Archivo de la etiqueta: Citas bibliográficas

La autocitación también hace crecer la ciencia: por qué no debería penalizarse automáticamente

Starominski-Uehara, Marvin. “Self-Citation Is How Fields Grow.” The Scholarly Kitchen, 20 de agosto de 2026.
Artículo original en The Scholarly Kitchen

Se cuestiona la visión tradicional de la autocitación como una práctica esencialmente sospechosa destinada a inflar artificialmente los indicadores bibliométricos. El autor sostiene que citar trabajos propios no implica necesariamente manipulación y que, especialmente en campos científicos emergentes, puede constituir una forma legítima de construir y consolidar una línea de investigación.

La reflexión parte de un estudio publicado en Society sobre los patrones de autocitación en un campo interdisciplinar emergente denominado human stigmergy. El análisis encuentra que las autocitas son un predictor estadísticamente significativo de las citas posteriores procedentes de autores no vinculados con los investigadores originales, mientras que las referencias a trabajos ajenos no mostraron una relación significativa con esos resultados.

El estudio analizó 1.289 fuentes en nueve idiomas, seleccionando finalmente 42 artículos que cumplían los criterios establecidos. La regresión estadística encontró que cada autocitación adicional estaba asociada con aproximadamente 11 citas adicionales procedentes de autores independientes. El efecto se mantenía incluso después de eliminar de los resultados las autocitas posteriores de los propios autores, lo que reduce la posibilidad de que el resultado se explique simplemente porque quienes se autocitan mucho continúan citándose a sí mismos. No obstante, el propio autor advierte que el modelo explica únicamente el 19,3 % de la variación en los resultados de citación, por lo que la mayor parte de las diferencias depende de otros factores.

Aquí aparece uno de los aspectos más interesantes del artículo: la autocitación podría ser más un indicador de una trayectoria científica consolidada que una causa directa del impacto. Los investigadores que tienen una producción científica extensa y coherente disponen naturalmente de más trabajos anteriores que citar. Al mismo tiempo, suelen llevar más tiempo trabajando en un área, haber publicado en revistas de mayor visibilidad y haber desarrollado redes académicas más amplias. Factores como el prestigio de la revista, la reputación del autor, la institución de procedencia, las tendencias temáticas y las redes sociales de investigación pueden explicar buena parte de las citas posteriores. Por ello, penalizar automáticamente las autocitas puede confundir una característica propia de la construcción acumulativa del conocimiento con una práctica de manipulación.

El autor utiliza como marco conceptual la teoría de la estigmergia desarrollada por el biólogo francés Pierre-Paul Grassé para explicar cómo las colonias de termitas pueden construir estructuras complejas sin una dirección centralizada. Cada modificación realizada por un individuo sobre la estructura se convierte en un estímulo para las acciones posteriores de otros individuos. Aplicada a la ciencia, la analogía plantea que los investigadores también construyen progresivamente sobre sus propias contribuciones anteriores. Una autocitación puede representar, por tanto, la continuidad de un programa intelectual y proporcionar a otros investigadores un marco acumulativo sobre el que seguir trabajando.

Los datos descriptivos refuerzan esta interpretación. En los diez artículos más citados de la muestra, las tasas de autocitación oscilaron entre el 1,1 % y el 41,1 %. Los trabajos con mayores niveles de autocitación tendieron a presentar vidas de citación más prolongadas, mientras que aquellos con niveles inferiores mostraron con mayor frecuencia picos de citas más concentrados y una caída posterior. Además, los artículos teóricos fundacionales parecían beneficiarse más de la autocitación que los estudios aplicados, algo que el autor considera lógico porque la construcción de un marco teórico amplio suele implicar una acumulación progresiva de trabajos previos del propio investigador.

La conclusión no es que toda autocitación sea positiva ni que deba desaparecer cualquier mecanismo de control bibliométrico. El propio artículo reconoce que existen prácticas abusivas de autopromoción, manipulación de indicadores y redes de citación que justifican la vigilancia. El problema está en convertir esa realidad en una penalización generalizada. En campos emergentes, especialidades muy pequeñas o investigaciones que desarrollan programas teóricos coherentes, una tasa relativamente elevada de autocitación puede ser perfectamente legítima y reflejar el proceso normal mediante el cual se construye una tradición científica.

En definitiva, el artículo plantea una cuestión importante para la evaluación de la investigación y la bibliometría: eliminar automáticamente las autocitas de los indicadores puede proporcionar una imagen incompleta del impacto científico. La autocitación no debería interpretarse por sí sola como evidencia de mala praxis, sino analizarse en su contexto, diferenciando entre autocitación legítima, construcción acumulativa de conocimiento y manipulación deliberada de métricas. Para la evaluación científica, esto supone pasar de una lógica de simple conteo y penalización a una interpretación más cualitativa de cómo se forman y evolucionan las comunidades y campos de investigación.

