La IA generativa y la publicación científica. ¿Una tercera transformación?
<https://urldefense.com/v3/__https://universoabierto.org/2024/10/31/la-ia-generativa-y-la-publicacion-cientifica-una-tercera-transformacion/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxOJjPtPVw$ >
Bergstrom, Tracy, y Dylan Ruediger. «*A Third Transformation? Generative AI
and Scholarly Publishing.*» Ithaka S+R, 30 de octubre de 2024.
https://urldefense.com/v3/__https://sr.ithaka.org/publications/a-third-transformation/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxPL0ArG_g$ .
*El informe A Third Transformation? Generative AI and Scholarly Publishing,
publicado por Ithaka S+R y escrito por Tracy Bergstrom y Dylan Ruediger,
examina el impacto potencial de la inteligencia artificial generativa en la
industria de publicaciones académicas. A raíz de un informe anterior sobre
la «segunda transformación digital» de la publicación académica, el nuevo
informe explora cómo la IA generativa podría ser una «tercera
transformación», cambiando la manera en que se realiza y comunica la
investigación académica.*
En 2023, aproximadamente el 1% de la literatura académica ya mostraba
signos de haber sido creada parcialmente con IA generativa. Grandes
editoriales han lanzado herramientas de búsqueda y descubrimiento
potenciadas por IA, y también experimentan con su uso en procesos internos.
El informe se basa en entrevistas con 12 líderes del sector, quienes ven la
IA como una herramienta que mejorará la eficiencia en la redacción,
revisión, edición y descubrimiento, acelerando así la investigación y la
publicación académica.
El informe describe dos posibles futuros. En el primero, la IA generativa
mejora la eficiencia sin cambiar fundamentalmente la industria. En el
segundo, más transformador, la IA podría reconfigurar profundamente el
sector, generando cambios que superen los de las transformaciones digitales
previas. Aunque estos escenarios no se excluyen mutuamente, el informe
sugiere que algunos aspectos de la publicación académica podrían
experimentar cambios incrementales, mientras que otros serían profundamente
alterados.
*Contexto estratégico* La publicación académica enfrenta oportunidades y
desafíos debido a la IA generativa. Esta tecnología ofrece nuevas
posibilidades, pero también genera incertidumbres y enfoques diversos entre
las organizaciones.
*Transición hacia la provisión de servicios* El sector está evolucionando
de un modelo centrado en la edición hacia uno basado en plataformas y
servicios. La IA generativa acelera esta tendencia, promoviendo la
integración de herramientas de descubrimiento, interpretación y escritura.
Las plataformas ahora pueden ofrecer servicios completos para autores,
investigadores y editores, como el asistente de Digital Science y el de Web
of Science, que permiten búsqueda y resumen avanzados. También existen
herramientas de IA como Paperpal y Writefull que mejoran la calidad de la
escritura académica. La combinación de estas capacidades podría transformar
a las editoriales en proveedores de infraestructura de investigación
integral.
*Revisión por pares* La revisión por pares es un área clave donde la IA
generativa puede ayudar a reducir la carga de trabajo al identificar
revisores y revisar aspectos básicos de los manuscritos. Sin embargo, su
implementación conlleva riesgos debido a posibles inexactitudes de la IA y
la pérdida de la revisión experta y humana. Las editoriales exploran
límites seguros para que la IA participe sin reemplazar la revisión humana.
Además, deben abordarse preocupaciones de confidencialidad y de seguridad
para su adopción.
*Competencia y consolidación* La IA generativa impacta la consolidación en
el sector editorial. Las grandes editoriales están experimentando con la
concesión de licencias de contenido para su uso en LLM comerciales, pero
esto plantea riesgos estratégicos como la disminución de suscripciones. Las
herramientas avanzadas de búsqueda, como Scopus AI, están cambiando la
interacción de los investigadores con el contenido. La apertura del acceso
también crea competencia con empresas tecnológicas que podrían reemplazar a
las editoriales como principal fuente de contenido académico.
*Desafíos éticos y de atribución* El uso de IA generativa en la creación y
edición plantea preguntas éticas sobre la atribución, reproducción y
transparencia en la investigación. Varias editoriales han implementado
políticas para limitar el uso de IA en la autoría y edición de contenidos,
enfatizando la importancia de roles humanos en la investigación. La
comunidad científica debe establecer normas claras para el uso de la IA en
el proceso académico.
