Archivo de la etiqueta: Investigación

Cómo hacer una revisión de la literatura con Elicit plataforma de IA

Hacer una revisión de la literatura con Elicit, una plataforma de inteligencia artificial para investigación académica, es un proceso ágil que combina búsqueda semántica, organización automatizada y extracción de información clave. A continuación, te explico cómo hacerlo paso a paso:

🔍 1. Accede a Elicit

  • Ve a: https://elicit.com
  • Puedes registrarte con tu cuenta de Google (es gratuito para funciones básicas).

📚 2. Elige el tipo de búsqueda

Tienes dos opciones principales:

a) Find Papers (Buscar artículos)

  • Ideal para una búsqueda rápida.
  • Te da hasta 8 artículos relevantes en segundos, junto con un resumen.
  • Recomendado si estás empezando o necesitas una visión general.

b) Systematic Review / Elicit Report

  • Genera una revisión más extensa con hasta 500 artículos.
  • Clasifica y explica la relevancia de cada resultado.
  • Puede tardar varios minutos, pero es muy útil para revisiones de literatura más completas.

✏️ 3. Formula tu pregunta de investigación

Ejemplo:

  • “What are the effects of music therapy on Alzheimer’s patients?”
  • “How does artificial intelligence impact library services?”

Elicit interpreta el significado (semántica) de tu pregunta, no solo palabras clave, por lo que puedes escribirla de forma natural.

📄 4. Explora los resultados

Elicit te mostrará:

  • Título, autores, año y resumen de cada artículo.
  • Información adicional como población estudiada, resultados clave, metodología, etc. (en columnas).
  • Puedes agregar columnas específicas, por ejemplo: outcomes, methods, sample size.

📁 5. Filtra, selecciona y exporta

  • Marca los artículos más relevantes para tu revisión.
  • Puedes exportar los datos en CSV o copiar directamente a tu procesador de textos o gestor bibliográfico.
  • Si hay PDF disponible, puedes acceder desde Elicit directamente.

⚠️ 6. Ten en cuenta sus limitaciones

  • Elicit no reemplaza por completo a bases de datos tradicionales como Scopus o Web of Science.
  • Los artículos que no están en acceso abierto pueden aparecer solo con resumen.
  • Conviene verificar la calidad y pertinencia de las fuentes encontradas.

✅ Recomendaciones finales

  • Usa Find Papers para explorar, y Elicit Report para profundizar.
  • Combina Elicit con otras fuentes bibliográficas para mayor cobertura.
  • Añade citas manualmente si vas a incluir los artículos en tu trabajo académico.

La plataforma científica de IA Elicit incorpora la búsqueda semántica

Elicit

https://elicit.com/

Elicit utiliza un sistema de búsqueda semántica, lo que significa que no se limita a buscar palabras clave, sino que interpreta la intención de la consulta del usuario. Gracias a esto, puede encontrar artículos relevantes que podrían no aparecer en buscadores tradicionales como PubMed o Google Scholar. Esta forma de búsqueda permite obtener resultados más precisos y útiles para investigaciones complejas o preguntas abiertas.

Elicit es una herramienta de inteligencia artificial diseñada para ayudar en la búsqueda, análisis y síntesis de información científica. Su objetivo principal es facilitar el trabajo de investigadores, estudiantes y profesionales que necesitan encontrar artículos académicos relevantes y resumir evidencias de forma rápida y eficiente.

Existen dos formas principales de buscar artículos en Elicit: Systematic Review/Reports y Find Papers. La primera opción, Systematic Review/Reports, ofrece hasta 500 resultados y analiza detalladamente la relevancia de cada uno en relación con la consulta realizada, aunque el proceso puede tardar varios minutos. En cambio, Find Papers devuelve hasta 8 artículos relevantes acompañados de un resumen, y lo hace en pocos segundos. Por eso, se recomienda usar Find Papers para búsquedas rápidas y Systematic Review/Reports para revisiones más exhaustivas.

