Archivo de la etiqueta: Recuperación de la información

Bibliotecas y búsquedas con IA: evaluando la fiabilidad de las respuestas

Fowler, Geoffrey A. “We Tested Which AI Gave the Best Answers Without Making Stuff Up — One Beat ChatGPT.” The Washington Post, August 27, 2025

En agosto de 2025, The Washington Post publicó un estudio en el que un grupo de bibliotecarios evaluó nueve herramientas de búsqueda basadas en inteligencia artificial para determinar cuáles ofrecían respuestas más precisas y fiables, evitando las conocidas “alucinaciones” o errores inventados por la IA. El objetivo era medir la exactitud de las respuestas, la fiabilidad de las fuentes y la capacidad de cada sistema para manejar información reciente, especializada o compleja.

El experimento consistió en 30 preguntas diseñadas para poner a prueba las fortalezas y debilidades de cada IA, incluyendo datos poco conocidos, eventos recientes, interpretación de imágenes y sesgos de los modelos. Se evaluaron herramientas como ChatGPT (versiones 4 y 5), Bing Copilot, Claude, Grok, Perplexity, Meta AI y las versiones de búsqueda de Google AI. Tres bibliotecarios analizaron cerca de 900 respuestas, valorando tanto la exactitud como la presencia de referencias confiables.

Los resultados mostraron que Google AI Mode fue, en general, la herramienta más fiable, especialmente en la resolución de preguntas sobre trivialidades o información reciente. Sin embargo, todas las IA evaluadas presentaron limitaciones: muchas generaron respuestas incorrectas con citas aparentemente verídicas, fallaron en preguntas especializadas o de difícil acceso, tuvieron problemas con información reciente y mostraron sesgos hacia ciertas disciplinas o perspectivas. La interpretación de imágenes también fue un reto para la mayoría de los sistemas.

A pesar de sus limitaciones, las IA demostraron ser útiles en ciertos contextos, como la síntesis de información dispersa o compleja. Los evaluadores subrayaron que, aunque estas herramientas pueden ahorrar tiempo, no deben reemplazar la verificación tradicional de fuentes. Recomiendan un uso crítico y complementario, tratando la IA como un apoyo para la investigación más que como fuente definitiva.

El estudio evidencia que ninguna IA es perfecta y que, aunque ofrecen ventajas en rapidez y síntesis, siguen siendo propensas a errores, omisiones y sesgos. Los bibliotecarios enfatizan la importancia de la verificación y el pensamiento crítico al usar estas herramientas, igual que se haría al consultar fuentes tradicionales en una biblioteca.

Resultados clave:

Herramienta más fiable: Google AI Mode fue la IA que ofreció respuestas más precisas y consistentes, especialmente en información reciente y trivialidades poco conocidas.

Alucinaciones y errores: Varias IA, incluida ChatGPT, generaron respuestas incorrectas con un tono de certeza, a veces citando fuentes que no respondían a la pregunta.

Limitaciones con información especializada: Ninguna IA respondió correctamente en todos los casos que requerían conocimientos de nicho o fuentes difíciles de acceder.

Problemas con información reciente: Las IA fallaron en eventos o datos muy recientes debido a sus límites en actualización de datos.

Interpretación visual limitada: Las preguntas sobre detalles de imágenes o contenido visual fueron problemáticas para la mayoría de las IA.

Sesgos inherentes: Las IA mostraron sesgos en temas de carreras académicas o áreas de conocimiento, favoreciendo disciplinas STEM sobre humanidades o sociales.

Utilidad relativa: Las IA pueden ahorrar tiempo y sintetizar información compleja, pero no sustituyen la verificación de fuentes tradicionales; deben usarse como complemento crítico en la investigación.

Del SEO al GEO: cómo los contenidos de producto determinan la visibilidad en la búsqueda impulsada por IA

Lily AI. From SEO to GEO: The Role of Product Content in AI Search and Discovery. Lily AI, 2025.

