la lista de autores. Es importante señalar que el equipo de noticias de Nature opera con independencia del equipo de su revista y de su editor, Springer Nature.

En un caso concreto mencionado, un editor informó a Nature de que ChatGPT había sido citado por error como coautor, y la revista tomaría medidas correctoras para rectificar el error.

En un preprint publicado en el repositorio médico medRxiv, ChatGPT aparece como uno de los 12 autores de un estudio que explora su uso en la educación médica. Richard Sever, cofundador del repositorio y de su sitio hermano bioRxiv, reconoce que la conveniencia de utilizar y atribuir herramientas de IA como ChatGPT en la investigación es un tema de debate. Sugiere que las convenciones relativas a los créditos de las herramientas de IA podrían evolucionar con el tiempo.

Sever subraya la necesidad de diferenciar entre el papel formal de un autor en un manuscrito académico y el concepto general de autor como redactor del documento. Dado que los autores son legalmente responsables de su trabajo, cree que sólo deben figurar en la lista las personas físicas. No obstante, reconoce que se han dado casos de personas que han intentado incluir como autores a entidades no humanas, como mascotas o personajes de ficción, pero considera que se trata más de una cuestión de comprobación y verificación que de una cuestión de política. Victor Tseng, autor correspondiente del preprint, no hizo comentarios cuando se le contactó.

En un número reciente de Nurse Education in Practice, un editorial citaba por error a ChatGPT como coautora junto a Siobhan O’Connor, investigadora en tecnología sanitaria de la Universidad de Manchester. Roger Watson, redactor jefe de la revista, reconoció el error y declaró que se corregiría con prontitud. Atribuyó el descuido al diferente sistema de gestión de los editoriales en comparación con los artículos de investigación.

Alex Zhavoronkov, director general de Insilico Medicine, una empresa de Hong Kong dedicada al descubrimiento de fármacos mediante IA, citó a ChatGPT como coautor en un artículo publicado en la revista Oncoscience. Zhavoronkov mencionó que su empresa ha publicado más de 80 artículos generados por herramientas de IA generativa y expresó su satisfacción por el rendimiento de ChatGPT a la hora de redactar un artículo de alta calidad en comparación con herramientas de IA anteriores.

En cuanto al cuarto artículo, fue coescrito por un chatbot anterior llamado GPT-3 y se publicó inicialmente en el servidor francés de preprints HAL en junio de 2022. La coautora, Almira Osmanovic Thunström, neurobióloga del Hospital Universitario Sahlgrenska de Gotemburgo (Suecia), mencionó que, tras recibir comentarios de los revisores, reescribió el artículo y lo envió a una segunda revista. Tras las revisiones, el artículo fue aceptado para su publicación con GPT-3 como autor.

Política editorial

Se están elaborando y revisando las políticas de las editoriales sobre el uso de ChatGPT y otras herramientas de IA en la autoría. Los redactores jefe de Nature y Science, Magdalena Skipper y Holden Thorp, respectivamente, afirman que ChatGPT no cumple los criterios de autoría debido a la falta de responsabilidad que puede atribuirse a los grandes modelos lingüísticos (LLM). Se recomienda a los autores que utilicen LLM durante el desarrollo de un artículo que documenten su uso en las secciones de métodos o agradecimientos, según proceda.

Taylor & Francis, una editorial con sede en Londres, está revisando actualmente su política sobre la autoría de la IA. Sabina Alam, Directora de Ética e Integridad Editorial, está de acuerdo en que los autores son responsables de la validez e integridad de su trabajo y deben reconocer el uso de los LLM en la sección de agradecimientos. Sin embargo, Taylor & Francis aún no ha recibido ningún envío que acredite a ChatGPT como coautor.

El consejo del servidor de preprints arXiv, que se centra en las ciencias físicas, ha mantenido debates internos y está avanzando hacia el establecimiento de un enfoque para el uso de IA generativas. Steinn Sigurdsson, director científico y astrónomo de la Universidad Estatal de Pensilvania, subraya que una herramienta de software no puede figurar como autor, ya que no puede dar su consentimiento a las condiciones de uso y al derecho a distribuir contenidos. Hasta el momento no se ha identificado ningún preprints arXiv en el que ChatGPT figure como coautor, y próximamente se darán orientaciones a los autores sobre esta cuestión.