Manual apegado a APA 7.a edición para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa (IAGen)

Ruiz Mendoza, K. K. Manual apegado a APA 7.ª edición para citar, documentar y transparentar el uso de IAGen. 2026. El documento ofrece orientaciones prácticas para documentar de manera transparente el uso de herramientas de inteligencia artificial generativa en trabajos académicos y de investigación

Texto completo

El documento propone un marco práctico para transparentar el uso de la inteligencia artificial generativa (IAGen) en la producción académica, partiendo de una idea fundamental: no basta con declarar de forma genérica que se ha utilizado IA. La transparencia exige explicar qué herramienta se empleó, con qué finalidad, qué partes del trabajo fueron afectadas, cómo se verificó la información generada y qué responsabilidad asumieron finalmente los autores.

El principio central es que la utilización de IA debe ser documentable y auditable, manteniendo siempre la contribución intelectual humana como elemento fundamental del trabajo académico.

Uno de los principios más importantes del manual es la responsabilidad humana final. La inteligencia artificial puede ayudar a organizar ideas, redactar, traducir, revisar la claridad de un texto, elaborar tablas, generar imágenes o apoyar determinados análisis, pero no puede asumir la responsabilidad ética, académica o legal del trabajo. Las decisiones sobre las ideas, la interpretación de los resultados, las conclusiones, la selección de fuentes y la edición definitiva corresponden a las personas autoras. Por esta razón, el documento recomienda que la IA nunca aparezca como autora o coautora de una investigación.

El manual insiste especialmente en la verificación de los resultados producidos por la IA. Toda afirmación, dato, cita, DOI, referencia bibliográfica, tabla, figura o resultado sugerido por una herramienta generativa debe contrastarse con fuentes originales o documentación primaria. La salida de un modelo de lenguaje no debe considerarse por sí misma una fuente de conocimiento. Esta recomendación resulta especialmente relevante porque los sistemas generativos pueden producir información incorrecta, referencias inexistentes o interpretaciones que parecen plausibles pero carecen de respaldo documental.

Una aportación práctica del documento es la creación de una bitácora de uso de IA generativa. Esta debería registrar elementos como la fecha, la herramienta y el modelo utilizado, el objetivo académico, el prompt, la salida que finalmente se empleó y las modificaciones o verificaciones realizadas por el autor. De este modo, el uso de IA deja de ser una actividad opaca y pasa a formar parte de la metodología documentada de la investigación. El manual señala que el registro debe ser suficientemente claro para que otra persona pueda comprender qué intervención tuvo la IA, aunque no necesariamente pueda reproducir exactamente la misma respuesta.

El documento también ofrece modelos concretos para redactar una declaración metodológica sobre el uso de IA. La fórmula propuesta consiste en indicar qué herramienta se utilizó, para qué finalidad y dejar constancia de que la persona autora revisó, verificó y modificó la salida antes de incorporarla al trabajo. Se pretende así evitar declaraciones ambiguas como “se utilizó inteligencia artificial” y sustituirlas por explicaciones específicas sobre la naturaleza y alcance de la intervención tecnológica.

Otro aspecto destacado es la documentación de los prompts y de las salidas relevantes mediante apéndices. El manual recomienda identificar la herramienta, el modelo y la fecha de utilización, explicar el objetivo académico, conservar el prompt suficientemente completo, registrar la salida relevante, documentar las modificaciones humanas y señalar las fuentes utilizadas para verificar los resultados. Esta documentación proporciona una especie de rastro de auditoría que permite reconstruir cómo intervino la IA en el proceso de elaboración del trabajo.

La guía presta también atención a la privacidad y protección de datos. No recomienda incorporar a los apéndices conversaciones que contengan nombres, matrículas, correos electrónicos, rostros, direcciones, datos médicos u otra información sensible. Del mismo modo, deben evitarse prompts que revelen contraseñas, credenciales, documentos internos o información protegida. La transparencia sobre el uso de IA no debe convertirse, por tanto, en una nueva fuente de exposición de información personal o confidencial.

En cuanto a la presentación formal, el manual adapta estas prácticas al estilo APA 7.ª edición. Propone modelos para las declaraciones metodológicas, las notas de figuras generadas con IA, las tablas elaboradas con asistencia de IA y las referencias de chats específicos. También explica cómo organizar los apéndices y cómo numerar sus tablas y figuras: por ejemplo, Tabla A1 o Figura A1 para el Apéndice A.

En definitiva, el documento plantea que la cuestión no es prohibir o permitir genéricamente la inteligencia artificial en la investigación, sino establecer condiciones de uso responsable. La IA puede convertirse en una herramienta legítima para mejorar determinados procesos académicos siempre que exista supervisión humana, transparencia, trazabilidad y verificación. La idea esencial podría resumirse así: la IA puede participar en el proceso de producción del conocimiento, pero la responsabilidad sobre ese conocimiento continúa siendo humana.

