Archivo de la etiqueta: Investigación

Frontiers FAIR² Data Management recupera la ciencia perdida: cómo la IA transforma los datos invisibles en conocimiento reutilizable

Frontiers. “90% of Science Is Lost. This New AI Just Found It.” ScienceDaily, October 13, 2025. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

Una gran cantidad de datos de investigación valiosos permanecen sin utilizar, atrapados en laboratorios o perdidos en el tiempo. Frontiers pretende cambiar esta situación con FAIR Data Management, un innovador sistema impulsado por IA que hace que los conjuntos de datos sean reutilizables, verificables y citables. Al unir la curación, el cumplimiento, la revisión por pares y la visualización interactiva en una sola plataforma, FAIR² permite a los científicos compartir su trabajo de forma responsable y obtener reconocimiento.

La gran mayoría de los datos generados nunca se reutilizan ni contribuyen de forma significativa a nuevos descubrimientos. Según la evaluación citada, una proporción abrumadora de datos —hasta un 90 %— queda atrapada en laboratorios, no se comparte adecuadamente o se pierde en archivos inaccesibles, lo que frena el progreso en áreas críticas como la medicina, el cambio climático y la tecnología. Este desperdicio de información no solo reduce la eficiencia de la investigación global, sino que también limita la reproducibilidad de los estudios y la capacidad de construir sobre trabajos previos, una componente fundamental del método científico moderno.

Para enfrentar este desafío, la editorial y organización científica Frontiers ha desarrollado un sistema innovador denominado Frontiers FAIR² Data Management, que combina herramientas avanzadas de inteligencia artificial con principios sólidos de gestión de datos. El objetivo principal de esta plataforma es aplicar de manera automatizada y a gran escala los principios FAIR (findable, accessible, interoperable, reusable — en español: localizable, accesible, interoperable y reutilizable) y expandirlos en un marco que garantice la compatibilidad con sistemas de IA y la integridad ética de los conjuntos de datos. Al integrar procesos de curación, revisión por pares, visualización interactiva y certificación dentro de un único sistema impulsado por IA, FAIR² pretende transformar conjuntos de datos “perdidos” en recursos útiles y citables que puedan impulsar nuevas investigaciones, acelerar descubrimientos y reconocer adecuadamente el trabajo de los investigadores.

El funcionamiento práctico de FAIR² va más allá de simplemente archivar datos. Cuando un científico somete sus resultados a este sistema, no solo se asegura de que los datos sean estructurados y completos, sino que también recibe una salida múltiple: un paquete de datos certificado, un artículo de datos revisado y citable, herramientas de visualización interactiva y un certificado FAIR² que respalda la calidad y reutilización del conjunto. Esta estrategia integral busca eliminar las barreras tradicionales para el intercambio de datos y fomentar una cultura científica en la que cada conjunto de datos tenga el potencial de generar conocimiento adicional, reducir el tiempo entre descubrimiento y aplicación práctica, y asegurar que las inversiones en investigación rindan un impacto mucho mayor del que logran actualmente.

Modelos de recuperación de costos: sostenibilidad de los servicios de investigación en bibliotecas universitarias

Cook, B. (2025, 8 de diciembre). Guest Post: Funding Research Services – How Libraries Are Exploring Cost Recovery Models. The Scholarly Kitchen. Recuperado de https://scholarlykitchen.sspnet.org/2025/12/08/guest-post-funding-research-services-how-libraries-are-exploring-cost-recovery-models/ (scholarlykitchen.sspnet.org

Las bibliotecas universitarias están explorando modelos de recuperación de costos para financiar los servicios de investigación especializados que ofrecen a facultades, estudiantes e investigadores.

