Archivo de la etiqueta: Investigación

El dinero y el poder que hay detrás de los rankings universitarios

Hazelkorn, Ellen. “We need to understand the money and power behind rankings.” University World News, 18 de junio de 2025. https://www.universityworldnews.com/post.php?story=20250618093537137

La autora invita a repensar el papel de los rankings desde una perspectiva crítica. Sugiere que conceptos como la privatización de datos públicos, la ética del manejo de información y los modelos de gobernanza en educación deben abordarse con mayor profundidad. También lanza una pregunta provocadora: ¿ha contribuido la falta de transparencia del propio sistema educativo a abrir la puerta a estos modelos comerciales que ahora dominan la narrativa sobre calidad y excelencia?

Los rankings universitarios son sistemas de clasificación que ordenan a las universidades en función de distintos criterios, como la investigación, la calidad docente, la reputación académica y otros indicadores específicos. Si bien pueden resultar útiles para establecer comparaciones entre instituciones y tener una referencia sobre su desempeño, es fundamental entender que se trata de una herramienta orientativa y no deberían considerarse como la única base para tomar decisiones informadas.

En el artículo se analiza el poder y la influencia detrás de los rankings universitarios globales. Parte de los conceptos de «monopolios del conocimiento» y «asimetría de la información», que explican cómo el control desigual de los datos genera desequilibrios de poder. Además, introduce la noción de «capitalismo de vigilancia», en la que la experiencia humana se convierte en materia prima para prácticas comerciales basadas en la extracción y análisis de datos, que se transforman en nuevas fuentes de poder.

Los rankings globales surgieron en 2003 con el Academic Ranking of World Universities (ARWU), también conocido como el ranking de Shanghái. Aunque la recopilación de datos educativos venía de antes (por ejemplo, por parte de la UNESCO o la OCDE), estos rankings introdujeron un marco comparativo internacional sencillo y atractivo. Fueron recibidos como herramientas de transparencia y elección informada, aunque contrastan con los enfoques tradicionales de evaluación académica, como la revisión por pares.

Asimismo, los rankings se han convertido en una fuente lucrativa: operan como plataformas de recopilación y almacenamiento de datos, que sirven de base para herramientas analíticas avanzadas y servicios de consultoría especializados. En este entramado es donde realmente se concentra el poder y los beneficios económicos. Tal como confesó en privado uno de sus responsables: “Como sabes, los rankings en sí no generan ingresos; es necesario encontrar financiación o vías de rentabilidad para mantener sus operaciones, y no es algo sencillo”. Esta lógica ha favorecido la integración, concentración y consolidación empresarial entre sistemas de rankings, editoriales académicas y compañías de análisis de macrodatos, dando lugar a un negocio amplio y estructurado en torno a la recopilación, gestión y explotación de inteligencia basada en el conocimiento.

En un entorno geopolítico altamente competitivo, la visibilidad y una buena posición en los rankings se han vuelto esenciales. Sin acceso a datos, los gobiernos y las instituciones carecen de las herramientas necesarias para dirigir, desarrollar y evaluar sus políticas y objetivos. Esta dependencia los convierte en blancos vulnerables: entregan grandes volúmenes de información para participar en la dinámica de los rankings y, posteriormente, recurren a servicios de consultoría para escalar posiciones. Este ciclo tiene consecuencias directas sobre la soberanía nacional y la autonomía de las instituciones.

Con el tiempo, los rankings han adquirido un carácter geopolítico: el estatus de “universidad de clase mundial” se convirtió en un objetivo codiciado. Las universidades pasaron a ser actores en una especie de «partida de ajedrez global», donde los rankings no solo miden, sino que también modelan el comportamiento institucional y nacional. Detrás de ellos hay grandes intereses económicos: los rankings más influyentes (ARWU, THE, QS, US News & World Report) forman parte de corporaciones con ánimo de lucro que comercializan análisis, consultorías y herramientas basadas en big data.

Hazelkorn advierte de un patrón preocupante: se crean rankings regionales (por ejemplo, para África o Asia Central), se organizan conferencias financiadas por gobiernos o universidades locales, y luego se ofrecen servicios de consultoría para mejorar la posición en esos mismos rankings. Esto genera dependencia y erosiona la autonomía institucional y nacional.

La construcción de políticas de investigación en universidades latinoamericanas

Sutz, Judith; Bortagaray, Isabel; Gras, Natalia; Mederos, Leticia; Tomassini, Cecilia; Alzugaray, Santiago; y Ardanche, Melisa. La construcción de políticas de investigación en universidades latinoamericanas: recorridos por la experiencia uruguaya. Buenos Aires: CLACSO, mayo de 2025. ISBN 978‑631‑308‑053‑3.

