Archivo de la etiqueta: Invesgttigación

¿Las clasificaciones universitarias premian realmente la colaboración en investigación?

University World News. Do rankings reward research collaboration or dependence?”. 15 de julio de 2026. Artículo original en University World News

El artículo analiza críticamente hasta qué punto las clasificaciones internacionales de universidades están valorando de manera adecuada la colaboración científica.

La cuestión es especialmente relevante porque los rankings —como QS, Times Higher Education (THE) o U.S. News— tienen una influencia creciente sobre las estrategias institucionales, la financiación y la reputación internacional de las universidades. Aunque la colaboración científica internacional se presenta habitualmente como un indicador de excelencia y apertura global, el artículo plantea que los sistemas de clasificación no siempre recompensan de manera proporcional el trabajo cooperativo y que, en muchos casos, continúan privilegiando indicadores asociados al volumen de publicaciones, las citas, la reputación o la visibilidad internacional. Esta situación puede generar una paradoja: las universidades necesitan colaborar cada vez más para producir investigación de calidad, pero las métricas pueden seguir incentivando comportamientos eminentemente competitivos.

Uno de los problemas señalados es que la producción científica contemporánea es cada vez más colectiva. Las grandes investigaciones internacionales suelen implicar equipos procedentes de diferentes universidades, países y disciplinas. Sin embargo, medir quién obtiene realmente el reconocimiento por esa colaboración resulta complejo. Una universidad puede participar en numerosas investigaciones internacionales y contribuir de manera significativa a ellas, pero esa participación no necesariamente se traduce en una mejora equivalente de su posición en un ranking. La cuestión adquiere todavía mayor importancia para las instituciones de países con menor capacidad científica o menor tradición de presencia en las grandes clasificaciones internacionales. Estas universidades pueden beneficiarse enormemente de las redes internacionales de investigación, pero parten de una desventaja estructural en términos de reputación, volumen de publicaciones y visibilidad.

El artículo invita, por tanto, a cuestionar la lógica competitiva de los rankings universitarios. Las clasificaciones pretenden establecer una jerarquía entre instituciones, pero la ciencia actual depende cada vez más de redes, alianzas y proyectos compartidos. Existe así una tensión entre la lógica de “competir por posiciones” y la lógica de “cooperar para producir conocimiento”. Estudios y análisis recientes sobre educación superior han señalado precisamente que muchas métricas universitarias continúan dando prioridad a la producción investigadora y la reputación frente a dimensiones como la colaboración, la calidad docente o el impacto social.

Otro aspecto importante es el denominado efecto Mateo: las universidades que ya poseen prestigio, recursos y una amplia red internacional tienen mayores posibilidades de atraer nuevos investigadores, proyectos y colaboraciones, lo que a su vez incrementa su producción científica y mejora su posición en los rankings. De esta manera, las métricas pueden terminar reforzando las desigualdades existentes. Las instituciones periféricas o de países con menos recursos pueden quedar atrapadas en un círculo en el que tienen menos visibilidad, reciben menos oportunidades de colaboración y, consecuentemente, obtienen peores resultados en los indicadores que determinan su posición internacional. Este fenómeno ha sido señalado también en análisis recientes sobre financiación, cooperación internacional y clasificaciones universitarias.

En definitiva, el texto plantea la necesidad de repensar qué entendemos por excelencia universitaria. Si la ciencia del siglo XXI es cada vez más interdisciplinar, internacional y colaborativa, los sistemas de evaluación deberían ser capaces de reconocer mejor las contribuciones realizadas dentro de redes científicas y no limitarse a contabilizar publicaciones, citas o prestigio institucional. El reto consiste en desarrollar indicadores que valoren no solamente cuánto produce una universidad, sino cómo produce conocimiento, con quién lo hace, qué impacto tiene y qué beneficios genera para la sociedad. En este sentido, el artículo se sitúa dentro de un debate más amplio sobre la necesidad de transformar los rankings universitarios para que no reproduzcan exclusivamente las jerarquías existentes y puedan convertirse en instrumentos que fomenten una cooperación científica internacional más equilibrada.

PaperOrchestra: cuando la inteligencia artificial comienza a escribir artículos científicos completos

Robots working together on research with holographic data displays in an AI lab

Song, Yiwen Song; Song, Yale Song; Pfister, Tomas Pfister; Yoon, Jinsung Yoon. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. Proyecto de investigación de Google Cloud, 2026. Disponible en: PaperOrchestra Project Page y preprint en arXiv PaperOrchestra

PaperOrchestra demuestra que la inteligencia artificial ha comenzado a superar una frontera decisiva: no solo analizar datos o asistir al investigador, sino producir de forma casi autónoma artículos científicos completos, lo que obliga a replantear el futuro de la autoría académica, la evaluación científica y el propio significado de hacer investigación en la era algorítmica.

