Archivo de la etiqueta: Investigación

La IA pone a prueba la reproducibilidad científica: miles de artículos de 2026 fueron sometidos a verificación automatizada

Science (25 de agosto de 2026). “Researchers presented 6000 papers at a major meeting. Could AI reproduce their findings?”. https://www.science.org/content/article/researchers-presented-6000-papers-major-meeting-could-ai-reproduce-their-findings

El artículo analiza un experimento de gran escala en el que agentes de inteligencia artificial intentaron reproducir los resultados de investigaciones presentadas en la conferencia ICML 2026. el experimento de ICML 2026 no demuestra que la IA pueda reemplazar a los científicos, sino algo quizá más importante: que los agentes de IA podrían hacer posible una escala de verificación científica hasta ahora inalcanzable para los revisores humanos. En un entorno donde se publican miles de investigaciones cada año, esta capacidad podría convertirse en una nueva infraestructura de control de calidad para la ciencia.

La conferencia International Conference on Machine Learning (ICML) 2026) aceptó alrededor de 6.000 trabajos científicos, casi el doble que el año anterior. Este crecimiento refleja la enorme expansión de la producción científica en inteligencia artificial y aprendizaje automático, pero también pone de manifiesto una dificultad cada vez mayor: el sistema tradicional de revisión por pares no dispone de suficientes investigadores para comprobar con profundidad todos los trabajos. En este contexto, investigadores de Hugging Face y alphaXiv organizaron una competición para explorar hasta qué punto los agentes de IA podían ayudar a verificar los resultados publicados. La pregunta era especialmente relevante: si se proporciona a una IA el artículo, los datos, el código y los métodos utilizados, ¿puede reproducir de manera independiente los experimentos y llegar a conclusiones similares?

El experimento alcanzó una dimensión considerable. Los participantes utilizaron agentes de IA para intentar reproducir resultados de más de 2.000 artículos de ICML 2026. La iniciativa no se limitó a investigadores especializados en inteligencia artificial: uno de los casos más llamativos fue el de Jansen Tang, analista de riesgos de ciberseguridad de un banco, que consiguió utilizar agentes de IA para reproducir más de 300 trabajos. El proceso permitió detectar numerosos problemas que habían pasado inadvertidos durante la revisión humana. Según los resultados comunicados, cientos de afirmaciones no pudieron reproducirse o quedaron cuestionadas, y los organizadores confirmaron que al menos una docena de artículos presentaban errores reales que habían escapado a los revisores humanos.

Los resultados son particularmente interesantes porque muestran que la IA puede funcionar como una segunda capa de control de calidad científico. En torno a la mitad de los artículos examinados contenían al menos una afirmación que los agentes pudieron verificar de manera independiente, mientras que aproximadamente un 23 % de los trabajos analizados presentaron alguna afirmación falsificada o controvertida. En otros casos, la reproducción no fue posible porque faltaban datos, código u otros elementos necesarios para repetir adecuadamente los experimentos. Esto revela que el problema de la reproducibilidad no depende exclusivamente de que los resultados sean correctos: también depende de que los investigadores proporcionen suficientes materiales y explicaciones para que otros puedan comprobarlos.

El artículo de Science plantea, por tanto, una cuestión de fondo sobre el futuro de la evaluación científica y la revisión por pares. Los agentes de IA podrían automatizar una parte de las tareas más laboriosas —ejecutar código, repetir experimentos, comprobar cálculos, contrastar resultados o buscar inconsistencias— y hacerlo a una escala que sería imposible para equipos humanos. Sin embargo, esto no significa que puedan sustituir completamente a los revisores. Determinar si un trabajo es realmente novedoso, importante, metodológicamente sólido o científicamente significativo requiere todavía conocimientos especializados y juicio humano. La conclusión que emerge del experimento es más matizada: la IA podría convertirse en una herramienta complementaria capaz de ampliar enormemente la capacidad de la comunidad científica para comprobar investigaciones.

El caso también tiene una implicación importante para la integridad científica. Si miles de artículos pueden ser sometidos automáticamente a pruebas de reproducibilidad, la IA podría transformar la cultura científica desde un modelo basado fundamentalmente en confiar en la revisión previa a la publicación hacia otro en el que los resultados puedan ser comprobados continuamente después de su publicación. Pero el experimento también demuestra que la IA necesita acceso a datos, código y materiales suficientemente documentados. La reproducibilidad se convierte así en una condición esencial para que los agentes de IA puedan auditar la ciencia, lo que puede impulsar nuevas exigencias de transparencia, disponibilidad de datos y código, documentación metodológica y ciencia abierta.

El laboratorio invisible de la publicación científica en América Latina: experiencias, desafíos y prácticas editoriales

Roman-Acosta, D., Artigas Morales, W., Linares Morales, J. A., Romero Pérez, N., Pérez de Hernández, A., Kligmann, D. M., Spengler, G., Salas Zendejo, D., Hernández Gutiérrez, K. A., Sánchez-Urdaneta, A. B., Giniebra Urra, R., & Paz Enrique, L. E. (2026). The Invisible Laboratory: Publishing Experiences in the Latin American Context. Editorial PLAGCIS. DOI: 10.69821/978-628-97750-0-

Texto completo

Se adentra en la parte menos visible de la comunicación científica: todo el trabajo, las decisiones, los problemas y los aprendizajes que existen detrás de cada artículo publicado. El libro reúne las experiencias de editores, investigadores y gestores editoriales de diferentes países latinoamericanos para mostrar cómo se construye y mantiene una publicación científica, especialmente en el contexto de las revistas de acceso abierto. Su planteamiento parte de una idea fundamental: publicar ciencia no consiste únicamente en recibir y difundir artículos, sino que implica un complejo entramado de evaluación, edición, gestión, tecnología, ética, coordinación de personas y garantía de la calidad científica.

