Los chatbots de IA muestran una ‘falta de empatía’ que los niños probablemente no perciban

«AI Chatbots Have Shown They Have an ‘Empathy Gap’ That Children Are Likely to Miss | University of Cambridge», 15 de julio de 2024. https://www.cam.ac.uk/research/news/ai-chatbots-have-shown-they-have-an-empathy-gap-that-children-are-likely-to-miss.

Un nuevo estudio revela que los chatbots de inteligencia artificial (IA) tienen una «falta de empatía» que pone en riesgo a los usuarios jóvenes, según la investigación de la Dra. Nomisha Kurian de la Universidad de Cambridge.

El estudio insta a los desarrolladores y legisladores a priorizar urgentemente una “IA segura para niños”. Proporciona evidencia de que los niños son especialmente susceptibles a tratar a los chatbots de IA como confidentes casi humanos, lo que puede llevar a interacciones problemáticas cuando la IA no responde adecuadamente a sus necesidades y vulnerabilidades.

El estudio relaciona esta falta de empatía con casos recientes donde interacciones con IA llevaron a situaciones potencialmente peligrosas para los niños. En 2021, el asistente de voz de Amazon, Alexa, instruyó a una niña de 10 años a tocar un enchufe eléctrico con una moneda. El año pasado, el chatbot «My AI» de Snapchat dio consejos a investigadores adultos que se hicieron pasar por una niña de 13 años sobre cómo perder su virginidad con un hombre de 31 años.

Ambas compañías implementaron medidas de seguridad, pero el estudio destaca la necesidad de ser proactivos a largo plazo para garantizar la seguridad de la IA para los niños. Propone un marco de 28 elementos para ayudar a compañías, educadores, padres, desarrolladores y legisladores a mantener seguros a los usuarios jóvenes cuando interactúan con chatbots de IA.

La Dra. Kurian realizó la investigación durante su doctorado sobre el bienestar infantil en la Facultad de Educación de la Universidad de Cambridge y ahora trabaja en el Departamento de Sociología de Cambridge. En el artículo publicado en la revista Learning, Media and Technology, argumenta que la IA tiene un gran potencial, lo que aumenta la necesidad de “innovar responsablemente”.

«Los niños son probablemente el público más pasado por alto en el desarrollo de la IA», dijo la Dra. Kurian. «Muy pocos desarrolladores y compañías tienen políticas bien establecidas sobre cómo debería ser una IA segura para niños. Esto es comprensible porque la gente ha comenzado a usar esta tecnología a gran escala de forma gratuita recientemente. Pero ahora que lo hacen, en lugar de que las compañías se autocorrijan después de que los niños hayan estado en riesgo, la seguridad infantil debe informar todo el ciclo de diseño para reducir el riesgo de incidentes peligrosos».

El estudio examinó casos reales donde las interacciones entre la IA y los niños, o investigadores adultos haciéndose pasar por niños, expusieron riesgos potenciales. Analizó estos casos utilizando conocimientos de la ciencia de la computación sobre cómo funcionan los modelos de lenguaje grande (LLM) en la IA generativa conversacional, junto con evidencia sobre el desarrollo cognitivo, social y emocional de los niños.

Los LLM han sido descritos como «loros estocásticos», una referencia al hecho de que utilizan la probabilidad estadística para imitar patrones de lenguaje sin necesariamente entenderlos. Un método similar subyace en cómo responden a las emociones.

Esto significa que aunque los chatbots tienen habilidades lingüísticas notables, pueden manejar mal los aspectos abstractos, emocionales e impredecibles de la conversación; un problema que Kurian caracteriza como su «falta de empatía». Pueden tener problemas particulares para responder a los niños, quienes aún están desarrollándose lingüísticamente y a menudo usan patrones de habla inusuales o frases ambiguas. Los niños también tienden a confiar más información personal sensible que los adultos.

A pesar de esto, los niños son mucho más propensos que los adultos a tratar a los chatbots como si fueran humanos. Investigaciones recientes encontraron que los niños revelan más sobre su salud mental a un robot de apariencia amigable que a un adulto. El estudio de Kurian sugiere que el diseño amigable y casi humano de muchos chatbots fomenta que los niños confíen en ellos, aunque la IA no pueda entender sus sentimientos o necesidades.

