LISTSERV - IWETEL Archivos - LISTSERV.REDIRIS.ES

*Los chatbots de IA generativa como fuentes de tráfico web: aproximación
desde la analítica web de un portal de revistas*

*Cristóbal Urbano*https://urldefense.com/v3/__https://orcid.org/0000-0003-0935-6436__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEUFzd1MY$
Universitat de Barcelona
Departament de Biblioteconomia, Documentació i Comunicació Audiovisual
[log in para visualizar]

Hay pocas dudas de que con la apertura al público de ChatGPT, en la todavía
cercana fecha del 30 de noviembre de 2022, se produjo una gran
transformación en los hábitos de consumo de información de colectivos bien
diversos, que en pocos meses tuvieron ante sí esa y muchas otras
herramientas de IA generativa (entre otras, Gemini, Copilot, Claude,
Perplexity, You.com, Consensus, etc.). Se trata de un proceso que
percibimos como muy presente en las conversaciones informales en el entorno
académico, así como en infinidad de debates más formales sobre cómo la IA
incide en la forma de aprender, de enseñar y de investigar; en último
extremo, en la forma de leer, pensar, escribir o crear.

Más allá de las percepciones, contamos con datos estadísticos de captación
de usuarios que reportan las empresas productoras, así como estudios de
audiencia realizados mediante encuestas y métodos indirectos de análisis de
la popularidad de apps y sitios web, que ayudan a describir la “ola” de la
tendencia en la que estamos inmersos. Por otra parte, también existe un
buen número de artículos de descripción de experiencias y situaciones en el
ámbito académico, referidos sobre todo a ChatGPT (Goyanes & Lopezosa, 2024;
Lopezosa & Goyanes, 2024). Por último, son ya numerosos y relevantes los
documentos de toma de posición institucional y de recomendaciones que
emanan de importantes organismos, como por ejemplo Unesco (Miao & Holmes,
2023) o la CRUE (Cruz Argudo et al., 2024), entre otros muchos. En resumen,
todo ello, junto a la abundante atención que la prensa le ha prestado al
tema, apunta a una gran extensión en el uso de las herramientas de IA, con
importante impacto en la vida académica. Sin embargo, todavía no hay
revisiones sistemáticas que consoliden los pocos estudios publicados sobre
comportamiento informacional de búsqueda en el ámbito académico (p. ej.
Deschenes & McMahon, 2024), que muestren cómo, por qué y con qué
consecuencias se están usando estas nuevas herramientas.

En ese marco, la presente nota ThinkEPI pretende estimular el debate sobre
cómo las nuevas herramientas de IA pueden estar cambiando el panorama de la
búsqueda y uso de información, y cómo eso puede afectar a las revistas
académicas de acceso abierto en sus estrategias visibilidad y
posicionamiento, tanto mediante acciones de SEO orientadas a buscadores
generales, como de ASEO (Academic Search Engine Optimization) en buscadores
académicos o de indización en bases de datos bibliográficas.
Comportamiento informacional y herramientas que ofrecen respuestas directas

Dentro del abanico de herramientas de IA tipo chatbot, y haciendo una
aproximación muy genérica, podemos distinguir tres grados de respuesta
directa en relación con la inclusión, o no, de enlaces o de referencias
bibliográficas a documentos. En primer lugar, aquellas herramientas que por
defecto no ofrecen las fuentes en las que sustentan sus respuestas y que en
caso de que les solicitemos “bibliografía” para ampliar lo que nos dicen,
pueden “alucinar” creando referencias bibliográficas totalmente verosímiles
pero inventadas, como por ejemplo Claude.ia o ChatGPT4o-mini (en su versión
gratuita sin conexión a ChatGPT-Search). En segundo lugar, aquellas que
estando también orientadas a la generación de respuestas ofrecen por
defecto enlaces a fuentes en las que se apoyan, p. ej. Copilot o ChatGPT4o
(cuando se conecta a ChatGPT-Search en versiones de pago). En tercer lugar,
podríamos considerar aquellas herramientas que se plantean como motores de
búsqueda de nueva generación, que a partir de un prompt generan estrategias
para recuperar contenido relevante que sirve para destilar respuestas en
las que se citan las fuentes, p. ej. You.com, Perplexity, Consensus. Una
variación relevante de esta tercera tipología serían los desarrollos de
búsqueda conversacional asistida por IA sobre el contenido de bases datos
bibliográficas tradicionales, p. ej. Scopus IA. Bajo esta variante también
podríamos incluir algunas herramientas como ScholarAI o Elicit, que se
ofrecen como asistentes de búsqueda bibliográfica y condensación de los
contenidos recuperados, en tanto que soluciones para la realización de
revisiones bibliográficas exploratorias, de cara a la redacción inicial de
estados de la cuestión.