La ética de la IA generativa

La ética que rodea a la IA generativa, como ChatGPT, plantea importantes consideraciones. Matt Hodgkinson, responsable de integridad de la investigación en la Oficina de Integridad de la Investigación del Reino Unido, señala que las directrices de autoría vigentes indican que ChatGPT no debe ser acreditado como coautor. Aunque es posible que las herramientas de IA realicen una contribución académica significativa, el aspecto crucial es su capacidad para aceptar la coautoría y asumir la responsabilidad del estudio o de su contribución específica. Aquí es donde el concepto de conceder la coautoría a las herramientas de IA encuentra obstáculos.

Alex Zhavoronkov, director general de Insilico Medicine, explica que al intentar utilizar ChatGPT para escribir artículos más técnicos, se quedó corto. La IA genera a menudo afirmaciones que pueden no ser exactas, y hacer la misma pregunta varias veces puede dar respuestas diferentes. Esto suscita preocupación por el posible uso indebido del sistema en el mundo académico, ya que personas sin conocimientos especializados podrían intentar redactar artículos científicos utilizando contenidos generados por la IA.

Inteligencia artificial y autoría

Alysa Levene. «Artificial Intelligence and Authorship» COPE: Committee on Publication Ethics, 23 de febrero de 2023. https://publicationethics.org/news/artificial-intelligence-and-authorship.

La evolución de la inteligencia artificial y los robots conversacionales plantea interrogantes sobre el papel del autor y cómo se define en este contexto. Con la llegada de los modelos lingüísticos de gran escala, como ChatGPT de OpenAI, se ha generado un debate sobre la autoría y la creación de contenido generado por inteligencia artificial.


Los modelos de inteligencia artificial, como ChatGPT de OpenAI, plantean preguntas sobre el concepto de autoría. Estos robots, alimentados por grandes modelos lingüísticos y entrenados con vastos bancos de texto, tienen la capacidad de generar respuestas en función de la probabilidad de combinaciones de palabras, estructuras de frases y temas.

El impacto de ChatGPT y otros sistemas similares en el mercado ha sido notable. La gente ha compartido sus experiencias de interacción con ChatGPT, desde solicitar recomendaciones sobre otros robots de inteligencia artificial para escribir y obtener respuestas hasta pedirle a ChatGPT que escriba una conferencia.

Estas situaciones plantean preguntas más amplias sobre el papel de los robots de inteligencia artificial en la creación de contenido y su impacto en la noción tradicional de autoría. A medida que la tecnología avanza, es importante explorar los límites y las implicaciones éticas de estas innovaciones, considerando cómo se complementan o desafían la creatividad humana y la autoría individual.

La cuestión de quién es el autor en estas interacciones plantea un desafío interesante. Si bien los modelos lingüísticos son herramientas poderosas y capaces de producir contenido original, su capacidad de crear está limitada a lo que han aprendido de los datos de entrenamiento. La responsabilidad de la autoría puede recaer en los desarrolladores de la inteligencia artificial, los usuarios que interactúan con ella o incluso en la propia máquina.

Las empresas que producen estas herramientas de aprendizaje automático de inteligencia artificial son muy claras sobre la situación legal y ética de sus productos. La compañía Bloom, una plataforma de IA de LLM, afirma en sus especificaciones que «el uso del modelo en situaciones de alto riesgo está fuera de su alcance… El modelo no está diseñado para decisiones críticas ni para usos con consecuencias materiales en la vida o el bienestar de una persona».. Esto incluye áreas como la atención médica, los juicios legales, las finanzas o la puntuación individual, que a menudo están representadas en las carteras de las editoriales académicas. El descargo de responsabilidad de la empresa Bloom también hace hincapié en la necesidad de que los usuarios indirectos estén informados cuando trabajen con contenidos generados por el modelo lingüístico.

Del mismo modo, en enero de 2023, la Asociación Mundial de Editores Médicos (WAME, por sus siglas en inglés) publicó una respuesta en la que abordaba el uso de los modelos lingüísticos en las publicaciones académicas y hacía una recomendación similar. ChatGPT reconoce sus propias limitaciones y ha declarado que no existe ningún problema ético inherente al uso de la IA en la investigación o la escritura, siempre que se utilice de forma adecuada y ética. En algunos casos, ChatGPT ha reconocido incluso que no cumple todos los criterios de autoría señalados por el Comité Internacional de Editores de Revistas Médicas (ICMJE).

Tanto las directrices del ICMJE como las del Comité de Ética en las Publicaciones (COPE) coinciden en que los bots de IA no deben ser considerados autores, ya que carecen de capacidad legal, no pueden tener derechos de autor, ser considerados responsables o aprobar un trabajo de investigación como original. Editoriales como Springer Nature y Taylor & Francis también han publicado declaraciones instando a los autores a revelar cualquier interacción con la IA en sus métodos o secciones de agradecimiento.