Elicit accede a una base de datos con más de 126 millones de artículos académicos procedentes del corpus de Semantic Scholar, que abarca todas las disciplinas académicas. Incluye publicaciones de revistas reconocidas como PubMed, JAMA, BMJ, Nature y Science, entre muchas otras. Esto permite que sus resultados sean amplios y multidisciplinares.

Cuando el PDF del artículo está disponible, Elicit permite acceder a él directamente haciendo clic en el título. Sin embargo, si el texto completo no está disponible por ser un artículo de acceso restringido, el sistema se basa en el resumen para ofrecer respuestas o generar análisis. Elicit no se limita a artículos de acceso abierto, aunque da prioridad al contenido completo cuando puede acceder a él.

Es importante tener en cuenta que Elicit no reemplaza completamente las búsquedas tradicionales en bases de datos para revisiones sistemáticas. Se recomienda como una herramienta complementaria que puede ayudar a descubrir trabajos que no aparecerían en búsquedas por palabras clave. Así, se convierte en un aliado útil tanto para investigadores como para estudiantes que buscan una visión más completa de un tema.

Gestión de datos de investigación con Yusnelkis Milanés Guisado. Planeta Biblioteca 2025/05/08

Gestión de datos de investigación con Yusnelkis Milanés Guisado.

Planeta Biblioteca 2025/05/08

ESCUCHAR

Descargar

Hoy en Radio USAL hemos conversado con Yusnelkis Milanés Guisado, científica de datos y analista de investigación en el Joint Research Centre (JRC) de la Comisión Europea en Sevilla. Con una sólida trayectoria en análisis, visualización y gestión de datos, así como en inteligencia artificial, Yusnelkis nos ha ofrecido una visión integral sobre la importancia de la gestión de datos de investigación, destacando su impacto en la transparencia, reproducibilidad y eficiencia de los proyectos científicos.

Durante la entrevista, ha explicado que la gestión de datos no solo implica almacenamiento, sino también planificación, documentación, protección y compartición adecuada a lo largo del ciclo de vida de un proyecto. Subrayó la necesidad de garantizar la privacidad, especialmente en investigaciones con datos personales, aplicando medidas éticas y tecnológicas para proteger la información sensible.

En cuanto a formación, recomendó que los jóvenes investigadores adquieran desde el inicio competencias en gestión de datos, principios FAIR (datos localizables, accesibles, interoperables y reutilizables), y habilidades en visualización y uso de herramientas digitales. También abordó el papel cada vez más relevante que desempeña la inteligencia artificial, que exige un enfoque riguroso y ético en el manejo de datos.

Desde su experiencia como consultora, alertó sobre errores frecuentes como la falta de planificación en la gestión de datos o el uso inadecuado de visualizaciones, y sugirió plataformas y estrategias para asegurar la preservación a largo plazo y la apertura responsable de la ciencia. Finalmente, señaló los retos que aún enfrenta la ciencia abierta, como las resistencias culturales, la escasa formación y la infraestructura limitada en algunos entornos.

¿Qué es la propiedad digital?: en la era digital la propiedad debe significar algo

Carta

El 7 de mayo de 2025, la organización Public Knowledge, junto con otras 16 entidades defensoras del interés público, los derechos del consumidor y las bibliotecas, envió una carta al presidente de la Comisión Federal de Comercio (FTC), Andrew Ferguson, solicitando que se establezcan reglas claras sobre lo que significa ser propietario de bienes digitales.

Las organizaciones sostienen que “la propiedad debe significar algo en la era digital” y que si una transacción no incluye los derechos esenciales de uso, conservación y transferencia, no debería promocionarse como una venta. Denuncian que muchas plataformas digitales anuncian “ventas” cuando en realidad solo ofrecen licencias revocables, sin informar claramente al consumidor hasta después de la compra, lo que consideran una distorsión de las expectativas tradicionales sobre la propiedad.

La carta propone que la FTC defina legalmente qué constituye una “venta digital” e incluya tres derechos fundamentales:

  • Derecho de uso: acceso continuo al producto digital, incluso si la tienda cierra o el servicio finaliza.
  • Derecho de conservación: posibilidad de respaldar, reparar o archivar el producto adquirido, incluso sin soporte oficial.
  • Derecho de transferencia: libertad para regalar, prestar, revender o legar el bien digital, tal como se hace con objetos físicos.