En este nuevo escenario, resulta pertinente preguntarnos en qué medida se
puede estar transformado el comportamiento informacional de búsqueda
bibliográfica, elemento central de la cultura académica entendida en el
sentido de lo que Gorichanaz (2024) denomina el “desarrollo de la virtud
intelectual” en relación con las búsquedas en línea. Hablamos de nueva
transformación, ya que los hábitos de búsqueda ya experimentaron un
profundo cambio con el uso abrumador de Google y de Google Scholar y el
declive de las bases de datos de indización y resumen. En todo caso, tanto
en el paradigma pre-Google como en el actual, la búsqueda se venía
contemplando como un proceso de satisfacción de las necesidades de
información a través de la lectura “humana” de documentos seleccionados a
partir de referencias (enlaces, si hablamos del entorno web); referencias
que se obtenían por la vía de bibliografías, catálogos, bases de datos,
buscadores web, recomendaciones de lecturas o seguimiento de la
bibliografía citada. Pues bien, el punto nuclear que estaría marcando el
cambio de tendencia en el comportamiento informacional en el entorno de la
IA generativa es que las nuevas herramientas ofrecen al usuario un modelo
de satisfacción de sus necesidades de información que podríamos denominar
“tipo oráculo” (Messeri & Crockett, 2024; Via, 2023) basado en respuestas
directas sintéticas y no tanto en los enlaces a documentos. Se trata de un
fenómeno que ya se venía estudiando con anterioridad, fruto de la aparición
en buscadores “tradicionales” como Google de los snippets enriquecidos que
apuntan con información directa y de forma preferente hacia una fuente, o
que ofrecen también una lista de preguntas tipo, con respuestas en forma de
extractos de sitios web, incrustadas en la SERP del buscador (Potthast
et al., 2020; Strzelecki & Rutecka, 2020). En ambas situaciones, los
usuarios pueden juzgar innecesario visitar los enlaces facilitados. Por
este efecto de las respuestas directas, los expertos consultados en el
estudio de Ithaca S+R sobre impacto de la IA en el ecosistema editorial se
pronostican un descenso de las visitas a las revistas (Bergstrom &
Ruediger, 2024).

En ese mismo sentido, en una entrevista reciente en el diario *Avui *con
Álex Hinojo, reconocido wikipedista y miembro de la dirección de Amical
Wikipedia entre 2012 y 2018, se planteaba que las nuevas herramientas de
búsqueda basadas en AI generativa supondrán una reducción del tráfico en la
mismísima Wikipedia: “Ja fa temps que la tecnologia respon preguntes
senzilles sense anar a la Viquipèdia. Ara, amb cercadors basats en models
de llenguatge, ni tan sols cal anar a la font. Li demanes: què ha passat
avui? o Explica’m la Revolució Francesa, i ho fa en to divulgatiu. És molt
llaminer. La Viquipèdia depèn de voluntaris; si baixen els lectors,
baixaran els editors. […] La Viquipèdia passarà de ser font diària de
consulta a un recurs de verificació en una internet dominada per
l’automatització i la IA.” (Hinojo & Gordillo, 2024)
Hacia un nuevo tipo de buscador web: los Generative Engines