Texto completo

El libro La construcción de políticas de investigación en universidades latinoamericanas: recorridos por la experiencia uruguaya, publicado por CLACSO en mayo de 2025, reúne la mirada de siete autoras —Judith Sutz, Isabel Bortagaray, Natalia Gras, Leticia Mederos, Cecilia Tomassini, Santiago Alzugaray y Melisa Ardanche— sobre el diseño, implementación y sostenimiento de políticas universitarias de investigación en la Universidad de la República (Udelar) de Uruguay

Las autoras, con trayectorias institucionales y participación directa en la formulación de esas políticas, organizan el análisis en cinco recorridos temáticos a lo largo de más de treinta años. Destacan tres pilares fundamentales: la continuidad institucional, que ha permitido mantener proyectos a largo plazo; la cercanía con los investigadores, traduciéndose en adaptación a sus necesidades; y la inclusión de actores históricamente marginados, integrándolos en la construcción del conocimiento

En particular, el libro se adentra en la evolución de programas clave como el de “iniciación a la investigación” y el de “apoyo a la investigación estudiantil”. Estas iniciativas, diseñadas para integrar tempranamente a estudiantes y docentes en actividades de investigación, se han transformado a lo largo del tiempo, adaptándose a realidades institucionales y demográficas cambiantes

Otro eje central del análisis es la democratización y difusión del conocimiento. La autoría resalta la importancia de impulsar publicaciones, eventos, proyectos I+D orientados a la inclusión social y vinculación con otros actores. El objetivo fue trascender el espacio universitario, promoviendo una interacción más estrecha con la sociedad y las comunidades .

Finalmente, se subrayan los aprendizajes institucionales adquiridos: flexibilización de criterios de acceso, adaptación de programas a nuevos contextos, y la creación de estructuras estables de evaluación participativa. Estas herramientas fortalecieron la resiliencia de la política científica universitaria y proponen un modelo replicable en otras universidades de América Latina .

Se limitarán los costes editoriales excesivos (APCs) en investigaciones financiadas con fondos públicos

NIH (8 de julio de 2025). NIH to crack down on excessive publisher fees for publicly funded research. Recuperado de: https://www.nih.gov/news-events/news-releases/nih-crack-down-excessive-publisher-fees-publicly-funded-research

El 8 de julio de 2025, los Institutos Nacionales de Salud de Estados Unidos (NIH) anunciaron una nueva política destinada a limitar los gastos editoriales que los investigadores pueden reclamar cuando publican artículos en acceso abierto con fondos públicos.

Esta medida busca frenar los precios abusivos que algunas editoriales imponen —en ocasiones superiores a los 13.000 dólares por artículo— por permitir la publicación libre y gratuita de resultados científicos que han sido financiados por el erario público.

A partir del año fiscal 2026, los investigadores financiados por la NIH deberán ajustarse a un tope máximo en los gastos de procesamiento de artículos (APCs, por sus siglas en inglés). Aunque la cifra exacta aún no se ha hecho pública, la agencia ha anunciado que se dará a conocer antes de que termine 2025. El objetivo es claro: proteger el presupuesto de la investigación, hacer más sostenible el ecosistema de la comunicación científica y asegurar que el conocimiento generado con dinero público esté al alcance de todos, sin barreras económicas.

La medida se enmarca en un conjunto de políticas más amplias que la NIH viene implementando para favorecer el acceso abierto a la ciencia. Entre ellas se incluyen su política de acceso público a publicaciones científicas, la gestión de datos de investigación, y herramientas como RePORT, que permiten rastrear en qué se invierten los fondos y qué resultados se obtienen. Esta política también responde a una directiva federal de 2022 que exige el acceso inmediato a los resultados financiados con fondos públicos, sin periodos de embargo.

El director de la NIH, Dr. Jay Bhattacharya, señaló que la iniciativa no solo beneficia a los investigadores, sino que responde a un imperativo ético: garantizar que la ciencia esté al servicio de toda la sociedad. Asimismo, advirtió que la escalada de costes editoriales erosiona la equidad y reduce la eficacia del sistema de financiación científica. Con esta acción, la NIH pretende incentivar prácticas editoriales más razonables y transparentes, a la vez que fortalece la confianza pública en la ciencia.