Finalmente, las organizaciones aclaran que no buscan prohibir los modelos de licencia, pero sí exigen que no se etiquete como «venta» aquello que no garantiza estos derechos, en aras de la transparencia, honestidad y recuperación de la confianza del consumidor en los mercados digitales.

Perspectivas disciplinarias y metodológicas en el estudio de revistas científicas mexicanas del siglo XX

Garza, Dalia Valdez, Rodrigo Antonio Vega y Ortega Báez, y María Elena Ramírez de Lara, coords. Perspectivas disciplinarias y metodológicas en el estudio de revistas científicas mexicanas del siglo XX. Primera edición. Ciudad de México: Universidad Nacional Autónoma de México, Instituto de Investigaciones Bibliográficas, 2023.

Texto completo

En esta obra colectiva se brinda un panorama para el estudio de las revistas científicas mexicanas del siglo XX editadas en formato impreso, muchas de ellas elaboradas todavía en contextos ajenos a la especialización y profesionalización de las labores editoriales, a la «democratización de la edición y del diseño» y a métricas de evaluación, aspectos que, entre otros, caracterizan el actual paradigma digital de publicación periódica en la ciencia. Esto quiere decir que quizá las revistas científicas manufacturadas sin computadoras y por profesionales de las ciencias (con conocimientos editoriales) merezcan un tratamiento aparte. Los autores aportan herramientas para el diseño de proyectos de investigación en este tema, desde una «práctica integrativa» y con perspectiva histórica, producto de la consideración de una «revista» como un dispositivo cultural que sus creadores ponen en escena en la sociedad con todos sus componentes y discursos en simultaneidad. Se hace un repaso por diversas perspectivas disciplinarias para su estudio; también se ofrecen ejemplos de cómo estudiar partes específicas de su estructura, desde los paratextos hasta las encuadernaciones en que son preservadas, y se evidencia el potencial para su estudio mediante una muestra inicial por disciplinas de estas revistas. Con todo ello, se pretende dar impulso a una serie de nuevos estudios en los que las revistas científicas mexicanas del siglo XX sean las protagonistas, con renovados acercamientos marcadamente interdisciplinarios, con metodologías integradoras de prácticas del pasado y con la innovación que se genera en los estudios de las humanidades y las ciencias sociales.

Actitudes hacia la IA 2024 revela que investigadores y clínicos creen en el potencial de la IA pero exigen transparencia para confiar en las herramientas

Elsevier. «The Insights 2024: Attitudes toward AI Report Reveals Researchers and Clinicians Believe in AI’s Potential but Demand Transparency in Order to Trust Tools.» 9 de julio de 2024.

Informe

Ver infografía

El estudio de Elsevier subraya que, aunque existe un reconocimiento generalizado del potencial de la IA para transformar la investigación y la atención médica, su adopción efectiva depende de abordar preocupaciones clave relacionadas con la transparencia, la calidad del contenido y la confianza en las herramientas. Para que la IA sea plenamente aceptada e integrada en estos campos, es esencial garantizar que las herramientas sean desarrolladas y utilizadas de manera ética y responsable

El informe «Insights 2024: Actitudes hacia la IA» de Elsevier ofrece una visión detallada sobre cómo investigadores y profesionales de la salud perciben la inteligencia artificial (IA) en sus campos. Basado en una encuesta a 3,000 participantes de 123 países, el estudio revela tanto el entusiasmo por las oportunidades que brinda la IA como las preocupaciones que genera su implementación.