La obra está estructurada en siete capítulos que recorren buena parte del ecosistema editorial contemporáneo. Aborda desde los primeros pasos de quien comienza a ejercer como editor científico hasta cuestiones relacionadas con la revisión por pares, la gestión de conflictos y crisis editoriales, la ética y la curaduría de contenidos, la renovación de los equipos de las revistas y la administración técnica de plataformas como Open Journal Systems (OJS). También dedica especial atención al futuro del acceso abierto, examinando cuestiones como la sostenibilidad, la equidad y la transformación del ecosistema científico.

Uno de los aspectos más interesantes del libro es que no pretende ser simplemente un manual técnico. Sus autores utilizan sus propias experiencias para convertir la práctica editorial en conocimiento compartido. El editor aparece así como una figura que debe combinar competencias científicas, técnicas, organizativas y éticas, mientras que la gestión de una revista se presenta como un proceso colectivo que requiere coordinación entre autores, revisores, editores, gestores y personal técnico. Esta perspectiva resulta especialmente relevante en América Latina, donde el acceso abierto constituye una pieza importante de las políticas de comunicación científica y donde muchas revistas desarrollan su actividad dentro de modelos institucionales y no comerciales.

El libro presta asimismo atención a los cambios provocados por la transformación digital y la inteligencia artificial. La digitalización ha modificado profundamente la producción, gestión y difusión de las revistas científicas, mientras que herramientas como OJS han convertido la gestión editorial en un proceso cada vez más dependiente de infraestructuras tecnológicas. A ello se suman nuevos retos relacionados con la inteligencia artificial, la integridad científica, la evaluación y la sostenibilidad de las publicaciones. En este contexto, conocer la «trastienda» de las revistas resulta esencial para comprender cómo garantizar la calidad, la transparencia y la integridad de la comunicación científica.

En conjunto, la obra ofrece una visión muy útil y práctica de la edición científica desde la perspectiva de quienes trabajan dentro de ella, poniendo en valor un trabajo que habitualmente permanece oculto para los lectores. Su principal aportación consiste en hacer visible ese «laboratorio invisible» en el que se toman decisiones editoriales, se gestionan revisiones, se resuelven conflictos, se mantienen plataformas tecnológicas y se construyen políticas de acceso abierto. Por ello, puede resultar especialmente interesante para quienes trabajan en bibliotecas universitarias, servicios de apoyo a la investigación, revistas científicas, edición académica y ciencia abierta, así como para investigadores que quieran comprender mejor qué ocurre con sus trabajos desde que los envían hasta que finalmente llegan a los lectores.

Guía de escritura académica científica

Contreras Briceño, Felipe. (2026). Guía de escritura académica científica. Universidad de O’Higgins, Repositorio Académico UOH https://repositorio.uoh.cl/handle/611/1129?locale-attribute=es

La Guía de escritura académica científica es un recurso didáctico elaborado por Felipe Contreras Briceño y publicado por la Universidad de O’Higgins en 2026. Su propósito es ofrecer una herramienta práctica para mejorar las competencias de escritura académica y científica, especialmente en el contexto de la educación superior. La guía aborda la escritura como un proceso que no se limita a la redacción final del documento, sino que comprende distintas fases de planificación, textualización y revisión, proporcionando orientaciones para organizar las ideas y construir textos académicos coherentes y comprensibles.

Uno de los ejes fundamentales del documento es la cohesión textual, elemento esencial para conseguir que las diferentes partes de un escrito mantengan una relación lógica y fluida. La guía dedica apartados específicos a los mecanismos de conexión, recurrencia y progresión, que permiten articular las ideas, mantener los referentes a lo largo del texto y desarrollar de manera ordenada la información. De este modo, la escritura académica se presenta como una actividad estructurada en la que la claridad de los argumentos depende tanto de la calidad de las ideas como de la forma en que estas se relacionan entre sí.

El recurso también presta especial atención a aspectos formales de la escritura, incorporando contenidos sobre puntuación, ortografía acentual y ortografía literal. Estos elementos son tratados como componentes necesarios de una comunicación científica eficaz, ya que una correcta presentación lingüística contribuye a evitar ambigüedades y facilita la comprensión de contenidos especializados. La guía combina explicaciones con ejemplos, de manera que puede utilizarse tanto como material de aprendizaje como herramienta de consulta durante la elaboración de trabajos académicos.