Ciertamente, a la vista de cómo van evolucionando los diversos chatbots de
IA, no podemos decir que los enlaces estén totalmente ausentes en las
respuestas, pues cada vez son más los que ofrecen búsquedas en la Web en
general, o en conjuntos de información académica, que se sustancian
mediante el mismo proceso conversacional entre el usuario y la herramienta,
pero que muestran enlaces integrados en algún tipo de narrativa producto de
una recuperación generativa de información (Li et al., 2024). En este
sentido, todo indica que la aparición de ChatGPT-Search (
https://urldefense.com/v3/__https://openai.com/index/introducing-chatgpt-search/__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEQE8cxZY$ ) puede marcar un antes
y un después en las búsquedas en el web (Nafría & Nafría, 2024). En primer
lugar, por la amenaza que representa para los buscadores tradicionales, y
en especial para el monopolio de facto que Google ostenta en numerosos
países, como por ejemplo España; en segundo lugar, por el efecto en el
descenso de visitas a determinados sitios web producto del modo de
seleccionar y presentar los resultados que tienen herramientas de búsqueda
como ChatGPT-Search.

Se habla ya de un nuevo tipo de buscador al que se denomina Generative
Engine y que usa modelos de IA generativa para reunir y resumir información
con la que responder las consultas de los usuarios. (Aggarwal et al., 2024).
Google también está avanzando en esa línea con desarrollos experimentales,
no del todo exitosos todavía, como Google SGE (Smith, 2024; Withorn, 2023)
que pretenden transformar el proceso de búsqueda hacia el tipo de
experiencia de usuario que ofrecen chatbots tipo como ChatGPT. Semejantes
movimientos anticipan un cambio en el mercado de las búsquedas que afectará
a los creadores de contenido, entre los que se cuentan los editores de
revistas. Unos creadores de contenido que se debatirán entre posicionar sus
sitios web en las nuevas plataformas alimentadas por IA y la pérdida de
visitas que puede representar que dichas plataformas ofrezcan directamente
la respuesta a las necesidades de información sin necesidad de visitar el
sitio web original.

Es por ello que las tendencias observadas entre usuarios y proveedores de
plataformas de IA, harán que los creadores de contenidos se planteen
estrategias de lo que se ha venido en denominar Generative Engine
Optimisation (GEO) (Aggarwal et al., 2024) como complemento a sus acciones
de SEO. En cualquier caso, parece que todo indica que se tendrán que
enfrentar a un casi seguro menor número de visitas efectivas a sus sitios
web. Como se dice en una pieza reciente de prensa en *The Guardian*: “Ask a
search engine a question, and it will return a long list of webpages. Most
users will pick from the top few, but even those websites towards the
bottom of the results will net some traffic. Chatbots, by contrast, only
mention the four or five websites from which they crib their information as
references to the side.” (Bains, 2024)

En efecto, en todos los casos las respuestas de los chatbots de IA tienden
a ser mucho más selectivas en cuanto al número de enlaces que ofrecen, lo
que unido a su capacidad de respuesta directa puede inhibir la visita a los
enlaces propuestos. El resultado de todo ello ya se está viendo como una
amenaza para la captación de tránsito en el canal “organic seach”, según la
terminología al uso en analítica web. No es extraño, pues, que en el mundo
de la consultoría en posicionamiento web y márquetin digital se esté
hablando de la necesidad de hacer el tránsito desde el SEO (Search Engine
Optimization) al GEO (Generative Engine Optimization) (Bains, 2024), algo
que de forma más cruda algunos autores denominan manipulación de LLMs para
incrementar la visibilidad de productos (Kumar & Lakkaraju, 2024).
Analítica web del tráfico de referencia en un portal de revistas: RACO