*Futuro de la publicación académica* La implementación de IA generativa
podría reducir la dependencia de la interpretación humana en el proceso de
publicación y fomentar una producción orientada a la legibilidad por
máquinas, afectando así el propósito comunicativo de la publicación
académica.
*Bien Público Global de Confianza*
La idea de que la investigación sea considerada un bien público global de
confianza se ha visto desafiada en la última década por el fraude, la mala
conducta y actividades maliciosas. La inteligencia artificial generativa ha
intensificado las conversaciones sobre cómo mantener la confianza en la
publicación académica. A pesar de los riesgos que plantea, muchos expertos
ven en ella una oportunidad para hacer la publicación científica más
accesible y útil como bien público.
Se considera que la inteligencia artificial generativa nivela el terreno de
juego para autores y lectores. Los investigadores no angloparlantes están
utilizando esta tecnología para mejorar la calidad de su escritura
académica, lo que ha impactado negativamente a los proveedores de servicios
de corrección de textos. Esto se percibe como un avance hacia la equidad y
el acceso a revistas en inglés, facilitando la comunicación científica.
Además, hay interés en la posibilidad de automatizar la traducción, lo que
permitiría que todo el registro académico sea accesible para hablantes de
varios idiomas, ampliando así el mercado global de publicaciones.
*Cálculo del Impacto*
La segunda transformación digital ha establecido nuevos estándares, como
los índices de citas, que podrían verse profundamente alterados por la
inteligencia artificial generativa. Si los investigadores empiezan a
utilizarla como un método intermedio para acceder al registro académico,
esto podría afectar cómo se evalúa el impacto de la investigación.
Se identificó una necesidad urgente de desarrollar métricas que
complementen los métricas COUNTER, las cuales son esenciales para las
bibliotecas y las editoriales en relación con el valor de sus colecciones.
Se plantearon dos desafíos principales:
1. *Limitaciones de las métricas tradicionales*: Estas solo cuentan el
compromiso con elementos que tienen un Identificador Único de Recurso
(URI). La IA generativa promueve la creación de contenido personalizado,
que es efímero y no deja un registro formal, lo que dificulta su conteo en
las métricas tradicionales.
2. *Falta de medición del compromiso*: Las métricas COUNTER no evalúan
el nivel de compromiso con un recurso específico. Aunque permiten
diferenciar entre investigaciones y solicitudes, no miden el compromiso
prolongado. Con la inteligencia artificial generativa, será posible
realizar múltiples consultas adaptativas a un mismo recurso, lo que sugiere
la necesidad de desarrollar métricas que capturen la profundidad del
compromiso de los investigadores con los recursos individuales.
*Nuevas Oportunidades para la Infraestructura Compartida*
Esta sección explora oportunidades para crear nuevas categorías de
infraestructura compartida en el contexto del desarrollo de la inteligencia
artificial generativa y su impacto en la publicación académica. A medida
que la transformación digital avanza, es crucial establecer estándares y
estructuras que aseguren la organización y mantenimiento del registro
académico.
*Eje del Registro Académico*
El «eje del registro académico» se refiere a la necesidad de una
infraestructura que vincule de manera persistente componentes atomizados de
investigación, como preprints y conjuntos de datos. La llegada de modelos
de lenguaje (LLMs) complica la citación y comprensión de la información,
pues frecuentemente generan salidas que son difíciles de rastrear hasta su
contexto original. A pesar de los beneficios de la automatización en la
documentación de datos, existe el riesgo de que la publicación se vuelva
más centrada en los datos, disminuyendo el valor de los editores.
*Recomendaciones*
1. *Colaboración y Estandarización*: Se sugiere que las organizaciones
de publicación colaboren en la creación de metadatos estandarizados que
faciliten la citabilidad y transparencia de los contenidos generados por
inteligencia artificial.
2. *Consenso en la Comunidad de Investigación*: Las comunidades de
investigación deben establecer acuerdos sobre cómo citar contenidos
generados por IA y su valor histórico, priorizando la preservación.