Las bibliotecas universitarias y de investigación han sido históricamente un pilar fundamental de la actividad científica, proporcionando los recursos de información, libros, revistas, colecciones y experiencia especializada necesarios para que la investigación pueda desarrollarse. Con el tiempo, su papel se ha ampliado y ahora incluye servicios modernos y críticos para la misión institucional, como la gestión, curación y compartición de datos de investigación; revisiones sistemáticas; iniciativas de transformación digital; evaluación del impacto; y una gama cada vez mayor de apoyos funcionales y específicos por disciplina que se conectan directamente con todas las fases del proceso investigativo. Estas actividades se han vuelto esenciales para la forma en que se crea, publica y comparte la investigación. A diferencia de los recursos generales que las bibliotecas proporcionan a todos los usuarios, independientemente de la disciplina o situación financiera, los servicios de apoyo a la investigación son inherentemente más especializados y orientados a proyectos, requiriendo experiencia profunda, tiempo significativo del personal y flujos de trabajo personalizados según metodologías, cronogramas y entregables de cada equipo de investigación.

El carácter específico por proyecto de estos servicios también se relaciona con la forma en que se financia la investigación universitaria. La investigación puede estar respaldada por fondos departamentales o institucionales centralizados, disponibles de manera amplia para la comunidad académica, o por subvenciones externas que incluyen requisitos de cumplimiento, presupuesto, entregables y rendición de cuentas vinculados a proyectos o investigadores. La mayoría de las bibliotecas siguen financiándose a través de presupuestos institucionales tradicionales basados en costos indirectos históricos, calculados a partir del número de estudiantes y docentes equivalentes a tiempo completo. Sin embargo, a medida que las bibliotecas se integran más en los flujos de trabajo de investigación mediante servicios especializados, algunas instituciones comienzan a preguntarse cómo sostener estos servicios y hacer visibles sus contribuciones dentro de modelos de financiamiento institucional, especialmente frente a la incertidumbre en las políticas federales de investigación.

Para explorar estas cuestiones, se realizó una encuesta a 32 instituciones (públicas y privadas, con predominio de bibliotecas médicas y de ciencias de la salud) sobre su enfoque hacia el financiamiento basado en subvenciones o cobro directo por servicios relacionados con el apoyo a la investigación. Los resultados muestran que, en servicios generales como colecciones, preservación o capacitación, casi el 90 % de las bibliotecas no considera implementar cobros directos, citando preocupaciones sobre la misión institucional y la equidad de acceso. En contraste, los servicios especializados —como revisiones sistemáticas, gestión de datos de investigación, consultoría en proyectos digitales o análisis de impacto— presentan un panorama más variado: alrededor del 25 % de las bibliotecas reporta que ya cobra o considera cobrar por al menos un servicio especializado. Las bibliotecas médicas son las más activas en este ámbito, particularmente para revisiones sistemáticas y curación de datos, donde el cobro permite triage de proyectos y recuperación del tiempo del personal.

A pesar de estas exploraciones, las bibliotecas enfrentan desafíos significativos: cargas administrativas al establecer sistemas de recuperación de costos conformes a regulaciones federales; resistencia cultural y preocupación por crear inequidades o riesgos reputacionales; alineación con la misión institucional; y dificultad para distinguir entre servicios básicos y trabajo específico por proyecto. La encuesta también evidencia diferencias según tipo de institución: las bibliotecas médicas lideran la implementación de cobros, las universidades públicas citan complejidad administrativa y las privadas priorizan preocupaciones filosóficas o de equidad, mientras que bibliotecas no médicas son menos propensas a considerar cobros.

El contexto de recuperación de costos indirectos (F&A) es central en esta discusión. Las bibliotecas suelen absorber costos masivos de acceso público y servicios esenciales, mientras que los presupuestos dependen de cómo las instituciones asignan los costos indirectos recuperados de subvenciones patrocinadas. Modelos como el FAIR Model propuesto por el Joint Associations Group buscan visibilizar actividades tradicionalmente indirectas como costos directos, incluyendo servicios bibliotecarios, lo que podría permitir su inclusión explícita en presupuestos de subvenciones. Aunque las bibliotecas aún no han adoptado ampliamente cobros directos, muchas reconocen la importancia de entender y comunicar los costos reales de sus servicios para justificar su valor.