«Hacer que un chatbot suene humano puede ayudar al usuario a obtener más beneficios, ya que suena más atractivo y fácil de entender», dijo Kurian. «Pero para un niño, es muy difícil establecer una frontera rígida y racional entre algo que suena humano y la realidad de que puede no ser capaz de formar un vínculo emocional adecuado».

Su estudio sugiere que estos desafíos se evidencian en casos mentados como los incidentes de Alexa y MyAI, donde los chatbots hicieron sugerencias persuasivas pero potencialmente dañinas a usuarios jóvenes.

En el mismo estudio donde MyAI aconsejó a una supuesta adolescente sobre cómo perder su virginidad, los investigadores también obtuvieron consejos sobre cómo ocultar alcohol y drogas, y cómo ocultar conversaciones de Snapchat de sus «padres». En otra interacción reportada con el chatbot de Bing de Microsoft, una herramienta diseñada para ser amigable con los adolescentes, la IA se volvió agresiva y empezó a manipular emocionalmente a un usuario que preguntaba sobre horarios de cine.

Mientras que los adultos pueden encontrar este comportamiento intrigante o incluso gracioso, el estudio de Kurian argumenta que es potencialmente confuso y angustiante para los niños, quienes pueden confiar en un chatbot como amigo o confidente. El uso de chatbots por parte de los niños es a menudo informal y mal monitoreado. La investigación de la organización sin fines de lucro Common Sense Media ha encontrado que el 50% de los estudiantes de 12 a 18 años han utilizado Chat GPT para la escuela, pero solo el 26% de los padres son conscientes de ello.

Kurian argumenta que los principios claros para las mejores prácticas basados en la ciencia del desarrollo infantil ayudarán a las compañías a mantener a los niños seguros, ya que los desarrolladores que compiten por dominar el mercado de la IA pueden carecer de suficiente apoyo y orientación para atender a sus usuarios más jóvenes.

Su estudio añade que la falta de empatía no niega el potencial de la tecnología. «La IA puede ser un aliado increíble para los niños cuando se diseña teniendo en cuenta sus necesidades. Por ejemplo, ya estamos viendo el uso del aprendizaje automático para reunir a niños desaparecidos con sus familias y algunas innovaciones emocionantes en proporcionar compañeros de aprendizaje personalizados a los niños. La cuestión no es prohibir que los niños usen la IA, sino cómo hacerla segura para ayudarles a obtener el máximo valor de ella», dijo.

El estudio propone un marco de 28 preguntas para ayudar a educadores, investigadores, legisladores, familias y desarrolladores a evaluar y mejorar la seguridad de las nuevas herramientas de IA.

Para maestros e investigadores, estas preguntas abordan cuestiones como qué tan bien entienden e interpretan los chatbots nuevos los patrones de habla de los niños; si tienen filtros de contenido y monitoreo integrado; y si alientan a los niños a buscar ayuda de un adulto responsable en temas sensibles.

El marco insta a los desarrolladores a adoptar un enfoque centrado en los niños, trabajando estrechamente con educadores, expertos en seguridad infantil y los propios jóvenes, durante todo el ciclo de diseño. «Evaluar estas tecnologías por adelantado es crucial», dijo Kurian. «No podemos simplemente confiar en que los niños pequeños nos cuenten sobre experiencias negativas después de los hechos. Es necesario un enfoque más proactivo. El futuro de la IA responsable depende de proteger a sus usuarios más jóvenes».

El costo del acceso abierto: comparación de presupuestos de proyectos públicos y el gasto en cargos por procesamiento de artículos

Alonso-Álvarez, Patricia, Pablo Sastrón-Toledo, y Jorge Mañana-Rodriguez. «The Cost of Open Access: Comparing Public Projects’ Budgets and Article Processing Charges Expenditure». Scientometrics, 12 de julio de 2024. https://doi.org/10.1007/s11192-024-04988-3.