Partiendo de este contexto y de mi interés por la analítica web aplicada a
revistas académicas (Vitela & Urbano, 2020), me ha parecido que era
interesante hacer una primera exploración de la presencia de los chatbots
de IA en el tráfico referido que llega al sitio web de un portal de
revistas académicas. Gracias a la colaboración del Área de Aprendizaje,
Investigación y Ciencia Abierta del Consorci de Serveis Universitaris de
Catalunya (CSUC), he tenido acceso a los datos de la propiedad Google
Analytics (GA) correspondiente a *RACO: Revistes Catalanes amb Accés Obert*
(https://urldefense.com/v3/__https://raco.cat__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vENNHT8Io$ ). Además, con la colaboración de la Facultat d’Informació
i Mitjans Audiovisuals de la Universitat de Barcelona, he utilizado también
los datos de la revista *BiD *(https://urldefense.com/v3/__https://bid.ub.edu/__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEBNQtT0M$ ), para así tener un
punto de comparación entre un portal como RACO gestionado con OJS, y una
revista concreta cuyos artículos están todos disponibles en html (excepto
los correspondientes al año 2024). Con el comentario de estos datos se
pretende aportar evidencias al debate sobre horizontes de futuro en el
posicionamiento web y en la captación de audiencia por parte de revistas
académicas. A partir de esta primera impresión retrospectiva, la idea sería
ir viendo cómo evolucionan en los años venideros estas nuevas fuentes de
tráfico en comparación con otras más consolidadas, tanto en RACO como en
otros portales de revista interesados.

Se ha trabajado con los datos que cubren el período del 1/12/2022 al
17/11/2024: esto es, desde el día siguiente al lanzamiento de ChatGPT hasta
el momento justo de redacción de esta nota. A largo de esos 23 meses y
medio, según los datos de Google Analytics, se registraron en RACO un total
de 3.981.591 sesiones, destacando el medio “Referral” como el que
registraba un mayor porcentaje de interacción (indicador relacionado con la
calidad de las visitas) y el medio “Organic” como el que registra el mayor
porcentaje (46,27 %) sobre el total de visitas (Tabla 1). Bajo la
configuración de GA que tiene establecido RACO para el medio “Organic”,
aparecen los buscadores web generalistas. Entre ellos, se observa un
dominio casi absoluto de Google, pues genera el 99,95 % del total del
tráfico que llega por dicho el medio. Otros buscadores como Bing, Baidu,
Ecosia, DuckDuckGo, Yahoo, tienen una cuota insignificante.

*Medio de la sesión*

*Sesiones*

*% sobre total*

*% interacciones*

*Duración media sesión*

Organic

1.842.334

46,27 %

74,60 %

4 min y 15 s

Referral

1.315.722

33,05 %

81,65 %

5 min y 26 s

Direct

815.354

20,48 %

73,82 %

5 min y 02 s

Otros

8.181

0,21 %

n/a

Total

3.981.591

100,00 %

77,00 %

4 min y 43 s

Tabla 1. Métricas de las sesiones según medio de la sesión

El medio “Referral”, con el 33,05 % del tráfico, tiene un peso muy notable
en RACO. En la configuración de GA para RACO, corresponde al tráfico que
proviene de sitios web de muy diversa naturaleza: buscadores académicos
como Google Scholar, bases de datos bibliográficas como Dialnet,
herramientas de descubrimiento de bibliotecas, redes sociales como Twitter
o Facebook, páginas de contenido como Wikipedia, etc. Esto es, bajo este
medio se contabiliza el tráfico que proviene de cualquier sitio web que
enlace a RACO y que no esté filtrado por GA como un buscador asignado al
canal “Organic”. Por ello incluye ChatGPT, Perplexity y cualquier otra
herramienta tipo chatbot de IA generativa.

Para un portal de revistas es muy interesante poner la lupa sobre el
tráfico que se recibe de sitios web clasificados como medio “Referral”, ya
que es el que nos puede ayudar a ver el papel que tienen en la adquisición
de visitas diversas fuentes relacionadas con lo que podríamos denominar
búsquedas de información bibliográfica más claramente caracterizables como
tal. Pese a que sabemos que también se utiliza un buscador generalista como
Google a la hora de iniciar una exploración bibliográfica, las intenciones
de búsqueda más claramente orientadas a la investigación bibliográfica se
acaban dirigiendo a fuentes como Google Scholar y otras del ámbito más
tradicional del control bibliográfico. Eso explica que bajo dicho medio se
registre el mayor porcentaje de interacción y las sesiones duren más.