En conjunto, estos hallazgos reflejan una comunidad de bibliotecas en transición: algunas experimentan con cobros directos, pero la mayoría observa el entorno regulatorio y financiero mientras desarrolla conciencia sobre costos y sostenibilidad. El objetivo compartido es hacer visibles las contribuciones críticas de las bibliotecas, alinear los servicios con las prioridades institucionales y asegurar que los investigadores, administradores y financiadores reconozcan el valor del apoyo bibliotecario en la investigación académica. Esta evolución muestra que, aunque el cobro directo no es todavía una práctica generalizada, representa un indicador del reconocimiento creciente de la importancia estratégica y económica de los servicios de investigación especializados en bibliotecas universitarias.

Los investigadores creen que su institución valora más la publicación en revistas muy citadas que el impacto real que pueda tener un trabajo.

Grove, Jack. (2025, 12 de diciembre). Policy Impact Undervalued by Universities, Social Scientists Say. Inside Higher Ed. Recuperado de https://www.insidehighered.com/news/faculty-issues/research/2025/12/12/social-scientists-policy-impact-undervalued-universities

Los resultados reflejan que las universidades tienden a valorar más las publicaciones en revistas altamente citadas y otras métricas tradicionales de prestigio académico, como el recuento de citas o factores de impacto, antes que evaluar el impacto real de la investigación en la formulación de políticas o cambios sociales tangibles.

Encuesta global realizada por Sage entre más de 1 800 científicos sociales de 92 países, centrada en entender cómo perciben la valoración que sus universidades otorgan al impacto de su investigación en la sociedad y las políticas públicas. Según los datos del sondeo, solo alrededor de un tercio de los participantes considera que su institución los promovería o les daría valor por el impacto de su trabajo fuera del ámbito académico, lo que indica una desconexión entre las aspiraciones de estos investigadores y las prioridades institucionales.

En el estudio, el 92 % de los encuestados afirmó que para ellos el objetivo principal de la investigación es contribuir positivamente a la sociedad, pero solo el 68 % cree que esto sea una meta compartida por sus instituciones. Asimismo, un porcentaje similar percibe que los líderes universitarios no valoran plenamente la utilidad social de su trabajo, lo que sugiere que las prácticas de evaluación académica actuales aún están ancladas en métricas internas y tradicionales, dejando fuera dimensiones más abiertas o aplicadas del impacto científico. Cuando se les preguntó si su institución promocionaría o concedería la titularidad a un académico por sus esfuerzos por aplicar la investigación fuera del ámbito académico, solo el 37 % de los 1805 científicos sociales encuestados por Sage respondió afirmativamente.

Los datos también muestran que solo un 28 % de los científicos sociales opina que sus esfuerzos por influir en políticas públicas podrían traducirse en más financiación de investigación, y apenas un 35 % afirma que su universidad ofrece premios o reconocimiento explícito por el impacto fuera de la academia. Además, un 30 % de los encuestados declaró no recibir ningún tipo de reconocimiento por este tipo de trabajo, lo que pone en evidencia una brecha entre el compromiso de los científicos sociales con la relevancia de su investigación y las prácticas de recompensa institucional.

Del mismo modo, el 91 % de los investigadores está de acuerdo en que el objetivo final de la investigación es ampliar la bibliografía y facilitar futuras investigaciones, pero solo el 71 % cree que los responsables de su institución están de acuerdo con esto.

En conjunto, este artículo sugiere que, aunque los investigadores ven la contribución al bien público y a la toma de decisiones informadas como una parte esencial de su labor, el ecosistema académico permanece predominantemente orientado hacia la producción y citación de literatura especializada, con menor énfasis en la aplicación de conocimientos para abordar problemas sociales o influir en políticas. Esto plantea preguntas importantes sobre cómo las universidades podrían replantear sus criterios de evaluación y promoción profesional para reconocer y fomentar formas de investigación que conecten más directamente con desafíos sociales reales.

Esa percepción de desajuste entre la motivación de los científicos sociales y las instituciones debería llevar a replantearse si las métricas de prestigio utilizadas en el mundo académico están desajustadas con los valores, argumenta el informe de Sage.