Estrategias efectivas para aumentar y gestionar éticamente la frecuencia de citación

Ebrahim, Nader Ale. «Effective Strategies for Increasing and Ethically Managing Citation Frequency.» SSRN, June 13, 2025. https://www.linkedin.com/pulse/effective-strategies-increasing-ethically-managing-nader-ale-ebrahim-gm2yf/

Las citas son un indicador ampliamente reconocido del impacto académico y la visibilidad de la investigación. Sin embargo, la frecuencia de citas está influenciada por múltiples factores estratégicos, técnicos y éticos. Este artículo presenta una discusión equilibrada sobre estrategias efectivas para aumentar y gestionar éticamente la frecuencia de citas, fundamentadas en principios de visibilidad de la investigación y ética de las citas. Basándose en los trabajos y materiales públicos del Dr. Nader Ale Ebrahim, el estudio detalla medidas prácticas para mejorar la descubribilidad, accesibilidad y alcance académico, advirtiendo a la vez contra la manipulación poco ética de las citas. El artículo ofrece un marco para guiar a los investigadores en la maximización del impacto académico legítimo, manteniendo la integridad en las citas.

1. Introducción
La frecuencia de citas juega un papel central en la evaluación de la influencia académica, la reputación y los rankings institucionales. Aunque una investigación impactante puede no atraer atención inmediata, una difusión estratégica puede mejorar significativamente las métricas de citas. Al mismo tiempo, la comunidad académica enfrenta un escrutinio creciente hacia prácticas poco éticas, como la auto-citación excesiva y los carteles de citas. Este artículo busca presentar estrategias basadas en evidencia para aumentar la frecuencia de citas, enfatizando límites éticos y acciones que, justificadamente, podrían reducirlas.

2. Estrategias para aumentar la frecuencia de citas

2.1 Optimización de metadatos y títulos
La visibilidad de la investigación comienza con títulos, resúmenes y metadatos bien estructurados. Repetir palabras clave relevantes en el resumen y elegir títulos precisos mejora significativamente la indexación en bases de datos. La optimización de metadatos incrementa la probabilidad de que la investigación sea recuperada por motores de búsqueda académicos.

2.2 Publicar en revistas de alta visibilidad
La selección de revistas es un factor determinante para el desempeño en citas. Los artículos en revistas bien indexadas y de alto impacto tienen mayor probabilidad de ser citados debido a su amplia difusión. Se recomienda apuntar a revistas con lectores establecidos y presencia en Scopus, Web of Science y DOAJ.

2.3 Adoptar acceso abierto y autoarchivo
Numerosos estudios muestran que los artículos en acceso abierto reciben más citas. Hacer preprints o postprints disponibles públicamente a través de repositorios institucionales y plataformas como arXiv o SSRN aumenta la descubribilidad. La visibilidad es clave para el impacto.

2.4 Mantener una presencia digital actualizada
Perfiles profesionales en plataformas como Google Scholar, ORCID, ResearchGate y páginas institucionales deben estar siempre actualizados para amplificar el alcance y la indexación del trabajo académico.

2.5 Expandir colaboraciones
La investigación muestra que colaboraciones internacionales e interdisciplinarias se correlacionan positivamente con mayores tasas de citas. Los artículos con múltiples coautores, especialmente de distintas instituciones o países, atraen una audiencia más diversa.

2.6 Utilizar redes sociales y académicas
Difundir la investigación mediante redes sociales (LinkedIn, Twitter/X), plataformas académicas y blogs extiende el alcance más allá de los lectores tradicionales de revistas. Estas actividades son esenciales en las estrategias modernas de difusión.

2.7 Publicar artículos de revisión y encuestas
Los artículos de revisión, meta-análisis y encuestas suelen atraer más citas que la investigación original por su mayor atractivo. Apuntar a revistas de alto impacto con revisiones es una estrategia probada para aumentar citas.

2.8 Compartir datos y preprints
Los investigadores que comparten conjuntos de datos o documentos en proceso suelen recibir más citas. Los datos abiertos mejoran la replicabilidad y la credibilidad, y amplían el uso del trabajo por otros académicos.

3. Estrategias para gestionar éticamente la frecuencia de citas

3.1 Evitar la auto-citación excesiva
Mantener una tasa equilibrada de auto-citación es esencial para la ética académica. Monitorizar las auto-citas con plataformas como Scopus o Google Scholar ayuda a mantener transparencia y credibilidad.

3.2 Asegurar la relevancia en las referencias
Solo se deben incluir citas que apoyen el argumento o proporcionen contexto necesario. El exceso de referencias puede disminuir la calidad del artículo y provocar solicitudes editoriales para reducirlas.

3.3 Prevenir la manipulación de citas
Prácticas poco éticas como peticiones coercitivas de cita, carteles de citas o referencias irrelevantes distorsionan las métricas académicas. Quienes las practiquen arriesgan daños reputacionales y sanciones, incluyendo la exclusión de bases de datos.