Potencial percibido de la IA

Una mayoría significativa de investigadores (94%) y clínicos (96%) cree que la IA puede acelerar el descubrimiento de conocimientos. Además, el 92% de ambos grupos anticipa que la IA aumentará rápidamente el volumen de investigaciones académicas y médicas, así como generará ahorros de costos para instituciones y empresas. El 87% considera que la IA mejorará la calidad general del trabajo, y el 85% piensa que liberará tiempo para enfocarse en proyectos de mayor valor

Preocupaciones sobre la desinformación y la confianza

A pesar del optimismo, existen inquietudes significativas. El 95% de los investigadores y el 93% de los clínicos temen que la IA se utilice para difundir desinformación. Asimismo, el 86% de los investigadores y el 85% de los clínicos creen que la IA podría causar errores críticos, y una proporción similar expresa preocupación por el debilitamiento del pensamiento crítico debido a la dependencia excesiva de estas herramientas

Necesidad de transparencia y contenido confiable

Los encuestados enfatizan la importancia de que las herramientas de IA se basen en contenido de alta calidad y confianza. El 71% espera que los resultados de herramientas dependientes de IA generativa se basen únicamente en fuentes confiables. Además, si las herramientas de IA están respaldadas por contenido confiable, controles de calidad y principios de IA responsable, el 89% de los investigadores las utilizaría para generar síntesis de artículos, y el 94% de los clínicos las emplearía para evaluar síntomas e identificar condiciones o enfermedades

Variaciones geográficas en la adopción de la IA

El informe también destaca diferencias regionales en la familiaridad y uso de la IA. Por ejemplo, en China, el 39% de los encuestados ha utilizado activamente la IA para propósitos laborales, mientras que en India esta cifra es del 22%. Solo el 11% de los participantes se considera muy familiarizado con la IA o la utiliza con frecuencia. Sin embargo, el 67% de quienes no han utilizado la IA esperan hacerlo en los próximos dos a cinco años, con China (83%) e India (79%) superando significativamente a EE. UU. (53%) en estas expectativas .

Declaración de posición de Wiley sobre el uso ilegal de contenidos con derechos de autor por parte de desarrolladores de IA

Wiley Position Statement on Illegal Scraping of Copyrighted Content by AI Developers. Última modificación en 2024. https://www.wiley.com/en-us/terms-of-use/ai-principles/wiley-statement-illegal-scraping-ai-copyright.

En Wiley, defendemos el valor de la propiedad intelectual y de quienes la crean. Como pioneros en la creación y difusión del conocimiento durante más de dos siglos, estamos comprometidos a garantizar que las obras de los autores sean respetadas y adecuadamente licenciadas en el cambiante entorno digital. La colaboración entre autores, sociedades científicas y académicas, y desarrolladores de IA garantiza un uso responsable de esta tecnología para avanzar en la investigación y el descubrimiento, al tiempo que se preserva la libertad académica, esencial para el progreso científico.

Reafirmamos esta postura. Creemos en el potencial transformador de la inteligencia artificial para impulsar la investigación y el descubrimiento. Este avance debe basarse en el respeto a los derechos de propiedad intelectual, incluida la compensación y atribución acordadas para los creadores de contenido. Nos posicionamos firmemente junto a nuestros autores y socios editoriales para exigir prácticas éticas y legales en la obtención de datos en la industria de la IA, y alentamos la adopción generalizada de prácticas de licenciamiento adecuadas, como ya hacen algunos desarrolladores de IA.

Para mayor claridad:

  • Los desarrolladores y empresas de IA deben obtener autorización antes de usar contenido de Wiley, o contenido que publicamos para nuestros socios, para el desarrollo, entrenamiento o implementación de IA.
  • Wiley ha reservado de forma constante y pública todos los derechos sobre sus materiales protegidos por derechos de autor; no existe permiso implícito sin una licencia adecuada.
  • La atribución transparente y la trazabilidad de los datos son componentes esenciales del desarrollo ético de la IA.
  • Para demostrar nuestro compromiso con la innovación responsable, hemos desarrollado marcos de licenciamiento que ofrecen condiciones flexibles y justas adaptadas a distintos usos y necesidades de desarrollo.

Se han alcanzado numerosos acuerdos reconocidos entre desarrolladores de IA y editoriales académicas y comerciales, incluidos nuestros propios acuerdos exitosos con desarrolladores de IA que comparten nuestro compromiso con el uso ético del contenido. Esto demuestra claramente que existe un mercado de licencias para IA que funciona eficazmente.