Springer Nature retira y elimina casi 40 publicaciones que entrenaban redes neuronales con un conjunto de datos con problemas éticos y de fiabilidad.

McMurray, Calli. “Exclusive: Springer Nature retracts, removes nearly 40 publications that trained neural networks on ‘bonkers’ dataset.” The Transmitter, 8 diciembre 2025. https://www.thetransmitter.org/retraction/exclusive-springer-nature-retracts-removes-nearly-40-publications-that-trained-neural-networks-on-bonkers-dataset/

Springer Nature ha comenzado a retractar decenas de trabajos — unos 38 en total — que se basaban en un conjunto de datos extremadamente polémico, conocido coloquialmente como “dataset bonkers”. Este conjunto incluía más de 2.900 fotografías de rostros de niños, supuestamente divididas en quienes tenían diagnóstico de Autismo y quienes no. Lo que generó alarma es que muchas de esas imágenes fueron extraídas de sitios web dedicados al autismo, sin evidencia de consentimiento explícito de las familias ni confirmación clínica de los diagnósticos.

La preocupación se intensificó cuando especialistas revisaron el origen y la calidad del dataset. Una de ellas, la neuropsicóloga infantil Dorothy Bishop, declaró que, tras examinar los métodos de recolección, consideró el proyecto “absolutamente bonkers”: la variabilidad en ángulos, iluminación, expresiones y condiciones de las fotos hace imposible garantizar que las imágenes representen realmente a niños con y sin autismo, lo que invalida cualquier intento de diagnóstico facial. Además, desde el punto de vista ético, hay dudas serias sobre si los menores y sus familias otorgaron consentimiento informado para que sus rostros fueran utilizados con fines de investigación.

Ante estos problemas éticos y metodológicos, Springer Nature decidió actuar: desde el 16 de noviembre comenzaron las primeras retracciones y han anunciado la retirada de decenas más. Los artículos afectados, que previamente afirmaban entrenar redes neuronales para distinguir entre niños autistas y no autistas, dejan de considerarse válidos. La casa editorial justifica su decisión señalando que “este serio problema metodológico socava los resultados y conclusiones de las publicaciones”.

El caso ha generado además un efecto dominó: se identificaron al menos 90 publicaciones que citaban alguna versión del dataset, muchas de ellas en revistas de prestigio e incluso conferencias organizadas por entidades como IEEE. Springer Nature ha comenzado a contactar a otros editores para alertarles del problema, en un intento por evitar que este dataset contaminado siga siendo usado en nuevos trabajos

Los modelos de IA utilizan material de artículos científicos retractados

“AI models are using material from retracted scientific papers.” MIT Technology Review, 23 septiembre 2025. https://www.technologyreview.com/2025/09/23/1123897/ai-models-are-using-material-from-retracted-scientific-papers/

El artículo advierte de una “crisis de confianza” en los sistemas de IA cuando se usan como fuentes de conocimiento científico o de salud: el uso indiscriminado de literatura retractada socava la integridad académica, puede inducir a desinformación peligrosa, y exige urgentes mecanismos de control —tanto técnicos (bases de datos actualizadas, filtros automáticos) como de responsabilidad editorial— para evitar que la IA difunda como válidas investigaciones desacreditadas.

El artículo de MIT Technology Review denuncia un problema alarmante: algunos modelos de inteligencia artificial (IA) están utilizando en sus respuestas contenido extraído de artículos científicos que han sido retractados (es decir, anulados por errores, malas prácticas, fraude o falta de validez), sin advertir a los usuarios sobre su condición de desautorizados.

Según los estudios citados, cuando se pidió a un modelo — ChatGPT (basado en GPT-4o) — que respondiera utilizando información de 21 artículos de imagenología médica ya retractados, el sistema citó esos trabajos en cinco casos, y tan solo en tres advirtió que podían ser problemáticos. En una prueba más amplia, con 217 artículos retractados o de baja calidad en varios campos científicos, el modelo no mencionó ninguna retractación u otra señal de alerta.