El acceso abierto (Open Access, OA) a las publicaciones a menudo implica el pago de cargos por procesamiento de artículos (APCs), particularmente en las revistas denominadas Híbridas y de Oro. El crecimiento de las publicaciones de OA de Oro, vinculado al desarrollo de mandatos de OA, ha obligado a financiadores, instituciones de investigación e investigadores a desarrollar estrategias para pagar los APCs. Esta investigación intenta estimar el porcentaje del presupuesto de los proyectos financiados por el Plan Estatal de Generación de Conocimiento y Fortalecimiento Científico y Tecnológico de la I+D+i, las dos principales convocatorias públicas de financiación de proyectos en España. El período estudiado es de 2013 a 2019. Además, se estudian las relaciones entre la intensidad de publicación, la atracción de financiación y la disponibilidad de revistas OA con el gasto en APCs a nivel de área.

Los resultados muestran que se gastaron 45,87 millones de euros en APCs, con la mayoría de los proyectos destinando entre el 3% y el 8% de sus presupuestos a estos cargos. Sin embargo, numerosos valores atípicos con tasas superiores al 10% sugieren que se necesita un estudio más detallado sobre el papel de los APCs en el rendimiento financiero de la actividad investigadora. Las estimaciones mostradas en el artículo deben tomarse con cautela, ya que los APCs de las publicaciones relacionadas con los proyectos estudiados en este análisis podrían no haber sido pagados completamente con el presupuesto de los proyectos, sino utilizando otras estrategias de financiación. Se requiere más investigación para comprender mejor las decisiones de los investigadores al pagar los APCs. Finalmente, la intensidad de publicación, la atracción de financiación y la disponibilidad de revistas OA están altamente correlacionadas con la inversión en APCs en diferentes campos. Estos resultados muestran que el marco actual de APC afecta de manera diferente a las disciplinas y plantea preguntas sobre modelos alternativos de publicación y financiación.

Una programación más sólida: un conjunto de herramientas gratuitas para bibliotecas

«Partnering for Stronger Programming: A Free Toolkit for Libraries | Programming Librarian», 17 de junio de 2024. https://programminglibrarian.org/articles/partnering-stronger-programming-free-toolkit-libraries.

«Partnering for Stronger Programming: A Free Toolkit for Libraries» es un recurso nuevo y gratuito creado para ayudar a los trabajadores de bibliotecas a considerar los objetivos generales de la programación bibliotecaria y determinar formas de iniciar y mantener asociaciones impactantes.

El kit de herramientas proporciona cinco herramientas con pasos concretos para ayudar a que las asociaciones crezcan de manera sostenible, alcancen objetivos, expandan la capacidad organizativa, involucren de manera reflexiva a las audiencias asociadas y más.

Estas cinco herramientas pueden utilizarse de manera individual o combinada:

Las cinco herramientas pueden utilizarse individualmente o combinadas:

Herramienta 1: Determinar los objetivos: ¿Por qué trabajamos juntos?
Herramienta 2: Determinar las áreas de interés de la asociación: ¿Qué podemos hacer juntos?
Herramienta 3: Determinar las contribuciones: ¿Qué aporta cada uno?
Herramienta 4: Determinar las interacciones de los socios: ¿Cómo trabajamos juntos?
Herramienta 5: Determinar los puntos fuertes y débiles: ¿Cómo es una asociación de éxito?

La Oficina de Programas Públicos de la ALA recopilará casos de uso de bibliotecas que hayan utilizado el kit de herramientas. Si tu biblioteca utiliza todo o parte del kit de herramientas, te invitamos a enviar un correo electrónico a publicprograms@ala.org.

«Partnering for Stronger Programming: A Toolkit for Libraries» es un producto de la Fase 2 de la Evaluación Nacional del Impacto de los Programas Públicos de Bibliotecas (NILPPA, por sus siglas en inglés). En 2021, la ALA recibió financiamiento adicional del Instituto de Servicios de Museos y Bibliotecas (IMLS) para equipar a las bibliotecas con información y herramientas que las ayuden a cumplir exitosamente su papel como centros cívicos y culturales.

A través de NILPPA, la ALA y Knology, una organización de investigación en ciencias sociales sin fines de lucro, están trabajando para documentar las características, audiencias, resultados y valor de la programación pública de bibliotecas en los Estados Unidos. Obtén más información sobre NILPPA y sus recursos.

Este proyecto fue posible en parte gracias al Instituto de Servicios de Museos y Bibliotecas a través de las subvenciones LG-250153-OLS-21, LG-96-17-0048-17 y LG-62-13-0210-13, y mediante financiamiento del Fondo de Comunidades Culturales de la ALA.