Este mercado de licencias también permite fundamentar la IA en contenido autorizado. La colaboración activa con la comunidad de IA incluye la incorporación de expectativas y estándares en los acuerdos sobre transparencia, citación, atribución y procedencia de datos, con el fin de fomentar la confianza de los usuarios en los sistemas de IA.

A través de alianzas con autores, socios editoriales, investigadores y desarrolladores de IA éticos, podemos crear un ecosistema sostenible que valore tanto el avance tecnológico como las contribuciones humanas únicas de autores e investigadores.

Motores de búsqueda académicos con IA

Lim, Aaron Tay. “Testing AI Academic Search Engines (1).” Musings about Librarianship (blog), March 2025. https://musingsaboutlibrarianship.blogspot.com/2025/03/testing-ai-academic-search-engines-1.html

Este artículo es el primero de una serie dedicada a desarrollar un marco para evaluar motores de búsqueda académicos impulsados por inteligencia artificial (IA). El autor destaca que, antes de establecer métodos de evaluación, es esencial definir claramente qué se entiende por “motor de búsqueda académico con IA”. Sin una definición precisa, las comparaciones entre herramientas pueden resultar vagas o engañosas.

Los motores de búsqueda académicos con inteligencia artificial (IA) son herramientas diseñadas específicamente para facilitar el acceso, la comprensión y la organización del conocimiento científico. A diferencia de los buscadores tradicionales que se limitan a localizar documentos mediante coincidencias literales de palabras clave, estos motores aplican tecnologías avanzadas de IA para ofrecer resultados más pertinentes y comprensivos, adaptándose mejor a las necesidades de investigadores, estudiantes y profesionales académicos.

Estos motores integran IA de diversas formas, incluyendo:

  • Búsqueda semántica (más allá de los métodos tradicionales de palabras clave).
  • Generación de respuestas directas con citas mediante técnicas como RAG (Retrieval Augmented Generation).
  • Resúmenes automáticos de documentos.
  • Síntesis de estudios en matrices o tablas.
  • Identificación de autores clave, artículos fundamentales y tendencias emergentes.

Una de sus principales características es la búsqueda semántica, que permite interpretar la intención detrás de una consulta más allá de las palabras exactas empleadas. Esto significa que pueden entender sinónimos, relaciones conceptuales y contextos temáticos, lo que mejora significativamente la relevancia de los resultados. Además, muchos de estos sistemas utilizan técnicas como RAG (Retrieval Augmented Generation) para generar respuestas directas a preguntas específicas, acompañadas de citas de fuentes relevantes, lo cual agiliza el proceso de revisión de la literatura.

Otra capacidad destacada es la de elaborar resúmenes automáticos de artículos académicos, extrayendo la información clave de textos largos y complejos para facilitar su comprensión rápida. También pueden sintetizar hallazgos de múltiples estudios en tablas comparativas o matrices, lo cual es especialmente útil para revisiones sistemáticas o estudios de meta-análisis. Por último, estos motores son capaces de identificar autores influyentes, artículos fundamentales y tendencias emergentes en distintas áreas del conocimiento, contribuyendo así a una mejor navegación por el creciente universo de la literatura científica.

El autor propone clasificar las herramientas en cuatro grandes grupos.

  1. Motores de búsqueda académicos con IA como Elicit.com, Scite assistant*, Consensus, Scopus AI, Primo Research Assistant, Perplexity.ai. Estas herramientas están diseñadas específicamente para la búsqueda académica y utilizan modelos de lenguaje de última generación para generar respuestas con citas, permitir consultas en lenguaje natural y combinar búsquedas semánticas con técnicas de recuperación de información.
  2. Modelos de lenguaje con capacidad de búsqueda, como ChatGPT, Microsoft Copilot, Geinmi, Claude, DeepSeek, Grok. Aunque estos sistemas pueden responder a preguntas sobre temas académicos, su objetivo principal no es funcionar como buscadores científicos. A menudo generan respuestas que no provienen de una búsqueda real, lo que puede derivar en errores o invenciones, conocidas como “alucinaciones”.
  3. Sistemas de mapeo bibliográfico basados en citas, como Connected Papers, ResearchRabbit, Litmaps*, Citation Gecko, Incitefu. Estas herramientas no funcionan como buscadores tradicionales, sino como sistemas de recomendación que, a partir de uno o varios documentos “semilla”, generan mapas visuales de literatura relacionada utilizando relaciones de citación entre artículos.
  4. Herramientas de asistencia a la escritura académica, como Keenius, Jenna,ai. Estas aplicaciones están orientadas a ayudar a redactar textos científicos, ofreciendo sugerencias de redacción con base en citas reales, y suelen incorporar interfaces de escritura más parecidas a un procesador de texto que a un motor de búsqueda.