Está claro que estas empresas y organizaciones reconocen la necesidad de transparencia y uso responsable de las tecnologías de IA en la investigación y la escritura. Subrayan la importancia de distinguir entre autores humanos y contenidos generados por IA, al tiempo que promueven las prácticas éticas y la divulgación en la publicación académica.

Es importante señalar que un bot de IA no se preocupa de si la información que devuelve es «verdadera»; su atención se centra en la verosimilitud. Este fenómeno surge porque los robots de IA carecen del concepto de fiabilidad, replicabilidad o «verdad». Su propósito es proporcionar respuestas que tengan un sentido probabilístico basado en la gama de hechos y afirmaciones de sus datos de entrenamiento. Aunque puede haber casos en los que sólo haya una respuesta a una pregunta, en muchos casos puede haber múltiples respuestas posibles, todas ellas igualmente probables desde la perspectiva del bot. Esta capacidad de afirmar diferentes respuestas a la misma pregunta puede provocar a veces una reacción muy humana de ofensa o confusión.

Como se indica en las especificaciones de Bloom, el modelo produce contenidos que pueden parecer factuales, pero no necesariamente correctos. Comprender estas limitaciones es crucial a la hora de utilizar la IA. La evaluación crítica y el uso responsable de la información generada por la IA son vitales para garantizar su aplicación adecuada en diversos contextos, incluida la investigación académica.

De este modo, los editores y las editoriales tendrán que confiar aún más en la responsabilidad de los autores y en una rigurosa revisión por pares para detectar y solucionar tales problemas. Merece la pena señalar que la revisión por pares no siempre descubre fallos basados en los resultados y no en la metodología

Algunos usuarios han expresado su preocupación por el hecho de que ChatGPT atribuya erróneamente o fabrique citas, lo que indica un enfoque potencialmente poco estricto respecto al plagio en sus datos de entrenamiento. Por otra parte, a medida que el modelo aprende de conjuntos de datos más refinados, sus resultados pueden ser más creativos.

Estas observaciones ponen de relieve la naturaleza evolutiva de los contenidos generados por IA y la necesidad de una evaluación, un perfeccionamiento y un conocimiento contextual continuos a la hora de utilizar estas herramientas en las publicaciones académicas. Sigue siendo esencial equilibrar las ventajas que ofrece la IA con la evaluación crítica y el juicio humano para garantizar la integridad y la calidad de la investigación y la publicación académicas.

Un robot -por muy bien entrenado que esté y con el grado de claridad que le aporte la distancia respecto a la desordenada experiencia humana de investigar, planificar y escribir- no puede entender lo que escribe. En pocas palabras, no puede ser responsable. Como ya hemos visto, los robots han sido entrenados para decirlo explícitamente.

En la actualidad, la inteligencia artificial (IA) se presenta como una herramienta sorprendente, siempre y cuando se utilice de manera ética y para fines específicos. Es probable que se convierta en una herramienta indispensable. Sin embargo, existen consideraciones más amplias que deben ser cuidadosamente analizadas en cuanto a cómo y cuándo se debe emplear en la literatura académica, sin mencionar los posibles sesgos y contenido desagradable que pueda estar presente en su material de entrenamiento, lo cual afectará lo que produzca.

Incluso es posible que en el futuro se utilicen herramientas de IA para entrenar mejor a los robots en la escritura de un lenguaje auténticamente humano, siempre y cuando también se les instruya en prácticas éticas. Sin embargo, ¿deberíamos considerar a la IA como una autora legítima? El mundo de la ética en la publicación académica está empezando a rechazar firmemente esa idea, y es fácil entender por qué.

Cómo publicar un artículo científico y como obtener un alto impacto


VER VIDEO Ponencia: ¿Cómo publicar un artículo científico y cómo hacerlo con impacto? por Julio Alonso Arévalo Universidad Dr. José Matías Delgado San Salvador (El Salvador) 23/05/2023

Publicar un manuscrito científico en una revista de alto impacto puede ser un objetivo deseado para muchos investigadores. El proceso requiere un enfoque estratégico y una comprensión sólida de los principios de investigación científica y publicación. A continuación, se detallan los pasos clave para aumentar las posibilidades de lograrlo:

