Empecemos con esta constatación: la inteligencia artificial generativa parece haber sido diseñada expresamente para llevar a cabo revisiones de la literatura. Veamos por qué: una revisión de la literatura es una síntesis del conocimiento. De hecho, la disciplina que estudia cómo producir revisiones de literatura de calidad se conoce con el nombre de research synthesis o evidence synthesis.
Por su parte, la salida de una IA generativa tiene tres componentes: una síntesis narrativa, una lista de fuentes y una lista de nuevos prompts para ampliar la investigación. La expresión clave que lo relaciona todo es síntesis narrativa. Lo que genera una IA y lo que forma el núcleo de un revisión de la literatura.
El siguiente elemento en la ecuación es la aparición de la tecnología RAG (retrieval augmented generation) que combinan sistemas de IA con sistemas de recuperación de información. A partir de aquí todo confluye en la nueva capacidad de las IA para analizar y sintetizar el conocimiento de un conjunto de artículos recuperados de una base de datos académica.
Una lista rápida de sistemas de IA que incluyen entre sus principales funciones la producción de revisiones de la literatura arroja, entre otros, estos nombres destacados:
- AnswerThis
- Elicit
- Scite
- Epsilon
- Scispace
En lo que sigue, primero mostraremos mediante capturas de pantalla el funcionamiento básico del primero de los sistemas de IA mencionados, AnswerThis. Después pasaremos a presentar alguna conclusiones a propósito de la validez y la fiabilidad de las revisiones de la literatura producidas con IA. Seguiremo con algunas consideraciones sobre aspectos éticos y cognitivos y cerraremos con algunas propuestas de trabajo con sistemas de IA para producir revisiones de la literatura.
GUÍA VISUAL DE UTILIZACIÓN DE ANSWERTHIS AI
PARA REVISIONES DE LA LITERATURA
Centro de búsqueda de AnswerThis
En el centro de búsqueda podemos seleccionar Literature review como uno de los modos de búsqueda. Igualmente, podemos seleccionar el modo Pro, equivalente al modo deep research de otras IA como GPT o Gemini. También podemos seleccionar Library para guardar las referencias obtenidas. En Library podemos tener diferentes carpetas o proyectos. Por último, con More Filters podemos añadir otros parámetros, como veremos a continuación.
Bases de datos utilizadas
Además de la web general, podemos seleccionar hasta cuatro bases de datos. En las pruebas que hemos hecho, hemos limitado la búsqueda a Semantic Scholar y/o OpenAlex.
Número de referencias en revisiones de la literatura
Un punto que vale la pena señalar es que el número de referencias que proporciona AnswerThis suele limitarse, en nuestras pruebas, como máximo a unas pocas decenas.
O sea, la lista de referencias no es un volcado de las referencias que proporcionan las bases de datos utilizadas, sino que aplica algún elemento de limitación. Tal vez un filtro de calidad, pero la cuestión es que búsquedas que en teoría podrían arrojar miles de referencias, en AnswerThis se quedan en varias decenas. Esto puede ser una necesidad de la IA para poder llevar a cabos sus análisis sobre una base de la evidencia manejable. Pero, se mire como se mire, la reducción es drástica.
Por ejemplo, una búsqueda por la palabra clave digital journalism proporciona 25 referencias en AnswerThis, como podemos ver en la captura de pantalla precedente, mientras que la misma palabra clave en una de las bases de datos utilizadas, Semantic Scholar, proporciona una respuesta de varios miles. ¿Cómo hace AnswerThis una reducción de al menos dos órdenes de magnitud entre las referencias en la fuente utilizadas y las que maneja para sus contenidos? No hemos encontrado datos al respecto.
Otros parámetros de búsqueda
Otros parámetros permiten seleccionar el cuartil de las revistas, así como establecer rangos de fechas.
Fases de la revisión de la literatura
Una vez lanzada una operación de revisión de la literatura, aparece esta ventana de progreso, donde pueden verse las cuatro fases de toda revisión sistemática: (1) búsqueda, (2) evaluación, (3) análisis y (4) síntesis. En AnswerThis corresponden a (1) Gathering sources, (2) Analyzing key themes, (3) Synthesizing information, (4) Compiling results.
Panel de resultados
El panel de los resultados está dividido en dos partes que pueden dimensionarse: el informe de revisión y la lista de referencias. Cada parte dispone de sus propios controles.
