Archivo de la etiqueta: Investigación

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

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

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

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

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

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

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

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

Carta Europea del Investigador

European Commission: Directorate-General for Research and Innovation, Charte européenne du chercheur – Renforcer l’attrait des carrières dans les secteurs public et privé, Publications Office of the European Union, 2025, https://data.europa.eu/doi/10.2777/6000481

Texto completo en español

La Carta Europea del Investigador es una directriz de la Unión Europea que establece 40 principios generales sobre los derechos, responsabilidades y obligaciones de los investigadores, instituciones y financiadores. Su objetivo principal es crear un mercado laboral abierto, transparente y justo para el personal científico en toda Europa

La Carta Europea del Investigador fue adoptada por el Consejo el 18 de diciembre de 2023, como anexo 2 de la Recomendación C/2023/1640 del Consejo, que define un marco europeo para atraer y retener a investigadores, así como a innovadores y emprendedores con talento en Europa. Esta nueva carta sustituye a la antigua Carta y Código europeos (de 2005) y responde a una evolución significativa de la política de investigación e innovación.

La carta establece un conjunto de principios que deben permitir el desarrollo de carreras atractivas en la investigación, con el fin de apoyar la excelencia en la investigación y la innovación en Europa. La Comisión Europea la considera un motor para reforzar el Espacio Europeo de Investigación.

La presente publicación constituye una referencia esencial para el proceso de concesión del premio “Human Resources Excellence in Research”. Sus objetivos son sensibilizar, facilitar la difusión y ofrecer apoyo a investigadores, empleadores, organismos financiadores y responsables políticos en todas las disciplinas y

Clarivate publica el Journal Citation Reports 2026

Research Information. “Clarivate Releases Journal Citation Reports 2026”. Junio de 2026. Basado en el anuncio oficial de Clarivate Analytics

Clarivate ha presentado la edición 2026 de su influyente informe Journal Citation Reports (JCR), una de las herramientas bibliométricas más utilizadas en el mundo académico para evaluar el impacto y la influencia de las revistas científicas. Esta nueva edición refuerza la apuesta por una evaluación más responsable, contextualizada y multidimensional de las publicaciones científicas, en un momento en que la comunidad investigadora cuestiona cada vez más la dependencia exclusiva del tradicional Impact Factor.

El informe, integrado en la plataforma Journal Citation Reports de Clarivate, amplía significativamente su cobertura global. La edición 2026 incorpora 22.643 revistas académicas procedentes de 113 países y distribuidas en 254 categorías temáticas, consolidando a JCR como uno de los repertorios de referencia para universidades, bibliotecas, agencias de evaluación e instituciones científicas. La metodología mantiene un enfoque estable que permite comparaciones longitudinales entre disciplinas y seguimiento de tendencias de publicación a escala internacional.

Una de las principales líneas de evolución del JCR 2026 es el énfasis en la evaluación responsable de revistas, reduciendo la centralidad histórica del Journal Impact Factor (JIF) como único indicador de calidad. Clarivate insiste en que las métricas de revista no deben utilizarse para evaluar directamente investigadores individuales o artículos concretos. En este sentido, la plataforma complementa el JIF con indicadores adicionales como el Journal Citation Indicator (JCI), métricas normalizadas por campo disciplinar, estadísticas de acceso abierto, datos sobre contribuciones editoriales y análisis comparativos por categoría científica.

El lanzamiento refleja también cambios más amplios en el ecosistema de la comunicación científica. Según Clarivate, el crecimiento de modelos de publicación en acceso abierto, la expansión de revistas multidisciplinares y el aumento global del volumen de citación exigen herramientas analíticas más sofisticadas. Por ello, JCR 2026 incorpora nuevos mecanismos de contextualización que permiten interpretar mejor la influencia de una revista dentro de su propio campo, evitando comparaciones simplistas entre disciplinas con dinámicas de citación muy diferentes.

Para bibliotecarios, gestores de colecciones y responsables universitarios, esta actualización resulta especialmente relevante porque influye directamente en políticas de suscripción, estrategias de adquisición, decisiones de financiación y evaluación institucional de la investigación. El sistema sigue funcionando como referencia central en numerosos procesos de acreditación académica y análisis del rendimiento científico internacional, aunque en paralelo continúa creciendo el debate sobre alternativas más abiertas y menos dependientes de métricas cuantitativas tradicionales.