Otro aspecto interesante es la incorporación de recursos audiovisuales complementarios, que amplían los contenidos de la guía y favorecen el aprendizaje autónomo. En conjunto, el documento funciona como una introducción sistemática a las principales dimensiones de la escritura académica: desde la planificación inicial de un texto hasta su revisión, pasando por la construcción de la cohesión y el dominio de las convenciones lingüísticas. Por ello, resulta especialmente útil para estudiantes universitarios, investigadores en formación y cualquier persona que necesite producir textos académicos y científicos con mayor claridad, coherencia y rigor.

El próximo lector de la ciencia será una máquina: cómo la IA está transformando la comunicación científica

Robot holding an open scientific book beside a data analysis monitor
A futuristic robot analyzes scientific texts and data in a research library.

Reid, Chris. “Guest Post — Your Next Reader Is a Machine, and We Are Ready”. The Scholarly Kitchen, Society for Scholarly Publishing, 21 de agosto de 2026. Artículo original en The Scholarly Kitchen

El artículo sostiene que la próxima revolución de la comunicación científica no consistirá únicamente en que los investigadores utilicen IA para buscar artículos, sino en que los propios agentes de IA se conviertan en grandes consumidores, intérpretes y mediadores de la literatura académica. Esto obliga a replantear la publicación científica desde sus cimientos: metadatos, APIs, identificadores, licencias, interoperabilidad, descubrimiento, métricas, derechos de acceso y preservación. La gran oportunidad para editores, bibliotecas y proveedores de información consiste en prepararse para ese nuevo ecosistema; el riesgo es que los contenidos sean absorbidos por sistemas de IA sin una adecuada atribución, compensación, medición o control.

la cantidad de información producida en el mundo ha alcanzado una escala que ningún ser humano puede leer, procesar o siquiera abarcar. El autor estima que durante 2026 se producirán alrededor de 220 zettabytes de contenido y recuerda que el problema de la sobrecarga informativa no es nuevo: ya en 1845 los científicos advertían de la imposibilidad de mantenerse al día con toda la literatura disponible. La diferencia actual es la velocidad con la que crece la producción científica y documental. Cada año aparecen millones de artículos, preprints, conjuntos de datos, protocolos y materiales suplementarios, haciendo que el principal problema de la comunicación académica deje de ser únicamente el acceso a la información y pase a ser la capacidad de prestar atención a ella.

En este contexto, Chris Reid plantea una afirmación especialmente relevante: los seres humanos dejarán progresivamente de ser los principales lectores de la literatura científica y serán los agentes de inteligencia artificial quienes procesen la mayor parte de ella. Un investigador podrá pedir a un agente que analice cientos de artículos, compare resultados, identifique tendencias y prepare una síntesis adaptada a una determinada pregunta. Para el autor, esto no debería interpretarse necesariamente como una amenaza para los editores científicos, sino como la evolución lógica de décadas de trabajo destinado a conseguir que la información científica sea legible y procesable por máquinas. La cuestión central será, por tanto, diseñar una infraestructura científica preparada no solo para lectores humanos, sino también para lectores no humanos.

Aquí adquieren especial importancia los principios FAIR —Findable, Accessible, Interoperable, Reusable— establecidos en 2016. Reid sostiene que estos principios ya contenían, en buena medida, el modelo necesario para la era de los agentes de IA: contenidos identificables, accesibles, interoperables y reutilizables por sistemas computacionales. Los identificadores persistentes, los metadatos estructurados, los vocabularios controlados y otros estándares desarrollados durante años en la comunicación científica constituyen ahora una infraestructura fundamental para que las máquinas puedan localizar, interpretar, relacionar y reutilizar documentos científicos. La IA, desde esta perspectiva, no rompe completamente con la evolución anterior de la publicación académica, sino que lleva hasta sus últimas consecuencias la transformación de la información científica en datos procesables por máquinas.

El artículo plantea también un cambio importante en la concepción de las plataformas editoriales. La página web tradicional está diseñada para seres humanos, pero un agente de IA no necesita menús, banners de cookies, carruseles de artículos relacionados, formularios de suscripción ni otros elementos propios de la experiencia web convencional. Lo que necesita es contenido estructurado, identificadores estables, información sobre derechos y licencias y mecanismos predecibles para solicitar exactamente la información que necesita. Por ello, Reid propone avanzar hacia arquitecturas de gestión de contenidos headless o «multicabeza», en las que el contenido se mantiene en un núcleo estructurado y puede distribuirse mediante diferentes superficies: páginas web para humanos, APIs y feeds para sistemas informáticos y nuevas interfaces destinadas directamente a agentes de IA, como las basadas en Model Context Protocol (MCP).

Este planteamiento tiene una consecuencia especialmente significativa para bibliotecas, repositorios y sistemas de descubrimiento. La literatura científica ya se distribuye actualmente a través de múltiples canales —PubMed Central, servicios de indización, sistemas de descubrimiento, Google Scholar, agregadores, ResearchGate, etc.— y el acceso mediante agentes de IA sería una nueva superficie de distribución. El objetivo sería mantener una única fuente estructurada del contenido y permitir que diferentes lectores, humanos o máquinas, accedan a la versión registrada y fiable de la publicación. En este escenario, los metadatos, los identificadores persistentes, las ontologías, los vocabularios controlados y la interoperabilidad dejan de ser cuestiones puramente técnicas y pasan a convertirse en infraestructuras esenciales para la visibilidad de la producción científica en la era de la IA.

