Cristóbal Urbano
https://orcid.org/0000-0003-0935-6436
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://openai.com/index/introducing-chatgpt-search/) 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://raco.cat). 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://bid.ub.edu/), 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.

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.

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.

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.

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://doi.org/10.1145/3637528.3671900

Bains, C. (2024, noviembre 3). The chatbot optimisation game: Can we trust AI web searches? The Guardian. https://www.theguardian.com/technology/2024/nov/03/the-chatbot-optimisation-game-can-we-trust-ai-web-searches

Bergstrom, T., & Ruediger, D. (2024). A Third Transformation? Generative AI and Scholarly Publishing. Ithaka S+R. https://doi.org/10.18665/sr.321519

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://doi.org/10.1016/j.lisr.2010.12.002

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://www.crue.org/wp-content/uploads/2024/03/Crue-Digitalizacion_IA-Generativa.pdf

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://doi.org/10.18438/eblip30512

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://doi.org/10.1002/asi.24832

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://doi.org/10.3145/thinkepi.2024.e18a04

Hinojo, A., & Gordillo, S. (2024, noviembre 11). Viquipèdia davant la IA: Entre la resistència i la irrellevància. El Punt Avui. https://www.elpuntavui.cat/societat/article/15-ciencia/2477475-viquipedia-davant-la-ia-entre-la-resistencia-i-la-irrellevancia.html

Kumar, A., & Lakkaraju, H. (2024). Manipulating Large Language Models to Increase Product Visibility (No. arXiv:2404.07981). arXiv. http://arxiv.org/abs/2404.07981

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://doi.org/10.48550/arXiv.2404.14851

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://doi.org/10.3145/thinkepi.2024.e18a19

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0

Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535

Nafría, I., & Nafría, C. (2024, junio 17). OpenAI lanza ChatGPT Search, su buscador web con IA. Hoy en internet. https://hoyeninternet.beehiiv.com/p/openai-lanza-chatgpt-search-su-buscador-web-con-ia

Potthast, M., Hagen, M., & Stein, B. (2020). The dilemma of the direct answer. ACM SIGIR Forum, 54(1), 1-12. https://doi.org/10.1145/3451964.3451978

Smith, B. (2024, junio 25). Google AI Overviews are an evolution, not a revolution. Search Engine Land. https://searchengineland.com/google-ai-overviews-evolution-revolution-443454

Strzelecki, A., & Rutecka, P. (2020). Direct answers in Google search results. IEEE Access, 8, 103642-103654. https://doi.org/10.1109/ACCESS.2020.2999160

Via, A. (2023, diciembre 3). From ancient oracles to Generative AI. Artificial Corner. https://medium.com/artificial-corner/from-ancient-oracles-to-generative-ai-da86f64e0494

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://doi.org/10.1344/BiD2020.45.20

Withorn, T. (2023). Google SGE: A new way to search, teach, and resist. College & Research Libraries News, 84(10). https://doi.org/10.5860/crln.84.10.373

Anuario ThinkEPI 2024