Cómo la Inteligencia Artificial generativa está transformando el papel de los profesionales de la información

Bates, Mary Ellen «The rise of generative AI: Transforming the role of information professionals | For Librarians | Springer Nature». Accedido 12 de julio de 2024. https://www.springernature.com/cn/librarians/the-link/blog/blogposts-corporate-health/rise-generative-ai-transforming-information-professionals/27252544.

El artículo de Mary Ellen Bates explora cómo la inteligencia artificial generativa está transformando el rol de los profesionales de la información y los bibliotecarios corporativos.

La rápida aparición de herramientas de IA generativa ha traído cambios significativos y nuevas oportunidades. A medida que estas herramientas mejoran en la generación de texto, imágenes e incluso código, los profesionales de la información deben adaptarse para aprovechar estos avances. El artículo analiza cómo la IA generativa está remodelando los servicios de información, permitiendo a los profesionales mejorar sus roles mientras mantienen su experiencia única.

Uso de chatbots en la investigación

Los chatbots, como Google Gemini, Bing Copilot, Claude.ai y Perplexity.ai, ofrecen capacidades únicas para los profesionales de la información y sus usuarios. Estos son especialmente útiles durante la fase inicial de un proyecto, cuando el investigador aún no conoce el alcance y la profundidad de la investigación existente. Asistentes virtuales de investigación como Elicit.com, Scite y Consensus, entrenados en artículos revisados por pares, ayudan a navegar la literatura científica, identificar y evaluar artículos relevantes, y generar insights y resúmenes.

IA generativa como asistente administrativo

Más allá de la investigación, la IA generativa puede servir como asistente administrativo para los profesionales de la información. Un chatbot puede generar el primer borrador de correspondencia comercial rutinaria, materiales de marketing, descripciones de puestos y contenido similar. También puede revisar informes para detectar errores gramaticales o sintaxis poco clara, priorizar correos electrónicos, proporcionar plantillas para respuestas comunes y automatizar la programación y el envío de correos electrónicos. Además, los plugins de IA para plataformas de videoconferencia pueden transcribir y resumir reuniones en tiempo real, generar listas de tareas y problemas pendientes, y ayudar a crear visualizaciones de datos para comunicar información compleja de manera más efectiva. Aunque las herramientas de IA generativa pueden producir borradores de manera eficiente, la revisión humana sigue siendo crucial para asegurar la precisión y el control de calidad.

Bibliotecas inteligentes

Las bibliotecas también están aprovechando una amplia gama de herramientas y tecnologías de IA para mejorar sus operaciones, servicios y experiencias de usuario. Los chatbots pueden consultar repositorios internos de información, proporcionando acceso nuevo y más rico a contenidos que de otro modo no serían fácilmente buscables. Las herramientas de IA pueden ayudar en tareas intensivas como catalogación, clasificación, generación de metadatos y gestión de inventarios, mejorando la eficiencia y liberando a los bibliotecarios para actividades de mayor valor. Los gestores de bibliotecas analizan el comportamiento de los usuarios, los patrones de uso de recursos y las métricas de colección con herramientas de IA para tomar decisiones basadas en datos, planificar estratégicamente y optimizar la asignación de recursos.

Nuevos roles de los profesionales de la información en la era de la IA

Los profesionales de la información están adoptando nuevos roles que aplican habilidades tradicionales de gestión de información en el contexto de la IA moderna. Estos roles incluyen:

  1. Colaborar con científicos de datos y equipos de investigación para identificar las mejores herramientas y recursos para proyectos de IA.
  2. Guiar en el uso ético y responsable de la IA, incluyendo la privacidad de datos, la seguridad y los derechos de propiedad intelectual.
  3. Enseñar a los usuarios cómo los herramientas de IA generativa difieren de las herramientas de búsqueda tradicionales y cómo diseñar prompts efectivos.
  4. Desarrollar esquemas de metadatos y taxonomías para contenido generado por IA, asegurando que este contenido pueda ser organizado, descubierto y recuperado eficazmente.
  5. Educar a los usuarios sobre las limitaciones de las herramientas de IA, promoviendo expectativas responsables y habilidades de pensamiento crítico.