Sin embargo, Reid advierte que la transformación plantea problemas mucho más complejos que los puramente tecnológicos. Identifica tres grandes cuestiones: atribución, compensación y gobernanza. La primera pregunta es cómo garantizar que cuando un agente utilice un artículo para generar una respuesta, el investigador pueda saber de dónde procede la información y el trabajo original siga siendo reconocido y citado. La segunda afecta a la remuneración: si el consumo de contenidos mediante máquinas sustituye progresivamente a las descargas y lecturas humanas, los modelos actuales de licencias y medición tendrán que adaptarse. La tercera es la gobernanza: los editores deberán decidir qué agentes pueden acceder a sus contenidos, bajo qué condiciones y cómo expresar esas condiciones de manera que puedan ser interpretadas automáticamente por las máquinas.

A estas tres dimensiones se añade una cuarta cuestión señalada en los comentarios al artículo: la medición. Si un agente de IA se sitúa entre el contenido científico y el usuario, resulta mucho más difícil determinar qué documentos fueron realmente consultados, cuánto contenido fue procesado y qué impacto tuvo cada publicación. Las métricas tradicionales de uso pueden dejar de reflejar adecuadamente el consumo real de información científica. Por ello, será necesario desarrollar nuevas formas de contabilizar y comprender el uso mediado por IA.

En definitiva, si durante siglos el objetivo fue hacer que la información científica fuera legible para las personas, ahora el desafío es conseguir que sea también comprensible, descubrible, verificable y reutilizable por las máquinas.

Un investigador que se atribuyó el mérito de un artículo como responsable principal, ahora asegura que el fraude fue obra de su estudiante

In Preparation. “PI Who Took Credit For Paper Clarifies Fraud Was Student’s Independent Work”. 18 de agosto de 2026. Artículo original en In Preparation

Se aborda un problema recurrente en la investigación científica: la responsabilidad de los investigadores principales sobre los trabajos realizados en sus laboratorios y, en particular, la apropiación del mérito por parte de investigadores sénior frente a la responsabilidad cuando aparecen problemas.

El artículo imagina la reacción de Richard Alderman, investigador principal del Whitehead Institute, después de que un supuesto artículo publicado en Nature fuera retractado por fraude científico. Según la pieza, Alderman había presentado inicialmente el trabajo como la culminación de la visión de su laboratorio y había concedido entrevistas atribuyéndose el éxito de los resultados. Sin embargo, tras descubrirse que varias figuras habían sido manipuladas y que algunos experimentos ni siquiera se habían realizado, el investigador cambia radicalmente su posición y afirma que el fraude fue obra exclusiva de una estudiante de posgrado. 

La ironía se construye precisamente alrededor de esta asimetría entre mérito y responsabilidad. Cuando los resultados son positivos, el investigador principal aparece como líder del proyecto y habla de «nuestro» trabajo y de la investigación desarrollada bajo su dirección; cuando se descubre el fraude, sostiene que apenas tuvo participación y que la estudiante trabajaba de forma completamente independiente. La protagonista ficticia, Mei-Lin Huang, habría realizado los experimentos, analizado los datos y preparado el primer borrador, mientras que el investigador principal asegura retrospectivamente que su filosofía de supervisión consiste en proporcionar autonomía a los estudiantes. La frase resulta deliberadamente mordaz: la independencia que antes podía presentarse como una virtud de la formación científica se convierte, después del fraude, en una forma de eludir la responsabilidad por la supervisión. 

Uno de los aspectos más críticos del artículo es la cuestión de la autoría científica. Ante la pregunta de por qué aparece como autor principal o autor de correspondencia si afirma no haber intervenido en el trabajo, el personaje responde que la autoría sénior es prácticamente honorífica: demostraría que el trabajo se realizó en su laboratorio, con su financiación y bajo su mentoría, pero no implicaría necesariamente haber revisado los datos o comprobado personalmente los experimentos. Esta afirmación, presentada como una exageración satírica, apunta a una discusión real sobre las responsabilidades asociadas a la autoría. La autoría científica no debería entenderse únicamente como un reconocimiento jerárquico, sino que implica responsabilidades respecto a la integridad y fiabilidad del trabajo publicado. 

El artículo también pone el foco en la desigual distribución de las consecuencias del fraude científico. Mientras la estudiante ficticia se enfrenta a la expulsión y a la posible destrucción de su carrera científica, el investigador principal asegura que no devolverá la financiación, no abandonará su cátedra y no sufrirá consecuencias profesionales. La universidad, además, expresa su confianza en él. Esta parte constituye probablemente la crítica más incisiva del texto: cuando se producen casos de mala conducta científica, las responsabilidades pueden recaer de manera desproporcionada sobre investigadores jóvenes y con menor poder institucional, mientras que quienes ocupan posiciones de autoridad pueden conservar buena parte de su prestigio y sus recursos. 

