Principios normativos para una ética de la inteligencia artificial
Bibliographic record
Abstract
Principios Normativos para una Ética de la Inteligencia Artificial analiza la necesidad de construir un marco ético claro, aplicable y normativamente sólido para orientar el desarrollo y uso de la inteligencia artificial. El libro parte de un diagnóstico central: en los últimos años han surgido numerosos documentos, declaraciones y recomendaciones sobre ética de la IA, pero la abundancia de principios ha generado ambigüedad, confusión y dificultades para su aplicación práctica. Frente a ello, la obra propone revisar críticamente esas formulaciones y recuperar elementos de la ética clásica para sintetizar la discusión en tres ejes fundamentales: honestidad, intencionalidad y conciencia moral. El texto contextualiza la expansión reciente de la IA, especialmente a partir de los modelos generativos de lenguaje, los sistemas multimodales y las aplicaciones en campos sensibles como la medicina. Esta aceleración tecnológica vuelve urgente establecer criterios éticos que permitan anticipar riesgos, proteger a los usuarios y asegurar que la IA beneficie a la sociedad. La obra revisa distintos marcos internacionales y nacionales, entre ellos los Principios de Asilomar, la Declaración de Montreal, las directrices europeas para una IA fiable, la Recomendación de la UNESCO sobre ética de la IA, los principios de la OCDE, las propuestas de Partnership on AI, así como iniciativas empresariales y políticas estatales de países como Estados Unidos, China y Rusia. A través de esta revisión, el libro muestra que existe un consenso amplio sobre valores como transparencia, rendición de cuentas, inclusión, privacidad, dignidad humana, seguridad y beneficio social. Sin embargo, su aporte principal es crítico: advierte que una ética de la IA no debe reducirse a una acumulación extensa de principios dispersos. Por ello, concluye con la idea de que “menos es más”: se requiere una ética normativa más clara, comprensible y operativa, capaz de guiar a desarrolladores, instituciones y gobiernos hacia una inteligencia artificial responsable, humanamente orientada y socialmente benéfica.
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 | 0.017 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.003 | 0.034 |
| Scholarly communication | 0.013 | 0.011 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.008 |
| Insufficient payload (model declined to judge) | 0.006 | 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".