Dentro del mismo, se han filtrado las sesiones que tienen su origen en los
chatbots de IA activos en RACO (Tabla 2). Los dominios que se han
identificado dentro de ese tipo de fuentes con tráfico en RACO han sido los
siguientes: chat.mistral.ai, chatgpt.com, chat.openai.com, claude.ai,
consensus.app, copilot.microsoft.com, gemini.google.com, gptgo.ai, Iris.ai,
komo.ai, openread.academy, perplexity.ai, phind.com, poe.com, typeset.io,
you.com.

*Fuente*

*Sesiones en RACO*

*Sesiones en BiD*

perplexity.ai

1173

444

chatgpt.com + chat.openai.com

393

109

you.com

346

162

gemini.google.com

typeset.io [SciSpace]

claude.ai

poe.com

copilot.microsoft.com

consensus.app

komo.ai

chat.mistral.ai

gptgo.ai

iris.ai

openread.academy

phind.com

Total

2143

824

Tabla 2. Número de sesiones procedentes del agregado de fuentes tipo
chatbot IA para el período analizado en RACO y en BiD

En lo referente a la comparación con BiD, sería interesante investigar qué
influencia puede tener en el posicionamiento de las revistas en las
herramientas de IA, que el contenido de los artículos sea html o pdf, o que
el gestor de contenidos (CMS) sea de un tipo u otro. Se ha de tener en
cuenta que RACO contiene 585 revistas y registró en el período analizado
casi 4 millones de sesiones, mientras que BiD es una única revista con un
tráfico en el mismo período de 273.635 sesiones. Ciertamente, en proporción
al tráfico total, todo indica que la captación de tráfico de dichas fuentes
IA fue mayor en el caso de la revista BiD (Tabla 2).

En ambos casos son cifras muy discretas. Especialmente irrelevantes en el
conjunto de los casi 4 millones de sesiones que registra RACO en el período
analizado. De todas maneras, las 2.143 sesiones generadas desde fuentes
tipo chatbot IA se encuentran cerca de las 2.695 del buscador Bing, y muy
por encima de otros buscadores como Ecosia y Duckduckgo. En cuanto a la
evolución a lo largo del tiempo en el caso de RACO, se observa una
tendencia continuada al alza (Figura 1), en la que hemos observado que el
mayor crecimiento en los últimos dos meses y medio está vinculado a
ChatGPT, seguramente fruto de la activación de la función ChatGPT-Search
por parte de los usuarios de pago.

[image: Figura1.png]

Figura 1. Evolución del número de sesiones procedentes del agregado de
fuentes tipo chatbot IA

Si se compara el volumen total del tráfico recibido desde chatbots de IA
durante el período analizado con el de las principales fuentes del medio
“Referral” (Tabla 3), se ve con mayor crudeza el bajo nivel de tráfico
procedente desde sitios como ChatGPT o similares, que suponemos se usan con
gran intensidad por los diversos grupos del colectivo académico y
estudiantil, pero que hasta el presente no aportan un tráfico comparable al
de otras fuentes.

*Fuente de la sesión*

*Sesiones*

*% sobre el total del medio “Referral”*

Google Scholar

650.478

49,44 %

Dialnet

242.156

18,40 %

Discovery tools de las bibliotecas de las universidades catalanas

54.357

4,13 %

Campus virtuales de las universidades catalanas

41.972

3,19 %

Wikipedia

18.632

1,42 %

Facebook

16.304

1,24 %

Twitter (X)

14.755

1,12 %

DOAJ

6.885

0,52 %

scimagojr.com

4.095

0,31 %

Selección de bases de datos de indización por citas (WoS, Scopus,
Dimensionas, OpenAlex, Lens, SemanticScholar, Scite)

3.543

0,27 %

Chatbots IA

2.143

0,16 %

Otros

260.402

19,79 %

Total medio “Referral”

1.315.722

100,00 %

Tabla 3: Total de sesiones de diversas agrupaciones de fuentes del medio
“Referrer”