El inquietante aumento de artículos científicos en la era de la inteligencia artificial

Dahl, Josh. “Guest Post — Is Growth Always Good News? 2026 Article Submission Surges”. The Scholarly Kitchen, 13 de mayo de 2026. Disponible en: The Scholarly Kitchen

Una cuestión que está generando creciente preocupación en la comunicación científica: el espectacular aumento de manuscritos enviados a las revistas cientificas durante 2026 y el papel que la inteligencia artificial podría estar desempeñando en este fenómeno. Basándose en datos de la plataforma ScholarOne Manuscripts, una de las mayores infraestructuras mundiales de gestión editorial, Dahl revela que durante el primer trimestre de 2026 las revistas recibieron un 33 % más de artículos que en el mismo período del año anterior. Lo más llamativo no es únicamente la magnitud del crecimiento, sino su aceleración: mientras que en 2025 el incremento había sido del 17 %, en 2026 prácticamente se duplicó. Para muchos editores y responsables de revistas, esta tendencia empieza a parecer insostenible.

El autor evita interpretar automáticamente estos datos como una señal positiva. A primera vista, podría pensarse que estamos asistiendo a una expansión saludable de la actividad investigadora mundial. Más investigadores, más proyectos y más artículos podrían indicar un fortalecimiento del sistema científico. Sin embargo, Dahl advierte que los datos permiten otra lectura menos optimista. La proliferación de herramientas de inteligencia artificial generativa ha reducido drásticamente el esfuerzo necesario para producir textos académicos, lo que podría estar favoreciendo una avalancha de manuscritos elaborados con ayuda de sistemas automatizados. El problema no sería únicamente la cantidad de artículos, sino la posible disminución de la calidad media y el aumento de trabajos producidos con escasa supervisión intelectual.

Uno de los hallazgos más reveladores del análisis es que el crecimiento no se distribuye de forma homogénea entre las revistas. Las publicaciones más pequeñas y menos selectivas son las que están experimentando los mayores aumentos. Las revistas que recibían menos de quince artículos por trimestre registraron incrementos cercanos al 81 %, mientras que las grandes publicaciones, con más de 1.500 envíos trimestrales, crecieron aproximadamente un 20 %. Este patrón no demuestra por sí mismo que exista una invasión de manuscritos generados por IA, pero sí resulta compatible con esa hipótesis. Los autores que buscan publicar rápidamente podrían estar orientando sus envíos hacia revistas con menos recursos editoriales y menores barreras de entrada, precisamente aquellas que tienen más dificultades para detectar problemas metodológicos, éticos o de autoría.

El artículo destaca asimismo que los mecanismos de filtrado editorial ya están reaccionando a esta presión. Entre 2022 y 2025, los rechazos iniciales sin revisión por pares (desk rejections) aumentaron un 72 %, mientras que el número total de decisiones editoriales creció un 43 %. En otras palabras, los editores están rechazando proporcionalmente más trabajos antes de enviarlos a revisión externa. Esta tendencia sugiere que las revistas están absorbiendo una creciente cantidad de manuscritos considerados inadecuados, irrelevantes o insuficientemente elaborados. El sistema editorial continúa funcionando como filtro, pero lo hace a costa de una carga de trabajo cada vez mayor.

Para Dahl, el verdadero problema no es tecnológico, sino social. El sistema de revisión por pares se construyó sobre una premisa fundamental: que el investigador es el autor intelectual del texto que presenta, comprende plenamente su contenido y puede defender cada afirmación, referencia y conclusión. La inteligencia artificial ha introducido una zona de ambigüedad que desafía ese supuesto. Entre una simple corrección gramatical y la generación completa de borradores existe un amplio espectro de usos de la IA para el que todavía no existen normas claras ni consensos sólidos. La frontera entre asistencia legítima y delegación excesiva de la escritura se vuelve cada vez más difusa.

El autor pone como ejemplo el problema de las referencias bibliográficas inventadas por los modelos de lenguaje. Un investigador puede utilizar una herramienta de IA para redactar parte de un artículo y recibir citas aparentemente válidas que en realidad no existen. Aunque no haya intención deliberada de fraude, el manuscrito acaba incorporando información falsa. Este tipo de situaciones revela una brecha entre los actuales sistemas de responsabilidad científica y las nuevas prácticas de escritura asistida por inteligencia artificial. Los mecanismos tradicionales de autoría y rendición de cuentas fueron diseñados para un entorno en el que la producción textual era completamente humana.