El proyecto PaperOrchestra representa uno de los desarrollos más avanzados y provocadores dentro del campo emergente de la automatización científica mediante inteligencia artificial. Diseñado por investigadores de Google Cloud AI Research, el sistema plantea una pregunta que hasta hace muy poco pertenecía al terreno de la especulación: ¿puede una inteligencia artificial redactar de manera autónoma un artículo científico completo, con un nivel de calidad comparable al trabajo de un investigador humano? La respuesta que propone este trabajo es afirmativa, aunque con matices importantes. A diferencia de herramientas convencionales basadas en modelos de lenguaje que simplemente generan texto a partir de instrucciones generales, PaperOrchestra funciona como un sistema multiagente especializado, capaz de transformar materiales de investigación desestructurados —notas de laboratorio, resultados experimentales, tablas de datos o esquemas conceptuales— en manuscritos académicos completamente estructurados y preparados para su envío a congresos científicos internacionales.

La arquitectura del sistema constituye uno de sus aspectos más innovadores. En lugar de confiar en un único modelo lingüístico para realizar todas las tareas, PaperOrchestra distribuye el trabajo entre varios agentes especializados que operan de manera coordinada, imitando en cierto modo el proceso real de elaboración de un paper dentro de un grupo de investigación humano. Un primer agente se encarga de analizar la información inicial y construir un esquema lógico del artículo; otro genera automáticamente gráficos estadísticos, diagramas conceptuales o visualizaciones necesarias para ilustrar resultados; un tercer agente realiza búsquedas bibliográficas específicas en bases de datos académicas para localizar trabajos previos relevantes y verificar automáticamente la existencia y pertinencia de las citas mediante integración con APIs científicas como Semantic Scholar; posteriormente un agente de redacción produce el manuscrito completo en formato LaTeX siguiendo plantillas específicas de congresos como CVPR o ICLR; finalmente, un agente adicional actúa como simulador de revisión por pares, detectando debilidades argumentativas y refinando sucesivamente el documento hasta alcanzar un nivel de presentación comparable al estándar académico profesional.

Para evaluar rigurosamente el rendimiento del sistema, los autores desarrollaron un benchmark denominado PaperWritingBench, uno de los primeros conjuntos de datos diseñados específicamente para medir la capacidad de sistemas autónomos de escritura científica. El benchmark fue construido a partir de doscientas publicaciones reales procedentes de congresos de máximo prestigio en inteligencia artificial, concretamente cien artículos de CVPR 2025 y cien de ICLR 2025. Los investigadores invirtieron el proceso habitual de producción científica: en lugar de proporcionar artículos terminados, extrajeron únicamente materiales previos a la redacción —resúmenes conceptuales, registros experimentales, tablas numéricas, observaciones derivadas de figuras y directrices editoriales— obligando así a la inteligencia artificial a reconstruir todo el artículo desde cero. Este diseño permite evaluar con precisión hasta qué punto el sistema puede asumir el proceso intelectual que tradicionalmente corresponde al investigador humano durante la escritura académica.

Los resultados obtenidos son especialmente llamativos y muestran el grado de sofisticación alcanzado por este tipo de sistemas. En evaluaciones comparativas realizadas con once investigadores humanos especializados en inteligencia artificial, PaperOrchestra superó de forma consistente a otros sistemas autónomos de generación académica. En calidad de revisión bibliográfica obtuvo márgenes de victoria de entre el cincuenta y el sesenta y ocho por ciento frente a modelos competidores, mientras que en calidad general del manuscrito alcanzó ventajas de entre el catorce y el treinta y ocho por ciento. Aunque todavía existe una diferencia apreciable respecto a artículos escritos íntegramente por investigadores humanos, los resultados sugieren que la brecha comienza a reducirse de forma acelerada. Lo verdaderamente significativo no es únicamente que la máquina pueda redactar un texto coherente, sino que sea capaz de integrar referencias verificadas, producir visualizaciones científicas consistentes y adaptar automáticamente la presentación formal a estándares editoriales concretos.

Este desarrollo abre interrogantes profundos sobre el futuro mismo de la comunicación académica. Durante siglos, escribir un artículo científico no ha sido únicamente un mecanismo administrativo para difundir resultados, sino parte esencial del proceso intelectual del investigador. La escritura obliga a ordenar ideas, justificar decisiones metodológicas, detectar inconsistencias conceptuales y construir interpretaciones sólidas sobre los datos obtenidos. Sistemas como PaperOrchestra introducen la posibilidad de externalizar buena parte de ese trabajo cognitivo a agentes artificiales capaces de generar manuscritos completos en cuestión de minutos. Esto podría transformar radicalmente la productividad científica, pero también generar riesgos significativos: proliferación masiva de papers automatizados, saturación extrema del sistema de revisión por pares, incremento exponencial de publicaciones redundantes y debilitamiento progresivo del vínculo entre producción intelectual y responsabilidad autoral. La propia plataforma incorpora una declaración ética donde insiste en que la herramienta debe entenderse como un asistente avanzado y no como un autor autónomo, manteniendo el investigador humano la responsabilidad última sobre la veracidad y originalidad del contenido generado.