Texto completo

la transformación profunda que está experimentando la búsqueda de productos en el comercio digital con la irrupción de los motores generativos de inteligencia artificial. Durante dos décadas, el SEO tradicional marcó las normas de visibilidad online, obligando tanto a usuarios como a minoristas a pensar en términos de palabras clave, enlaces y estructuras legibles para los algoritmos. Sin embargo, ese modelo se está desmoronando. Los motores de IA como Gemini, ChatGPT, Claude o Perplexity ya no se limitan a indexar páginas, sino que interpretan significados, contextos e intenciones. Este cambio está alterando de raíz el modo en que los consumidores descubren productos: más del 60% de las búsquedas terminan sin clic y se prevé un descenso del 50% del tráfico orgánico para 2028, al prevalecer las respuestas generadas directamente por IA. En este nuevo escenario, la cuestión clave no es si un producto “aparece”, sino si es correctamente comprendido por los sistemas generativos.

Se subraya además que los consumidores ya no buscan listados de enlaces, sino relevancia, precisión contextual y orientación personalizada. Las personas formulan peticiones en lenguaje natural, como “un vestido suave y fluido para unas vacaciones de verano”, y esperan que el sistema entienda matices de ocasión, clima, estilo o preferencia estética. Esto exige un nivel de comprensión semántica imposible de satisfacer con descripciones de producto pobres o centradas únicamente en palabras clave. Frente a ello surge el concepto de GEO (Generative Engine Optimization), entendido como la disciplina orientada a que los productos se representen adecuadamente en respuestas generadas por IA. Si el SEO decía a las máquinas “qué ver”, el GEO les enseña “qué significa” cada producto: qué es, para quién sirve, en qué contexto es adecuado y por qué debería recomendarse.

El documento sostiene que los catálogos ya no pueden ser inventarios estáticos, sino auténticas infraestructuras de datos. Los motores generativos funcionan relacionando atributos, imágenes, metadatos y descripciones para formar una representación coherente de cada artículo. Si faltan datos o contexto, la IA rellena los huecos de forma incorrecta, lo que compromete la relevancia. En cambio, un catálogo enriquecido —con taxonomías coherentes, atributos completos, descripciones en lenguaje natural y metadatos unificados— se convierte en un grafo de conocimiento vivo que facilita que la IA conecte productos con necesidades reales. El texto muestra cómo la falta de precisión puede provocar errores, como confundir un pintalabios rojo con tonos completamente distintos, mientras que un sistema de datos bien estructurado favorece recomendaciones fiables, personalizadas y consistentes.

Por último, el informe explica cómo los minoristas pueden prepararse para este nuevo entorno dominado por la IA. Propone acciones como enriquecer los datos de producto más allá de lo básico; optimizar descripciones para consultas naturales; unificar y automatizar los metadatos mediante esquemas y taxonomías; mantener la información constantemente actualizada; y adoptar nuevas métricas que midan la representación semántica en lugar del ranking tradicional. Según el documento, el éxito dependerá de comprender que el contenido de producto ya no es un elemento estático de merchandising, sino un lenguaje compartido entre consumidores, comerciantes, anunciantes y máquinas. Empresas como Lily AI ofrecen plataformas diseñadas para convertir catálogos en sistemas de información legibles por la IA, mejorando la precisión de las recomendaciones, la coherencia de los datos y, en última instancia, las ventas.

NISO publica los resultados de una encuesta sobre IA y sistemas de descubrimiento en bibliotecas

NISO Open Discovery Initiative. Generative Artificial Intelligence and Web‑Scale Discovery: Survey Report. Baltimore, MD: National Information Standards Organization, agosto 2025.

Texto completo

El 5 de agosto de 2025, la National Information Standards Organization (NISO) divulgó los resultados de una encuesta que indagó en las expectativas y desafíos vinculados a la integración de la inteligencia artificial generativa (GenAI) en los sistemas de descubrimiento bibliográfico a gran escala

.