Otro aspecto destacado es la dimensión psicológica del fenómeno. Dahl sostiene que el uso de IA para redactar textos académicos no genera la misma percepción moral que prácticas claramente fraudulentas como la contratación de empresas que venden artículos científicos. Muchos investigadores consideran que utilizar IA para escribir partes de un manuscrito es simplemente una herramienta de productividad. El razonamiento suele ser que las ideas, los datos y la investigación siguen siendo propios, aunque la redacción haya sido parcialmente automatizada. Esta normalización puede resultar más problemática que el fraude deliberado porque es mucho más fácil de escalar y puede afectar a miles de investigadores que no se consideran deshonestos.

Las consecuencias se extienden también al sistema de revisión por pares. Cada nuevo artículo enviado requiere revisores y tiempo editorial. Sin embargo, la disponibilidad de revisores lleva años disminuyendo. La fatiga asociada a la evaluación científica ya era un problema antes de la explosión de la IA, pero el incremento del 33 % en los envíos amenaza con agravar una situación que muchos consideran crítica. De hecho, datos complementarios citados en la discusión del artículo indican que las tasas de respuesta de revisores han descendido significativamente durante los últimos años. Esto significa que el sistema recibe más manuscritos precisamente cuando dispone de menos capacidad para evaluarlos rigurosamente.

Particularmente vulnerables aparecen las revistas pequeñas, gestionadas frecuentemente por editores a tiempo parcial, comités voluntarios o sociedades científicas con recursos limitados. Son estas publicaciones las que están absorbiendo la mayor parte del crecimiento de envíos y las que disponen de menos infraestructura para afrontar el problema. Dahl considera que esta situación pone de manifiesto una debilidad estructural del ecosistema editorial académico: la insuficiente inversión histórica en capacidades editoriales y mecanismos de control en los márgenes del sistema científico.

La conclusión del artículo es que el aumento de envíos no debe interpretarse únicamente como un desafío tecnológico ni resolverse exclusivamente mediante detectores de IA o herramientas automáticas de control. Lo que está en juego es la propia arquitectura de confianza sobre la que se construye la comunicación científica. La explosión de manuscritos en 2026 funciona como una prueba de estrés que obliga a replantear cuestiones fundamentales: cómo redefinir la responsabilidad de los autores en la era de la IA, cómo sostener la participación de los revisores y cómo proteger a las revistas más vulnerables frente a una presión creciente. Más que una crisis de software, Dahl ve en estos datos una señal de que el contrato social que sustenta la revisión por pares necesita ser revisado y adaptado a un entorno donde la producción científica ya no es exclusivamente humana.

Citas científicas falsas generadas por IA: un problema creciente que amenaza la integridad de la literatura académica

Mondal, S. (2026, 18 de mayo). AI-generated fake citations are flooding scientific literature across publications, scientists warn. Phys.org. https://phys.org/news/2026-05-ai-generated-fake-citations-scientific.html

Se informa de una creciente preocupación en la comunidad científica ante la proliferación de citas bibliográficas falsas generadas por sistemas de inteligencia artificial en artículos académicos. Según un estudio reciente citado por Phys.org, el uso cada vez más extendido de modelos de lenguaje en la redacción científica está provocando que aparezcan referencias que no corresponden a publicaciones reales, lo que compromete la trazabilidad del conocimiento científico y la fiabilidad de la literatura académica.

Las citas al final de un artículo de investigación deberían representar una base sólida del conocimiento existente sobre un campo concreto, un conjunto de fuentes revisadas por pares construido a lo largo de años de investigación y estudio. Sin embargo, con el uso creciente de la IA y de los modelos de lenguaje de gran tamaño en la redacción de trabajos científicos, existe una posibilidad cada vez mayor de que la cita en la que alguien hace clic ni siquiera exista, y de que el estudio, la fuente o incluso los propios investigadores sean completamente falsos.

Uno de los hallazgos más relevantes del estudio es la magnitud del fenómeno: los investigadores detectaron aproximadamente 146.900 citas inexistentes en artículos científicos publicados en 2025, distribuidos en repositorios de gran relevancia como arXiv, bioRxiv, SSRN y PubMed Central. Este dato sugiere que el problema no es marginal ni anecdótico, sino estructural y extendido a múltiples disciplinas y plataformas de publicación.