  1. Selección de la revista adecuada: Investiga y selecciona una revista de alto impacto que sea relevante para tu campo de estudio. Considera el alcance, el prestigio y la audiencia objetivo de la revista. Lee detenidamente las guías para autores y los requisitos de publicación de la revista para asegurarte de que tu manuscrito cumpla con sus criterios.
  2. Elaboración de un manuscrito de calidad: Realiza una investigación sólida y rigurosa, y presenta tus hallazgos de manera clara y concisa. Sigue las pautas de la revista en cuanto a la estructura y el formato del manuscrito. Asegúrate de que tu trabajo aporte nuevos conocimientos y sea relevante para la comunidad científica.
  3. Escritura y revisión minuciosas: Dedica tiempo a redactar tu manuscrito de manera clara y coherente. Evita errores gramaticales y ortográficos, y utiliza un lenguaje preciso. Solicita la revisión por parte de colegas o expertos en el campo para obtener comentarios y sugerencias constructivas antes de enviarlo.
  4. Presentación del manuscrito: Sigue las instrucciones proporcionadas por la revista para la presentación del manuscrito. Asegúrate de incluir todos los elementos requeridos, como el resumen, las palabras clave, las secciones apropiadas (introducción, métodos, resultados, discusión, conclusiones, referencias, etc.) y cualquier material adicional solicitado.
  5. Revisión por pares y respuesta a los comentarios: Una vez que envíes tu manuscrito, será sometido a un proceso de revisión por pares. Los revisores evaluarán la calidad y la originalidad de tu trabajo. Si recibes comentarios o sugerencias, respóndelos de manera exhaustiva y constructiva, abordando cada uno de los puntos planteados.
  6. Realización de ajustes y mejoras: Si se solicitan revisiones o modificaciones, trabaja en ellas de manera cuidadosa y rigurosa. Asegúrate de abordar todos los comentarios de los revisores y de proporcionar justificaciones claras para los cambios realizados en tu manuscrito.
  7. Envío final y espera de la decisión: Una vez que hayas realizado todas las modificaciones solicitadas, envía la versión final del manuscrito. Luego, debes esperar la decisión final de la revista, que puede ser aceptación, rechazo o requerir revisiones adicionales.

Recuerda que el proceso de publicación puede llevar tiempo y que recibirás retroalimentación tanto positiva como negativa. No te desalientes por los rechazos, ya que forman parte del proceso. Utiliza los comentarios y las sugerencias para mejorar tu trabajo y aumentar tus posibilidades de publicar en una revista de alto impacto en el futuro.

Tener un importante impacto en una publicación científica implica lograr que nuestro trabajo sea reconocido y valorado por la comunidad científica. El impacto de una publicación científica se refiere a la influencia y la relevancia que tiene en el campo de la investigación. Indica cómo el trabajo publicado ha contribuido al conocimiento existente, ha generado avances en la disciplina y ha influido en la comunidad científica.

El impacto de una publicación científica puede evaluarse de diferentes maneras:

  • Citaciones: Uno de los indicadores más comunes del impacto de una publicación es el número de veces que ha sido citada por otros investigadores. Cuantas más citas reciba un artículo, mayor es su impacto, ya que indica que ha sido reconocido y utilizado por la comunidad científica.
  • Índice de impacto de la revista: Algunas revistas científicas tienen un índice de impacto asignado, que se calcula en función del número de citas que reciben los artículos publicados en esa revista durante un período determinado. Un índice de impacto alto indica que los artículos publicados en esa revista son ampliamente reconocidos y citados en el campo.
  • Altmetrics: Las altmetrics (métricas alternativas) son indicadores que miden el impacto de un artículo más allá de las citas tradicionales. Estos incluyen el número de descargas, menciones en redes sociales, vistas en línea y discusiones en blogs o medios de comunicación. Los altmetrics proporcionan una visión más amplia del alcance y la influencia de un artículo.
  • Reconocimiento y premios: El reconocimiento recibido por un artículo, como premios, becas o invitaciones a presentar en conferencias, también puede indicar su impacto. Estos reconocimientos demuestran que el trabajo ha sido considerado significativo y ha generado interés en la comunidad científica.