Ciertamente, el volumen de tráfico que está llegando por las fuentes tipo
chabot IA es mínimo en comparación con la mayoría de otras fuentes del
medio “Referral”. Es interesante observar que también representan una
fracción muy pequeña frente al tráfico que llega de fuentes más o menos
tradicionales del ámbito del control bibliográfico donde RACO está muy bien
cubierta, como Dialnet o DOAJ, o las “discovery tools” de las bibliotecas
universitarias catalanas. Sin embargo, sí que comienza a tener un valor
relevante en su comparación con fuentes de control bibliográficas dirigidas
a perfiles más iniciados en la investigación, como las bases de datos de
indización por citas.

Asumiendo que el uso de herramientas tipo ChatGPT se estima creciente entre
la población general, y de forma especial entre el público universitario,
podríamos formular algunas hipótesis sobre los factores que podrían
explicar el bajo volumen de visitas registradas en RACO procedentes de
chatbots de IA: la ausencia de enlaces en un buen número de las respuestas
obtenidas en dichas herramientas, una presencia muy selectiva de enlaces
cuando sí aparecen, el efecto de las respuestas directas en el no
seguimiento de enlaces por parte de los usuarios y, por último, la
dificultad de posicionamiento de las revistas de RACO en los modelos de
lenguaje y las fuentes de contenido que usan los chatbots. Esperemos en el
futuro poder discernir el peso de cada uno de esos factores, ya que esa
información será útil en la toma de decisiones sobre acciones de
optimización en la captación de visitas.
Para concluir y dar paso al debate

A la vista de los datos, se podría afirmar que, desde el punto de vista del
acceso y lectura de los artículos de revista en su sitio web original, los
chatbots de IA no son actores emergentes de la búsqueda bibliográfica.
Llevado al extremo, son justamente la expresión de lo que podríamos
denominar búsqueda no-bibliográfica.

La explicación es sin duda multifactorial, pero si vamos a la raíz del
comportamiento informacional en el que se fundamenta el uso de los chatbots
de IA por parte de los usuarios, podemos suponer que se basan en el
principio del “good enough” (Connaway et al., 2011; Gorichanaz, 2024) según
el cual, un usuario puede considerar que es conveniente dejar de buscar una
vez se dispone de un resultado que juzgue como suficientemente bueno, en
lugar de insistir en la búsqueda de la mejor respuesta posible. El modelo
de interrogación tipo “oráculo” de los chatbots de IA encaja muy bien en el
comportamiento basado en la aceptación de respuestas suficientemente
buenas, especialmente cuando se asume que la IA, por su gran capacidad de
proceso de contenidos, ya se habrá “leído” todo lo que fuera preciso.
Muchos usuarios pueden dar por descontado una especie de “poderío lector”
de estas herramientas, pero ciertamente no todas son iguales ni por la
forma en la que han sido entrenadas, ni por los contenidos con las que se
ha realizado el entrenamiento, ni por el acceso a fuentes de búsqueda
cuando la herramienta contempla esa funcionalidad.

Ciertamente, las derivadas del debate sobre el uso de los chatbots de IA en
la búsqueda de información por parte de usuarios del entorno universitario
supera el propósito de esta nota, enfocada a la analítica web del tráfico
captado por un portal de revistas y su utilidad para optimizar la captación
de visitas. Pero para no obviar del todo otros aspectos, se podría hablar
de asuntos bien importantes como: la formación de usuarios para un uso
óptimo y ético de estas herramientas, la evaluación de la cobertura de
contenidos y la calidad de las respuestas de cada uno de los muchos de
productos diferentes que tenemos a nuestra disposición, las funcionalidades
específicas que algunas herramientas concretas tienen para la realización
de revisiones bibliográficas o para el envío de alertas de novedades
acordes con nuestros intereses, etc.