El resultado clave destaca la complejidad de adaptar la IA generativa en las herramientas de descubrimiento de bibliotecas, tal como expresó Ken Varnum, copresidente del comité ODI, señalando la multiplicidad de variables técnicas, éticas y operativas que involucra dicha incorporación .

La encuesta —lanzada en otoño de 2024 y cerrada el 31 de octubre de ese año— fue diseñada para recopilar insights de proveedores de discovery, entidades de contenido y bibliotecas, con el fin de orientar el trabajo futuro del comité en términos de estándares y buenas prácticas

Resultados clave:

  • Preocupación generalizada por la precisión de GenAI: Muchos participantes expresaron inquietud sobre la posibilidad de que GenAI proporcione respuestas inexactas o engañosas en contextos académicos y de investigación.
  • Fuerte interés en el potencial de GenAI: A pesar de las preocupaciones, se reconoce que GenAI podría mejorar la experiencia de búsqueda, generar resúmenes automáticos, responder a preguntas complejas y ofrecer interfaces más intuitivas.
  • Dudas sobre la transparencia algorítmica: Bibliotecas y proveedores demandan mayor claridad sobre cómo GenAI genera sus respuestas y qué fuentes utiliza, para garantizar la confiabilidad y evitar sesgos.
  • Desigual nivel de preparación: Algunas bibliotecas ya están explorando activamente la integración de GenAI, mientras que otras aún no lo consideran una prioridad o carecen de recursos y conocimientos técnicos para hacerlo.
  • Preocupación por la autoría y propiedad intelectual: Se identifican vacíos en torno a quién es responsable del contenido generado por IA, especialmente en servicios que entregan resultados textuales o recomendaciones automáticas.
  • Necesidad urgente de normas y buenas prácticas: Los encuestados coinciden en que se requieren marcos normativos, principios éticos y pautas técnicas claras para integrar GenAI en entornos bibliotecarios sin comprometer la calidad ni la integridad académica.
  • Riesgo de opacidad en los sistemas de descubrimiento: Se teme que al incorporar GenAI sin transparencia, los sistemas de descubrimie

Actualmente, el comité ya está preparando un white paper con recomendaciones basadas en los resultados de la encuesta. Este informe se encuentra en las etapas finales de edición y será presentado próximamente al Comité Temático de Intercambio e Interoperación de Información (IDI)

Un nuevo estudio revela diferentes formas en que buscamos información

Bassett, Dani S., Perry Zurn, et al. «Curiosity Styles and Their Impact on Well-Being and Society.» Science Advances, February 18, 2025. https://www.science.org/doi/10.1126/sciadv.adn3268

La curiosidad es un fuerte deseo de aprender o saber algo. Pero, según el investigador Perry Zurn, la curiosidad no es algo único. De hecho, puede haber al menos tres estilos de curiosidad que podrían tener beneficios diferentes para nuestro bienestar y para las sociedades en las que vivimos.

En 2019, Zurn analizó textos clásicos de la historia de la filosofía para estudiar la naturaleza de la curiosidad. Al buscar menciones de la curiosidad en escritos de filósofos desde San Agustín hasta Friedrich Nietzsche y Jacques Derrida, descubrió tres modelos diferentes de curiosidad:

  • El entrometido: El prototipo del chismoso, los entrometidos disfrutan recoger fragmentos de información sobre una amplia variedad de temas. No están necesariamente motivados por un objetivo particular, sino solo por el interés.
  • El cazador: Los cazadores buscan respuestas específicas, por lo que siguen un camino dirigido e intentan evitar distracciones.
  • El bailarín: Los bailarines saltan a nuevas ideas, combinan ideas existentes de nuevas maneras o encuentran nuevas formas de enmarcar la información. No siguen un camino tradicional.

Según Zurn, estos tres estilos no son excluyentes; una persona que exhibe curiosidad puede caer en más de una categoría.