Existen varios índices de citas ampliamente utilizados para evaluar el impacto de las publicaciones científicas. Scopus, Web of Science y Google Scholar son tres de las principales bases de datos utilizadas por la comunidad académica y científica para medir el impacto de la literatura científica. Cada una de estas bases de datos tiene características distintas:

  • Web of Science: desarrollada por Clarivate Analytics, es una base de datos multidisciplinaria que incluye una amplia gama de revistas científicas revisadas por pares, conferencias y otros tipos de literatura académica. Web of Science es conocida por su índice de citas, que permite rastrear y analizar las citas recibidas por los artículos publicados.
  • Scopus: es una base de datos bibliográfica desarrollada por Elsevier. Contiene una amplia cobertura de literatura científica, incluyendo revistas científicas revisadas por pares, libros y actas de conferencias. Scopus ofrece funciones avanzadas de búsqueda y filtrado, así como métricas de citas y análisis de rendimiento para autores, instituciones y revistas.
  • Google Scholar: Google Scholar es un motor de búsqueda académico que indexa una amplia gama de fuentes académicas, como artículos científicos, tesis, libros y preprints. Aunque no es una base de datos especializada como Scopus o Web of Science, Google Scholar ofrece una amplia cobertura y es conocido por su accesibilidad y facilidad de uso. También proporciona información sobre citas y perfiles de autores.

Los indicadores bibliométricos son medidas cuantitativas utilizadas para evaluar la producción científica y el impacto de las publicaciones académicas. Estos indicadores se basan en datos bibliográficos, como el número de citas recibidas por un artículo o el número de artículos publicados por un autor en particular. Algunos de los indicadores bibliométricos más comunes son:

  • Factor de impacto (Impact Factor, IF): El factor de impacto se aplica a las revistas científicas y es una medida del número promedio de citas recibidas por los artículos publicados en esa revista durante un período determinado. Es calculado por empresas como Clarivate Analytics y se utiliza ampliamente para evaluar la calidad y la influencia de las revistas.
  • Índice h (H-index): El índice h es una medida desarrollada por el físico Jorge E. Hirsch que evalúa tanto la productividad como el impacto de un investigador. Indica el número de artículos (h) que han sido citados al menos h veces. Por ejemplo, un investigador con un índice h de 20 tiene al menos 20 artículos que han sido citados al menos 20 veces cada uno.
  • El CiteScore es un indicador bibliométrico que se utiliza en la base de datos Scopus para evaluar el impacto de las revistas científicas. Es calculado anualmente por Elsevier y representa el promedio de citas recibidas por los artículos publicados en una revista en los últimos tres años.

Aquí tienes algunos consejos sobre cómo aumentar el impacto de tu publicación científica:

  1. Selección del tema adecuado: Elije un tema de investigación relevante y de actualidad en tu campo. Identifica brechas en el conocimiento existente y enfoques novedosos para abordar esas brechas. Esto aumentará las posibilidades de que tu trabajo sea considerado importante y valioso.
  2. Calidad de la investigación: Realiza una investigación rigurosa y de alta calidad. Asegúrate de tener un diseño experimental sólido, una muestra adecuada, métodos precisos y análisis estadísticos adecuados. Cuanto más sólida sea tu investigación, mayor será su impacto potencial.
  3. Contribución original: Asegúrate de que tu trabajo aporte algo nuevo al campo científico. Esto podría ser la identificación de nuevos hallazgos, la aplicación de métodos innovadores o la resolución de un problema relevante. Demuestra la originalidad de tu trabajo y su contribución al conocimiento existente.
  4. Escritura clara y concisa: Comunica tus ideas de manera clara y accesible. Utiliza un lenguaje técnico apropiado pero evita la jerga excesiva. Organiza tu artículo de forma lógica y asegúrate de que sea fácil de leer y comprender. Utiliza gráficos, tablas y figuras para ilustrar tus resultados de manera efectiva.
  5. Contextualización y relevancia: Sitúa tu investigación en el contexto más amplio de tu campo. Explica cómo tus hallazgos se relacionan con el conocimiento existente y cómo podrían tener implicaciones prácticas o teóricas. Destaca la relevancia de tu trabajo y su impacto potencial en la comunidad científica y en la sociedad en general.
  6. Publica en revistas de alto impacto: Elige revistas de renombre y alto factor de impacto en tu campo. Estas revistas tienen una amplia audiencia y un riguroso proceso de revisión por pares. Publicar en revistas de alto impacto aumentará la visibilidad y credibilidad de tu trabajo.
  7. Promoción activa: No te quedes solo en la publicación de tu trabajo. Promuévelo activamente a través de redes sociales, conferencias y colaboraciones con otros investigadores. Comparte tus resultados y discute tus hallazgos con la comunidad científica. Cuanto más se difunda y se debata tu trabajo, mayor será su impacto potencial.
  8. Mantén la pasión por tu trabajo, busca retroalimentación y colabora con otros investigadores para aumentar la visibilidad y la influencia de tu investigación en el campo científico.