El artículo explica que estas “alucinaciones bibliográficas” no suelen aparecer como errores masivos en un solo documento, sino como pequeñas cantidades de referencias falsas dispersas en numerosos artículos. Esto dificulta su detección mediante los sistemas tradicionales de revisión por pares, que no siempre verifican de forma exhaustiva la existencia real de cada fuente citada. El resultado es que estas referencias pueden incorporarse al registro científico y ser reutilizadas en trabajos posteriores, amplificando el problema.

Asimismo, el estudio sugiere que el fenómeno está relacionado con la adopción creciente de herramientas de inteligencia artificial en el proceso de escritura académica. Los modelos generativos pueden producir citas plausibles en apariencia, pero carentes de correspondencia real con publicaciones existentes, lo que introduce un riesgo sistémico en la producción de conocimiento científico. Esto afecta especialmente a la confianza en los mecanismos de validación académica y plantea la necesidad de reforzar los controles editoriales y las herramientas automáticas de verificación de referencias.

En este estudio, el equipo realizó una auditoría a gran escala de 111 millones de referencias extraídas de 2,5 millones de artículos científicos. Mediante una combinación de comprobaciones automáticas y manuales, buscaron títulos de citas que no pudieran vincularse a ninguna publicación real.

Más del 95% de las referencias fueron verificadas con éxito. En las restantes, corrigieron errores tipográficos con ayuda de IA hasta encontrar una coincidencia, y para los pocos títulos aún no identificados recurrieron a Google Scholar para asegurarse de que no se pasaba por alto ninguna publicación poco conocida.

Para aislar el papel de la IA, el equipo también analizó las tasas de citas no coincidentes antes de 2023, es decir, antes de la aparición generalizada de ChatGPT, Gemini y otros modelos de lenguaje, lo que sirvió como línea base para medir cuánto del problema podía atribuirse a la IA frente al error humano.

Los datos también revelaron lagunas en los sistemas de control, como la moderación de preprints, los editores de revistas y la revisión por pares, que solo detectaban una pequeña parte de estos errores. Por ejemplo, aunque la moderación de arXiv detectó algunos casos, se estima que el 78,8% de las citas inexistentes pasaron el filtro y fueron publicadas en la plataforma.

El estudio encontró que los científicos en etapas iniciales de su carrera y los equipos pequeños eran los más dados a incluir estas citas falsas, y en algunos casos estos mismos investigadores habían visto aumentar su productividad aproximadamente tres veces desde la llegada de la IA.

En conjunto, el artículo subraya que la expansión de la inteligencia artificial en la investigación científica está generando beneficios en términos de productividad, pero también nuevos riesgos para la integridad del sistema científico. La aparición de citas falsas no solo afecta a la calidad de los artículos individuales, sino que puede erosionar la base de conocimiento sobre la que se construye la ciencia contemporánea, lo que obliga a replantear los procesos de revisión, edición y validación de la literatura académica.

La IA alucina… y sus errores ya están entrando en la ciencia: riesgos para la investigación, la medicina y el conocimiento

Bove, Tristan. “AI Hallucinations in Research, Legal Filings, and Books Are Growing and Getting Harder to Fix.” Fortune, 24 de mayo de 2026. Fortune

El artículo analiza un problema cada vez más preocupante en la era de la inteligencia artificial: la incorporación de información falsa generada por sistemas de IA en documentos científicos, jurídicos, periodísticos y editoriales. Estas falsas afirmaciones, conocidas como “alucinaciones” de la IA, no son simples errores aislados, sino contenidos inventados que se presentan con apariencia de veracidad y que pueden terminar integrándose en el conocimiento académico y profesional.

El texto se centra especialmente en el caso de Maxim Topaz, investigador especializado en aplicaciones de IA para la salud. Durante la revisión de un artículo científico suyo, descubrió que una herramienta de inteligencia artificial había introducido una referencia bibliográfica inexistente sin advertirlo. Este incidente le llevó a investigar la magnitud del problema junto con otros colegas. Los resultados fueron alarmantes: tras analizar cerca de 2,5 millones de artículos biomédicos y alrededor de 97 millones de citas bibliográficas, identificaron más de 4.000 referencias falsas distribuidas en casi 3.000 trabajos científicos. Además, la frecuencia de estas referencias ficticias se ha multiplicado rápidamente desde la popularización de las herramientas de IA generativa.