Pero el problema no afecta solo a ChatGPT. Otras herramientas de IA diseñadas específicamente para tareas de investigación científica — como Elicit, Ai2 ScholarQA, Perplexity y Consensus — también mostraron fallos similares. En tests realizados con los mismos 21 artículos retractados, Elicit los citó en cinco casos, Ai2 ScholarQA en 17, Perplexity en 11 y Consensus en 18, sin señalar su estatus de retractado.

Este fenómeno plantea dudas graves sobre la fiabilidad de la IA para tareas de investigación, educación, medicina o cualquier ámbito donde la veracidad científica es crítica. Si los modelos no reconocen que una fuente ha sido invalidada, pueden reproducir información errónea como si fuera legitima, lo que puede inducir a error a estudiantes, profesionales o al público general.

El problema tiene raíces estructurales vinculadas al modo en que estos modelos son entrenados. Muchos corpus de entrenamiento contienen copias de trabajos científicos disponibles en la web —incluidas versiones retiradas— y los sistemas no están diseñados para revisar en tiempo real el estado de retractación de cada fuente. Esto significa que, aunque una investigación haya sido invalidada, sigue formando parte del “conocimiento” del modelo.

Ante esta situación, algunas empresas ya han comenzado a reaccionar: por ejemplo, Consensus ha integrado datos de fuentes de retractaciones (como bases mantenidas por editores, agregadores de datos y servicios especializados) para intentar filtrar fuentes invalidadas; en una prueba reciente, así logró reducir el número de artículos retractados citados. Sin embargo, estas iniciativas no están generalizadas ni resultan infalibles, pues muchas publicaciones científicas no marcan de forma uniforme sus retractaciones, lo que dificulta la detección automática.

China logra superar a Estados Unidos en el número de publicaciones aparecidas en las revistas científicas más prestigiosas del mundo

Wagner, Caroline S. “China’s Historic Rise to the Top of the Scientific Ladder.” Quincy Institute for Responsible Statecraft, 24 octubre 2025

Texto completo

En los últimos años, China ha logrado un ascenso sin precedentes en el ámbito científico mundial, alcanzando y superando a Estados Unidos en la producción de artículos publicados en las revistas más prestigiosas del planeta. Este logro no se limita a una mera cuestión de cantidad: las publicaciones en estas revistas son altamente selectivas, con tasas de rechazo superiores al 90 %, y representan avances originales y de alta calidad. La capacidad de China para posicionarse a la cabeza refleja una combinación de inversión estratégica, planificación a largo plazo y desarrollo de talento científico altamente cualificado.

El crecimiento de la producción científica china ha sido vertiginoso. Hace apenas unos años, Estados Unidos lideraba con claridad, superando a China en más de la mitad de las publicaciones relevantes. Sin embargo, en menos de cinco años, China ha registrado un crecimiento sostenido que le ha permitido tomar la delantera, no solo en volumen total de publicaciones, sino también en las áreas de ciencia más competitivas y tecnológicamente estratégicas. Este avance rápido evidencia la eficacia de las políticas nacionales que priorizan la ciencia como motor de desarrollo económico y de influencia global.

China ha logrado consolidar su liderazgo en campos específicos donde históricamente se consideraba menos competitiva. La química, las ciencias físicas y las ciencias de la tierra y medioambientales son áreas en las que ha superado ampliamente a Estados Unidos, gracias a la combinación de infraestructura avanzada, programas de financiación robustos y colaboración intensa dentro de su sistema académico. Por otro lado, Estados Unidos mantiene ventaja en ciencias biológicas y de la salud, aunque su liderazgo podría verse amenazado por recortes presupuestarios y cambios en la política de investigación.

Un aspecto interesante de este ascenso es la transformación de la colaboración científica internacional. Mientras que en el pasado gran parte de la investigación china se desarrollaba en cooperación con científicos de Estados Unidos, Europa o Japón, actualmente se observa un incremento significativo de publicaciones nacionales. Esto indica que China ha alcanzado un nivel de autosuficiencia científica que le permite desarrollar ciencia de alto impacto sin depender tanto de la colaboración internacional. Este fenómeno plantea nuevas preguntas sobre la posible fragmentación de la ciencia global y la competencia por recursos y talento en un contexto multipolar.