Las citas fantasma en la literatura científica: un estudio empírico sobre referencias inexistentes e imposibles de verificar

Han, C., Manoharan, S., Ye, X., & Speidel, U. (2026). Phantom citations: An empirical study of non-existent and unverifiable references in scholarly literature. Journal of the Association for Information Science and Technology. https://doi.org/10.1002/asi.70104

La integridad de la comunicación científica depende en gran medida de la precisión de las referencias bibliográficas. Las citas permiten verificar las fuentes utilizadas, contextualizar nuevos hallazgos y facilitar la reproducibilidad de la investigación. Sin embargo, la rápida incorporación de herramientas de inteligencia artificial generativa en la redacción académica ha incrementado la preocupación por la aparición de referencias inexistentes o imposibles de verificar, conocidas como phantom citations o citas fantasma.

Estas referencias presentan una apariencia completamente legítima —con autores, títulos, revistas e incluso DOI— pero no corresponden a ninguna publicación real. El estudio de Han y colaboradores aborda este problema mediante dos preguntas fundamentales: si es posible desarrollar una herramienta automática y auditable capaz de detectar este tipo de referencias y cuál es la magnitud real del fenómeno en publicaciones científicas recientes relacionadas con la inteligencia artificial y la educación.

Los autores revisan la literatura previa sobre errores bibliográficos y demuestran que el problema de las referencias incorrectas precede a la aparición de la IA generativa. No obstante, destacan que los grandes modelos de lenguaje han introducido una nueva modalidad de error: la generación automática de referencias completamente inventadas pero altamente plausibles. Diversos estudios previos muestran que modelos como GPT-3.5, GPT-4 o Bard producen porcentajes significativos de citas fabricadas, mientras que investigaciones recientes han detectado miles de referencias inexistentes incluso en artículos ya publicados y sometidos a revisión por pares. Estas referencias falsas no solo dificultan la verificación de los trabajos, sino que pueden propagarse a través de nuevas publicaciones, contaminar las redes de citación, alterar indicadores bibliométricos y comprometer revisiones sistemáticas y metaanálisis.

Para afrontar este desafío, el artículo desarrolla una herramienta de verificación bibliográfica automatizada basada en un proceso de múltiples etapas. El sistema extrae automáticamente las referencias de los documentos PDF mediante GROBID y posteriormente verifica cada una utilizando varias fuentes bibliográficas internacionales, entre ellas Crossref, OpenAlex, Semantic Scholar y arXiv. La metodología combina la comprobación de DOI, la validación de URL, la comparación de títulos mediante algoritmos de similitud, la coincidencia de autores y la verificación de fechas de publicación. Además, todas las referencias que no pueden resolverse automáticamente son revisadas manualmente antes de ser clasificadas definitivamente como «no verificables». Esta estrategia permite reducir tanto los falsos positivos como los falsos negativos y proporciona un procedimiento transparente y reproducible para evaluar la autenticidad de las referencias bibliográficas.

La evaluación empírica constituye una de las aportaciones más relevantes del estudio. Los investigadores analizaron un corpus formado por 3.201 artículos científicos revisados por pares, publicados entre 2023 y 2025 en congresos relacionados con la inteligencia artificial aplicada a la educación e indexados en IEEE Xplore, ACM Digital Library y SpringerLink. Los resultados muestran que 69 artículos (2,16 %) contenían al menos una referencia imposible de verificar mediante el protocolo desarrollado. La distribución no fue homogénea entre congresos: algunos presentaban porcentajes muy reducidos mientras que otros alcanzaban cifras superiores al 12 %. Asimismo, los autores observaron un incremento temporal preocupante, ya que los artículos con referencias no verificables pasaron del 0,73 % en 2023 al 3,61 % en 2025, aunque advierten que parte de este aumento puede deberse a diferencias entre las sedes de publicación analizadas.

El trabajo incluye además un estudio de caso que ilustra cómo una referencia generada por IA puede parecer completamente auténtica pese a no existir realmente. En el ejemplo analizado, el DOI no resolvía ningún registro, el título no aparecía en Google Scholar ni en IEEE Xplore y, aunque la revista citada era real, el artículo mencionado nunca había sido publicado. Este tipo de referencias suele construirse combinando patrones extraídos de publicaciones auténticas, lo que dificulta enormemente su detección durante la revisión editorial y aumenta el riesgo de que pasen inadvertidas para autores, revisores y editores.

Para validar la eficacia de su sistema, los autores compararon su herramienta con Hallucinator, uno de los programas de código abierto más conocidos para detectar referencias alucinadas. Sobre un conjunto de prueba formado por 731 referencias pertenecientes a 37 artículos, el sistema propuesto obtuvo una precisión del 92,9 %, un recall del 93,1 % y un F1 del 93 %, superando a Hallucinator en precisión y equilibrio global. Además, el nuevo sistema completó el análisis en apenas 13 minutos, frente a los 351 minutos requeridos por Hallucinator en su configuración estándar, lo que representa una mejora muy significativa tanto en rendimiento como en eficiencia computacional.