Desde una perspectiva más amplia, PaperOrchestra parece anticipar una transformación histórica comparable a la invención misma del artículo científico moderno en el siglo XVII. Si la imprenta, las revistas académicas y posteriormente internet modificaron radicalmente las formas de circulación del conocimiento, la inteligencia artificial podría estar inaugurando una nueva etapa donde producir ciencia ya no implicará necesariamente escribirla manualmente. El investigador del futuro podría concentrarse en formular hipótesis, diseñar experimentos y validar resultados, mientras sistemas autónomos se encargan de estructurar, redactar, ilustrar y presentar formalmente el conocimiento generado. La cuestión ya no es únicamente tecnológica, sino filosófica: si una máquina puede redactar ciencia con calidad equiparable a la humana, será necesario redefinir qué entendemos por autoría científica, mérito intelectual y producción original de conocimiento en el siglo XXI.

Argumentos a favor y en contra de la coautorización con IA

Two people collaborating on writing using laptop, desktop, and AI holographic assistant
Two professionals use AI tools to enhance their writing project in a modern office.

Diab, Robert. The Case for and Against Co-Authoring With AI. Publicado en Slaw.ca, 6 de mayo de 2026.

El jurista canadiense Robert Diab examina críticamente una de las cuestiones más debatidas en la era de la inteligencia artificial generativa: si resulta conveniente utilizar herramientas de IA como colaboradoras directas en la escritura profesional. Su reflexión se centra especialmente en el ámbito jurídico, aunque las ideas planteadas son extrapolables al periodismo, la investigación académica y cualquier disciplina donde la escritura sea una manifestación del pensamiento crítico y de la autoría intelectual.

Diab parte de una distinción fundamental entre dos usos distintos de la inteligencia artificial: emplearla como herramienta de apoyo para revisar o editar un texto ya escrito por una persona, o utilizarla para generar el documento desde cero a partir de instrucciones o prompts. Mientras considera legítimo y útil el primer caso, manifiesta reservas importantes sobre el segundo. Su principal preocupación es que, aunque técnicamente el texto generado pueda ser correcto, la escritura producida por IA suele carecer de autenticidad, personalidad y profundidad argumentativa, dando lugar a documentos excesivamente formales, repetitivos o mecánicos.

El autor analiza la postura opuesta defendida por el abogado neoyorquino Zack Shapiro, quien sostiene que la IA puede actuar como una verdadera coautora siempre que el usuario aporte previamente el pensamiento estratégico, la estructura argumentativa y las decisiones intelectuales fundamentales. Según esta visión, la parte esencial del trabajo cognitivo ocurre antes de redactar: el humano piensa, diseña y decide, mientras la máquina ejecuta y optimiza la expresión escrita. Desde esta perspectiva, no existiría una oposición binaria entre escritura humana y escritura artificial, sino una tercera vía híbrida de colaboración hombre-máquina.

Diab reconoce que este modelo de coautoría resulta intelectualmente atractivo y que numerosos profesionales lo están experimentando activamente. Sin embargo, mantiene su escepticismo. Señala que incluso cuando se utilizan instrucciones sofisticadas y procesos iterativos complejos, los textos producidos siguen presentando rasgos característicos de la escritura automatizada: verbosidad excesiva, formulaciones previsibles, falta de originalidad estilística y ausencia de matices personales. A su juicio, quienes valoran realmente la calidad de la escritura pueden detectar fácilmente estas limitaciones.

Uno de los aspectos más interesantes del artículo es la reflexión sobre la dimensión reputacional y profesional del acto de escribir. En profesiones como la abogacía, argumenta Diab, redactar bien no es simplemente transmitir información sino demostrar competencia, criterio y personalidad profesional. Un documento que suena excesivamente automatizado podría transmitir al lector —sea un cliente, un colega o un juez— la impresión de que el autor no dedicó suficiente atención o esfuerzo personal al trabajo realizado.

El autor reconoce, sin embargo, un argumento fuerte a favor del uso de IA: la eficiencia. En contextos laborales de alta presión, como servicios jurídicos saturados o tareas administrativas rutinarias, una carta elaborada parcialmente con ayuda de IA puede ser preferible a no producir ningún documento o limitarse a una comunicación oral improvisada. En estos escenarios, la inteligencia artificial puede servir como una herramienta valiosa para sintetizar información, organizar ideas y acelerar tareas de menor complejidad.

En sus conclusiones, Diab plantea una pregunta provocadora: si el objetivo final es producir un texto que refleje verdaderamente las propias ideas, la propia voz y el propio criterio, ¿no sería más razonable escribirlo directamente uno mismo? Sugiere que quizá la cuestión central no sea si la IA permite escribir más rápido, sino qué tipo de pensamiento, autenticidad y responsabilidad estamos dispuestos a delegar en sistemas automáticos.