3.4 Practicar la transparencia en las citas
Hacer seguimiento de las fuentes de citas y entender las métricas, incluyendo la exclusión de auto-citas, ayuda a los investigadores a rendir cuentas. Promover la ética en las citas es parte fundamental de una investigación responsable.

4. Conclusión
Aumentar la frecuencia de citas requiere combinar investigación de calidad, difusión estratégica y prácticas éticas. El trabajo del Dr. Nader Ale Ebrahim demuestra que no solo el contenido importa, sino también cómo se comparte y accede a él. Mantener la integridad en las citas asegura que las contribuciones académicas sean creíbles y éticamente fundamentadas. Este enfoque equilibrado brinda a los investigadores las herramientas para construir un perfil académico sólido y contribuir responsablemente al ecosistema científico.

References

1.      Ale Ebrahim, N. (Access to Publications). SSRN Author Page. Retrieved from https://papers.ssrn.com/sol3/cf_dev/AbsByAuth.cfm?per_id=1379350

2.      Ale Ebrahim, N. (Teaching Materials). Figshare Author Page. Retrieved from https://figshare.com/authors/Nader_Ale_Ebrahim/100797

3.      Moed, H. F. (2005). Citation analysis in research evaluation. Springer.

4.      Bornmann, L., & Daniel, H.-D. (2008). What do citation counts measure? A review of studies on citing behavior, Journal of Documentation, 64(1), 45–80.

5.      Björk, B.-C., & Solomon, D. (2012). Open access versus subscription journals: A comparison of scientific impact. BMC Medicine, 10(1), 73.

6.      Tahamtan, I., Afshar, A. S., & Ahamdzadeh, K. (2016). Factors affecting the number of citations: A comprehensive review of the literature. Scientometrics, 107(3), 1195–1225.

7.      Harzing, A. W. (2010). The Publish or Perish Book: Your guide to effective and responsible citation analysis. Tarma Software Research.

8.      How to improve your visibility as a researcher, available online at: https://authorservices.taylorandfrancis.com/blog/research-impact/how-to-improve-research-visibility/

9.      Ale Ebrahim, N. (2025). AI-Powered Tools and Strategies to Boost Research Visibility and Impact [Presentation]. Figshare. https://doi.org/10.6084/m9.figshare.28877966.v1

10.  Ale Ebrahim, N. (2025). AI-Driven Research Tools for Literature Search, Writing, Publishing, and Boosting Research Visibility and Impact [Presentation]. Figshare. https://doi.org/10.6084/m9.figshare.28369517.v1

11.  Ale Ebrahim, N. (2025). AI Application for Maximizing Research Visibility and Impact through Open Science [Presentation]. Figshare. https://doi.org/10.6084/m9.figshare.28306838.v1

12. https://chatgpt.com

Mantener la integridad de la investigación en la era de la GenAI: análisis de los retos éticos y recomendaciones a los investigadores

Bjelobaba, Sonja, Lorna Waddington, Mike Perkins, Tomáš Foltýnek, Sabuj Bhattacharyya, y Debora Weber-Wulff. “Maintaining Research Integrity in the Age of GenAI: An Analysis of Ethical Challenges and Recommendations to Researchers.” International Journal for Educational Integrity 21, no. 18 (2025). https://doi.org/10.1007/s40979-025-00191-w.

El artículo analiza los desafíos éticos emergentes derivados del uso creciente de herramientas de inteligencia artificial generativa (GenAI) en el ciclo de vida de la investigación académica. A través de una revisión rápida basada en la práctica, los autores identifican riesgos como la generación de contenido no verificable, la atribución inadecuada de autoría, y la posible erosión de la integridad académica.

En los últimos años, el uso de inteligencia artificial generativa (GenAI) ha transformado drásticamente el panorama académico. Aunque se ha hablado extensamente sobre su impacto en el ámbito educativo —especialmente entre estudiantes—, existe aún poca investigación sobre cómo estas herramientas afectan el proceso investigador. Este artículo se propone llenar ese vacío, analizando los desafíos éticos que plantea el uso de GenAI en todas las etapas del ciclo de investigación académica, desde la formulación de hipótesis hasta la revisión por pares, con el objetivo de ofrecer recomendaciones claras para un uso responsable.

Los autores emplean una revisión rápida que combina literatura científica reciente con análisis práctico del funcionamiento de herramientas de GenAI aplicadas al trabajo investigador. Como marco ético, se basan en el Código Europeo de Conducta para la Investigación, que establece los principios fundamentales de fiabilidad, honestidad, respeto y responsabilidad. A partir de esta estructura, el artículo examina cómo estas herramientas pueden interferir, beneficiar o perjudicar las distintas fases del proceso científico.