El informe de revisión
En nuestras pruebas, los informes han generado típicamente documentos de entre 5 y 15 páginas y con entre 5 y 35 referencias. Estas extensiones se refieren al contenido generado por prompts únicos, esto es, sin aplicar reiteraciones, ni extender los contenidos mediante la función de escritura asistida con la IA que veremos más adelante.
Lista de referencias y estilos de citación
Una vez tenemos la lista de referencias citadas podemos formatearlas mediante seis estilos diferentes. Además cada referencia tiene asociados dos iconos: el primero genera una citación y el segundo dice literalmente que «refina la citación», pero no hemos sabido determinar a qué se refiere.
Opciones con el resultado obtenido
Las opciones una vez hemos obtenido la revisión completa permiten una amplia gama de acciones. El botón Turbo Mode que, por defecto está en on, se puede desactivar. Si entonces, activamos el botón Rerun, en nuestras pruebas ha generado documentos más largos y con un número más alto de referencias.
Otras opciones destacadas permiten editar el informe de modo interactivo y asistido por una IA. También son notables las opciones de descargar el documento en formato word y PDF, así como compartir el informe en modo público o privado a través de una URL.
Cadena de pensamientos
El icono Thinking muestra el trazado de la cadena de pensamientos seguido por la IA. Esto nos confirma (o no) que la IA ha interpretado bien nuestro prompt.
Herramientas
Por su parte, Used Tools presenta las herramientas que AnswerThis ha puesto en juego para responder a nuestro prompt. Forma pareja con la herramienta anterior para calibrar el acierto (o no) de las acciones de la IA.
Acciones con las referencias
Cada una de las referencias obtenidas dispone de una ficha en la que podemos aplicar diferentes acciones, como chatear con ellas, o marcarlas y guardarlas en el gestor de referencias del sistema.
Chat con una o más referencias
A partir de la selección de una o más referencias, podemos chatear con los PDF de los artículos descargados como resultado de una consulta. El resultado, como puede verse, es amplio y detallado.
Redacción asistida con IA
Una de las opciones más interesantes es la de poder editar de forma interactiva asistida por IA cualquier informe generado por AnswerThis. Para ello disponemos de un editor en línea, simple pero bastante completo.
Esto abre interesantes posibilidades. El usuario del programa puede editar párrafo a párrafo el contenido generado, lo que incluye la posibilidad de retirar contenidos, reescribirlos y añadir contenidos propios. El resultado puede ser un trabajo en el cual la parte generada inicialmente por la IA ceda el paso a contenidos principalmente revisados y editados por el usuario. ¿No es esto lo que deberían permitir todas las IA generativas?
La herramienta más interesante e inquietante a la vez en este editor sin duda es la denominada Reformat, cuyo efecto vemos en la siguiente captura.
Opciones de redacción asistida por IA
El efecto de aplicar Reformat en cualquier punto del documento que está editando genera el menú desplegable que muestra la captura de pantalla. La opción con diferencia más significativa es Continue writing. Al hacer clic en Continue writing, el sistema de edición interactiva añade un nuevo párrafo donde tengamos situado el cursor, que extiende o amplía el tema precedente. Este nuevo párrafo es de creación nueva. En algunas pruebas, los párrafos así añadidos han expandido notablemente el contenido original.
Todo junto, proporciona una autoría asistida por la IA. Esto puede significar casi cualquier cosa, desde un trabajo en la cual al final la autoría humana haya crecido significativamente respecto a la «autoría» IA, o un trabajo notablemente expandido pero totalmente a cargo de la IA.
Trabajo con idiomas diferentes del inglés
La mayor parte de las pruebas las hemos hecho usando prompts en inglés, pero hemos probado también con otros idiomas, en concreto en castellano, según pueden ver en la captura precedente, así como en catalán, como pueden ver en la siguiente. AnswerThis parece sentirse cómodo en idiomas distintos del inglés, aunque parece que con este último ofrece mejores resultados.
Solo búsquedas
Es posible utilizar AnswerThis solo como sistema de recuperación de información. En tal caso, usamos la opción Search Papers de la lista de herramientas disponibles. En esta opción, no se genera una síntesis.
La respuesta es únicamente una lista de referencias como vemos más arriba. En estos casos, la lista suele incluir un mayor número de referencias que si se tratase de un prompt. En este caso, para la palabra clave «Digital journalism» proporcionó unas 100 referencias. Son bastantes más que las que ofrece en la modalidad de revisiones de la literatura, pero sigue siendo una reducción importante respecto a las que ofrece Semantic Scholar para la misma palabra clave.