El artículo refleja una preocupación creciente en ámbitos profesionales y académicos: a medida que la inteligencia artificial se integra en los procesos de escritura, surge la necesidad de redefinir conceptos tradicionales como autoría, responsabilidad intelectual y creatividad humana. Más allá de la eficiencia técnica, el verdadero debate gira en torno al valor que seguimos atribuyendo al pensamiento humano expresado a través de la escritura

Políticas gubernamentales de Estados Unidos han eliminado el acceso a información científica sobre el clima y la han reemplazado con desinformación

Cell, Kate. 2025. «Disinformation Undermines Our Right to ScienceUnion of Concerned Scientists Blog. https://blog.ucs.org/kate-cell/disinformation-undermines-our-right-to-science/.

El texto parte de un informe reciente de la UNESCO sobre tendencias globales en la libertad de expresión y desarrollo de medios, destacando especialmente la problemática de la desinformación climática. La autora señala que, hacia finales de 2025, determinadas políticas gubernamentales en Estados Unidos han eliminado el acceso a información científica sobre el clima, la han reemplazado con desinformación

La Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) publicó su informe cuatrienal sobre Tendencias Mundiales en la Libertad de Expresión y Desarrollo de los Medios. Lo que sigue es una versión ligeramente adaptada de la contribución sobre desinformación climática.

A medida que la Tierra continúa calentándose [principalmente debido a la actividad humana] y los impactos en nuestro clima se vuelven cada vez más severos, la ciencia que busca advertirnos y orientarnos está siendo silenciada. Líderes globales poderosos y grandes corporaciones ignoran o niegan la ciencia en un intento deliberado de engañar al público y retrasar la acción urgente necesaria para proteger la habitabilidad del planeta.

En el articulo se analiza cómo la desinformación climática socava el derecho colectivo al conocimiento científico y a la toma de decisiones basada en evidencia. Según la autora, políticas gubernamentales recientes en Estados Unidos han limitado el acceso público a información científica sobre el clima, reemplazándola por narrativas sesgadas o desinformación. Esto afecta evaluaciones oficiales, como la National Climate Assessment, y disminuye la confianza en los científicos, poniendo en riesgo la acción frente al cambio climático.

Cell destaca que, aunque los efectos del cambio climático están bien documentados, existen poderosas fuerzas políticas y corporativas que niegan o manipulan la información científica para retrasar medidas urgentes. La autora señala casos recientes en los que se ha distorsionado información sobre olas de calor extremas, afectando la percepción pública y la preparación frente a eventos climáticos que ponen en riesgo la vida de millones de personas. Además, se ha limitado el acceso a recursos oficiales, obligando a investigadores y ciudadanos a buscar información en fuentes independientes o archivos previos.

La desinformación no solo tiene consecuencias sociales, sino también científicas y económicas. Los datos indican un aumento significativo de la mortalidad por calor extremo en las últimas décadas, y estudios económicos muestran pérdidas vinculadas a las emisiones de industrias específicas. A pesar de la solidez de la evidencia científica, estas campañas buscan debilitar la autoridad de los expertos y retrasar la adopción de políticas efectivas (Cell, 2025).

La autora identifica a la industria de los combustibles fósiles y a sus aliados políticos como los principales impulsores de esta desinformación. Documentos históricos muestran que estas industrias tenían conocimiento del cambio climático décadas atrás, pero eligieron estrategias de negación y manipulación para proteger sus intereses económicos. Entre las tácticas empleadas se incluyen la exageración de incertidumbres científicas, el financiamiento de estudios cuestionables, el acoso a científicos y la manipulación de funcionarios gubernamentales. Investigaciones realizadas por la Union of Concerned Scientists y otros organismos demuestran que la industria de los combustibles fósiles ha utilizado todas las tácticas del manual de desinformación:

  • Contratar a un científico que utilizaba métodos desacreditados y no revelaba la financiación de la industria.
  • Generar dudas exagerando las incertidumbres de la ciencia del cambio climático y dirigiéndose a profesores y estudiantes.
  • Acosar a los científicos climáticos.
  • Comprar credibilidad.

Además, las plataformas digitales juegan un papel crucial en la difusión de desinformación, muchas veces de forma indirecta al priorizar contenido que genera mayor interacción y publicidad. Esto amplifica la exposición de la sociedad a narrativas falsas o engañosas sobre el cambio climático, incluyendo teorías conspirativas y ataques a políticas de mitigación. La influencia de estas prácticas también afecta a instituciones científicas, limitando financiamiento, debilitando agencias regulatorias y generando presión sobre investigadores, lo que repercute en la comunicación científica y en la implementación de políticas basadas en evidencia.

Cómo aborda el movimiento de «ciencia abierta» la mala conducta científica

Kingsley, Danny. “Show Your Working: How the ‘Open Science’ Movement Tackles Scientific Misconduct.” The Conversation, 31 de marzo de 2025. https://theconversation.com/show-your-working-how-the-open-science-movement-tackles-scientific-misconduct-249020

El movimiento de ciencia abierta —que incluye no solo acceso libre a artículos científicos, sino también la transparencia en datos, protocolos, software y todos los aspectos del proceso investigativo— se presenta como una estrategia clave para combatir la mala praxis científica.