El impacto de este cambio va más allá del ámbito académico. La posición de China como líder científico global tiene implicaciones directas para la innovación tecnológica, el desarrollo industrial, la economía y la geopolítica. Domina áreas estratégicas como la computación cuántica, las energías renovables, los semiconductores y la ciencia de materiales, consolidando así ventajas competitivas que podrían redefinir los equilibrios globales. Este nuevo escenario demuestra que la supremacía científica ya no es exclusiva de Occidente, y que el mundo se mueve hacia un sistema de innovación multipolar, donde China se establece como un actor central con capacidad de influir en la dirección de la ciencia y la tecnología mundial.

El ascenso científico de China representa un cambio estructural en el mapa global del conocimiento. Su liderazgo no es momentáneo ni superficial: está cimentado en inversión sostenida, estrategia política y capacidad tecnológica, lo que le permite no solo competir, sino también definir nuevas reglas en la producción científica y en la innovación global. Este fenómeno marca el inicio de una era en la que la ciencia mundial será más diversa, competitiva y multipolar, con implicaciones profundas para la economía, la política y la cooperación internacional.

Clarivate publica la lista 2025 de Investigadores Altamente Citados

Clarivate Announces Highly Cited Researchers 2025 List. STM Publishing News, 12 noviembre 2025. https://clarivate.com/highly-cited-researchers/

Esta lista distingue a aquellos investigadores cuya producción científica ha tenido un “impacto amplio y significativo” a nivel global.

En esta edición, se han reconocido 6.868 investigadores de todo el mundo, quienes acumulan 7.131 reconocimientos, procedentes de más de 1.300 instituciones en 60 países y regiones. El hecho de que haya más “awards” que personas responde a que algunos investigadores han sido reconocidos en más de un campo científico (múltiples disciplinas).

El método de selección se basa principalmente en datos bibliométricos extraídos de la base de datos Web of Science Core Collection, tomando en cuenta la frecuencia de citas de los artículos. No obstante, Clarivate combina estos datos con análisis cuantitativo, métricas complementarias y revisión cualitativa por expertos, con el fin de identificar sólo aquellas contribuciones que genuinamente han influido en su campo a largo plazo.

En cuanto a la distribución geográfica:

  • El país con mayor número de reconocimientos es Estados unidos, con 2.670 premiados, lo que representa aproximadamente el 37 % del total mundial — una cifra que representa un ligero repunte respecto a años anteriores.
  • En segundo lugar aparece China con 1.406 premiados, (20 %), seguida por United Kingdom con 570 premiados, (8 %).
  • Otros países con presencia destacada: Alemania (363), Australia (312) y Canadá (227) awards.
  • Además, la concentración del talento resulta notable: aunque la lista cubre 60 países/regiones, el 86 % de los reconocimientos se concentran en solo 10 de ellos, y el 75 % en los cinco primeros. Esto evidencia una fuerte centralización del impacto científico global.
  • En lo que respecta a España, la presencia de 94 investigadores en ese selecto grupo supone un reconocimiento colectivo del desempeño científico nacional: demuestra que investigadores españoles están contribuyendo a la ciencia global con trabajos de gran impacto e influencia.

Un aspecto clave de esta edición 2025 es el refuerzo del procedimiento de evaluación: para combatir prácticas cuestionables (por ejemplo, producción extremadamente prolífica, auto-citas exageradas, patrones de citación anómalos), Clarivate ha implementado “capas adicionales de escrutinio”. En concreto, este año se excluyeron 432 premios potenciales debido a producción desmedida. Además, la revisión rigurosa permitió reintroducir la categoría de Matemáticas, que había sido temporalmente retirada en años previos.

Por último, la lista de HCR 2025 no sólo es un reconocimiento individual: funcionan como una especie de “termómetro global” del ecosistema científico, permitiendo analizar tendencias por país, instituciones, disciplinas, y también sirve como indicador del “talento investigador” distribuido internacionalmente.