Más allá del caso ficticio, el texto plantea una cuestión importante para la integridad científica: ¿hasta dónde llega la responsabilidad de un investigador principal sobre los trabajos desarrollados por los miembros de su grupo? El debate no se limita a determinar quién falsificó o manipuló los datos. También obliga a preguntarse quién supervisó el proyecto, quién comprobó los resultados, quién aprobó el manuscrito y quién decidió presentarlo como evidencia científica. La sección de comentarios refuerza precisamente esta interpretación: algunos lectores señalan que la apropiación del mérito por parte de investigadores sénior es un fenómeno más frecuente que los casos de fraude que llegan a hacerse públicos y que, en ocasiones, la contribución de investigadores jóvenes queda invisibilizada mientras el reconocimiento se concentra en el responsable del laboratorio. 

El texto cuestiona las estructuras jerárquicas de la ciencia, la autoría honorífica, la supervisión de los investigadores en formación y la distribución de las consecuencias ante la mala conducta científica. Aunque los personajes y la situación descrita son satíricos, el problema que plantea es muy real: la integridad de una publicación no depende únicamente de la persona que manipula los datos, sino también de las estructuras de supervisión, las prácticas de autoría y los sistemas institucionales que permiten que un trabajo llegue a publicarse. 

Medir el uso de la información científica en la era de la inteligencia artificial

Investigadora frente a panel sobre medir el uso de información científica en IA
Una investigadora examina visualizaciones sobre el impacto de la inteligencia artificial en la ciencia.

Mellins-Cohen, Tasha. “Measuring Usage in the Age of AI”. Research Information, 21 de abril de 2026. Artículo original en Research Information

La expansión de la inteligencia artificial generativa y, especialmente, de los sistemas de IA capaces de actuar como agentes está transformando profundamente la manera en que los investigadores descubren, consultan y utilizan la información científica. Tasha Mellins-Cohen, directora ejecutiva de COUNTER Metrics, explica que durante más de dos décadas el estándar COUNTER ha permitido a bibliotecas, editores e instituciones disponer de estadísticas normalizadas y comparables sobre el uso de los contenidos académicos. Sin embargo, el modelo tradicional se enfrenta ahora a un fenómeno que la autora denomina “zero-click”: los investigadores pueden obtener información procedente de artículos científicos a través de buscadores, asistentes y herramientas de IA sin visitar directamente la plataforma del editor.

De este modo, un contenido puede generar un elevado valor para el investigador, su institución y su financiador sin producir ninguna visita registrada en la web de la editorial. Los datos de uso de 2025 comenzaron a mostrar precisamente esta transformación: mientras algunos editores observaban incrementos importantes en las cifras brutas de actividad, las estadísticas COUNTER registraban descensos apreciables en el uso humano tradicional. Una posible explicación es el crecimiento de la actividad automatizada y de los agentes de IA, especialmente en instituciones que han incorporado herramientas como asistentes de investigación basados en IA.

Ante esta situación, COUNTER considera que las métricas normalizadas no han perdido relevancia, sino que son más necesarias que nunca. La aparición de la IA plantea nuevas preguntas para bibliotecas y editores: ¿debe una biblioteca seguir invirtiendo en contenidos cuando buena parte de su utilización está mediada por un agente de IA?, ¿cómo debe calcularse el retorno de la inversión?, ¿cómo se compara el uso de diferentes servicios de IA?, ¿cómo se distingue la actividad de investigadores reales de los procesos automatizados? y ¿cómo se evita que el volumen de actividad de los agentes termine ocultando el comportamiento humano? La respuesta de COUNTER ha sido adaptar sus estándares para diferenciar los distintos tipos de acceso. La versión 5.1 del COUNTER Code of Practice había sido aprobada antes de la aparición de ChatGPT y, por tanto, no podía anticipar la magnitud del cambio. Después de un proceso de consulta con bibliotecas, editoriales, proveedores tecnológicos y desarrolladores de IA, COUNTER publicó en abril de 2026 nuevas buenas prácticas específicas para medir el uso asociado a la IA generativa y agéntica.

Uno de los principales cambios consiste en introducir el nuevo método de acceso “Agent”, que permite diferenciar la actividad de los sistemas de IA de la utilización humana convencional y de las operaciones de text and data mining (TDM). No todos los bots deben considerarse iguales: los rastreadores maliciosos o los crawlers continúan excluyéndose de las estadísticas, mientras que los agentes que actúan legítimamente a petición de un usuario deben poder contabilizarse. Esta distinción es fundamental porque la IA no utiliza necesariamente un artículo completo como lo haría una persona. Los sistemas de IA suelen trabajar con fragmentos o chunks de contenido, de aproximadamente 100-300 palabras, que son procesados para generar una respuesta. Por ello, COUNTER introduce nuevas métricas específicamente orientadas a la actividad de IA, diferenciando entre el acceso a metadatos y el acceso al texto completo. Entre ellas aparecen Total y Unique AI Investigations, que contabilizan el uso de fragmentos de metadatos, Total y Unique AI Requests, que registran el acceso autorizado al texto completo, y AI Responses Generated, destinado a medir las ocasiones en que una herramienta de IA genera una respuesta a partir de una consulta del usuario.