En la discusión final, los autores sostienen que la presencia de referencias imposibles de verificar constituye un nuevo desafío para la integridad científica. Argumentan que el fenómeno responde a una combinación de factores: la presión por publicar, la utilización creciente de herramientas de IA para redactar manuscritos, las limitaciones del proceso tradicional de revisión por pares y la falta de comprobación sistemática de las bibliografías. Como consecuencia, proponen incorporar procedimientos automáticos de verificación de referencias en los flujos editoriales de revistas y congresos, así como fomentar entre investigadores y revisores una cultura de comprobación rigurosa de todas las citas antes de la publicación. El estudio concluye que, aunque el porcentaje de artículos afectados todavía es relativamente reducido, la tendencia observada justifica el desarrollo de nuevas herramientas y protocolos que preserven la fiabilidad de la comunicación científica en la era de la inteligencia artificial.

Las referencias a consultas en ChatGPT cambian según de sus procesos ocultos de búsqueda

Flowchart depicting ChatGPT refining a user query, retrieving information from scientific journals, web pages, and academic papers, and generating a final response with ranked citations.
Diagram showing ChatGPT’s process for refining queries, retrieving data, and citing credible sources.

Goodwin, Danny. “ChatGPT Citations Change When Hidden Search Pipelines Switch.” Search Engine Land, 9 de julio de 2026. https://searchengineland.com/chatgpt-citations-change-hidden-search-pipelines-481843

Un estudio reciente pone de manifiesto que las citas proporcionadas por ChatGPT no son tan estables como muchos usuarios podrían asumir. Aunque una misma pregunta se formule de manera idéntica, las fuentes citadas pueden variar significativamente cuando el sistema modifica de forma interna los mecanismos de búsqueda o los modelos encargados de recuperar información. Estos cambios, invisibles para el usuario, afectan directamente a qué documentos se consultan y cuáles terminan apareciendo como referencias en la respuesta final.

La investigación muestra que ChatGPT utiliza un proceso de recuperación de información mucho más complejo que una simple consulta a un buscador. El sistema genera múltiples búsquedas paralelas, reformula automáticamente la consulta inicial y selecciona distintas fuentes antes de sintetizar la respuesta. Si alguno de estos componentes cambia —ya sea el modelo de lenguaje, el sistema de recuperación o la estrategia de búsqueda— el conjunto de documentos recuperados también cambia, provocando diferencias en las citas ofrecidas al usuario.

Uno de los hallazgos más relevantes es que la reproducibilidad de las respuestas disminuye. Dos usuarios que planteen exactamente la misma pregunta en momentos diferentes pueden recibir respuestas muy similares desde el punto de vista del contenido, pero sustentadas en referencias completamente distintas. Esto representa un desafío para investigadores, periodistas, bibliotecarios y profesionales de la información, ya que dificulta la verificación de resultados y la documentación precisa de las fuentes utilizadas por la inteligencia artificial.

El artículo también destaca que la evolución de los modelos de ChatGPT modifica los patrones de citación. Cambios introducidos en nuevas versiones pueden reducir el número de dominios citados, favorecer determinadas fuentes consideradas más fiables o concentrar las referencias en un conjunto más reducido de sitios web. En consecuencia, la visibilidad de muchos recursos en Internet puede variar sin que sus contenidos hayan cambiado, simplemente porque el sistema de IA ha modificado sus criterios internos de selección.

Desde la perspectiva del posicionamiento web y de la denominada AI Search Optimization (AISO), estos resultados indican que optimizar un contenido para ser citado por sistemas de inteligencia artificial es un objetivo dinámico. La autoridad del dominio, la claridad de la información, la estructura del contenido y la presencia en índices de búsqueda continúan siendo factores importantes, pero no garantizan una presencia estable en las respuestas de ChatGPT, ya que las actualizaciones del sistema pueden alterar sustancialmente el comportamiento de las citas.

Finalmente, el estudio concluye que las citas generadas por los asistentes de IA deben interpretarse como el resultado de un proceso dinámico y probabilístico, más que como una lista fija de referencias. Para aplicaciones académicas o profesionales, los autores recomiendan verificar siempre las fuentes originales y no asumir que las citas proporcionadas por ChatGPT serán idénticas en futuras consultas, incluso cuando la pregunta permanezca sin cambios.

Por qué el impacto científico es más que una simple cuestión de números

Banino, Yehonatan. Guest Post — Beyond the Prestige: Why Scientific Impact is More Than a Numbers Game. En The Scholarly Kitchen, 1 de julio de 2026. Publicado por la Society for Scholarly Publishing.