El estudio revela que la presencia de referencias inexistentes en la literatura biomédica ha crecido de forma exponencial. Mientras que en 2023 aproximadamente uno de cada 2.828 artículos contenía alguna cita falsa, en 2025 la proporción había aumentado hasta uno de cada 458 trabajos. Los datos preliminares de 2026 muestran una tendencia todavía más preocupante, con una incidencia cercana a un artículo problemático por cada 277 publicados. Los investigadores consideran que estas cifras probablemente representan solo una parte del problema real, ya que muchas referencias falsas aún no han sido detectadas.

La preocupación principal radica en que la ciencia funciona como una cadena acumulativa de evidencias. Un artículo cita investigaciones previas, las revisiones sistemáticas sintetizan múltiples estudios y, posteriormente, las guías clínicas y protocolos médicos se basan en esas revisiones para orientar decisiones terapéuticas. Cuando una referencia inexistente se introduce en ese proceso, existe el riesgo de contaminar toda la cadena de conocimiento. En ámbitos como la medicina, esto podría afectar indirectamente a decisiones sobre diagnósticos, tratamientos o políticas sanitarias.

El artículo también destaca que el problema no se limita al ámbito científico. Casos recientes muestran cómo libros, informes periodísticos y documentos legales han incorporado citas o afirmaciones inventadas por sistemas de IA. En el sector jurídico, por ejemplo, se han documentado cientos de resoluciones y escritos legales que incluyen referencias erróneas generadas por modelos de lenguaje. Del mismo modo, algunos autores y periodistas han publicado obras que contenían citas inexistentes o atribuciones incorrectas producidas durante procesos de investigación asistidos por inteligencia artificial.

Otro aspecto especialmente inquietante es que la mayoría de estos errores no parecen ser fraudes deliberados. En muchos casos, los investigadores utilizan herramientas de IA para tareas aparentemente inocuas, como mejorar la redacción, corregir el estilo o formatear referencias. Sin embargo, los sistemas pueden introducir información falsa de manera silenciosa, lo que hace que incluso expertos familiarizados con las limitaciones de la IA puedan pasar por alto los errores. La confianza excesiva en estas herramientas aumenta el riesgo de que información incorrecta llegue a publicarse.

El artículo concluye señalando que la solución no consiste en abandonar la inteligencia artificial, sino en establecer procedimientos rigurosos de verificación. Los autores defienden que cualquier contenido generado o asistido por IA debe ser revisado cuidadosamente antes de incorporarse a publicaciones científicas, decisiones legales o productos informativos. La verdadera amenaza no es la existencia de errores ocasionales, sino que estos errores pasen desapercibidos y se integren en el registro permanente del conocimiento humano, dificultando posteriormente su corrección.

La inteligencia artificial busca artículos científicos, pero ¿Cómo evaluar sus resultados?

Aaron Tay. “AI Academic Search and the Missing Benchmark Problem”. Aaron Tay’s Musings about Librarianship, 2026.

Uno de los problemas más importantes en la evaluación de los sistemas de búsqueda académica basados en inteligencia artificial: la ausencia de estándares de referencia sólidos y compartidos. Mientras proliferan herramientas como Elicit, Consensus, Scite, Scopus AI o los sistemas de “Deep Research”, existe una gran dificultad para determinar objetivamente cuál de ellas ofrece mejores resultados, ya que no disponemos de benchmarks ampliamente aceptados que permitan comparar su rendimiento de forma rigurosa.

Tay señala que la situación recuerda a los primeros años de otros campos de la inteligencia artificial, donde los avances tecnológicos fueron más rápidos que los mecanismos de evaluación. Muchas plataformas promocionan capacidades como la búsqueda semántica, la recuperación aumentada por generación (RAG), la identificación automática de literatura relevante o la elaboración de revisiones bibliográficas asistidas por IA. Sin embargo, los usuarios suelen disponer únicamente de demostraciones comerciales o ejemplos seleccionados por los propios desarrolladores, lo que dificulta conocer el rendimiento real de estas herramientas en contextos de investigación auténticos.