En la formulación de preguntas de investigación y diseño de estudios, GenAI puede ayudar a generar ideas iniciales, pero muchas veces estas son superficiales, repetitivas o carentes de originalidad. Además, los modelos tienden a reproducir sesgos previos y, en algunos casos, suprimen ciertos temas o expresiones por filtros ideológicos o comerciales, lo que plantea un problema de censura encubierta. Estas dinámicas pueden limitar el pensamiento crítico y afectar la libertad académica.

Durante la revisión bibliográfica, el uso de GenAI presenta varios riesgos. Algunas herramientas proporcionan referencias aparentemente válidas, pero que no existen —las llamadas “alucinaciones”—, o bien generan resúmenes que reproducen fragmentos literales, incurriendo en plagio inadvertido. Además, al cargar documentos protegidos por derechos de autor en estos sistemas, los investigadores pueden estar vulnerando normativas de propiedad intelectual, especialmente si las plataformas se quedan con una copia de los datos.

En la fase de recogida de datos, se advierte sobre el uso de GenAI para diseñar encuestas, formular entrevistas o transcribir audios. Las herramientas pueden no captar sutilezas culturales o lingüísticas, generando sesgos significativos. Asimismo, su uso en la transcripción o anonimización de datos puede violar leyes de protección de datos, sobre todo si el procesamiento se hace en servidores externos. Esto representa un riesgo ético y legal que debe ser gestionado desde el principio del proyecto.

El análisis de datos con apoyo de GenAI también está lleno de desafíos. Si bien puede ayudar a procesar grandes volúmenes de información, hay riesgo de interpretar incorrectamente resultados estadísticos o de generar conclusiones falsas. En particular, el uso de GenAI para anonimizar información sensible no es fiable, y puede permitir la reidentificación de personas si los modelos conservan trazas de los datos originales.

Durante la redacción de artículos académicos, se han detectado problemas como la omisión de comillas o referencias, la producción de frases sintácticamente confusas, y la inclusión de ideas mal citadas o alteradas. Todo ello puede derivar en acusaciones de plagio o mala praxis. En el ámbito de la traducción, aunque los LLM ofrecen resultados aceptables, también existe el riesgo de “falsos positivos” en detectores de IA, especialmente en manuscritos traducidos por hablantes no nativos.

En la revisión por pares y publicación científica, se subraya que GenAI no puede figurar como autor, ya que no puede asumir responsabilidades ni declarar conflictos de interés. Aun así, estas herramientas están siendo utilizadas para evaluar artículos, lo que plantea dudas sobre la transparencia del proceso. Además, el uso indiscriminado de GenAI puede incentivar prácticas cuestionables como el «salami slicing» (división artificial de investigaciones) o la proliferación de artículos fraudulentos en publicaciones depredadoras.

Entre los riesgos éticos identificados se destacan: la falta de transparencia en el uso de GenAI, el incumplimiento de derechos de autor, la exposición de datos personales, la generación de contenidos plagiados o erróneos, la reproducción de sesgos y estereotipos, la censura por diseño, y la fabricación de datos o resultados. Estos riesgos pueden acumularse a lo largo del proceso investigador y poner en peligro la integridad científica.

Como respuesta, el artículo ofrece recomendaciones claras: documentar y declarar el uso de GenAI en cada fase del trabajo; verificar manualmente los resultados generados; evitar subir materiales con derechos de autor sin permiso explícito; utilizar plataformas que garanticen privacidad y no reclamen propiedad sobre los contenidos; preferir el procesamiento local cuando sea posible; y fomentar normativas institucionales que regulen el uso de estas herramientas con criterios éticos.

Recomendaciones

Basándose en los principios del código europeo, el artículo propone medidas como:


– Documentar y declarar el uso de GenAI en la metodología.
– Verificar manualmente todas las salidas generadas.
– No cargar contenido con copyright sin permiso.
– Emplear herramientas que rastreen fuentes originales.
– Seleccionar servicios que no reclamen propiedad intelectual.
– Considerar la privacidad desde el inicio (optar por procesamiento local si es posible).
– Mantener supervisión ética del diseño, recogida, análisis y publicación de datos.
– Fomentar políticas institucionales claras. Individualmente, los investigadores deben asumir responsabilidad de transparencia y precisión .