Basándose en estas ideas, Zurn y un grupo de colaboradores recientemente trataron de examinar a personas curiosas en la vida real, lectores de la enciclopedia en línea Wikipedia, para ver si encajaban en estas categorías y cómo los diferentes estilos de curiosidad podrían influir en nuestras vidas. Sus resultados fueron publicados en otoño por la revista Science Advances.

La curiosidad a través de las culturas
Para un experimento dirigido, los investigadores pidieron a 149 personas que acudieran en persona a completar encuestas sobre su estado de ánimo y luego navegaran por Wikipedia durante 15 minutos al día durante tres semanas. También observaron el comportamiento de más de 480.000 personas de 50 países y territorios que usaban la aplicación móvil de Wikipedia, que recopila datos sobre las páginas que las personas visitan.

Para cada persona, los investigadores construyeron un mapa de todas las páginas en las que hicieron clic en una sesión particular, observando cuántos temas diferentes exploraron y cuán conectados estaban entre sí. Por ejemplo, ¿alguien buscó al actor Adam Brody y luego leyó más sobre su programa Nobody Wants This, o saltó del Primer Ministro de Canadá a la meditación trascendental?

En primer lugar, los investigadores encontraron evidencia de que estos tres estilos existen en los lectores de internet modernos. «Estos tres estilos de curiosidad son inherentemente humanos, abarcando lenguajes, culturas y milenios», dice Dani S. Bassett, coautora del estudio.

Resulta que los lectores entrometidos son más dados a leer artículos de Wikipedia sobre cultura, como deportes, comida o artes, mientras que los cazadores son más propensos a leer sobre STEM (ciencia, tecnología, ingeniería y matemáticas). Los entrometidos también tienden a leer sobre una gama más diversa de temas.

¿Importa el estilo de curiosidad para el individuo?
Cuando los participantes en persona navegaron por Wikipedia de una manera más dirigida y específica, como los cazadores, reportaron sentirse más deprimidos y ansiosos en comparación con los entrometidos y los bailarines. Esto se alinea con otras investigaciones que sugieren que las personas con un fuerte impulso de llenar los vacíos de conocimiento—una parte de la curiosidad medida por los psicólogos—tienen más probabilidades de ser más ansiosas y de lidiar peor con el estrés de enfrentarse a cosas nuevas.

Curiosidad e igualdad
Entre los lectores globales, en los países donde la navegación por Wikipedia es más suelta y diversa—más parecida a los entrometidos y bailarines que a los cazadores—las personas tienden a sentir emociones más positivas y menos negativas, la población está mejor educada y hay menos desigualdad de género y educación.

En este caso, los vínculos pueden ir en ambas direcciones: una curiosidad más amplia podría apoyar una mayor igualdad en la sociedad, pero la igualdad también podría liberar nuestra inquisitividad más amplia.

«La igualdad de género y educación puede apoyar el compromiso de más mentes, y de mentes más diversas, en la construcción del conocimiento», dice Bassett. «Además, puede ir acompañada de un gran respeto por una diversidad de saberes y prácticas de conocimiento. La igualdad puede traer libertad para moverse, no solo en los mundos físico y social, sino también libertad para moverse en la mente.»

Prueba de curiosidad
¿Buscas una comprensión más profunda de ti mismo, de los demás y del mundo?

Por supuesto, puede haber otros estilos de curiosidad más allá de estos tres. Por ejemplo, los psicólogos de la personalidad describen otros tres tipos de personas curiosas: los fascinados, que tienen muchos intereses; los resolutores de problemas, cuya curiosidad está enfocada en un área particular; y los empatizadores, que son muy curiosos socialmente.

Bassett sugiere que las personas probablemente tengan una tendencia hacia un estilo de curiosidad determinado, pero que este puede cambiar con el tiempo. «Podemos adquirir habilidades para diferentes estilos de curiosidad de nuestros mentores, amigos o familiares que puedan pensar de manera diferente a nosotros», dicen. Y eso es una buena noticia, porque insisten en que los tres estilos probablemente se usen mejor en combinación.