En lo referente al tema de esta nota, cabe finalizar diciendo que la
creación de contenido original, riguroso, de calidad, arbitrado y
seleccionado, ha sido hasta la fecha una característica de la comunicación
científica de calidad, basada en un ecosistema editorial que utiliza una
combinación de datos de audiencia y de impacto para evaluar su prestigio,
su viabilidad y sus opciones de mejora. Para finalizar, les dejo algunas de
preguntas para estimular el debate al respecto:

- ¿Es posible y conveniente posicionar contenidos de una revista
mediante técnicas de GEO en herramientas de IA? ¿Cómo se hace?
- ¿Se reducirán las visitas que reciben las revistas a causa de los
cambios en los comportamientos de búsqueda en el entorno académico y de la
evolución de las herramientas de búsqueda web hacia las respuestas directas
y la limitación en el número de enlaces mostrados?
- ¿Se puede seguir optimizando la adquisición de tráfico en fuentes del
medio “Referral” vinculadas a intenciones de búsqueda claramente
bibliográficas (discovery tools de las bibliotecas, bases de datos
bibliográficas, buscadores académicos, …)? ¿Cómo se puede hacer?
- ¿Qué peso debe tener la medición de la audiencia en la gestión de una
revista académica de acceso abierto?
- ¿Es sostenible la creación de contenido editorial en abierto si no se
dispone de un número razonable de visitas?

Referencias

Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., &
Deshpande, A. (2024). GEO: Generative Engine Optimization. *Proceedings of
the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining*,
5-16. https://urldefense.com/v3/__https://doi.org/10.1145/3637528.3671900__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vE5xH6BFw$

Bains, C. (2024, noviembre 3). The chatbot optimisation game: Can we trust
AI web searches? *The Guardian*.
https://urldefense.com/v3/__https://www.theguardian.com/technology/2024/nov/03/the-chatbot-optimisation-game-can-we-trust-ai-web-searches__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEUlJ2m8I$

Bergstrom, T., & Ruediger, D. (2024). *A Third Transformation? Generative
AI and Scholarly Publishing*. Ithaka S+R. https://urldefense.com/v3/__https://doi.org/10.18665/sr.321519__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vECSMIiOg$

Connaway, L. S., Dickey, T. J., & Radford, M. L. (2011). “If it is too
inconvenient I’m not going after it:” Convenience as a critical factor in
information-seeking behaviors. *Library & Information Science Research*,
*33*(3), 179-190. https://urldefense.com/v3/__https://doi.org/10.1016/j.lisr.2010.12.002__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vE8ml6OyM$

Cruz Argudo, F., García Varea, I., Martínez Carrascal, J. A., Ruiz
Martínez, A., Ruiz Martínez, P. M., Sánchez Campos, A., & Turró Ribalta, C.
(2024). *La inteligencia artificial generativa en la docencia
universitaria: Oportunidades, desafios y recomendaciones*. CRUE.
https://urldefense.com/v3/__https://www.crue.org/wp-content/uploads/2024/03/Crue-Digitalizacion_IA-Generativa.pdf__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEprM41-U$

Deschenes, A., & McMahon, M. (2024). A Survey on student use of generative
AI chatbots for academic research. *Evidence Based Library and Information
Practice*, *19*(2), Article 2. https://urldefense.com/v3/__https://doi.org/10.18438/eblip30512__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEMRr7QTs$

Gorichanaz, T. (2024). Virtuous search: A framework for intellectual virtue
in online search. *Journal of the Association for Information Science and
Technology*, *75*(5), 538-549. https://urldefense.com/v3/__https://doi.org/10.1002/asi.24832__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEYE7AV1M$

Goyanes, M., & Lopezosa, C. (2024). ChatGPT en ciencias sociales: Revisión
de la literatura sobre el uso de inteligencia artificial (IA) de OpenAI en
investigación cualitativa y cuantitativa. *Anuario ThinkEPI*, *18*.
https://urldefense.com/v3/__https://doi.org/10.3145/thinkepi.2024.e18a04__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vE6Hc2ScM$