El artículo analiza cómo ciertas estructuras en el mundo académico —como la presión por publicar (“publish or perish”), los rankings universitarios internacionales y el prestigio basado en la producción de artículos— fomentan incentivos perversos que pueden desencadenar comportamientos ilícitos o poco éticos. En este contexto, florecen prácticas como las editoriales depredadoras (“predatory publishers”) o las fábricas de artículos (“paper mills”), que generan papers de baja calidad o fraudulentos para beneficio económico o académico.

Kingsley argumenta que trabajar de manera abierta ayuda a mejorar la integridad de la ciencia de varias formas: al permitir revisar datos, registrar ensayos clínicos, publicar protocolos antes de realizar los estudios, etc. Estas medidas no evitan que algunos actúen mal, pero sí dificultan que lo hagan sin ser detectados.

Entre las estrategias que el autor destaca para fortalecer la integridad científica desde la ciencia abierta se encuentran:

  • El registro previo de protocolos y objetivos de estudios, de modo que las modificaciones posteriores queden explícitas.
  • La apertura de los conjuntos de datos, el código y los materiales metodológicos para revisión externa.
  • El uso de publicación de preprints y revisiones abiertas, de modo que el escrutinio ocurra antes y después de la evaluación formal.
  • La creación de incentivos institucionales que reconozcan y premien la transparencia, la reproducibilidad y los esfuerzos de colaboración.

Con su enfoque en la transparencia, la ciencia abierta ofrece parte de la solución al creciente problema de la mala conducta científica. Sin embargo, para que la ciencia abierta cumpla su potencial se requiere un cambio profundo de paradigma cultural: no basta con adoptar tecnologías, sino modificar incentivos institucionales, políticas y normas para premiar la transparencia, la reproducibilidad y la responsabilidad. Ejemplos internacionales, como programas nacionales de ciencia abierta en Europa y acciones coordinadas en Australia, se citan como señales alentadoras.

Metodología de la investigación: Texto para estudiantes de Ingeniería Forestal.

Ramos Rodríguez, Marcos Pedro. Metodología de la investigación: Texto para estudiantes de Ingeniería Forestal. Universidad Estatal del Sur de Manabí, 2024. https://doi.org/10.26820/978-9942-622-93-8.

Investigar es algo que todos hacemos con frecuencia. Lo hacemos cuando comparamos precios antes de comprar cualquier tipo de producto o recibir algún servicio y también cuando queremos trasladarnos de un lugar a otro por la vía más corta y segura. En el mundo académico habitualmente investigamos cuando revisamos documentos bibliográficos para cumplir con las tareas que orientan los profesores. Al desarrollar alguna de estas actividades no estamos haciendo investigación científica, pues con ellas no se busca dar solución a un problema científico ni seguimos para ello un procedimiento ordenado y planificado y mucho menos tenemos en cuenta el método científico.

Al hacer investigación científica se producen los conocimientos que necesita la sociedad para desarrollarse. Por eso es importante que exista la sinergia necesaria entre los centros de investigación, áreas de desarrollo y universidades con los sectores productivos. Esto parece estar claro para las instituciones que hacen investigación científica, lo cual se evidencia tanto cuando las mismas definen las áreas y líneas de investigación, como al tener reglamentado el proceso de vinculación con la sociedad. El problema es que por lo general el sector productivo de los países en vías de desarrollo, contrario a lo que ocurre en países desarrollados, no ven la necesidad de pedir a quienes hacen investigación, que les faciliten los resultados o que les resuelvan determinado problema científico, que en el ámbito forestal unos ejemplos pudieran ser aumentar la eficiencia de un aserradero o de un índice de peligro de ocurrencia de incendios forestales.

Independientemente de lo anterior, las Instituciones de Educación Superior (IES) en todos los casos se esfuerzan por formar profesionales con competencias en el área de la investigación científica, competencias que desarrollan durante varias asignaturas de los programas de grado y posgrado, una de las cuales es Metodología de la Investigación Científica (MIC), materia sobre la cual al hacer una búsqueda en Google o en Google Académico se obtienen millones de resultados y si se hace la búsqueda utilizando el término en idioma inglés, la cantidad de resultados que es obtiene es aún mayor. El problema es que no todos estos resultados son pertinentes, algunos de los cuales incluso contienen errores de contenidos y los que sí pudiéramos utilizar, es probable que sigan escuelas que difieren de la que un profesor ha hecho suya, quien como sujeto tiene su propia experiencia y formación. Entonces es importante dejar claro a los alumnos cuando iniciamos un curso de MIC cuál será la bibliografía a utilizar durante el desarrollo de la asignatura.

Uso sospechoso no declarado de la inteligencia artificial en la literatura académica

Glynn, Alex. «Suspected Undeclared Use of Artificial Intelligence in the Academic Literature: An Analysis of the Academ-AI Dataset.» arXiv, November 2024. https://arxiv.org/abs/2411.15218.