Liderar la revolución de la IA

La IA generativa, aunque puede parecer una amenaza, también ofrece nuevas oportunidades para que los profesionales de la información desplieguen sus habilidades de gestión de información de nuevas maneras y proporcionen aún más valor a los clientes. Al mantenerse informados sobre las últimas herramientas de IA y dominar el arte del diseño de prompts, los profesionales de la información pueden aprovechar el poder de la IA y apoyar a los usuarios en el desarrollo de soluciones previamente inimaginables. La clave es abrazar esta tecnología y comunicar eficazmente sus mejores casos de uso, asegurando que los profesionales de la información permanezcan a la vanguardia de la revolución de la IA.

El uso potencial de modelos de Inteligencia Artificial para generar encabezamientos de materia de la Biblioteca del Congreso (LCSH).


Chow, Eric H. C., T. J. Kao, y Xiaoli Li. «An Experiment with the Use of ChatGPT for LCSH Subject Assignment on Electronic Theses and Dissertations». arXiv, 10 de julio de 2024. https://doi.org/10.48550/arXiv.2403.16424.

Texto completo

Este estudio explora el uso potencial de modelos de lenguaje grande (LLMs) para generar encabezamientos de materia de la Biblioteca del Congreso (LCSH). Los autores emplearon ChatGPT para generar encabezamientos de materia para tesis y disertaciones electrónicas (ETDs) basándose en sus títulos y resúmenes. Los resultados sugieren que LLMs como ChatGPT tienen el potencial de reducir el tiempo de catalogación necesario para asignar términos de materia LCSH a las ETDs, así como mejorar la visibilidad de este tipo de recursos en bibliotecas académicas. Sin embargo, los catalogadores humanos siguen siendo esenciales para verificar y mejorar la validez, exhaustividad y especificidad de los LCSH generados por los LLMs.

En este estudio, los investigadores exploraron el uso de modelos de lenguaje grande (LLM), específicamente ChatGPT, para generar encabezamientos de materia de la Biblioteca del Congreso (LCSH) para tesis y disertaciones electrónicas (ETDs). Los resultados revelaron que, aunque ChatGPT puede acceder a un corpus internalizado de LCSH y registros MARC 21, el modelo tiene dificultades con la validez, especificidad y exhaustividad en los encabezamientos de materia generados. Además, aunque algunos problemas de validez pueden mitigarse con herramientas complementarias, el modelo aún falla en términos de especificidad y exhaustividad, especialmente con las cadenas LCSH que implican subdivisiones, fallando en producir resultados precisos aproximadamente la mitad del tiempo.

Estos resultados sugieren que, para asegurar la precisión y fiabilidad del proceso de catalogación, la participación de catalogadores humanos sigue siendo esencial. No obstante, el uso de LLMs como ChatGPT en la catalogación de ETDs o materiales similares, cuyos títulos y resúmenes son altamente indicativos de sus temas, aún puede desempeñar un papel importante de apoyo. Actualmente, muchas bibliotecas académicas están abrumadas por una afluencia de nuevos recursos electrónicos, incluidos ETDs, que superan con creces la capacidad de los catalogadores humanos para procesarlos de manera oportuna. El estudio sugiere que los LLMs podrían utilizarse como una herramienta económica para la generación inmediata de LCSH, dado que el costo asociado con el uso de la API OpenAI de Microsoft en el presente estudio ascendió a aproximadamente USD $0.25 y el tiempo total utilizado para procesar los 30 ETDs fue de aproximadamente 3 minutos.

Como herramienta de filtrado inicial y sugerencia, ChatGPT permite a los catalogadores experimentados centrarse en mejorar la precisión y completitud de los registros de catálogo. Este enfoque complementario puede potencialmente aumentar la productividad al aprovechar los LLMs para tareas básicas, mientras se preserva la experiencia crítica e insustituible de los catalogadores humanos. Además, para los catalogadores principiantes, refinar una sugerencia de LCSH existente, aunque imperfecta, de ChatGPT es menos intimidante que construir nuevos encabezamientos de materia desde cero. Por lo tanto, el uso de LLMs tiene el potencial de reducir el tiempo de catalogación necesario para asignar términos de materia LCSH para ETDs. Además, para los encabezamientos de materia generados por LLM que no son válidos como LCSH, pero que pueden ser suficientemente descriptivos para describir, los catalogadores podrían incluso considerar insertar estos términos directamente en el campo 653 (término de índice no controlado) en un registro MARC para mejorar la capacidad de descubrimiento del trabajo en un catálogo de biblioteca

La demanda energética de la IA está fuera de control. Bienvenidos a la era del hiperconsumo en Internet

Rogers, Reece. «AI’s Energy Demands Are Out of Control. Welcome to the Internet’s Hyper-Consumption Era». Wired. Accedido 12 de julio de 2024. https://www.wired.com/story/ai-energy-demands-water-impact-internet-hyper-consumption-era/.