Transformando la evaluación científica en las políticas de Ciencia, Tecnología e Innovación (CTI) de América Latina y el Caribe. Un estudio desde la altmetría

Calisto-Breiding, C., Peña-Pallauta, P. & Arellano-Rojas, P. (2021). Transformando la evaluación científica en las políticas de Ciencia, Tecnología e Innovación (CTI) de América Latina y el Caribe. Un estudio desde la altmetría. Información, Cultura y Sociedad, 45, 75–94. DOI: 10.34096/ics.i45.10075

El presente artículo estudia los significados que la comunidad científica internacional atribuye a las altmetrics como instrumentos de evaluación científica y componentes de una futura Política de Ciencia, Tecnología e Innovación (CTI) en Latinoamérica. Se aplica una metodología cualitativa de tipo descriptiva y se recoge la información mediante entrevistas semiestructuradas realizadas a investigadores de Chile, Argentina, Perú, Colombia, España y Estados Unidos, expertos en altmetría, métricas de información y/o políticas de información. Los resultados arrojan que las altmetrics fortalecen su valor analizándose junto a otros indicadores, ya que no miden por sí solas el impacto o calidad de la investigación, pero aportan noveles y relevantes datos de rápida acumulación, amplio alcance disciplinar y diverso origen, promoviendo el uso de nuevos canales de comunicación científica. Algunos de los indicadores altmétricos más provechosos, son las menciones en políticas públicas, en patentes de invención y en plataformas sociales de alto uso en la región, como Facebook, Twitter y Mendeley; indicadores de vinculación con el entorno, revisión por pares y otros criterios cualitativos también son relevantes. Se recomienda integrar los criterios cuantitativos y cualitativos en las políticas de CTI latinoamericanas, las cuales deben, además, ajustarse a las realidades y presupuestos locales.

El papel de la Inteligencia Artificial en la investigación científica: una perspectiva científica para las políticas europeas

Purificato, E., D. Bili, R. Jungnickel, V. Ruiz Serra, J. Fabiani, K. Abendroth Dias, D. Fernandez Llorca, y E. Gomez. 2025. The Role of Artificial Intelligence in Scientific Research: A Science for Policy, European Perspective. Luxemburgo: Oficina de Publicaciones de la Unión Europea. doi:10.2760/7217497. JRC143482.

Texto completo

La Inteligencia Artificial (IA) está transformando fundamentalmente el proceso científico en todas sus etapas, desde la generación de hipótesis y el diseño experimental hasta el análisis de datos, la revisión por pares y la difusión de resultados. Este informe del Centro Común de Investigación (JRC) de la Comisión Europea proporciona un análisis científico y técnico clave para fundamentar la Estrategia Europea para la IA en la Ciencia. La IA, impulsada por técnicas como el Aprendizaje Automático (ML), el Aprendizaje Profundo (DL) y la IA Generativa (GenAI), tiene el potencial de acelerar drásticamente los descubrimientos, fomentar la colaboración interdisciplinaria y mejorar la reproducibilidad en áreas críticas para la Unión Europea, como la salud, el cambio climático y las tecnologías limpias.

La IA se posiciona como un «científico co-asistente» a lo largo del ciclo de investigación. En la fase inicial, ayuda a acelerar el análisis de la literatura y a identificar lagunas de conocimiento, lo que facilita la formulación de hipótesis novedosas. En la fase experimental, permite el diseño automatizado de experimentos y la simulación, evolucionando hacia los «laboratorios autónomos» (self-driving labs). El ejemplo de AlphaFold en la predicción de estructuras proteicas es citado como un hito que demuestra el poder transformador de la IA en la aceleración de la verificación de hipótesis biológicas. Además, la IA es crucial en el procesamiento de datos masivos, ya que puede analizar vastos conjuntos de datos multimodales para detectar patrones y realizar descubrimientos en genómica, astronomía y otras ciencias computacionales que superan la capacidad de análisis humano. En la etapa de comunicación, las herramientas de IA son cada vez más utilizadas para la redacción científica, la edición, la visualización de datos y la superación de barreras idiomáticas.