El autor plantea una crítica profunda al modo en que tradicionalmente se evalúa el impacto de la investigación científica. Durante décadas, la academia ha utilizado métricas cuantitativas simples, especialmente el número bruto de citas recibidas por un artículo o el prestigio de la revista donde se publica, como indicadores casi absolutos del valor de una investigación. Sin embargo, Banino argumenta que esta visión resulta limitada e incluso engañosa, ya que reduce la complejidad del conocimiento científico a cifras descontextualizadas que no reflejan adecuadamente la verdadera influencia de un trabajo académico.

Uno de los argumentos centrales del texto es que las citas, por sí solas, carecen de significado cuando no se interpretan dentro de un contexto comparativo adecuado. Un artículo que ha recibido veinticinco citas puede parecer exitoso, pero ese número solo adquiere sentido cuando se analiza en relación con otros trabajos publicados en la misma disciplina, en el mismo periodo temporal y dentro de comunidades científicas similares. El autor utiliza una analogía pedagógica: dos estudiantes pueden obtener exactamente la misma nota en un examen, pero el valor real de esa calificación cambia radicalmente dependiendo del promedio general del grupo. De igual manera, una cifra aislada en ciencia no representa necesariamente impacto o calidad.

Banino propone superar esta visión tradicional mediante herramientas de evaluación más sofisticadas, centradas en métricas relativas en lugar de métricas absolutas. En este contexto presenta el llamado YCR-index, un sistema que busca medir la influencia científica tomando en cuenta factores comparativos como el área temática, el año de publicación y el comportamiento general de trabajos equivalentes. Según esta perspectiva, el verdadero valor científico no debe medirse simplemente contando citas, sino analizando cómo una investigación destaca dentro de su ecosistema académico específico. La propuesta intenta corregir lo que denomina la “trampa de la citación bruta”, es decir, la falsa idea de que más citas equivalen automáticamente a mayor relevancia científica.

El artículo también se inserta dentro de un debate cada vez más amplio en la comunicación académica contemporánea sobre las limitaciones de indicadores tradicionales como el Impact Factor, el h-index y otros sistemas bibliométricos. Diversos sectores de la comunidad científica han advertido que estas métricas han terminado incentivando prácticas problemáticas: presión excesiva por publicar en revistas prestigiosas, priorización del volumen sobre la calidad, estrategias editoriales diseñadas para aumentar artificialmente las citas y desigualdades estructurales que perjudican especialmente a investigadores jóvenes o pertenecientes a regiones periféricas del sistema científico global.

En el fondo, la reflexión de Banino invita a reconsiderar qué significa realmente “impacto científico”. La ciencia, sostiene implícitamente el autor, no puede evaluarse únicamente mediante indicadores cuantitativos porque su verdadero valor reside también en factores más difíciles de medir: la originalidad de una idea, su capacidad de transformar paradigmas, su utilidad social, su influencia a largo plazo y su contribución al avance colectivo del conocimiento. En una época marcada por debates sobre ciencia abierta, inteligencia artificial, transparencia editorial y nuevas formas de evaluación académica, este texto representa una defensa de modelos más justos, contextualizados y humanizados para valorar la producción científica.

El artículo constituye una llamada a abandonar la dependencia excesiva de los indicadores numéricos y avanzar hacia una cultura científica donde el valor de la investigación no quede determinado exclusivamente por el prestigio editorial o por estadísticas de citación, sino por la auténtica contribución intelectual y social que cada trabajo aporta al ecosistema global del conocimiento.

Cómo citar la inteligencia artificial en los trabajos académicos: guía práctica para investigadores y estudiantes

Universitat Oberta de Catalunya (UOC). ¿Cómo citar la IA en los trabajos? Barcelona: Biblioteca de la UOC. Disponible en: https://hdl.handle.net/10609/148823

La guía elaborada por la Biblioteca de la Universitat Oberta de Catalunya ofrece orientaciones prácticas para el uso responsable y la correcta citación de herramientas de inteligencia artificial generativa en trabajos académicos y científicos.

El documento parte de la premisa de que la IA puede ser un apoyo útil para la investigación y la redacción, pero advierte que sus resultados deben verificarse siempre, ya que estas herramientas pueden proporcionar información incorrecta o incluso inventar fuentes bibliográficas. Por ello, recomienda solicitar las fuentes utilizadas por la IA, contrastarlas críticamente y citar directamente las fuentes originales cuando sean fiables. Además, cuando la IA forme parte del proceso de investigación, su utilización debe describirse explícitamente en la metodología del trabajo.

La publicación distingue entre la citación de una conversación mantenida con una herramienta de IA y la citación de la propia herramienta. Una conversación solo debería citarse cuando exista un enlace permanente y público que permita a otras personas recuperar y consultar el contenido exacto del diálogo. En aquellos casos en que la conversación no pueda compartirse por razones técnicas, éticas o de privacidad, la recomendación es citar únicamente la herramienta empleada, indicando claramente que se utilizó como apoyo durante la elaboración del trabajo.