Es importante tener en cuenta que el impacto de una publicación científica se desarrolla con el tiempo. Puede llevar años antes de que los efectos de un estudio se perciban completamente y se reflejen en citas y reconocimientos. Sin embargo, un artículo que tiene un impacto significativo es aquel que influye en el campo, contribuye al avance del conocimiento y genera un cambio en la forma en que se comprende o aborda un tema determinado.

El efecto depredador: Pasado, presente y futuro de las revistas académicas engañosas

Linacre, Simon. The Predator Effect: Understanding the Past, Present and Future of Deceptive Academic Journals. Against the Grain (Media), LLC, 2022.

PDF

ePub

Este breve libro explicará en cierta medida qué son las revistas depredadoras, cómo se concibieron en un principio y cómo han crecido hasta convertirse en una parte tan desagradable del tejido de la publicación académica. Su historia abarca muchos de los elementos clave de las comunicaciones académicas modernas -acceso abierto (OA), análisis de citas, ética de la publicación-, pero también incluye algunos de los aspectos más desagradables de la industria. En última instancia, el libro termina con la aspiración de que el fenómeno depredador pueda abordarse de forma positiva. Es de esperar que cuantas más personas lean este libro y comprendan cómo funcionan las revistas depredadoras, más efímero será el breve éxito del que han disfrutado en lo que va de siglo.

La ciencia entre dos pandemias (1918-2020): cambios en la organización de la actividad científica y su integración en la enseñanza

Maletta, Héctor. La ciencia entre dos pandemias (1918-2020): cambios en la organización de la actividad científica y su integración en la enseñanza. Universidad del Pacífico, 2023

Texto completo

Este estudio sobre las transformaciones en la organización de la ciencia desde la pandemia de 1918 hasta la de 2020 continúa con una larga indagación del autor acerca de la actividad científica, desarrollada durante más dos décadas. Muchos de los temas de este libro fueron expuestos y discutidos por el autor en diversos cursos y seminarios en varias instituciones científicas de América Latina y Europa. Esa prolongada labor originó dos libros previos: Epistemología aplicada: metodología y técnica de la producción científica (2009) y Hacer ciencia: teoría y práctica de la producción científica (primera edición, 2015; edición corregida, 2019), ambos publicados en Lima por la Universidad del Pacífico. El primero (2009) se concentró en los aspectos prácticos de la producción científica, a partir de una apretada síntesis de los debates filosóficos del siglo XX sobre la naturaleza y metodología de la ciencia que culminaron en las obras de Popper y Lakatos, y ofrecía una detallada exposición metodológica orientada a estudiantes de posgrado y a la preparación de tesis. Hacer ciencia (2015/2019) expandió el análisis de la teoría de la ciencia, centrándose especialmente en desarrollos más recientes (aproximadamente desde 1970-1980). En ellos, la ciencia no es caracterizada como un acervo de conocimientos, teorías y proposiciones, es decir como un saber, sino como un hacer, como una actividad cuyos resultados y métodos están en permanente evolución. El presente libro, siguiendo esa concepción, no se centra en un análisis filosófico sobre la validez de las teorías y métodos de la ciencia, sino en los aspectos que definen la organización de la actividad científica. Esta ha evolucionado desde sus humildes orígenes en siglos pasados, transformándose sustancialmente sobre todo en los últimos 100 años, con una enorme expansión de los resultados científicos y sus aplicaciones tecnológicas.

Hacia una metodología de evaluación y segmentación de la demanda de datos abiertos

Verhulst, Stefaan G., y Andrew Young. «Toward an Open Data Demand Assessment and Segmentation Methodology» GovLab, 2018.

Texto completo

Plantillas

Metodología

En todo el mundo se invierte mucho tiempo y recursos en poner los datos públicos al alcance de todos con el objetivo general de mejorar la vida de las personas. Cada vez hay más pruebas del impacto de los datos abiertos en la mejora de la gobernanza, la capacitación de los ciudadanos, la creación de oportunidades económicas y la resolución de problemas públicos.

Sin embargo, gran parte del valor potencial de los datos abiertos sigue sin aprovecharse, en parte porque a menudo no sabemos quién los utiliza o, lo que es más importante, quién no los utiliza pero podría beneficiarse de la información que generan. Al identificar, priorizar, segmentar y comprometerse con la demanda actual y futura de datos abiertos de forma sistémica y sistemática, los profesionales pueden garantizar que los datos abiertos estén mejor orientados.