Cuando medir empobrece: el coste conceptual de cuantificar la investigación

Martins, Igor. “The Pressure to Quantify Research Is Erasing Conceptual Depth.” LSE Impact of Social Sciences (blog), junio 11, 2025 https://blogs.lse.ac.uk/impactofsocialsciences/2025/06/11/the-pressure-to-quantify-research-is-erasing-conceptual-depth/

Igor Martins advierte que la presión por traducir ideas complejas en indicadores concretos —como citaciones, rankings o índices— conduce a una investigación superficial, donde lo medible desplaza lo significativo

Tanto investigadores como instituciones están cada vez más obligados a presentar resultados que encajen en indicadores numéricos —citaciones, rankings de revistas, índices de desarrollo—, lo que no solo limita qué se investiga, sino también cómo se construye el conocimiento.

Este fenómeno refleja la falacia de McNamara: priorizar lo cuantificable y desechar lo que no puede medirse. Como se explica en la “Ética de la cuantificación”, esta forma de pensar puede generar una confianza excesiva en los números y hacer que problemas complejos de tipo político o social se traten como si fueran únicamente cuestiones técnicas, simplificando en exceso su naturaleza y dificultando soluciones adecuadas.

Para las metodologías cualitativas, la presión por métricas transforma conceptos en marcos rígidos que favorecen eficiencia y comparabilidad a costa de profundidad. Según un estudio en BMC (2025), «estos marcos… promueven eficiencia y comparabilidad, pero arriesgan perder lo valioso de una buena investigación cualitativa: la profundidad» Además, convertir datos cualitativos en parámetros fácilmente cuantificables (p. ej., inter-rater reliability) puede distorsionar la riqueza del análisis.

Martins relata su experiencia durante un posdoctorado en la Universidad de Lund, donde trabajó en una teoría sobre el cierre de brechas económicas. Para ello debió operacionalizar conceptos abstractos como “capacidades sociales”, traduciendo nociones de inclusión, autonomía o estabilidad en métricas concretas. Sin embargo, relata que las exigencias de claridad y objetividad reducían la riqueza teórica original. Él mismo admite: “en aquel momento… la demanda de una métrica había empezado a desplazar el trabajo conceptual en sí”

El artículo profundiza en los riesgos de aplicar criterios cuantitativos uniformes a disciplinas muy diversas. Citando a Jonathan Adams, Martins advierte: “producir métricas comparables entre filósofos, historiadores o economistas borra las diferencias que dan valor a esa diversidad intelectual” . Cuando los proxies –las métricas– se institucionalizan, se corre el riesgo de confundir el mapa con el territorio, perdiendo de vista el fenómeno original .

No obstante, Martins reconoce que la medición tiene beneficios prácticos: facilita la comparación, replicación y comunicación de resultados, especialmente en economía del desarrollo y bienestar, donde indicadores como el PIB o la calidad institucional guían políticas. El problema no es medir, sino que la métrica se convierta en el fin, sustituyendo el pensamiento profundo. Advierte que “la ambigüedad no siempre es un problema; a veces, es lo que hace que un concepto valga la pena”

Por lo que llama a un uso cuidadoso de las métricas: que sean herramientas para clarificar y ampliar el pensamiento, no reemplazos del mismo. Propone mantener vigilante el equilibrio entre la cuantificación y la riqueza conceptual, reconociendo que cierta vaguedad es necesaria para capturar fenómenos complejos.

La administración Trump cancela contratos de suscripción con Springer Nature por valor de millones de dólares

Inside Higher Ed. «Trump Admin Cuts NIH’s Springer Nature Subscriptions.» Inside Higher Ed, 27 de junio de 2025. https://www.insidehighered.com/news/quick-takes/2025/06/27/trump-admin-cuts-nihs-springer-nature-subscriptions.

La administración Trump ha cancelado contratos por millones de dólares con Springer Nature, una gigante editorial científica de propiedad alemana que durante mucho tiempo recibió pagos por suscripciones de los Institutos Nacionales de Salud y otras agencias.

La administración Trump ha decidido cancelar millones de dólares en contratos de suscripción con Springer Nature, una importante editorial científica alemana que provee contenido para agencias como los Institutos Nacionales de Salud (NIH) de Estados Unidos. Esta medida se produjo tras cuestionamientos del Departamento de Justicia sobre las prácticas editoriales de Springer, acusándola de adoptar posiciones partidistas en debates científicos y de promover ciertos puntos de vista de manera indebida.

A principios de este año, el Departamento de Justicia envió una carta a una publicación de Springer cuestionando sus prácticas editoriales. La carta también planteaba preguntas sobre los supuestos vínculos de Springer con China, financiación del Partido Comunista Chino (PCCh) y reclamaciones relacionadas con la censura.

Al menos otra revista científica, Chest, también recibió una carta sobre la toma de partido en debates científicos, como informó The Washington Post en abril.

Springer Nature tiene más de 3.000 revistas y publicaciones, y su portafolio incluye Nature y Scientific American. El contenido editorial abarca desde noticias científicas y médicas hasta artículos de investigación revisados por pares escritos por científicos.