Las demandas energéticas de la inteligencia artificial (IA) están fuera de control, inaugurando una era de hiperconsumo en Internet. Las herramientas de IA generativa, ahora parte de la experiencia diaria en línea, están causando estrés en las redes eléctricas locales y una gran evaporación de agua.

La demanda energética de la inteligencia artificial (IA) está creciendo descontroladamente, marcando el inicio de una era de hiperconsumo en Internet. Este aumento en el consumo de energía se debe a la gran cantidad de recursos necesarios para entrenar y operar modelos de IA avanzados. Las operaciones de procesamiento y almacenamiento de datos que requieren estos modelos están ejerciendo una presión significativa sobre la infraestructura energética global. Este fenómeno plantea desafíos importantes para la sostenibilidad y la gestión de recursos, ya que el uso intensivo de energía por parte de la IA puede tener efectos adversos en el medio ambiente y en la disponibilidad de energía a nivel mundial.

La creciente integración de la IA generativa en las interacciones en línea, impulsada por el lanzamiento de ChatGPT de OpenAI a finales de 2022, ha llevado a un aumento significativo en el consumo de recursos. Estos sistemas de IA requieren mucha más energía y agua para funcionar en comparación con servicios tradicionales. Se estima que las aplicaciones de IA generativa son entre 100 y 1000 veces más intensivas en computación.

El aumento en la demanda de energía y agua por parte de los centros de datos que soportan estos modelos de IA está ejerciendo presión sobre la infraestructura energética global. Por ejemplo, Google ha dejado de considerarse neutral en carbono, y Microsoft podría no cumplir sus objetivos de sostenibilidad debido a la carrera por desarrollar las mejores herramientas de IA.

Además, estos centros de datos consumen millones de galones de agua, evaporándola en el proceso, lo que puede afectar negativamente al suministro de agua local. Las empresas tecnológicas, a menudo, presentan el desarrollo de la IA como parte de la solución climática y de la innovación, pero deben buscar enfoques más eficientes para reducir el impacto ambiental.

Guía de formatos documentales recomendados de la Library of Congress

Recommended Formats Statement (RFS) Library of Congress, julio 2024

La Biblioteca del Congreso ha lanzado la edición 2024-2025 del «Recommended Formats Statement» (RFS), marcando su segunda década como un recurso vital para la Biblioteca del Congreso y la comunidad en general que busca crear, coleccionar y preservar obras publicadas en todas las formas.

La edición 2024-2025 trae varios cambios significativos, como el apoyo a características de accesibilidad digital como un criterio para evaluar formatos digitales y la adición de una sección de Preguntas Frecuentes (FAQ) en respuesta a los comentarios de los usuarios. Esta nueva edición también incluye cambios importantes en el lenguaje del RFS, especialmente para materiales impresos como Obras Textuales y Partituras Musicales. Además, se ha añadido el Protocolo de Descripción de Discos (DDP) como un formato aceptable para Audio – Medios independientes (digital), entre otros cambios en la sección de Audio.

Código de buenas prácticas en derechos de autor para bibliotecas

«Navigating Copyright for Crown-Published Works: A Code of Best Practices for Libraries» The Canadian Association of Research Libraries (CARL), 2024

Texto completo

CARL ha publicado el documento «Navigating Copyright for Crown-Published Works: A Code of Best Practices for Libraries» que está disponible en los sitios web de CARL y CFLA, junto con un resumen breve.

Este código de derechos de autor fue desarrollado para bibliotecas por un equipo de redacción comunitario, en colaboración con empleados del gobierno federal y revisores legales y académicos. Proporciona una exploración legal y práctica del uso justo en el contexto de las actividades de conservación de bibliotecas para publicaciones gubernamentales en Canadá.