Desde que las herramientas de inteligencia artificial generativa (IA), como ChatGPT de OpenAI, se hicieron ampliamente disponibles, los investigadores han comenzado a utilizarlas en el proceso de escritura. El consenso de la comunidad editorial académica es que dicho uso debe ser declarado en el artículo publicado. Academ-AI documenta ejemplos de uso sospechoso de IA no declarado en la literatura académica, lo cual se puede discernir principalmente debido a la aparición en los artículos de investigación de un lenguaje característico de los chatbots basados en modelos de lenguaje grande (LLM).

Este análisis de los primeros 500 ejemplos recopilados revela que el problema es generalizado, afectando a revistas y actas de conferencias de editores altamente respetados. La IA no declarada parece aparecer en revistas con métricas de citación más altas y mayores cargos por procesamiento de artículos (APC), precisamente en esas publicaciones que, teóricamente, deberían tener los recursos y la experiencia para evitar tales descuidos. Una pequeña minoría de casos son corregidos después de la publicación, y las correcciones a menudo son insuficientes para rectificar el problema.

Los 500 ejemplos analizados aquí probablemente representen solo una pequeña fracción de la IA no declarada presente en la literatura académica, gran parte de la cual podría ser indetectable. Los editores deben hacer cumplir sus políticas contra el uso no declarado de la IA en los casos detectables; esta es la mejor defensa disponible actualmente para la comunidad editorial académica contra la proliferación de IA no divulgada.

El conjunto de datos utilizado para esta investigación se compuso de fragmentos de 500 documentos publicados: 449 artículos de revistas y 51 ponencias de conferencias. El 93,2% de estos artículos fueron publicados en 2022 o después, mientras que el 6,8% fueron publicados antes de la liberación pública de ChatGPT en noviembre de 2022. Los artículos fueron publicados en 345 revistas diferentes, la mayoría de las cuales (86%) publicó solo uno de los artículos. Las revistas más representadas en el conjunto de datos fueron International Journal of Open Publication and Exploration (18 artículos) y International Research Journal of Modernization in Engineering Technology and Science (11 artículos).

Las ponencias fueron presentadas en 45 conferencias diferentes, con un 91% de las conferencias presentando solo una ponencia. La conferencia más representada fue la International Conference on Electronics, Communication and Aerospace Technology (4 ponencias). Solo el 13,1% de los artículos de revistas fueron publicados en revistas producidas por grandes editores académicos, como Elsevier (5,1%), Springer (2,2%) o MDPI (1,1%). En contraste, la gran mayoría de las ponencias de conferencias (88,2%) fueron publicadas por editores académicos importantes, principalmente IEEE (80,4%). En general, los grandes editores produjeron el 20,8% de los documentos en el conjunto de datos. Todos los editores importantes representados en el conjunto de datos requieren la declaración del uso de IA en sus políticas editoriales, excepto Wolters Kluwer. Solo dos publicaciones de Wolters Kluwer, Medicine y Annals of Medicine & Surgery, aparecen en el conjunto de datos, y ambas requieren la declaración de uso de IA en sus guías para autores.

Un total de 62 artículos (13,8%) fueron publicados en revistas sin un ISSN confirmado o que afirmaban estar registrados con el ISSN de otra revista.

Es imperativo identificar y abordar los casos de IA no declarada que podemos detectar. En tales casos, las revistas y editores deben hacer cumplir sus políticas mediante correcciones o retractaciones, según la gravedad de la violación de políticas. No hacer esto establece un precedente de violaciones de políticas sin abordar, sugiriendo a los autores que la declaración del uso de IA no es necesaria. Por el contrario, un precedente de hacer cumplir estas políticas incentiva la declaración entre los autores descuidados e incluso sin escrúpulos, por el temor de que el uso de IA sea detectable en su caso.

Nuevas tendencias en investigación e innovación en Didáctica de la Lengua y la Literatura

«Nuevas tendencias en investigación e innovación en Didáctica de la Lengua y la Literatura | Editorial Octaedro». s. f. Accedido 9 de octubre de 2024. 

Descargar

Este volumen invita a explorar las principales líneas de investigación en la Didáctica de la Lengua y la Literatura, destacando también propuestas de innovación pedagógica que enriquecen esta área en el sistema educativo. Está compuesto por trece capítulos organizados en cuatro ejes temáticos que abordan diversas problemáticas y necesidades actuales en el ámbito educativo.

El primer eje se centra en la Didáctica de la Lengua, donde se examinan las dificultades en comprensión lectora y ortografía. Se presentan intervenciones, como la implementación del Sistema de Inteligencia Ortográfica (SIO), que han mostrado mejoras significativas en la ortografía de estudiantes de Educación Primaria. Además, se analizan las actividades propuestas por diversas editoriales en libros de texto, enfocándose en las necesidades en la enseñanza de la competencia lectora en la educación inicial.

El segundo eje aborda la Didáctica de la Lengua Extranjera y los desafíos que presentan los contextos multilingües. Con la nueva legislación educativa, se enfatiza la importancia de preparar a los docentes para enseñar lenguas extranjeras desde una perspectiva plurilingüe. Investigaciones incluyen el análisis de planes de estudio para futuros maestros y la implementación de estrategias innovadoras, como la adquisición de vocabulario mediante series de televisión y la aplicación de teorías de adquisición de lenguas en estudiantes de diversas lenguas maternas.