La guía también aclara cuándo no es necesario citar la IA. Por ejemplo, no se requiere referencia cuando la herramienta se utiliza únicamente para localizar fuentes de información, del mismo modo que no se cita un buscador web o una base de datos. Tampoco suele ser necesario citar funciones de IA integradas en programas de uso cotidiano. Sin embargo, cuando la inteligencia artificial constituye una parte relevante del método de investigación, su utilización debe documentarse obligatoriamente.

Uno de los aspectos más valiosos del documento es su análisis comparativo de distintos estilos de citación. La UOC señala que, aunque todavía no existe una normalización universal, algunos estilos han comenzado a desarrollar pautas específicas. Entre ellos destaca especialmente APA, considerado el sistema que ofrece actualmente las orientaciones más completas y detalladas para referenciar contenidos generados mediante inteligencia artificial. Además, se subraya que las respuestas de los sistemas generativos son dinámicas y pueden variar entre sesiones, por lo que es importante documentar el texto exacto utilizado, incorporándolo en anexos o materiales suplementarios cuando resulte relevante para la comprensión del trabajo.

El documento dedica apartados específicos a los estilos APA, Vancouver, ISO 690, Chicago y Harvard. Para cada uno de ellos proporciona modelos concretos de referencia bibliográfica y ejemplos de citas dentro del texto. En términos generales, la recomendación es incluir la conversación en la bibliografía únicamente cuando exista una URL pública y permanente. En caso contrario, la referencia debe limitarse al texto o a notas explicativas. La guía adapta además las normas de estilos que todavía no contemplan oficialmente la inteligencia artificial, ofreciendo propuestas prácticas para mantener la coherencia académica y la trazabilidad de las fuentes utilizadas.

Finalmente, la guía insiste en la necesidad de actuar con transparencia académica. Los autores recomiendan informar siempre del uso de herramientas de IA cuando estas hayan intervenido en la elaboración, revisión, traducción o generación de contenidos. Esta transparencia permite evaluar adecuadamente el proceso de trabajo, favorece la reproducibilidad de la investigación y contribuye a mantener la integridad académica en un contexto en el que las tecnologías generativas están adquiriendo un papel cada vez más relevante en la producción de conocimiento

Zotero 9.0. Tutorial. Gestor de referencias bibliográficas

Zotero 9.0. Tutorial. Gestor de referencias bibliográficas

por Julio Alonso Arévalo

Ver en Youtube

Zotero 9 es la versión más reciente del popular gestor bibliográfico y supone un cambio importante respecto a las versiones 7 y 8, especialmente en lectura asistida, rendimiento y experiencia de investigación. Por Julio Alonso Arévalo

Que características tiene esta versión:

Lectura en voz alta (Read Aloud). La función más destacada es el nuevo sistema de lectura automática de documentos:

Lee PDFs, EPUB y capturas web.
Usa voces naturales de alta calidad.
Permite avanzar por frases o párrafos.
Puede comenzar desde cualquier punto del texto.
Integra anotaciones rápidas mientras escuchas.

Esto convierte a Zotero en una herramienta híbrida entre gestor bibliográfico y asistente de lectura académica.

La epidemia de citas falsas sacude a la ciencia: miles de artículos biomédicos contienen referencias inventadas por IA

Researchers conducting a biomedical citation audit with papers marked as fake
Researchers carefully reviewing biomedical papers for citation accuracy and fraud detection

Naddaf, Miryam. “Surge in Fake Citations Uncovered by Audit of 2.5 Million Biomedical-Science Papers.Nature, 8 de mayo de 2026. https://doi.org/10.1038/d41586-026-00748-w.

El artículo publicado en Nature por la periodista científica Miryam Naddaf analiza uno de los problemas más inquietantes surgidos en la comunicación científica contemporánea: el rápido aumento de citas bibliográficas falsas o inventadas en artículos académicos biomédicos. El trabajo se basa en una auditoría masiva de 2,5 millones de artículos científicos y cerca de 97 millones de referencias bibliográficas, cuyos resultados muestran que el fenómeno se ha disparado desde 2023, coincidiendo con la expansión del uso de herramientas de inteligencia artificial generativa.

La investigación detectó casi 3.000 artículos biomédicos que contenían referencias imposibles de rastrear en bases de datos académicas reconocidas. Estas citas falsas incluían títulos inexistentes, DOI erróneos o referencias atribuidas a publicaciones que nunca llegaron a existir. Según el estudio, 2.564 artículos presentaban una o dos referencias inventadas, mientras que 246 trabajos acumulaban tres o más citas falsas, lo que revela que el problema ya no es anecdótico, sino estructural.

Uno de los aspectos más alarmantes es la velocidad con la que el fenómeno está creciendo. El análisis mostró que en 2025 había doce veces más artículos con referencias fabricadas que en 2023. Los investigadores consideran que este incremento coincide claramente con la generalización de modelos de lenguaje generativo capaces de producir textos académicos convincentes, pero también propensos a “alucinar” información bibliográfica. Estas herramientas pueden inventar títulos, autores o revistas que parecen plausibles, dificultando enormemente la detección manual de errores.