Uno de los argumentos centrales del autor es que la búsqueda académica constituye un problema mucho más complejo que responder preguntas generales. No basta con recuperar documentos relacionados; también es necesario encontrar trabajos relevantes aunque utilicen terminología diferente, identificar literatura seminal, reconocer relaciones de citación y ofrecer resultados adecuados para distintas etapas del proceso investigador. Debido a ello, evaluar únicamente la precisión de una respuesta generada por IA resulta insuficiente.

El artículo destaca además que muchas pruebas actuales se centran en tareas demasiado simples. Un sistema puede responder correctamente a preguntas factuales concretas y aun así fracasar cuando se enfrenta a necesidades reales de investigación, como localizar artículos fundamentales omitidos en una revisión bibliográfica, detectar debates emergentes o construir estrategias de búsqueda exhaustivas. Tay sostiene que los escenarios de evaluación deberían reflejar mejor las tareas cotidianas de investigadores, estudiantes y bibliotecarios.

Otro problema importante es la falta de transparencia. Muchas herramientas académicas basadas en IA funcionan mediante modelos propietarios cuyos índices documentales, algoritmos de recuperación y mecanismos de clasificación no son públicos. Como consecuencia, resulta difícil reproducir experimentos o comprender por qué dos sistemas ofrecen resultados distintos ante la misma consulta. Esta opacidad limita la posibilidad de desarrollar evaluaciones comparables y acumulativas.

Tay también subraya que la calidad de un sistema RAG depende de dos componentes distintos: la recuperación de información y la generación de respuestas. Un modelo puede producir un texto aparentemente convincente pero basado en documentos poco relevantes, o bien recuperar excelentes artículos y resumirlos de forma deficiente. Por ello, propone evaluar por separado la capacidad de recuperación y la fidelidad de la síntesis generada.

En sus análisis previos sobre herramientas de búsqueda académica, el autor ha mostrado que algunos sistemas especializados fracasan en tareas relativamente sencillas para un investigador humano, mientras que modelos generales pueden resolverlas con más eficacia. Estos resultados sugieren que muchas plataformas funcionan mediante flujos de trabajo predefinidos que son muy eficaces en determinados escenarios, pero menos flexibles cuando la consulta se aparta de los casos previstos por sus diseñadores.

El texto conecta además con una cuestión más amplia dentro de la inteligencia artificial: la importancia de los benchmarks. Históricamente, disciplinas como el procesamiento del lenguaje natural o la visión artificial han avanzado gracias a conjuntos de pruebas estandarizados que permiten comparar sistemas bajo condiciones comunes. Sin estándares equivalentes para la búsqueda académica asistida por IA, resulta difícil distinguir entre mejoras reales y simples estrategias de marketing.

Aaron Tay defiende la necesidad de construir marcos de evaluación abiertos, transparentes y orientados a tareas reales de investigación. Solo mediante benchmarks compartidos será posible determinar qué herramientas mejoran verdaderamente el descubrimiento académico y cuáles simplemente generan respuestas convincentes. Para bibliotecarios, investigadores y responsables institucionales, esta cuestión resulta especialmente relevante en un momento en que las plataformas de búsqueda basadas en IA comienzan a integrarse en bases de datos científicas, catálogos bibliotecarios y servicios de apoyo a la investigación.

Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis

Cabrera Huaycochea, Daril. 2025. Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis: Hacia un estándar ético y transparente para la producción científica en la era de los modelos de lenguaje de gran escala. ResearchGate. Consultado el 30 de mayo de 2026.

Texto completo

La expansión de los modelos de lenguaje de gran escala, como GPT, Claude o Gemini, ha transformado profundamente la producción académica, facilitando tareas como la redacción, la síntesis bibliográfica y la revisión textual. Sin embargo, este avance tecnológico no ha ido acompañado de normas homogéneas para declarar su utilización, generando importantes desafíos éticos relacionados con la transparencia, la autoría y la evaluación del mérito académico. El artículo de analiza esta problemática y propone un marco estandarizado para la declaración del uso de inteligencia artificial en artículos científicos y tesis.