Sabemos que no podemos centrarnos simplemente en publicar datos abiertos, ni construir un portal sin comprender sus posibles usos y demanda. Sin embargo, a menudo hacemos precisamente eso. Comprender y satisfacer la demanda de datos abiertos puede aumentar el impacto global y el rendimiento de la inversión de los fondos públicos.

El GovLab, en colaboración con el Banco Interamericano de Desarrollo, y con el apoyo de la Agencia Francesa de Desarrollo, ha desarrollado la Metodología de Evaluación y Demanda de Datos Abiertos (Beta) para proporcionar a los responsables políticos y a los profesionales de los datos abiertos un enfoque para identificar, segmentar y comprometerse con la demanda. Este proceso busca específicamente empoderar a los defensores de los datos dentro de los organismos públicos que desean mejorar la capacidad de sus datos para mejorar la vida de las personas.

La ética de revelar el uso de herramientas de inteligencia artificial en la redacción de manuscritos académicos

Hosseini, Mohammad, David B Resnik, y Kristi Holmes. «The Ethics of Disclosing the Use of Artificial Intelligence Tools in Writing Scholarly Manuscripts». Research Ethics, 15 de junio de 2023, 17470161231180448. https://doi.org/10.1177/17470161231180449.

En este artículo se analizan cuestiones éticas relacionadas con el uso y la divulgación de herramientas de inteligencia artificial (IA), como ChatGPT y otros sistemas basados en grandes modelos lingüísticos (LLM), para escribir o editar manuscritos académicos.

Algunas revistas, como Science, han prohibido el uso de LLM por los problemas éticos que plantean en relación con la autoría responsable. Aquí se argumenta que ésta no es una respuesta razonable a los enigmas morales creados por el uso de los LLM, ya que las prohibiciones son inaplicables y fomentarían el uso no revelado de los LLM. Además, los LLM pueden ser útiles para redactar, revisar y editar textos, y promueven la equidad en la ciencia. Otros han argumentado que los LLM deberían mencionarse en los agradecimientos, ya que no cumplen todos los criterios de autoría.

En el artículo se sostiene que nombrar a los LLM como autores o mencionarlos en los agradecimientos son formas inapropiadas de reconocimiento porque los LLM no tienen libre albedrío y, por lo tanto, no pueden ser considerados moral o legalmente responsables de lo que hacen. Las herramientas en general, y el software en particular, suelen citarse dentro del texto, y luego se mencionan en las referencias.

Se proporcionan sugerencias para mejorar el Estilo APA para referenciar ChatGPT con el fin de indicar específicamente el colaborador que utilizó los LLM (porque las interacciones se almacenan en cuentas de usuario personales), la versión y el modelo utilizados (porque la misma versión podría utilizar diferentes modelos de lenguaje y generar respuestas disímiles, por ejemplo, ChatGPT Mayo 12 Versión GPT3.5 o GPT4), y el tiempo de uso (porque los LLM evolucionan rápidamente y generan respuestas disímiles a lo largo del tiempo).

Se recomienda que los investigadores que utilicen LLMs:

(1) revelen su uso en la introducción o en la sección de métodos para describir de forma transparente detalles tales como las indicaciones utilizadas y señalar qué partes del texto se ven afectadas,

(2) utilicen citas y referencias en el texto (para reconocer sus aplicaciones utilizadas y mejorar la localización y la indexación), y

(3) registren y presenten sus interacciones relevantes con LLMs como material suplementario o apéndices.

Perspectivas de los bibliotecarios universitarios sobre las habilidades y la formación para el apoyo a los datos de investigación en Canadá

Rod, Alisa B. «It Takes a Researcher to Know a Researcher: Academic Librarian Perspectives Regarding Skills and Training for Research Data Support in Canada». Evidence Based Library and Information Practice 18, n.o 2 (15 de junio de 2023): 44-58. https://doi.org/10.18438/eblip30297.

Este estudio empírico tiene como objetivo aportar pruebas cualitativas sobre las perspectivas de los bibliotecarios relacionados con los datos en relación con las habilidades necesarias, la educación y la formación para estas funciones en el contexto de las bibliotecas académicas canadienses. Un segundo objetivo de este estudio es comprender las perspectivas de los bibliotecarios relacionados con los datos en relación con el papel específico del MLIS en la prestación de formación y educación pertinentes. La definición de bibliotecario relacionado con datos en este estudio incluye a cualquier bibliotecario o profesional que tenga un título convencional relacionado con un campo de la biblioteconomía de datos (es decir, gestión de datos de investigación, servicios de datos, SIG, visualización de datos, ciencia de datos) o cualquier otro bibliotecario o profesional cuyas funciones incluyan la prestación de servicios relacionados con datos dentro de una institución académica.