El futuro de la investigación en recuperación de información en la era de la IA generativa

Computing Community Consortium (CCC). Future of Information Retrieval Research in the Age of Generative AI CCC Visioning Workshop. Accessed December 5, 2024. https://cra.org/ccc/events/future-of-information-retrieval-research-in-the-age-of-generative-ai-ccc-visioning-workshop/.

El informe Future of Information Retrieval Research in the Age of Generative AI fue elaborado por destacados investigadores, incluyendo James Allan, Eunsol Choi, Daniel P. Lopresti y Hamed Zamani, bajo el auspicio del Computing Community Consortium (CCC). Publicado en diciembre de 2024, explora cómo los modelos de lenguaje generativo (LLMs) están redefiniendo la recuperación de información (IR) y establece una hoja de ruta para el desarrollo futuro en este campo.

Se basa en un taller de visión celebrado en julio de 2024, que reunió a 44 expertos de diversas disciplinas como IR, procesamiento del lenguaje natural (NLP) e inteligencia artificial (IA). El propósito fue analizar cómo la integración de tecnologías generativas podría transformar las interacciones de los usuarios con sistemas de información y cuáles serían los retos y oportunidades.

Durante el taller, se emplearon técnicas colaborativas inspiradas en las reglas de IDEO para fomentar ideas innovadoras y estructuradas. Los participantes debatieron en ocho sesiones temáticas, las cuales identificaron las principales direcciones de investigación necesarias para aprovechar el potencial de los sistemas IR-GenAI.

El informe identifica ocho áreas prioritarias:

  1. Evaluación de sistemas IR-GenAI: diseñar métricas y metodologías que capturen las capacidades únicas de los modelos generativos.
  2. Aprendizaje del feedback humano: integrar retroalimentación implícita y explícita para resolver problemas complejos que requieran razonamiento.
  3. Modelado de usuarios: entender cómo evolucionan las necesidades de los usuarios en sistemas de acceso a información potenciados por IA generativa.
  4. Cuestiones socio-técnicas: abordar los impactos éticos y sociales que surgen con estas tecnologías.
  5. Sistemas personalizados: desarrollar métodos que adapten los resultados de IR-GenAI a las necesidades individuales.
  6. Eficiencia y escalabilidad: optimizar el uso de recursos computacionales, datos y esfuerzos humanos.
  7. IR para mejorar agentes de IA: integrar técnicas de recuperación de información en agentes inteligentes.
  8. Modelos fundacionales para acceso a la información: diseñar modelos específicamente enfocados en la recuperación y descubrimiento de información.

En conclusión, el informe ofrece un resumen de las discusiones y sugiere acciones concretas para académicos, profesionales de la industria, campañas de evaluación y agencias de financiamiento. Se destaca la necesidad de colaboración interdisciplinaria y de crear tecnologías inclusivas que maximicen los beneficios de la IA generativa para la recuperación de información.

Este documento no solo proporciona una visión del futuro de IR, sino también un marco para avanzar en investigaciones y aplicaciones prácticas en la intersección de IA y recuperación de información.

Avanzando en la frontera de la búsqueda con agentes de IA

«Advancing the Search Frontier with AI Agents – Communications of the ACM», 20 de agosto de 2024. https://cacm.acm.org/research/advancing-the-search-frontier-with-ai-agents/.

Como muchos en la comunidad de investigación de recuperación de información (IR) reconocen, la búsqueda sigue siendo un problema no resuelto. Millones de personas enfrentan dificultades diarias con las tareas en los motores de búsqueda. Estas dificultades suelen derivarse de la complejidad inherente de las tareas y de la incapacidad de los sistemas de búsqueda para comprenderlas plenamente y ofrecer resultados pertinentes. La tarea misma es lo que motiva la búsqueda, crea el problema que los usuarios intentan resolver, y guía su comportamiento a medida que exploran las diferentes facetas de la tarea.