La metodología utilizada para detectar las referencias falsas combinó inteligencia artificial y verificación documental automatizada. Los investigadores compararon títulos citados con los DOI y PubMed ID asociados, además de contrastar cada referencia con grandes bases bibliográficas como PubMed, Crossref, OpenAlex y Google Scholar. Cuando una referencia no aparecía en ninguno de esos sistemas, era clasificada como potencialmente fabricada. Este procedimiento permitió construir uno de los mayores estudios de integridad bibliográfica realizados hasta la fecha.

El artículo subraya que las consecuencias del problema van mucho más allá de simples errores de citación. Las referencias falsas contaminan la literatura científica, dificultan la verificación del conocimiento y erosionan la confianza en el sistema de publicación académica. En disciplinas biomédicas, donde los artículos pueden influir en decisiones clínicas, tratamientos o políticas sanitarias, una bibliografía inventada puede tener repercusiones especialmente graves.

Además, el texto pone de manifiesto las limitaciones actuales del sistema de revisión por pares. Los revisores rara vez tienen tiempo suficiente para comprobar individualmente cada referencia citada en un manuscrito. Como consecuencia, muchos artículos con bibliografía falsa logran superar los controles editoriales y llegar a la publicación. Los autores del estudio consideran urgente incorporar sistemas automáticos de verificación bibliográfica antes incluso de iniciar la revisión por pares.

Otro aspecto destacado es que el problema no siempre implica fraude deliberado. Algunos investigadores utilizan modelos de IA para generar borradores o ayudar en la redacción y pueden no detectar que determinadas referencias han sido inventadas automáticamente por el sistema. Esto crea una nueva zona gris en la ética científica contemporánea: artículos firmados por autores humanos, pero parcialmente construidos mediante herramientas capaces de producir información inexistente con apariencia académica legítima.

El artículo también recoge la preocupación creciente de especialistas en integridad científica, quienes advierten que las citas falsas podrían ser solo la parte visible de un problema más amplio relacionado con la automatización de la escritura académica. Algunos expertos hablan ya de una “contaminación” progresiva de la literatura científica y alertan de que el prestigio de revistas y sistemas de evaluación podría verse seriamente afectado si no se desarrollan mecanismos de control más rigurosos.

El reportaje de Nature conecta este fenómeno con la transformación más profunda del ecosistema científico en la era de la inteligencia artificial generativa. La facilidad para producir textos complejos, revisiones bibliográficas y manuscritos completos está alterando las dinámicas tradicionales de autoría, revisión y validación del conocimiento. El desafío ya no consiste únicamente en detectar errores, sino en redefinir cómo garantizar la fiabilidad del conocimiento científico en un contexto donde las máquinas pueden producir contenido académico aparentemente verosímil a gran escala.

Uno de cada 277 artículos indexados en PubMed en 2026 muestra referencias fabricadas por una IA

Retraction Watch. “One in 277 PubMed-indexed Papers in 2026 Shows Fabricated References, Says Analysis.Retraction Watch, 7 de mayo de 2026. https://retractionwatch.com/2026/05/07/one-in-277-pubmed-indexed-papers-in-2026-shows-fabricated-references-says-analysis/

Un análisis reciente difundido por Retraction Watch advierte de un crecimiento muy acusado de las referencias bibliográficas falsas dentro de la literatura biomédica indexada en PubMed. El estudio, presentado en forma de carta en The Lancet, examinó cerca de 2,5 millones de artículos científicos y concluyó que las citas inventadas se han multiplicado por doce en apenas dos años.

Los investigadores detectaron que aproximadamente uno de cada 277 artículos publicados en las primeras siete semanas de 2026 incluía al menos una referencia a un trabajo inexistente. La comparación histórica muestra una escalada preocupante: en 2025 la proporción era de uno entre 458, mientras que en 2023 era de uno entre 2.828. Esto sugiere que el fenómeno no es marginal, sino creciente y sistemático.

El equipo estuvo liderado por Maxim Topaz, del Data Science Institute de la Universidad de Columbia. Para separar errores tipográficos o abreviaturas irregulares de verdaderas invenciones bibliográficas, los autores emplearon herramientas de inteligencia artificial capaces de contrastar títulos y registros reales. Esto permitió identificar con mayor precisión qué citas eran simplemente incorrectas y cuáles correspondían a documentos inexistentes.

Según el informe, el aumento más brusco comenzó a mediados de 2024, coincidiendo con la expansión masiva de herramientas de escritura asistida por IA generativa. El artículo relaciona este crecimiento con el uso inadecuado de modelos de lenguaje capaces de producir referencias aparentemente verosímiles, aunque inexistentes, si no se supervisan correctamente.