El cambio tiene importantes implicaciones para las bibliotecas universitarias y de investigación. Las estadísticas tradicionales ya no serán suficientes para comprender el verdadero impacto de las colecciones digitales, porque una parte creciente del consumo de información puede producirse fuera de las plataformas editoriales mediante asistentes de IA. Esto obliga a reconsiderar cómo se evalúa el valor de las suscripciones, las colecciones y los servicios de información. Al mismo tiempo, COUNTER advierte de que las nuevas métricas todavía se encuentran en una fase inicial. Su implantación por parte de los editores probablemente no será generalizada antes de finales de 2026 y es previsible que las primeras experiencias permitan detectar problemas y realizar modificaciones. Además, las actuales recomendaciones se concentran fundamentalmente en las herramientas de IA integradas en las plataformas de los propios editores, mientras que todavía resulta más difícil medir el uso realizado mediante servicios externos como Google Gemini u otras herramientas que acceden a contenidos de múltiples fuentes. Una segunda fase del proyecto pretende abordar precisamente estos escenarios y desarrollar mecanismos de medición para herramientas de terceros y contenidos distribuidos.

Un aspecto especialmente relevante es que el problema no se limita a contar accesos, sino que afecta a la propia concepción del valor y del impacto de la información científica. COUNTER señala que será necesario avanzar también en estándares de atribución, procedencia y metadatos, de modo que cuando una IA utilice un fragmento de un artículo pueda establecerse una relación clara con el documento original. Esto resulta particularmente importante para preservar la trazabilidad de la información, identificar correctamente las fuentes y evitar que contenidos retractados o desactualizados sean incorporados sin advertencia a las respuestas generadas por IA. La mejora de los metadatos puede contribuir simultáneamente a mejorar la inteligencia artificial, la recuperación de información y la accesibilidad. En este sentido, el desafío de medir el uso de la IA forma parte de una transformación más amplia de la comunicación científica: si la IA está cambiando la forma en que se descubren y consumen los contenidos, también será necesario reconsiderar qué significan las citas, las métricas de impacto y otras formas tradicionales de evaluación.

En definitiva, el artículo plantea que la IA no hace innecesarias las métricas de uso; las convierte en una infraestructura todavía más importante. En un entorno en el que los contenidos científicos pueden ser consultados directamente por personas, procesados por sistemas de IA, fragmentados en pequeñas unidades o reutilizados por agentes que trabajan en nombre de los investigadores, disponer de estándares comunes será esencial para que bibliotecas, editoriales y proveedores puedan comparar datos y tomar decisiones fundamentadas. El reto será conseguir que las nuevas métricas distingan adecuadamente entre actividad humana, automatización legítima y rastreo, sin perder de vista cuestiones de privacidad, atribución y procedencia. COUNTER apuesta así por evolucionar sus estándares en lugar de abandonarlos, entendiendo que precisamente cuando la tecnología cambia rápidamente es cuando más necesaria resulta una terminología y una metodología compartida.

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.

Cuando el error se convierte en consenso: la ciencia ya no puede corregirse al ritmo al que se propagan los errores

Scientists reviewing evidence beneath text reading “Science Cannot Self-Correct.”

Hu, Jason. “When Errors Become Consensus: Science’s Self-Correction Can No Longer Keep Up”. The Scholarly Kitchen, 17 de agosto de 2026

Ver original

La ciencia siempre ha cometido errores, pero tradicionalmente se confiaba en que su propio sistema de autocorrección acabaría detectándolos y sustituyéndolos por conocimientos más sólidos. El problema actual es que esa capacidad de corrección ya no parece avanzar al mismo ritmo que la producción y difusión de información.

Antes, los errores podían tardar años en propagarse porque las publicaciones, revisiones, libros y manuales evolucionaban lentamente. Esa lentitud actuaba, paradójicamente, como una forma de contención. Ahora, una afirmación errónea puede difundirse prácticamente de inmediato a través de artículos, bases de datos, redes académicas y sistemas de inteligencia artificial.

Hu utiliza como ejemplo histórico las afirmaciones de Justus von Liebig sobre el valor nutricional del extracto de carne. Liebig defendió que el concentrado de carne poseía un importante valor nutritivo y contribuyó a popularizar el llamado beef tea. Sin embargo, experimentos realizados posteriormente por Adolf Fick y Johannes Wislicenus apuntaron en otra dirección: eran principalmente las grasas y los carbohidratos, y no las proteínas, los que proporcionaban energía para el trabajo muscular. A pesar de ello, las ideas iniciales de Liebig sobrevivieron durante décadas y contribuyeron a consolidar una asociación entre carne, proteína y fuerza que continúa teniendo influencia en la cultura alimentaria contemporánea.

A partir de este ejemplo, el autor introduce el concepto de “consenso sintético”Se trataría de una situación en la que la credibilidad de una afirmación no procede fundamentalmente de una nueva validación empírica, sino de su repetición, agregación y reproducción dentro de diferentes sistemas de conocimiento. Una afirmación puede aparecer en artículos, revisiones, libros, bases de datos y posteriormente en sistemas de IA. Al aparecer tantas veces, parece estar respaldada por múltiples fuentes, aunque todas esas apariciones procedan en última instancia de la misma afirmación original y no constituyan verificaciones independientes.

El fenómeno se desarrolla, según Hu, mediante tres fuerzas: persistencia, suministro y recursividad. La persistencia significa que un error puede continuar circulando incluso después de que el artículo original haya sido retractado. El autor cita el caso de un ensayo sobre suplementos de omega-3 en pacientes con EPOC que fue retractado en 2008 por falsificación de datos y que, once años después, seguía siendo citado positivamente en más de un centenar de publicaciones y otros materiales. La retractación afecta al documento original, pero con frecuencia no acompaña a todas las copias, citas, revisiones y afirmaciones derivadas que ya se han incorporado al sistema científico.