Las tareas de búsqueda complejas requieren más que un apoyo básico para encontrar o recuperar información. La investigación en métodos para apoyar estas tareas incluye trabajos sobre la generación de sugerencias de consultas y sitios web, la personalización y contextualización de la búsqueda, y el desarrollo de nuevas experiencias de búsqueda que abarcan tanto el tiempo como el espacio. La reciente aparición de la inteligencia artificial generativa y la llegada de agentes asistidos por esta tecnología tienen el potencial de ofrecer una mayor asistencia a los usuarios, especialmente a aquellos que enfrentan tareas complejas. Estos avances tienen implicaciones profundas para el diseño de sistemas inteligentes y para el futuro de la búsqueda en sí misma.

Este artículo, basado en una ponencia presentada por el autor en la conferencia ACM SIGIR 2023, explora estas cuestiones y cómo los agentes de IA están expandiendo las fronteras de las capacidades de los sistemas de búsqueda, con un enfoque particular en la interacción con la información y la realización de tareas complejas.

La búsqueda sigue siendo un desafío sin resolver, ya que millones de personas se enfrentan diariamente a tareas complejas en los motores de búsqueda web. La aparición de la IA generativa y los agentes de asistencia basados en esta tecnología prometen revolucionar la realización de tareas, ayudando a los usuarios a navegar y resolver problemas de búsqueda complejos. Estos avances presentan tanto desafíos como oportunidades extraordinarias para redefinir el acceso a la información y su uso, impulsando la búsqueda hacia nuevos horizontes.

Metadatos de alta calidad: Una responsabilidad y una oportunidad colectivas.

Buttrick, Adam. «High-Quality Metadata: A Collective Responsibility and Opportunity.» Upstream, August 13, 2024. https://upstream.force11.org/high-quality-metadata/

La comunidad y las herramientas relacionadas con los Identificadores de Objetos Digitales (DOI, por sus siglas en inglés) dependen de metadatos de alta calidad para establecer conexiones y mejorar la eficiencia. Sin embargo, el modelo actual, donde las mejoras en estos metadatos se limitan a sus creadores o se realizan dentro de silos a nivel de servicio, perpetúa un sistema con importantes lagunas, ineficiencias y desconexiones. Pero este no tiene por qué ser el caso. Al construir de manera colaborativa sistemas abiertos, robustos y escalables para enriquecer los metadatos DOI, la comunidad puede aprovechar su trabajo colectivo para superar estas barreras y mejorar el estado e interconexión de la información de investigación.

La construcción del corpus de metadatos DOI a lo largo de los años ha enseñado a la comunidad una lección importante: cuando se trabaja en conjunto para definir cómo debería existir la infraestructura y cómo se desea mejorarla, se logran mejores resultados que cuando este trabajo se realiza de manera aislada. La administración colectiva de las fuentes compartidas de verdad permite tomar decisiones correctas para el mayor número posible de personas.

El enriquecimiento comunitario de los metadatos DOI presenta desafíos significativos, aunque no insuperables. La reunión inicial en Los Ángeles reafirmó el interés de la comunidad en abordar este desafío de manera conjunta, tal como se ha hecho con otras iniciativas de infraestructura exitosas. A través de la colaboración y el uso de la experiencia compartida, es posible construir un sistema de información de investigación mejor y más conectado. UC3 continuará con estas discusiones críticas e invita a la comunidad a mantenerse involucrada.

Recuperación de información con datos abiertos enlazados

Ávila Barrientos, Eder. Recuperación de información con datos abiertos enlazados. Universidad Nacional Autónoma de México. Instituto de Investigaciones Bibliotecológicas y de la Información, 2022.

Texto completo

En este libro se plantea el estudio de la recuperación de información (RI) y su interacción con los datos abiertos enlazados. Por lo tanto, el lector encontrará una serie de hallazgos teóricos y metodológicos relacionados con la manera de adaptar estos datos en un contexto sistematizado. Todo esto mediante el abordaje de las siguientes interrogantes: ¿Cuáles son los componentes que constituyen a un modelo teórico que sustente la recuperación de información mediante datos abiertos enlazados? ¿Qué patrones de comportamiento manifiestan los datos abiertos enlazados en el proceso de recuperación de información? ¿Cuáles son los factores que intervienen en la sistematización y recuperación de información mediante el uso de datos abiertos enlazados?