Descripción de cada herramienta:

Elicit: Un asistente de investigación que ayuda a analizar y sintetizar información de artículos académicos, acelerando tareas como la extracción de datos y la creación de revisiones sistemáticas.

Scite Assistant: Una herramienta que contextualiza citas académicas, destacando si apoyan o contradicen un argumento, ideal para revisiones de literatura.

Consensus: Un asistente que utiliza IA para responder preguntas basadas en evidencia científica, extrayendo información de artículos académicos.

Scopus AI: Basado en la base de datos Scopus, esta herramienta genera resúmenes y revisiones de literatura académica.

Primo Research Assistant: Aunque no encontré información específica, parece ser un asistente enfocado en la investigación académica.

Perplexity.ai: Un motor de búsqueda que utiliza IA para responder preguntas con explicaciones claras y referencias.

ChatGPT: Un modelo de lenguaje desarrollado por OpenAI que puede generar texto, responder preguntas y realizar tareas creativas.

Microsoft Copilot: Tu compañero de IA creado por Microsoft, diseñado para ayudarte en tareas de productividad, creatividad y aprendizaje.

Geinmi: La propuesta de Meta para la IA

Claude: Un asistente de IA desarrollado por Anthropic, enfocado en conversaciones naturales y tareas complejas.

DeepSeek: La web de IA China

Grok: modelo de inteligencia artificial generativa (IA) creado por xAI, la empresa de Elon Musk, que se utiliza como un asistente de IA en X.

Connected Papers: Una herramienta para explorar conexiones entre artículos académicos y descubrir investigaciones relevantes.

ResearchRabbit: Ayuda a encontrar y organizar artículos académicos relacionados con un tema específico.

Litmaps: Una herramienta para visualizar y rastrear la evolución de la investigación académica a través de mapas de citas.

Citation Gecko: Permite explorar redes de citas para encontrar artículos relevantes.

Inciteful: Una herramienta para analizar redes de citas y descubrir investigaciones relacionadas.

Keenius: No encontré información específica sobre esta herramienta.

Jenna.ai: Jenni AI es una herramienta de inteligencia artificial que asiste en la redacción académica

Lens.org: Una plataforma para buscar y analizar patentes y literatura académica.

OpenAlex: Una base de datos abierta que proporciona información sobre artículos académicos, autores e instituciones.

Cómo el negocio editorial compromete la integridad académica

Montgomery, Lucy, Emilia C. Bell, y Karl Huang. 2025. “Academic Publishing Is a Multibillion-Dollar Industry. It’s Not Always Good for Science.” The Conversation, March 20, 2025. https://theconversation.com/academic-publishing-is-a-multibillion-dollar-industry-its-not-always-good-for-science-250056

La publicación académica se ha convertido en una industria multimillonaria que, según algunos expertos, ya no sirve prioritariamente a los intereses de la ciencia, sino a los del mercado. Se examina críticamente cómo las prácticas comerciales de las grandes editoriales afectan a la calidad de la investigación, a la accesibilidad del conocimiento y a la integridad del proceso científico.

Uno de los casos recientes más notorios que ejemplifica esta problemática es el del comité editorial de la revista Journal of Human Evolution, cuyos miembros dimitieron en masa en diciembre de 2024 tras acusar a la editorial Elsevier de prácticas inadecuadas. Denunciaron ediciones pobres, el uso indebido de inteligencia artificial en procesos editoriales y tarifas excesivas para acceder a los artículos. Este caso no es aislado: episodios similares se han producido en revistas de otros campos, lo que evidencia un conflicto creciente entre editores académicos y las editoriales comerciales.