El estudio emplea un enfoque cualitativo, incorporando pruebas empíricas en profundidad a través de 12 entrevistas semiestructuradas con bibliotecarios relacionados con los datos. El objetivo de las entrevistas es recopilar perspectivas de primera mano sobre las competencias necesarias para estos puestos y los medios por los que las personas adquieren y mantienen dichas competencias.

Las entrevistas arrojaron cuatro temas principales relacionados con las competencias esenciales para los puestos de bibliotecario especializado en datos. En primer lugar, los participantes destacaron la importancia de la experiencia en la realización de investigaciones originales. En segundo lugar, se destacó la competencia en codificación computacional y métodos cuantitativos como un conjunto de aptitudes cruciales. En tercer lugar, se reconoció la importancia de las competencias relacionadas con MLIS, como la comprensión de metadatos. Por último, se consideró valiosa la capacidad de aprender rápidamente nuevas habilidades en el trabajo. En general, este estudio sugiere que, si bien los conocimientos sobre metadatos, documentación y gestión de la información siguen siendo vitales para los bibliotecarios especializados en datos, los programas MLIS son cada vez menos competitivos en comparación con los programas de grado que ofrecen un mayor énfasis en la experiencia práctica de trabajo con diversos tipos de datos en un contexto de investigación, junto con la aplicación de diversos enfoques metodológicos.

A través de un análisis cualitativo en profundidad de los bibliotecarios relacionados con los datos en el contexto de las bibliotecas académicas canadienses, este estudio proporciona nuevas y valiosas perspectivas sobre la importancia percibida de llevar a cabo una investigación empírica original para tener éxito en estas funciones. Destaca la evolución del panorama de las habilidades requeridas y sugiere que los programas MLIS podrían beneficiarse de un mayor enfoque en la experiencia práctica con diferentes tipos de datos y metodologías de investigación para satisfacer mejor las necesidades de la biblioteconomía relacionada con datos en entornos académicos.

Introducción a la Bibliometría Práctica

Matos Uribe, Fausto Francisco and Contreras Contreras, Fortunato and Olaya Guerrero, Julio César . Introducción a la Bibliometría Práctica.[Book], Asociación de Bibliotecólogos del Perú, 2023.

Texto completo

El presente libro, es producto de las experiencias en la enseñanza del curso de Bibliometria, que tiene como prerrequisito los cursos de matemática básica, estadística descriptiva y estadística inferencial, esperando que este material sirva de ayuda al estudiante y profesional de la carrera de bibliotecología y ciencia de la información, el cual tiene por objetivo realizar un análisis bibliométrico de la literatura científica. El libro se divide en 4 capítulos, acompañado de teoría y práctica para su mejor compresión.

Los términos bibliometría y cienciometría fueron introducidos casi simultáneamente por Pritchard y por Nalimov y Mulchenko en 1969. Mientras que Pritchard explicó el término bibliometría como “la aplicación de métodos matemáticos y estadísticos a libros y otros medios de comunicación”, Nalimov y Mulchenko definieron la cienciometría como “la aplicación de aquellos métodos cuantitativos que se ocupan del análisis de la ciencia vista como un proceso de información”. De acuerdo con estas interpretaciones, la especialidad de la cienciometría se restringe a la medición de la comunicación científica, mientras que la bibliometría está diseñada para tratar con procesos de información más generales. Los límites de alguna manera difusos entre las dos especialidades casi se desvanecieron durante las últimas tres décadas, y hoy en día ambos términos se usan casi como sinónimos. En cambio, la informetría de campo tomó el lugar de la bibliometría especializada originalmente más amplia. El término
informetría fue adoptado por VINITI (Gorkova, 1988) y representa un subcampo más general de las ciencias de la información que se ocupa del análisis estadístico matemático de los procesos de comunicación en la ciencia. En contraste con la definición original de bibliometría, la informetría también se ocupa de los medios electrónicos y, por lo tanto, incluye temas como el análisis estadístico del texto (científico) y los sistemas de hipertexto, las circulaciones de las bibliotecas, las medidas de información en las bibliotecas electrónicas, los modelos para los procesos de producción de información y los análisis cuantitativos. aspectos de la recuperación de información también (Glanzel, 2003: 6)