Búsqueda invisible y motores de búsqueda en línea: la ubicuidad de la búsqueda en la vida

Haider, Jutta, y Olof Sundin. Invisible Search and Online Search Engines: The Ubiquity of Search in Everyday Life. Taylor & Francis, 2019.

Texto completo

Invisible Search and Online Search Engines (Búsqueda invisible y motores de búsqueda en línea) considera el uso de los motores de búsqueda en la vida cotidiana contemporánea y los desafíos que esto plantea para la alfabetización mediática e informacional. La búsqueda de información mediada se realiza mayoritariamente en línea y se arbitra mediante las diversas herramientas y dispositivos que las personas llevan consigo a diario. Por ello, los motores de búsqueda tienen un impacto significativo en la estructura de nuestras vidas y en la memoria personal y pública. Haider y Sundin examinan lo que esto significa para la sociedad, al tiempo que unen la investigación sobre la recuperación de información con la investigación sobre cómo la gente realmente busca y encuentra información.

Los motores de búsqueda son ahora una de las infraestructuras clave de la sociedad para conocer e informarse. Aunque su uso está disperso en una miríada de prácticas sociales, en las que han adquirido una posición casi naturalizada, están comercial y técnicamente centralizados. Argumentando que la búsqueda, la búsqueda y los motores de búsqueda se han generalizado tanto que hemos dejado de notarlos, Haider y Sundin consideran lo que significa depender tanto de esta infraestructura de información omnipresente y cada vez más invisible.

Invisible Search and Online Search Engines es el primer libro que aborda la búsqueda y los motores de búsqueda desde una perspectiva que combina los conocimientos técnicos de la investigación en ciencias de la información con un enfoque de ciencias sociales y humanidades. Como tal, el libro debería ser una lectura esencial para académicos, investigadores y estudiantes que trabajan y estudian la ciencia de la información, la biblioteconomía y la ciencia de la información (LIS), los estudios de los medios de comunicación, el periodismo, las culturas digitales y las ciencias de la educación.

Ask a Question: haz cualquier pregunta y obtén respuestas directamente de los artículo de investigación

Ask a Question

https://scite.ai/search?mode=question-answering

Este nuevo servicio de scite permite que usuarios formulen preguntas de investigación en lenguaje sencillo y obtengan respuestas directamente del texto completo de los artículos de investigación. Se trata de encontrar información fiable y científica. Piensa en todas las preguntas que te has planteado y en lo difícil que ha sido encontrar una respuesta fiable. Tal vez te hayas preguntado si las camas de bronce aumentan el riesgo de cáncer, o si beber agua corriente tiene efectos negativos para la salud.

Los resultados no aparecen resumidos ni generados por la IA, sino que son fragmentos de artículos de texto completo que escribieron y publicaron investigadores reales. La búsqueda de «Ask a Question» permite plantear preguntas frecuentes como éstas en términos sencillos y humanos. Monstrándo los resultados directamente desde el texto completo de más de 32 millones de artículos de investigación que tienen la respuesta que buscas, o al menos una pista que te indique la dirección correcta.

El objetivo es que podemos obtener la información que necesitamos sin preocuparnos por los anuncios, las fuentes de información poco fiables o las complicados formulaciones de los motores de búsqueda académica.

scite es una empresa emergente con sede en Brooklyn que ayuda a los investigadores a descubrir y comprender mejor los artículos de investigación a través de Smart Citations, es decir, citas que muestran el contexto de la cita y describen si el artículo aporta pruebas de apoyo o de contraste. scite es utilizado por estudiantes investigadores de todo el mundo y está financiado en parte por la National Science Foundation y el National Institute on Drug Abuse de los National Institutes of Health.