La industria editorial académica, que surgió como un esfuerzo comunitario tras la Segunda Guerra Mundial, está ahora dominada por un pequeño grupo de grandes corporaciones como Elsevier, Springer Nature y Wiley. Estas empresas controlan aproximadamente la mitad de todas las publicaciones científicas y obtienen márgenes de beneficio cercanos al 40%, superiores incluso a los de gigantes tecnológicos como Google o Apple. Esto es posible gracias a un modelo de negocio en el que los investigadores escriben y revisan artículos sin recibir remuneración, mientras las universidades y bibliotecas deben pagar cuantiosas sumas para acceder a los contenidos que ellas mismas ayudaron a producir.

Este sistema también impacta en la calidad y el propósito de la ciencia. La presión por publicar en revistas de alto impacto ha provocado una avalancha de estudios apresurados o de escasa relevancia. Además, han proliferado las llamadas “revistas depredadoras”, que aceptan artículos sin una revisión rigurosa a cambio de dinero, lo que debilita la confianza pública en la ciencia y complica la identificación de investigaciones serias.

Ante este panorama, algunos sectores académicos están promoviendo modelos alternativos de publicación científica. Uno de ellos es el modelo «publicar-revisar-curar», que propone publicar primero los artículos como preprints, someterlos después a una revisión abierta y generar finalmente informes de evaluación que puedan ser consultados públicamente. Este sistema busca agilizar el acceso al conocimiento, mejorar la transparencia del proceso y reducir el control monopolístico de las grandes editoriales.

Por otra parte, aunque el modelo de acceso abierto pretende democratizar el conocimiento, en la práctica muchas veces supone un traslado de costes: en lugar de pagar por leer, los investigadores deben pagar por publicar. Esto impone nuevas barreras económicas, especialmente en regiones o instituciones con menos recursos, y genera una desigualdad en la participación científica global.

Repensar la forma de publicar para apoyar la ciencia abierta

Kiermer, Véronique, Alison Mudditt, and Niamh O’Connor. «Rethinking How We Publish to Support Open Science.» Leap: The Journal of Open Science 1, no. 1 (2025): 1-15. https://doi.org/10.1002/leap.2006

Se analiza cómo las publicaciones científicas pueden avanzar hacia un modelo que apoye la ciencia abierta. La clave de este cambio radica en ampliar la gama de contribuciones a la investigación que se muestran y reutilizan, lo cual permitirá una mayor diversidad de participantes y perspectivas, esenciales para una investigación confiable.

La llegada de la era digital ha transformado la manera en que creamos y consumimos información. En el ámbito de la investigación, este cambio abre nuevas oportunidades para practicar la ciencia abierta, permitiendo que una gama más amplia de contribuciones sea visibilizada y reutilizada. Aunque este avance se predijo cuando los primeros diarios aparecieron en línea, ha tardado más de lo esperado en materializarse. Los flujos de trabajo de la investigación han cambiado significativamente en las últimas décadas gracias a la capacidad de recopilar grandes cantidades de datos, analizarlos con más potencia computacional y colaborar en línea. Sin embargo, la publicación científica ha quedado rezagada. Aunque los artículos se procesan y distribuyen mayoritariamente de forma digital, los flujos de trabajo y conceptos fundamentales de la publicación siguen siendo vestigios de la era de la impresión.

Este estancamiento debe cambiar, ya que las revistas han servido históricamente como garantes de la calidad mediante la supervisión editorial y la revisión por pares. Sin embargo, las normas del siglo XX se basaban en un modelo que solo permitía la publicación de aquellos autores con credenciales conocidas. Este enfoque es obsoleto, y comunicar la investigación en la actualidad requiere una ampliación de esta visión. Es necesario repensar cómo evaluamos, compartimos y descubrimos la investigación, todo ello dentro de un ecosistema de ciencia abierta.