El autor examina las políticas adoptadas por algunas de las principales instituciones y editoriales científicas internacionales, entre ellas arXiv, Elsevier, Nature y el Comité de Ética en Publicaciones (COPE). Aunque existen diferencias en los procedimientos, todas coinciden en dos principios fundamentales: las herramientas de inteligencia artificial no pueden ser consideradas autoras de trabajos académicos y cualquier utilización relevante debe ser declarada de manera explícita. Estas organizaciones subrayan que la responsabilidad sobre la exactitud, integridad y ética de los contenidos recae siempre en los autores humanos.

Uno de los principales aportes del trabajo es la formulación de una taxonomía de cuatro niveles de declaración. El Nivel 1 corresponde a trabajos elaborados sin IA generativa; el Nivel 2 contempla el uso de herramientas para corrección gramatical y estilística; el Nivel 3 incluye la generación de borradores, síntesis o análisis supervisados por los autores; y el Nivel 4 se refiere a aquellos casos en los que la IA participa de forma sustancial en la estructura argumentativa o conceptual del trabajo. El objetivo de esta clasificación no es juzgar moralmente los distintos usos de la tecnología, sino ofrecer un marco de transparencia que permita comprender el grado de intervención tecnológica en cada investigación.

El artículo también proporciona modelos prácticos de declaración para revistas científicas y tesis universitarias. Estas plantillas buscan facilitar la adopción de estándares comunes que permitan describir qué herramientas se utilizaron, en qué fases del proceso participaron y qué mecanismos de revisión humana se aplicaron posteriormente. Según el autor, la normalización de estas declaraciones contribuiría a reducir la ambigüedad normativa y fomentaría una cultura de integridad académica basada en la transparencia y la responsabilidad.

Se presta especial atención al contexto latinoamericano, donde identifica importantes desafíos relacionados con la desigualdad en el acceso a tecnologías avanzadas, la obsolescencia de los reglamentos universitarios y los sesgos lingüísticos de los modelos entrenados principalmente en inglés. Ante esta situación, propone que las universidades actualicen sus normativas y distingan claramente entre el uso declarado de la inteligencia artificial y el fraude académico por ocultamiento u omisión. La conclusión central del trabajo es que el verdadero debate no debe centrarse en prohibir o permitir la IA, sino en garantizar que su utilización sea transparente, verificable y compatible con los principios fundamentales de la integridad científica.

La búsqueda en IA para la ciencia aún depende de los metadatos

Man searching academic articles with AI software on computer in library
A man uses AI-powered research software in a library setting.

Hansen, Stephanie Lovegrove. 2026. Scholarly AI Search Shortcomings and the Need for Better Metadata. The Scholarly Kitchen, 29 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/29/guest-post-scholarly-ai-search-shortcomings-and-the-need-for-better-metadata

El artículo defiende que el futuro de la búsqueda académica no será una sustitución de los sistemas actuales, sino un modelo híbrido en el que coexistan la búsqueda por palabras clave, la IA generativa y los sistemas de metadatos enriquecidos. En este escenario, la calidad, estandarización y estructura de los metadatos se convierten en un elemento clave: sin ellos, incluso los sistemas de IA más avanzados no pueden ofrecer resultados fiables ni plenamente utilizables en entornos científicos.

Se analiza las limitaciones actuales de los sistemas de búsqueda académica basados en inteligencia artificial y sostiene que su rendimiento depende de forma crítica de la calidad de los metadatos subyacentes. A partir de la evaluación de herramientas de descubrimiento científico impulsadas por IA, la autora argumenta que estos sistemas aún no logran sustituir de manera fiable a la búsqueda tradicional basada en palabras clave, especialmente cuando se trata de consultas precisas, técnicas o altamente estructuradas.

Uno de los problemas centrales es la dificultad de las herramientas de IA para manejar con precisión información exacta como fórmulas, datos químicos, identificadores o referencias bibliográficas específicas. Aunque la IA destaca en tareas de síntesis y en la exploración de preguntas abiertas en lenguaje natural, tiende a fallar en escenarios donde la exactitud, la reproducibilidad y la trazabilidad son esenciales. Esto genera una tensión entre dos modelos de descubrimiento: el tradicional, basado en control y precisión, y el emergente, centrado en interpretación y síntesis automática.

El texto subraya además la opacidad de muchos sistemas de IA, que dificulta comprender por qué un resultado es recuperado o no. Esta falta de transparencia afecta directamente a la confianza de los usuarios y complica su uso en contextos académicos formales, como revisiones sistemáticas o investigación regulatoria.