El tercer eje se centra en la educación literaria, destacando la relevancia de las bibliotecas escolares como espacios para dinamizar la lectura. Se presentan propuestas que integran literatura popular y conexiones interdisciplinarias, así como el análisis de libros de no ficción desde una perspectiva de género. Estas iniciativas buscan atender las necesidades educativas en el contexto de la literatura y fomentar la lectura crítica entre los estudiantes.

Finalmente, el cuarto eje se dedica al estudio de la multimodalidad aplicada a la lectura, con propuestas como el uso de booktrailers en la formación docente y la combinación de música con álbumes ilustrados para mejorar la alfabetización visual y las competencias lectoras. El volumen concluye enfatizando los retos actuales de la Didáctica de la Lengua y la Literatura en relación con la alfabetización crítica, la inclusión de la perspectiva de género, y la formación de docentes en todas las etapas educativas.

Uno de cada siete artículos científicos podría ser al menos parcialmente falso

James Heathers, «How much science is fake? approximate 1 in 7 Scientific Papers Are Fake», 22 de septiembre de 2024, https://doi.org/10.17605/OSF.IO/5RF2M.



Un nuevo análisis realizado por James Heathers sugiere que uno de cada siete artículos científicos podría ser al menos parcialmente falso. Este estudio, publicado el 24 de septiembre en el Open Science Framework antes de la revisión por pares, se basó en datos de 12 estudios previos que analizaron aproximadamente 75.000 artículos. Heathers critica la cifra del 2% de fraude que se ha citado desde un estudio de 2009, argumentando que está desactualizada.

En 2009, un estudio ampliamente citado reveló que alrededor del 2% de los científicos admitían haber falsificado, fabricado o modificado datos en algún momento de su carrera. Esta cifra ha sido utilizada con frecuencia para ilustrar el problema del fraude en la ciencia. Sin embargo, 15 años después, James Heathers, investigador afiliado en psicología en la Universidad Linnaeus de Växjö, Suecia, decidió cuestionar esa cifra y ofrecer una estimación más actualizada y precisa. En su nuevo análisis, publicado el 24 de septiembre en el Open Science Framework antes de la revisión por pares, Heathers sugiere que uno de cada siete artículos científicos puede ser al menos parcialmente falso.

Heathers, conocido por su labor como «detective científico», llegó a esta conclusión al promediar datos de 12 estudios existentes. Estos estudios, que abarcan áreas como las ciencias sociales, la medicina y la biología, analizaron alrededor de 75.000 artículos para estimar el volumen de trabajos problemáticos. A través de una combinación de herramientas en línea que detectan irregularidades, Heathers encontró una «similitud persistente» entre las estimaciones de estos estudios y concluyó que, en promedio, uno de cada siete trabajos presenta errores o fraudes significativos.

Críticas a las estimaciones anteriores

Heathers explica que la cifra del 2% de fraude que proviene del estudio de 2009 está desactualizada, ya que el último conjunto de datos utilizado en ese estudio proviene de 2005. Durante los últimos 20 años, el entorno académico ha cambiado significativamente, y Heathers considera que esta cifra ya no refleja adecuadamente la magnitud del problema actual. Además, critica los enfoques anteriores que se centraban en preguntar directamente a los científicos si habían participado en prácticas deshonestas, calificando este método como ineficaz y poco fiable.

«Heathers señala que es ingenuo preguntar a los investigadores que cometen fraude si admitirán sus malas prácticas. En su lugar, propone utilizar herramientas más objetivas y datos indirectos para medir la magnitud del problema.»

Un enfoque «salvajemente no sistemático»

El propio Heathers reconoce que su estudio es «salvajemente no sistemático», ya que los datos que utilizó provienen de múltiples áreas y metodologías, y no existe un análisis homogéneo o riguroso que abarque todo el problema. Aun así, justifica su enfoque argumentando que esperar los recursos necesarios para realizar un análisis exhaustivo y sistemático tomaría demasiado tiempo, y que es importante comenzar a abordar el problema con los datos disponibles.

A pesar de sus limitaciones, Heathers decidió realizar un meta-análisis, ya que las cifras disponibles sobre la cantidad de ciencia fraudulenta son escasas. A su juicio, aunque se realice una revisión sistemática más formal, es probable que los resultados no difieran significativamente de su estimación preliminar de que uno de cada siete artículos es falso.

Críticas de otros expertos

El estudio ha recibido críticas de algunos expertos en la comunidad científica. Daniele Fanelli, un metacientífico de la Universidad Heriot-Watt en Edimburgo, Escocia, y autor del estudio de 2009, no está convencido de los resultados del nuevo análisis. Fanelli sostiene que el estudio de Heathers mezcla estudios que miden diferentes fenómenos y utiliza metodologías distintas, lo que puede llevar a conclusiones erróneas. Para Fanelli, etiquetar cualquier estudio con algún problema como «falso» no es un enfoque riguroso y podría llevar a una interpretación distorsionada del alcance real del fraude en la ciencia.