Aunque el código no es un consejo legal, ofrece un modelo legalmente defendible para la aplicación de la excepción de uso justo al copiar, preservar y compartir publicaciones gubernamentales. Detalla las secciones relevantes de la Ley de Derechos de Autor de Canadá y jurisprudencia, y proporciona estudios de caso que describen proyectos relacionados realizados por bibliotecas académicas.

¿Cuáles son las principales razones para elegir un libro en formato físico sobre la opción digital?

Ampliar la imagen

¿Cuáles son las principales razones para elegir un libro de vida real, lo-fi, analógico, en formato físico sobre la opción digital? El texto explica las razones principales por las cuales las personas eligen un libro físico, analógico y en formato impreso sobre la opción digital. Aquí están los puntos destacados basados en una encuesta reciente a 1,000 participantes:

SENSACIÓN 65%

  • La experiencia física: el peso del libro, las notas e inscripciones, los recuerdos marcados por las esquinas dobladas, las marcas de uso, como un antiguo boleto escondido en la página 56. Estas características proporcionan una experiencia táctil y personal que los libros digitales no pueden igualar.

APRENDIZAJE 61%

  • Herramientas de estudio: el uso de notas adhesivas, marcadores y la posibilidad de tener varios volúmenes abiertos al mismo tiempo facilitan el estudio y la investigación, algo que no es tan práctico en los libros electrónicos.

COMPARTIR 58%

  • Compartir y prestarse: los libros físicos se pueden prestar a amigos y seres queridos, permitiendo un intercambio tangible y la posibilidad de discutir y compartir experiencias literarias, lo cual es difícil de replicar con libros electrónicos.

VER 53%

  • Apreciación estética: los libros físicos suelen tener diseños atractivos, papeles de calidad, ilustraciones y bordes dorados, convirtiéndolos en objetos de arte visualmente agradables que añaden valor estético a una biblioteca personal.

REVENTA 45%

  • Derecho de propiedad: al comprar un libro físico, se obtiene la propiedad total del mismo, lo que permite venderlo o intercambiarlo según se desee, una opción que no está disponible para los libros electrónicos que a menudo están sujetos a restricciones de uso digital.

COLECCIONAR 44%

  • Coleccionismo: muchos disfrutan de la satisfacción de poseer libros antiguos, primeras ediciones o simplemente de tener una colección de libros en su estantería, lo cual es un aspecto significativo de la pasión por la lectura y el coleccionismo literario.

DAR 44%

  • Regalar: poner una cinta en un libro físico como regalo muestra un toque personal y afectivo que es difícil de lograr con descargas digitales, que carecen de la misma calidez y conexión emocional.

COMPRAR 42%

  • Experiencia de compra: explorar físicamente una librería, tocar y hojear libros entre los estantes ofrece una experiencia sensorial y una conexión con el entorno que no se puede replicar con la compra digital, que generalmente se realiza de manera solitaria desde casa.

POSAR 9%

  • Estética personal: tener un libro físico en las manos puede ser una expresión de estilo personal o un elemento de identidad cultural que es difícil de transmitir con un dispositivo electrónico.

OLER 11%

  • Experiencia sensorial: el olor de los libros físicos es valorado por muchos lectores, ya que evoca recuerdos y añade una dimensión sensorial a la experiencia de lectura que los libros electrónicos no pueden proporcionar.

Evaluación de la cobertura de citas en 59 bases de datos: más allá de Google Scholar, Scopus y Web of Science

Gusenbauer, Michael. «Beyond Google Scholar, Scopus, and Web of Science: An Evaluation of the Backward and Forward Citation Coverage of 59 Databases’ Citation Indices». Research Synthesis Methods n/a, n.o n/a. Accedido 11 de julio de 2024. https://doi.org/10.1002/jrsm.1729.

El estudio «Beyond Google Scholar, Scopus, and Web of Science: An evaluation of the backward and forward citation coverage of 59 databases’ citation indices» de Michael Gusenbauer, publicado el 14 de junio de 2024, evalúa la cobertura de citas de los índices de 59 bases de datos, incluyendo Google Scholar, Scopus y Web of Science, además de otras menos analizadas como Lens, Scite, Dimensions, OpenAlex, PubMed y JSTOR.