Hinojo, A., & Gordillo, S. (2024, noviembre 11). *Viquipèdia davant la IA:
Entre la resistència i la irrellevància*. El Punt Avui.
https://urldefense.com/v3/__https://www.elpuntavui.cat/societat/article/15-ciencia/2477475-viquipedia-davant-la-ia-entre-la-resistencia-i-la-irrellevancia.html__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEv_cK68I$

Kumar, A., & Lakkaraju, H. (2024). *Manipulating Large Language Models to
Increase Product Visibility* (No. arXiv:2404.07981). arXiv.
https://urldefense.com/v3/__http://arxiv.org/abs/2404.07981__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEZ0jJBSY$

Li, X., Jin, J., Zhou, Y., Zhang, Y., Zhang, P., Zhu, Y., & Dou, Z.
(2024). *From
Matching to Generation: A Survey on Generative Information Retrieval* (No.
arXiv:2404.14851). arXiv. https://urldefense.com/v3/__https://doi.org/10.48550/arXiv.2404.14851__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vELvu6JSg$

Lopezosa, C., & Goyanes, M. (2024). Evaluación del uso ético de ChatGPT en
investigación científica: Principales tendencias, mejores prácticas y
desafíos identificados. *Anuario ThinkEPI*, *18*.
https://urldefense.com/v3/__https://doi.org/10.3145/thinkepi.2024.e18a19__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEp--JRJY$

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and
illusions of understanding in scientific research. *Nature*, *627*(8002),
49-58. https://urldefense.com/v3/__https://doi.org/10.1038/s41586-024-07146-0__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEe6mV-Xs$

Miao, F., & Holmes, W. (2023). *Guidance for generative AI in education and
research*. UNESCO. https://urldefense.com/v3/__https://doi.org/10.54675/EWZM9535__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEZBqu1yo$

Nafría, I., & Nafría, C. (2024, junio 17). OpenAI lanza ChatGPT Search, su
buscador web con IA. *Hoy en internet*.
https://urldefense.com/v3/__https://hoyeninternet.beehiiv.com/p/openai-lanza-chatgpt-search-su-buscador-web-con-ia__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEE0vbh1Y$

Potthast, M., Hagen, M., & Stein, B. (2020). The dilemma of the direct
answer. *ACM SIGIR Forum*, *54*(1), 1-12.
https://urldefense.com/v3/__https://doi.org/10.1145/3451964.3451978__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEw-uHNwg$

Smith, B. (2024, junio 25). *Google AI Overviews are an evolution, not a
revolution*. Search Engine Land.
https://urldefense.com/v3/__https://searchengineland.com/google-ai-overviews-evolution-revolution-443454__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEErglAWo$

Strzelecki, A., & Rutecka, P. (2020). Direct answers in Google search
results. *IEEE Access*, *8*, 103642-103654.
https://urldefense.com/v3/__https://doi.org/10.1109/ACCESS.2020.2999160__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEr-dLepg$

Via, A. (2023, diciembre 3). From ancient oracles to Generative AI. *Artificial
Corner*.
https://urldefense.com/v3/__https://medium.com/artificial-corner/from-ancient-oracles-to-generative-ai-da86f64e0494__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEPGkCmeY$

Vitela, A., & Urbano, C. (2020). Web analytics for open access academic
journals: Justification, planning and implementation. *BiD: Textos
Universitaris de Biblioteconomia i Documentació*, *45*, 8.
https://urldefense.com/v3/__https://doi.org/10.1344/BiD2020.45.20__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEpof2e-A$

Withorn, T. (2023). Google SGE: A new way to search, teach, and
resist. *College
& Research Libraries News*, *84*(10). https://urldefense.com/v3/__https://doi.org/10.5860/crln.84.10.373__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vEADWfxyg$

Natalia Arroyo, directora
Isabel Olea, coordinadora

Anuario ThinkEPI 2024
[log in para visualizar]
https://urldefense.com/v3/__https://thinkepi.scimagoepi.com__;!!D9dNQwwGXtA!V5YjKo5pLwTIPMxNjUK18Lg7xEEjbH7lEkAA-lW8KZDu_8CZr2euG4swjT3XlycLSwh59C2egOz1f_vE0zhVM_A$