El suministro hace referencia al crecimiento de los paper mills, organizaciones que producen artículos científicos fraudulentos o de baja calidad de forma industrializada. El problema deja de ser entonces detectar ocasionalmente un artículo defectuoso y pasa a consistir en hacer frente a un volumen de información potencialmente fraudulenta que puede superar la capacidad de editores, revisores, instituciones y organismos de integridad científica para examinarla. El sistema de control se encuentra así ante una asimetría: la producción de contenidos problemáticos puede escalar mucho más rápidamente que su detección y retirada.

La tercera fuerza, y quizá la más novedosa, es la recursividad introducida por la IA generativa. Los grandes modelos de lenguaje pueden sintetizar y reproducir información existente a un coste marginal muy bajo. Si entre esa información existen afirmaciones erróneas, sin fundamento o incluso inventadas, la IA puede incorporarlas a nuevos textos. Estos nuevos textos pueden volver a alimentar otros sistemas de IA, creando un ciclo en el que una afirmación se repite y se transforma sucesivamente. Con cada repetición puede disminuir la percepción de incertidumbre y aumentar la apariencia de corroboración, aunque la evidencia original no haya mejorado.

El artículo conecta esta dinámica con dos problemas relacionados: el “model collapse” y la aparición de una posible “monocultura científica”. El primero describe el deterioro que puede producirse cuando los modelos se entrenan indiscriminadamente con contenidos generados por otros modelos. El segundo hace referencia a la tendencia de los sistemas de IA a favorecer la convergencia de temas, métodos y formas de expresión cuando se utilizan cada vez más para generar ideas, sintetizar literatura y formular preguntas de investigación. El riesgo es que la IA no solo reproduzca errores existentes, sino que contribuya a reducir la diversidad intelectual del sistema científico.

Esto plantea una limitación importante para los mecanismos tradicionales de revisión por pares, supervisión editorial y retractación. Estos mecanismos fueron diseñados fundamentalmente para corregir errores dentro de la literatura científica. Pero actualmente el conocimiento ya no está contenido exclusivamente en los artículos publicados. Las afirmaciones científicas pasan a bases de datos, revisiones, materiales docentes, herramientas de decisión, motores de búsqueda y modelos de IA. Por ello, retirar o corregir un artículo puede resultar insuficiente: el error puede continuar existiendo en todos los sistemas que ya lo han incorporado.

La propuesta central de Hu es construir una auténtica “capa de propagación” de las correcciones. Si una afirmación errónea puede viajar de un artículo a una revisión, de esta a una base de datos y posteriormente a un modelo de IA, las correcciones deberían poder realizar exactamente el mismo recorrido. El autor menciona iniciativas como United2Act, los trabajos de la STM Association sobre el uso responsable de contenidos científicos en IA, Crossmark, la base de datos de Retraction Watch y las recomendaciones de NISO sobre comunicación de retractaciones. Sin embargo, señala que todavía existe una adopción desigual y, sobre todo, que los modelos de IA permanecen en gran medida fuera del circuito de corrección científica.

La conclusión es especialmente relevante para la integridad científica en la era de la IA: el desafío ya no consiste únicamente en impedir que un artículo falso o defectuoso llegue a publicarse. Hay que garantizar que, cuando aparezca un error, la corrección sea capaz de viajar tan lejos y tan rápido como viajó el error original. De lo contrario, podemos terminar en un sistema en el que la repetición produzca una apariencia de consenso y donde una afirmación parezca verdadera simplemente porque ha sido reproducida miles de veces por personas, bases de datos y máquinas.

La metáfora final del artículo resulta muy apropiada: lo que se incorpora a una estructura tiende a permanecer. La pregunta que plantea Hu para el ecosistema académico es, por tanto, qué estamos incorporando a las infraestructuras que conservarán y transmitirán el conocimiento del futuro y si esas infraestructuras serán capaces de recordar no solo las afirmaciones, sino también sus correcciones. Es un cambio de perspectiva importante: la integridad científica deja de ser únicamente una cuestión de revisar publicaciones y pasa a convertirse también en un problema de arquitectura, metadatos, trazabilidad, interoperabilidad y gobernanza de la información científica.

¿Sigue siendo un fraude el artículo científico? La ciencia, la creatividad y el factor humano en la era de la IA

Three scientists discussing annotated research paper at wooden table in laboratory

Tregoning, John S. “Is the scientific paper still a fraud?” PLOS Biology, vol. 24, n.º 8, 2026, e3003912. Publicado el 4 de agosto de 2026. DOI: 10.1371/journal.pbio.3003912 https://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.3003912

John S. Tregoning recupera una provocadora idea formulada en 1963 por el inmunólogo y premio Nobel Peter Medawar: “el artículo científico es un fraude”. La expresión no se refiere al fraude científico entendido como falsificación, plagio o fabricación de datos, sino a que el formato convencional del artículo científico ofrece una representación engañosa de cómo se desarrolla realmente la investigación.