La empresa salió a bolsa en octubre de 2024, y esta controversia refleja las tensiones actuales entre la administración estadounidense y ciertas entidades científicas internacionales.

¿Son mejores las ideas de investigación generadas por Inteligencia Artificial o las creadas por humanos?

Si, Chenglei, Tatsunori Hashimoto y Diyi Yang. The Ideation-Execution Gap: Execution Outcomes of LLM-Generated versus Human Research Ideas. arXiv, 25 de junio de 2025. https://arxiv.org/abs/2506.20803

Los resultados mostraron que las ideas generadas por LLM recibieron puntuaciones significativamente más bajas que las ideas humanas en todos los criterios evaluados: novedad, entusiasmo, efectividad y puntuación general. Este fenómeno, denominado «brecha ideación-ejecución», sugiere que, aunque los LLM pueden generar ideas originales, su capacidad para traducir esas ideas en resultados de investigación efectivos es limitada.

El estudio investiga la diferencia entre la generación de ideas de investigación por modelos de lenguaje grande (LLM, Large Language Models) y la capacidad real de esas ideas para traducirse en resultados concretos y efectivos cuando se llevan a la práctica. Aunque investigaciones anteriores han señalado que los LLM pueden producir ideas originales e innovadoras, el presente estudio se enfoca en la llamada “brecha ideación-ejecución” para determinar si estas ideas realmente tienen éxito cuando se implementan en proyectos de investigación reales.

Para evaluar esta cuestión, los autores diseñaron un experimento riguroso en el que 43 investigadores expertos en procesamiento de lenguaje natural recibieron ideas de investigación generadas tanto por humanos como por LLM. Cada investigador trabajó durante más de 100 horas en la ejecución de una de estas ideas, desarrollando proyectos completos documentados en informes detallados de cuatro páginas. Estos informes fueron luego evaluados de manera anónima por otros expertos para medir la calidad y el impacto de los resultados obtenidos.

Los resultados revelaron que, en múltiples dimensiones evaluadas —incluyendo la novedad de la idea, el entusiasmo generado, la efectividad del proyecto y la valoración general—, los proyectos derivados de ideas humanas superaron claramente a los derivados de ideas generadas por LLM. En otras palabras, aunque los LLM son capaces de ofrecer propuestas creativas y novedosas, su capacidad para traducir esas ideas en investigaciones exitosas y aplicables es significativamente menor.

Este hallazgo tiene implicaciones importantes para el uso de la inteligencia artificial en la investigación científica. Sugiere que, aunque la IA puede ser una herramienta valiosa para inspirar ideas o asistir en la fase inicial de generación conceptual, la supervisión humana y la experiencia siguen siendo cruciales para asegurar que las ideas puedan concretarse en resultados tangibles y de calidad. El estudio enfatiza la necesidad de evaluar no solo la creatividad o novedad de las ideas producidas por IA, sino también su factibilidad y capacidad de ejecución.

Finalmente, los autores invitan a reflexionar sobre cómo integrar de manera efectiva las capacidades de los modelos de lenguaje en el proceso de investigación, proponiendo un enfoque colaborativo entre humanos e IA que maximice las fortalezas de cada uno, minimizando las limitaciones observadas.

ChatGPT en la escritura académica: un análisis cienciométrico de la literatura publicada entre 2022 y 2023

Lendvai GF. ChatGPT in Academic Writing: A Scientometric Analysis of Literature Published Between 2022 and 2023. Journal of Empirical Research on Human Research Ethics. 2025;0(0). doi:10.1177/15562646251350203

El artículo analiza cómo la literatura académica ha percibido la herramienta de inteligencia artificial ChatGPT en el contexto de la escritura académica. Utilizando un enfoque cientométrico, los autores examinan la evolución de las publicaciones académicas que abordan el uso de ChatGPT en la redacción de textos científicos, identificando tendencias, patrones y áreas de interés en la investigación.

El estudio se centra en el análisis de 171 artículos académicos revisados por pares, extraídos de la base de datos Scopus, que abordan el uso de ChatGPT en la escritura académica. Utilizando el software CiteSpace, los autores realizaron un análisis de co-citación de documentos para mapear la estructura temática e intelectual del discurso sobre ChatGPT en la producción de conocimiento académico.

Se identificaron diez clusters temáticos principales, entre los que destacan:

  1. Riesgos éticos: Incluye preocupaciones sobre la autoría, el plagio y la integridad académica.
  2. Aplicaciones prácticas: Uso de ChatGPT para la redacción de textos, generación de resúmenes y asistencia en la escritura.
  3. Innovaciones pedagógicas: Integración de ChatGPT en entornos educativos para mejorar la enseñanza y el aprendizaje.