*Integridad de la Investigación*
La falta de confiabilidad en el contenido subyacente a los LLMs plantea
preocupaciones sobre la integridad del registro académico. A pesar de la
disponibilidad de datos de alta calidad, los LLMs cometen errores y carecen
de transparencia, lo que dificulta la confianza en los resultados de la
investigación.
Se propone la necesidad de nuevos estándares que aseguren la consistencia y
transparencia en el uso de herramientas de IA generativa. Además, las
bibliotecas de investigación deben desempeñar un papel activo en garantizar
la verificabilidad de la comunicación académica.
La tecnología de IA generativa también presenta desafíos para la detección
de fraudes académicos, ya que puede facilitar la creación de contenido
fraudulento. Sin embargo, también se sugiere que estas herramientas pueden
fortalecer los metadatos y mejorar la calidad de los manuscritos.
*Recomendaciones*
1. *Fortalecimiento de la Calidad del Contenido*: Las editoriales deben
abogar por contenido de alta calidad y colaborar con proveedores de
tecnología para establecer marcadores de confianza.
2. *Colaboración Interdisciplinaria*: Se recomienda fomentar discusiones
entre todos los actores del ciclo de investigación para garantizar la
integridad de la investigación científica.
*Generando Significado*
El registro académico permite a diversas comunidades generar nuevo
conocimiento. Sin embargo, con la llegada de LLMs, surge la pregunta sobre
cómo afectará esto a la producción futura de investigación. Aunque la IA
generativa democratiza el acceso a la información, también plantea
interrogantes sobre el papel del investigador humano en la creación
narrativa.
Las herramientas de IA generativa podrían transformar cómo se realiza la
investigación, permitiendo la automatización de ideas y experimentos, lo
que podría llevar a una transición hacia la investigación liderada por
máquinas.
*Recomendaciones*
1. *Desarrollo de un Vocabulario Común*: Se sugiere establecer un
vocabulario común sobre el uso de trabajos generados por IA para facilitar
la comprensión de los investigadores.
2. *Evolución de las Métricas de Impacto*: Se recomienda financiar un
estudio para investigar cómo deben evolucionar las métricas COUNTER para
adaptarse a las nuevas realidades.
*Modelos de Negocio Nuevos*
La rápida innovación en el espacio de IA generativa requiere que las
organizaciones de publicación adapten sus modelos de negocio. La falta de
un entendimiento común sobre las oportunidades y riesgos de la IA
generativa entre autores y editoriales ha generado la necesidad de un
diálogo abierto.
Se observa que servicios como la corrección de textos y la traducción ya
están experimentando disrupciones debido a la IA generativa, lo que plantea
retos para las editoriales más pequeñas.
*Recomendaciones*
1. *Construcción de Comprensión Compartida*: Las partes interesadas
deben trabajar juntas para construir una comprensión compartida sobre el
valor y los riesgos de la IA generativa en la comunicación académica.
2. *Servicios de Traducción de Calidad*: Se recomienda que los servicios
de traducción on-demand integrados en herramientas de IA generativa sean
cuidadosamente evaluados para su uso en contextos académicos, considerando
también los modelos de descuento para países no anglófonos.
Esta entrada se publicó en Investigación
<https://urldefense.com/v3/__https://universoabierto.org/category/investigacion/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxNP5d4dYg$ >, Tecnologías de la
información
<https://urldefense.com/v3/__https://universoabierto.org/category/tecnologias-de-la-informacion/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxPfrnXJ7A$ > y
está etiquetada con Informes
<https://urldefense.com/v3/__https://universoabierto.org/tag/informes/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxPOAVKnYA$ >, Inteligencia
artificial <https://urldefense.com/v3/__https://universoabierto.org/tag/inteligencia-artificial/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxN_sE36wg$ >,
Investigación <https://urldefense.com/v3/__https://universoabierto.org/tag/investigacion/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxMhT3-CdQ$ > en octubre
31, 2024
<https://urldefense.com/v3/__https://universoabierto.org/2024/10/31/la-ia-generativa-y-la-publicacion-cientifica-una-tercera-transformacion/__;!!D9dNQwwGXtA!SjXFD6AGZQLexQzfu28rvXK7gv1AF13gr-pf-klH_HxzbOEtcgOr3DmGt38lbonMYWHDAMX0kxOJjPtPVw$ >
|