La importancia de la ciencia abierta

La ciencia abierta no se trata solo de hacer que un artículo sea accesible, sino de proporcionar el contexto necesario para comprenderlo, los recursos para replicar el trabajo y las herramientas para colaborar y mejorar la ciencia. Uno de los aspectos esenciales de la ciencia abierta es la ampliación de la participación en la creación, difusión y reutilización del conocimiento. Este modelo permite que más investigadores y otras partes interesadas se beneficien de la creación de conocimiento, algo que se alinea con el informe de la Academia Nacional de Ciencias de EE.UU., el cual señala que la ciencia realizada de manera abierta y transparente tiene más probabilidades de producir conocimientos confiables. La transparencia y la apertura son cruciales para garantizar que la investigación resista el escrutinio, así como para permitir que los mecanismos autocorrectivos de la ciencia funcionen eficazmente.

El informe de la UNESCO sobre Ciencia Abierta también refuerza este enfoque, al destacar la necesidad de diversidad en la participación, lo cual contribuye a una creación de conocimiento más confiable y efectiva. Para lograr una ciencia abierta efectiva, se deben abrir las puertas a una mayor variedad de perspectivas, tal como lo sugieren investigadores como Naomi Oreskes, quien defiende que la diversidad de comunidades de búsqueda de conocimiento es fundamental para alcanzar un conocimiento objetivo.

Obstáculos para la ciencia abierta

A pesar de los avances en el acceso abierto y las políticas de ciencia abierta, todavía existen importantes obstáculos. Uno de ellos radica en el hecho de que la publicación sigue centrada en los artículos, un vestigio del paradigma impreso que no valora de igual manera otros tipos de resultados de investigación, como los datos, los códigos y los protocolos. A pesar de que el porcentaje de artículos con declaraciones de disponibilidad de datos ha aumentado, la mayoría de los datos aún están disponibles solo «a solicitud» o a través de archivos de información adicional asociados a los artículos. El principal impedimento para compartir datos abiertos es la falta de reconocimiento y crédito para los investigadores que hacen estos datos accesibles. Para que la ciencia abierta se adopte de manera generalizada, es necesario que los diferentes tipos de resultados de investigación sean reconocidos, accesibles y acreditados adecuadamente.

Otro obstáculo importante es el modelo de negocio basado en las tarifas por publicación (APCs), que aunque ha facilitado el acceso abierto, excluye a muchos investigadores e instituciones que no pueden permitirse estos costos. A pesar de que se han implementado modelos no basados en APC, como el modelo de Publicación de Acción Comunitaria de PLOS, estos no son fácilmente escalables. Además, el modelo de APC sigue siendo dominante y muchas veces favorece a las grandes editoriales, perpetuando las desigualdades en el acceso al conocimiento.

El rol de los editores en la investigación

Los editores desempeñan un papel crucial en el ecosistema de la investigación, contribuyendo a la creación de conocimiento e innovación en varias etapas clave, como el financiamiento, la actividad investigadora, la difusión de los resultados y la innovación. A lo largo del ciclo de investigación, los editores facilitan la colaboración, el debate, la evaluación de calidad y la preservación de los resultados. Aunque el sistema de evaluación tradicional mediante revisión por pares sigue siendo importante, los editores deben adaptarse a nuevos modelos que respalden una ciencia abierta, permitiendo la vinculación y el descubrimiento de una variedad de contribuciones más allá de los artículos tradicionales.

Catalizando el cambio desde dentro de la publicación

El cambio hacia un modelo de ciencia abierta es un desafío complejo que requiere la colaboración de múltiples actores. PLOS, una organización pionera en este campo, ha comenzado un proyecto de Investigación y Diseño para definir los elementos clave de un nuevo modelo de publicación que se base en los principios de la ciencia abierta, con un modelo de negocio sostenible. Este proyecto incluye una consulta con diversos actores del ecosistema de investigación para garantizar que las soluciones propuestas sean inclusivas y accesibles para una amplia gama de investigadores e instituciones, especialmente en el contexto de las disparidades globales.

A través de esta iniciativa, PLOS espera catalizar un cambio sistémico en la publicación científica, promoviendo un modelo más inclusivo y accesible que permita la participación activa de más comunidades en la creación y difusión del conocimiento.