El esquema habitual —planteamiento del problema, metodología, resultados y conclusiones— presenta la ciencia como un proceso lineal, ordenado y casi inevitable, cuando en realidad investigar implica dudas, caminos descartados, errores, intuiciones, cambios de rumbo, casualidades y decisiones humanas.

El autor sostiene que el artículo científico oculta buena parte del proceso creativo que existe detrás de los resultados. Las hipótesis aparecen en los artículos como si hubieran sido formuladas desde el principio de manera clara y racional, pero Medawar señalaba que muchas surgen mediante conjeturas, intuiciones y recorridos intelectuales difíciles de reconstruir. Para Tregoning, esta dimensión creativa no es un defecto de la ciencia, sino una de sus características fundamentales. La imaginación permite formular preguntas nuevas, encontrar conexiones inesperadas y decidir qué caminos experimentales merece la pena explorar.

Esta cuestión adquiere una nueva dimensión con la inteligencia artificial. Tregoning reconoce que la IA puede ser extraordinariamente útil, especialmente para trabajar con grandes conjuntos de datos que superan la capacidad de procesamiento humano, pero establece una diferencia esencial entre procesar información y generar auténtica imaginación científica. En su opinión, la ciencia necesita todavía esa capacidad humana para formular hipótesis, interpretar situaciones ambiguas y descubrir posibilidades que no estaban previamente determinadas por los datos. Por ello, la creciente automatización de la producción científica hace todavía más importante recordar que detrás de cada investigación existe una persona que formula preguntas, toma decisiones e interpreta resultados.

Otro problema importante es que los artículos científicos reconstruyen retrospectivamente la investigación como una historia coherente, aunque el trabajo real haya sido mucho más desordenado. En ocasiones, el experimento que aparece como primera figura fue en realidad el último que se realizó; determinados resultados pueden proceder de investigaciones independientes desarrolladas por personas diferentes o en momentos distintos. El investigador selecciona posteriormente aquellos datos que permiten construir una narración científica comprensible. Esto no significa necesariamente que exista manipulación: significa que la publicación científica exige transformar un proceso complejo y contingente en un relato estructurado.

Tregoning relaciona esta reconstrucción narrativa con uno de los grandes problemas de la ciencia contemporánea: la presión por publicar resultados positivos. Cuando los investigadores disponen de recursos limitados, existe una tendencia a realizar experimentos de los que esperan obtener resultados publicables. Los resultados negativos o los experimentos que no conducen a conclusiones interesantes tienen mucha menos presencia en la literatura. El sistema de publish or perish puede acabar influyendo incluso en las preguntas que los científicos deciden investigar, favoreciendo historias de éxito frente a la realidad mucho más irregular del proceso investigador.

El artículo también cuestiona la idea de que la escritura científica deba eliminar completamente la presencia del investigador. El uso de una voz impersonal y uniforme pretende transmitir objetividad, pero también borra las decisiones, perspectivas y elecciones de los autores. Tregoning considera que los investigadores son quienes deciden qué caminos seguir, qué datos seleccionar y cómo interpretar aquello que han encontrado. Incluso los revisores y editores intervienen en la construcción final del relato, porque sus observaciones pueden modificar qué aspectos se destacan y cómo se presenta la investigación.

Una de las consecuencias educativas de este modelo es especialmente interesante. Si los estudiantes aprenden ciencia fundamentalmente a través de artículos científicos, pueden adquirir una imagen falsa de cómo se hace investigación: podrían pensar que primero se formula una hipótesis perfectamente definida, después se realiza un experimento y finalmente se obtiene una conclusión. La realidad es mucho más exploratoria. La investigación científica avanza mediante tanteos, fracasos, resultados inesperados, modificaciones de hipótesis y decisiones que difícilmente pueden reflejarse en la estructura convencional de un artículo.

Tregoning no propone abandonar el artículo científico. Reconoce que continúa siendo la unidad fundamental de comunicación de la ciencia y que probablemente seguirá desempeñando ese papel durante mucho tiempo. Sin embargo, propone complementarlo con otras formas de comunicación, como congresos, blogs y redes sociales, que permitan mostrar mejor el proceso, las personas que participan en él y las circunstancias que rodean la producción del conocimiento. También menciona iniciativas que intentan modificar el modelo tradicional de publicación y revisión, como los preprints, Review Commons o el nuevo modelo editorial de eLife.

La conclusión resulta especialmente pertinente en el contexto actual de la IA generativa y la proliferación de contenidos científicos automatizados. Si los sistemas de IA pueden producir textos que imitan perfectamente la forma convencional de un artículo científico, existe el riesgo de confundir la calidad formal del producto con la calidad del proceso que lo ha generado. Para Tregoning, precisamente por eso debemos prestar más atención a aquello que tradicionalmente queda fuera del artículo: la innovación, la intuición, la imaginación, las decisiones y el razonamiento humano. El artículo científico no debería ser considerado la investigación misma, sino la manifestación externa y estructurada de un proceso intelectual mucho más complejo.

La ciencia no es solamente el resultado que aparece publicado; es también el conjunto de decisiones, dudas, experimentos, errores, intuiciones y descubrimientos humanos que hicieron posible llegar hasta él.