Fanelli también expresó su preocupación de que el estudio pueda atraer atención negativa e innecesaria de los medios, lo cual podría afectar la percepción pública de la ciencia sin un beneficio tangible para el campo.

Por su parte, Gowri Gopalakrishna, epidemióloga de la Universidad de Maastricht en los Países Bajos, también expresó reservas sobre las conclusiones de Heathers. Gopalakrishna coautorizó un estudio en 2021 que encontró que el 8% de los investigadores en una encuesta de casi 7.000 científicos en los Países Bajos admitieron haber falsificado o fabricado datos entre 2017 y 2020. Sin embargo, Gopalakrishna cree que la prevalencia del fraude puede variar significativamente entre diferentes campos de estudio, y agrupar todas las disciplinas bajo una misma cifra podría ser poco útil y conducir a interpretaciones erróneas.

Una amenaza existencial para la ciencia

A pesar de las críticas, Heathers sostiene que el problema del fraude en la ciencia representa una amenaza existencial para el campo y debe abordarse de inmediato. Argumenta que los científicos, las instituciones científicas y los organismos de financiación deben reconocer la gravedad del problema y actuar en consecuencia. El hecho de que un número significativo de publicaciones científicas pueda estar contaminado por fraudes o errores serios socava la confianza en el proceso científico y pone en riesgo el progreso del conocimiento.

Heathers también destaca que el fraude en la ciencia está «crucialmente subfinanciado» en términos de investigación y vigilancia, lo que agrava el problema. Aunque su estudio no es exhaustivo, espera que su trabajo sirva como un primer paso para abordar una cuestión que ha sido pasada por alto durante demasiado tiempo.

Recomendaciones éticas para la investigación en inteligencia artificial del Comité Español de Ética de la Investigación (CEEI)

Recomendaciones éticas para la investigación en inteligencia artificial. Comité Español de Ética de la Investigación (CEEI), 2024

Descargar

Este informe, elaborado en colaboración con la Oficina Española de Prospectiva Tecnológica, analiza los desafíos éticos que plantea el desarrollo y la aplicación de la inteligencia artificial (IA). El CEEI ofrece una serie de recomendaciones para garantizar que la investigación en IA se lleve a cabo de forma responsable y ética, teniendo en cuenta los posibles riesgos y beneficios para la sociedad.

RESPONSABILIDAD EN EL DESARROLLO Y EL USO DE SISTEMAS AUTÓNOMOS

Este conjunto de desafíos se centra en la capacidad de los sistemas de IA para tomar decisiones de manera automática, siempre bajo supervisión humana, conforme a las Directrices Éticas para una IA Fiable publicadas por la Comisión Europea en 2018 y las de la UNESCO de 2021. Aspectos específicos relacionados con la investigación en IA incluyen:

  1. Salvaguardar los derechos humanos y fundamentales: Los investigadores y las instituciones deben asegurar que los sistemas de IA respeten la dignidad, la autodeterminación y los derechos humanos y democráticos.
  2. Salvaguardar el medioambiente: Los sistemas de IA deben desarrollarse considerando su consumo energético y su impacto ambiental.
  3. Responsabilidad: Los investigadores deben proporcionar orientación sobre las decisiones y acciones de los sistemas de IA y colaborar con sus instituciones y otras partes interesadas.
  4. Inspeccionabilidad y trazabilidad: Es necesario identificar las fuentes de datos utilizadas por el sistema y la forma en que toma decisiones para garantizar su transparencia y justicia.
  5. Divulgación de la investigación: Los investigadores deben contribuir al debate público sobre los riesgos y oportunidades de la IA y presentar un balance equilibrado entre ambos.

CONSECUENCIAS SOCIALES Y RESPONSABILIDAD SOCIAL DE LA INVESTIGACIÓN

La IA tiene un gran potencial para generar cambios en diversas áreas de aplicación. En la investigación, es esencial:

  1. Reconocer la incertidumbre: Asesorar adecuadamente sobre la incertidumbre asociada con la investigación en IA y fomentar la investigación interdisciplinar.
  2. Asegurar una participación amplia: Comunicar los riesgos y oportunidades de manera transparente e involucrar a aquellos que se ven más afectados por las decisiones.
  3. Protección de datos y consideración a los individuos: Seguir los principios fundamentales de la protección de datos y asegurar el consentimiento adecuado en el uso de datos personales.

DATOS

El uso de datos, especialmente de grandes cantidades, plantea desafíos éticos en la investigación en IA. Es esencial:

  1. Asegurar la calidad de los datos: Cuestionar la calidad y relevancia de los datos, facilitar el acceso a fuentes de datos abiertas y garantizar la verificabilidad.
  2. Acceso justo a los datos: Asegurar que la investigación, los datos utilizados y los resultados obtenidos estén disponibles públicamente, evitando la evasión de los requisitos de transparencia.