Las implicaciones son profundas para la comunicación científica. Las referencias falsas contaminan revisiones bibliográficas, dificultan la verificación de fuentes y erosionan la confianza en el sistema académico. El caso refuerza la necesidad de controles editoriales más estrictos, verificadores automáticos de citas y formación ética en el uso de IA para la redacción científica.

¿Cómo decide ChatGPT qué páginas citar en sus respuestas? la la claridad y el posicionamiento en buscadores sigue siendo decisivo

Goodwin, Danny. “ChatGPT Citations Reward Ranking and Precision Over Length: Study.Search Engine Land, 16 de abril de 2026. https://searchengineland.com/chatgpt-citations-ranking-precision-length-study-474538

En un ecosistema donde la visibilidad ya no depende únicamente de Google, sino también de aparecer como fuente en sistemas de inteligencia artificial, comprender los criterios de selección se ha convertido en una nueva prioridad estratégica. ChatGPT parece premiar una mezcla de autoridad previa y claridad práctica. Para bibliotecas, universidades, medios y creadores de contenido, la lección es clara: en la nueva economía de la información no basta con estar en internet; hay que ser fácilmente seleccionable como fuente fiable.

La investigación citada por Search Engine Land, elaborada por AirOps, examinó 16.851 consultas únicas, ejecutadas tres veces cada una, generando más de 50.000 respuestas y analizando centenares de miles de páginas potencialmente recuperadas por ChatGPT. El objetivo era detectar patrones entre las páginas finalmente citadas y aquellas que fueron ignoradas. Se trata de uno de los análisis empíricos más amplios publicados hasta la fecha sobre este fenómeno emergente.

Uno de los hallazgos más contundentes es que la posición en buscadores sigue siendo decisiva. Las páginas que ocupaban el primer puesto en los resultados de búsqueda fueron citadas un 58,4% de las veces, mientras que las situadas en la posición diez apenas alcanzaban el 14,2%. Esto sugiere que, lejos de romper completamente con la lógica del SEO tradicional, ChatGPT todavía depende en gran medida de señales previas de autoridad y relevancia ya consolidadas en la web. En otras palabras: quien domina el buscador parte con ventaja también en la IA conversacional.

Sin embargo, el estudio indica que no basta con posicionar bien. También importa mucho la coincidencia semántica entre la consulta del usuario y los encabezados del contenido. Las páginas cuyos títulos y subtítulos se alineaban claramente con la intención de búsqueda obtuvieron una tasa de citación del 41%, frente a cifras cercanas al 30% en contenidos menos precisos. Esto confirma que ChatGPT parece valorar estructuras claras, preguntas bien formuladas y respuestas directamente vinculadas al problema planteado.

Otro resultado especialmente interesante es que la IA prefiere páginas enfocadas y específicas antes que guías largas y generalistas. Durante años, muchas estrategias de contenido apostaron por artículos enciclopédicos del tipo “guía definitiva”, repletos de apartados y miles de palabras. Según este análisis, ChatGPT tiende a premiar respuestas más estrechas y concretas, centradas en resolver una sola necesidad con claridad. La amplitud temática no siempre equivale a utilidad para un modelo que necesita sintetizar rápidamente información relevante.

En relación con la extensión, el estudio detectó una franja óptima entre 500 y 2.000 palabras. Los textos excesivamente largos —por encima de 5.000 palabras— rindieron peor incluso que páginas breves de menos de 500 palabras. Esto cuestiona la antigua idea de que “más contenido siempre es mejor”. En entornos de IA, parece importar más la densidad informativa, la claridad estructural y la facilidad de extracción que la mera longitud.

También se observó que ciertos elementos técnicos ayudan, aunque de forma moderada. Las páginas con marcado estructurado JSON-LD lograron una tasa de citación superior (38,5%) frente a aquellas sin este tipo de datos enriquecidos (32%). Del mismo modo, los artículos con entre 4 y 10 subtítulos funcionaron mejor que los extremadamente fragmentados o demasiado compactos. Esto apunta a que la organización formal sigue siendo valiosa para sistemas automáticos que interpretan documentos a escala.

La variable temporal ofreció otro matiz interesante. El contenido publicado entre 30 y 89 días antes del análisis fue el más citado, mientras que páginas muy recientes (menos de 30 días) obtuvieron peores resultados. La explicación propuesta es que el contenido nuevo necesita tiempo para generar señales de confianza, enlaces, interacción o posicionamiento. A su vez, los textos con más de dos años perdían fuerza relativa, lo que sugiere la importancia de actualizar información ya existente.

Desde una perspectiva estratégica, el artículo concluye que la visibilidad en IA exige una combinación de factores: buen posicionamiento previo, estructura clara, encabezados alineados con la consulta, enfoque específico y contenido suficientemente reciente. No se trataría tanto de “escribir para robots”, sino de producir materiales que respondan con precisión a preguntas reales y que puedan ser comprendidos con facilidad por sistemas automatizados