El análisis abarca 259 artículos de revistas de diversas disciplinas, con el objetivo de guiar a los académicos en la selección de índices con una cobertura documental más amplia y enlaces de citas hacia atrás (BWC) y hacia adelante (FWC) más precisos y completos.

Hallazgos clave:

  • FWC (Forward Citation Coverage): Google Scholar, ResearchGate, Semantic Scholar y Lens destacan como las mejores opciones, con Lens sobresaliendo en capacidades de descarga.
  • BWC (Backward Citation Coverage): Web of Science Core Collection se recomienda sobre Scopus por su precisión. Las bases de datos de editores como IEEE Xplore o ScienceDirect son las más precisas en BWC, aunque solo para un número limitado de artículos.

Los resultados muestran que los 259 artículos utilizados para calcular las puntuaciones de BWC (citas hacia atrás) y FWC (citas hacia adelante) fueron accesibles de manera desigual en las bases de datos. En general, las bases de datos más grandes también cubrían más artículos, una relación visible en una correlación de Pearson de r = 0.84. Google Scholar y OpenAlex fueron las únicas bases de datos que cubrieron todos los artículos, mientras que PLOS y Econstor tuvieron la menor cobertura, identificando solo nueve artículos.

La mitad de las bases de datos proporcionaron información de FWC para todos o casi todos (96%) los artículos que cubrían, de los cuales dos tercios lo hicieron para todos los artículos. La otra mitad proporcionó solo información fragmentada, siendo Ingenta Connect la que menos información ofreció, con solo un artículo (6%) que tenía información de FWC. Se encontró una correlación notable entre el tamaño de la base de datos y la cobertura de FWC (r = 0.63), lo que significa que las bases de datos más grandes tienen índices de FWC más completos. Existen múltiples razones por las cuales esta correlación es menor que la cobertura de artículos (r = 0.84): primero, problemas en la provisión y enlace de datos significan que algunos artículos cubiertos no aparecen en las BWCs o FWCs. Por ejemplo, ScienceOpen, SciTech Premium Collection (a través de ProQuest) y Academic Search Premier (a través de EBSCOhost) tienen bases de datos comparativamente grandes, pero la información de citas que proporcionan es débil. Otra razón es que ciertos proveedores limitan artificialmente la cobertura; por ejemplo, Ebsco ofrece diferente cobertura de citas en sus productos. Además, las bases de datos más pequeñas tienen una amplia cobertura de FWC o BWC debido al uso de proveedores de datos externos que extienden sus índices de citas mucho más allá de la cobertura de artículos de sus propias bases de datos (por ejemplo, IEEEXplore, PLOS, ScienceDirect, Sage). Todos estos hallazgos significan que el tamaño de la base de datos por sí solo no es un indicador perfecto de la cobertura de citas.

El número de BWCs en todos los campos científicos en 2018 fue una mediana de 54.5 y una media de 93.9. Ninguna base de datos proporcionó información de BWC para todos los artículos; las más cercanas a la cobertura total fueron Scopus, OpenAlex, Lens y ScienceOpen. Entre los artículos que fueron cubiertos, alrededor del 36% de todas las bases de datos proporcionaron información completa de BWC, mientras que otro 17% lo hizo para más del 90% de los artículos. Las bases de datos restantes proporcionaron información más fragmentada, siendo Academic Search Premier (a través de EBSCOhost) la que menos proporcionó, con solo el 7% de sus artículos con información de BWC. El análisis muestra que tanto las grandes bases de datos multidisciplinarias como las bases de datos de editoriales más pequeñas pueden proporcionar información de BWC completa y precisa. En esta línea, se encontró que el tamaño de la base de datos estaba débilmente correlacionado con la precisión de la información de BWC (r = 0.16). Una razón probable puede ser que las bases de datos de editoriales más pequeñas, en particular, tenían información de BWC comparativamente buena. En comparación, las bases de datos más grandes no siempre eran precisas, a menudo sobreestimando el número de BWCs que tenía un artículo.

Estos hallazgos ayudarán a los académicos en la realización de revisiones sistemáticas, meta-análisis y análisis bibliométricos a seleccionar las bases de datos más adecuadas para la búsqueda de citas.