A pesar de sus promesas, la integración de la IA en la ciencia conlleva desafíos importantes que requieren una gobernanza robusta. Los principales riesgos identificados incluyen el sesgo algorítmico, la posible proliferación de «alucinaciones» e información fabricada, la erosión potencial de las habilidades de pensamiento crítico y un fenómeno denominado deriva epistémica. Esta deriva describe la tendencia de la tecnología a reforzar inadvertidamente los paradigmas de investigación existentes, lo que podría limitar la diversidad de las preguntas científicas exploradas o separar las conclusiones científicas de una supervisión humana crítica. Para afrontar estos riesgos y maximizar los beneficios de la IA, el informe propone tres áreas principales de acción política:

(1) Fomentar los principios de la ciencia abierta (datos, modelos e infraestructura abiertos) para garantizar la reproducibilidad y la confiabilidad.

(2) Realizar una inversión estratégica en infraestructura de Computación de Alto Rendimiento (HPC), ‘Fábricas de IA’ y repositorios de datos científicos abiertos.

(3) Impulsar el desarrollo de un nuevo conjunto de habilidades en los investigadores, promoviendo equipos «híbridos» que combinen experiencia en el dominio científico con métodos avanzados de IA y ciencia de datos.

Google Scholar Labs, un nueva versión de búsqueda académica potenciada por IA

Google Scholar Labs

Google ha lanzado Google Scholar Labs, una nueva versión de búsqueda académica potenciada por IA. La herramienta analiza la pregunta del usuario para identificar los temas clave, sus relaciones y aspectos relevantes

Google ha presentado Google Scholar Labs, una nueva función experimental que incorpora tecnología de inteligencia artificial generativa directamente en Google Scholar. Hasta ahora, no estaba claro si la compañía integraría IA en su buscador académico, pero desde el 18 de noviembre de 2025 ya está disponible —aunque solo para un grupo limitado de usuarios con sesión iniciada, con lista de espera para el resto. Actualmente está disponible solo para usuarios que hayan iniciado sesión y en inglés, y es una función experimental.

Este proyecto realiza búsquedas más sofisticadas en Google Scholar considerando todos esos elementos. A continuación, evalúa los resultados y selecciona los artículos más relevantes para responder de forma concreta a la consulta, explicando para cada uno cómo contribuye a la respuesta. Además, permite hacer preguntas de seguimiento para profundizar.

Scholar Labs está diseñado para transformar la forma en que se responden preguntas de investigación complejas que requieren analizar un tema desde diferentes ángulos. La herramienta interpreta la consulta del usuario para identificar sus conceptos clave, relaciones y aspectos relevantes. Luego realiza búsquedas en Google Scholar considerando todos esos elementos. Tras valorar los resultados obtenidos, selecciona los artículos que mejor responden a la pregunta inicial y explica para cada uno de ellos cómo contribuye a resolverla. Por ejemplo, si alguien pregunta cómo afecta el consumo de cafeína a la memoria a corto plazo, Scholar Labs busca estudios sobre ingesta de cafeína, retención de memoria y factores cognitivos relacionados con la edad, filtrando la información para ofrecer la respuesta más completa posible.

Esta función mantiene además todas las características habituales de Google Scholar, como enlaces a las fuentes originales, indicaciones claras del sitio de procedencia (arXiv, bioRxiv, editoriales académicas, etc.) y uso del texto completo del artículo cuando esté disponible para elaborar las explicaciones. De momento, Scholar Labs solo admite preguntas en inglés y se encuentra en fase experimental, con la intención de ampliarse progresivamente en función de la experiencia de los usuarios y del feedback recibido. Finalmente, la noticia destaca que esta apuesta por la IA de Google se suma al ecosistema ya existente de herramientas impulsadas por IA en el ámbito científico, como las desarrolladas por el Allen Institute for AI, creador de Semantic Scholar.