¿Cómo está transformando la inteligencia artificial la comunicación científica? Desafíos, oportunidades y el papel de los actores involucrados: una revisión de alcance
Bibliographic record
Abstract
La inteligencia artificial generativa está impactando la comunicación científica y transformando la forma tradicional en que se realiza, se evalúa y se difunde la investigación. Sin embargo, no es claro cómo esta se integra en la comunicación científica ni quiénes son las partes involucradas en su incorporación y uso responsable. En respuesta, este estudio pretende explorar a través de una revisión de alcance, cómo se están integrando las herramientas de inteligencia artificial generativa en los procesos de comunicación y publicación científica, cuáles son los desafíos, así como las partes implicadas. Se realizó una revisión de alcance para encontrar la información más relevante sobre su incorporación y uso en la publicación científica en bases de datos especializadas que incluyó 90 estudios que respondían a las preguntas de investigación. Los resultados señalan que la inteligencia artificial generativa es empleada para traducir, redactar y editar artículos científicos, además de agilizar los procesos de revisión por pares. También se evidencian problemas éticos relacionados con los sesgos algorítmicos, el plagio, las dificultades para reconocer información generada por inteligencia artificial y la falta de políticas globalmente aceptadas en torno a su uso. Finalmente, se identificaron varios grupos interesados en su incorporación y uso, como investigadores, editores, revisores, bibliotecas académicas, entre otros.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.039 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.011 |
| Scholarly communication | 0.016 | 0.016 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".