El análisis también destacó una creciente aceptación de ChatGPT como herramienta para mejorar la escritura y apoyar marcos educativos innovadores, especialmente entre hablantes no nativos de inglés. Sin embargo, persisten preocupaciones sobre referencias inventadas, plagio, ética de la autoría y la fiabilidad de las herramientas de detección de IA.

El estudio destaca el creciente interés en la aplicación de ChatGPT en diversos aspectos de la escritura académica, incluyendo la generación de contenido, la asistencia en la redacción y la mejora de la calidad del texto. Además, se analizan las implicaciones éticas y metodológicas de utilizar herramientas de IA en la producción académica, considerando aspectos como la autoría, la originalidad y la integridad de la investigación.

A través de este análisis, los autores proporcionan una visión detallada de cómo la comunidad académica está incorporando ChatGPT en sus prácticas de escritura y los desafíos que esto implica. El estudio también sugiere áreas para futuras investigaciones y el desarrollo de directrices para el uso ético y efectivo de la inteligencia artificial en la redacción académica.

El estudio enfatiza la necesidad de una supervisión proactiva y el desarrollo de políticas para garantizar una integración responsable de la IA generativa en la investigación y la educación. Se sugiere que las instituciones académicas implementen directrices claras sobre el uso de herramientas como ChatGPT, promoviendo prácticas éticas y transparentes en la producción académica.

Guía práctica para una investigación ética y responsable con inteligencia artificial

UK Research Integrity Office. (2025, 27 de junio). Embracing AI with integrity: A practical guide for researchers. UKRIO. https://ukrio.org/wp-content/uploads/Embracing-AI-with-integrity.pdf

El documento proporciona una guía clara, práctica y accesible para que los investigadores integren herramientas de inteligencia artificial (IA) en su trabajo de forma ética y responsable.

Reconociendo que la IA ya forma parte del ecosistema académico —desde la escritura de textos hasta el análisis de datos—, el objetivo principal de esta guía es proteger la integridad de la investigación, asegurando que el uso de la IA no comprometa la transparencia, la responsabilidad ni la originalidad del trabajo científico.

La guía se estructura en torno a cinco áreas clave de riesgo relacionadas con el uso de la IA en la investigación. La primera de ellas es el cumplimiento legal y regulatorio, que incluye aspectos como el respeto a los derechos de autor, la protección de datos personales y el cumplimiento de los requisitos de las agencias financiadoras. En segundo lugar, se abordan las consideraciones éticas, como la equidad, la eliminación de sesgos, el consentimiento informado y el respeto por los participantes en la investigación, especialmente en estudios con seres humanos.

El tercer aspecto señalado es la necesidad de proteger el registro de la investigación, lo que implica documentar de forma clara cuándo, cómo y con qué herramientas de IA se ha trabajado. Esto favorece la trazabilidad y permite que otros comprendan y repliquen el proceso investigativo. La cuarta área de atención es la divulgación y presentación de resultados, en la que se destaca la importancia de indicar si se han utilizado herramientas de IA en la redacción, el análisis o la elaboración de gráficos, asegurando que la autoría humana esté bien diferenciada y que la contribución de la IA esté correctamente citada o reconocida.

Finalmente, la guía subraya el riesgo de que el uso extensivo de la IA pueda debilitar habilidades humanas esenciales como el pensamiento crítico, la creatividad y el juicio profesional. Aunque la IA puede ser una gran aliada, el documento recomienda evitar la dependencia excesiva de estas tecnologías, especialmente en etapas formativas o en tareas que requieren discernimiento ético o análisis complejo.

Embracing AI with Integrity también incluye recomendaciones prácticas para investigadores, instituciones y responsables de políticas científicas. A los investigadores se les insta a reflexionar críticamente sobre el uso que hacen de estas herramientas, a reconocer sus limitaciones, y a documentar su uso en sus publicaciones y proyectos. A las instituciones, se les recomienda desarrollar políticas claras, ofrecer formación continua y fomentar una cultura de uso ético de la IA.

La guía responde a una necesidad detectada en una encuesta previa realizada por UKRIO en 2024, que reveló una gran preocupación en la comunidad científica por la falta de directrices claras respecto al uso de estas tecnologías. Como resultado, muchas universidades y centros de investigación no contaban aún con políticas definidas, lo que generaba incertidumbre entre académicos y estudiantes. Con esta publicación, UKRIO busca llenar ese vacío y fomentar un diálogo abierto sobre el uso responsable de la IA en la ciencia.