En la captura, hemos destacado el conjunto de funcionalidades que acompañan a esta lista, como extracción de datos, exportación o análisis bibliométrico.
Identificar oportunidades de investigación
Una de las herramientas adicionales de AnswerThis es un módulo especializado en detectar huecos u oportunidades de investigación ante un tema dado.
Herramienta de parafraseo
No sabemos el objetivo exacto de la herramienta de parafraseo en la mente de sus creadores, pero sin duda puede utilizarse tanto para nobles objetivos como para malas praxis. En nuestro caso hemos probado a usarla como traductor automático.
Peer review asistido
Una de las sorpresas de AnswerThis es esta herramienta que está destinada a ayudar a los evaluadores de revistas científicas. Es un punto conflictivo, porque la mayoría de revistas prohíben a sus evaluadores usar IA para estas tareas. No obstante, no cabe duda de que más pronto que tarde las revistas deberán afrontar esta posibilidad. En cualquier caso, mientras las revistas prohiban este uso, esta herramienta debe quedar como una curiosidad o como una herramienta de entrenamiento con evaluaciones ficticias.
Herramienta para redactar propuestas de investigación
Las memorias para solicitar financiación de proyectos en respuesta a convocatorias, incluyen siempre un apartado de estado del arte. Es una forma de revisión de la literatura con algunas características propias.
De aquí que AnswerThis se pueda permitir añadir esta herramienta. Tiene apartados interesantes como el de metodologías que se utilizarán en el proyecto en caso de ser aprobado. No creo que esta herramienta sea del agrado de las agencias financiadoras, pero esto es lo que hay.
Por otro lado, es arriesgado que un equipo de investigación utilice, sin una profunda revisión, verificación, evaluación y edición, etc., contenidos generado por esta herramienta para optar a la financiación de proyectos.
Pequeños problemas
Hemos identificado dos problemas menores que seguramente quedarán solventados en nuevas actualizaciones del programa. La primera queda ilustrada en la captura de una referencia. Donde deberíamos leer «Ramón Salaverría» en una de las referencias leemos «Ramn Salaverra». Es evidente que las letras acentuadas «ó» e «í» han desaparecido. Es decir, el sistema a veces tiene problemas con la codificación de caracteres acentuados en las referencias.
El problema parece limitado ocasionalmente a las referencias y no afecta al contenido generado. Ignoro si el problema es de codificación de la página en origen o la configuración de mi navegador tiene algo que ver.
En este sentido, es oportuno señalar que AnswerThis acepta prompts en castellano o catalán (según nuestras pruebas) sin ningún problema con los diacríticos en los contenidos textuales generados en estos idiomas.
El siguiente, ignoro si es un problema mío o es una carencia del programa. De momento, prefiero pensar que es un problema mío. Se trata de que no he encontrado la opción para gestionar los resultados generados por la IA. Concretamente, no he encontrado cómo guardarlos y cómo volverlos a recuperar más adelante. De momento, lo que hago es guardar las URL de cada contenido gracias a las funciones de compartir en privado, con lo cual siempre los puedo recuperar. También se pueden descargar los informes generados en word (o en PDF)y es otra de las formas en las que se pueden gestionar los contenidos.
He reportado ambas cuestiones al servicio de atención al cliente de AnswerThis, que parece funcionar bastante bien. Si obtengo una respuesta que aclare estos dos puntos, actualizaré este apartado.
Una vez concluido nuestro recorrido (parcial) por las funciones más características de AnswerThis como sistema de IA capaz de producir revisiones de la literatura, es momento de volver a la teoría
Validez y fiabilidad de revisiones de la literatura con sistemas de IA
Recordemos que la validez de una metodología, o de un procedimiento de obtención de datos, se refiere a la adecuación del procedimiento a los objetivos perseguidos. La fiabilidad, por su parte se refiere la consistencia del método utilizado, esto es, un método es fiable si tiende a producir los mismos resultados cuando se aplica de forma similar al mismo objeto de estudio.
Muchas veces se pone el ejemplo de una báscula para determinar la variable peso, p.e., de los bebés nacidos en un hospital en un período determinado. El método de pesado con una báscula es válido porque la función de la báscula es obtener el peso de aquello que se deposita sobre ella. En cambio, una cinta métrica no tendría validez para determinar la variable peso, por más que seguramente hay una correlación entre tamaño de los bebés y peso.
Por su parte, la fiabilidad implica que, si pesamos dos veces el mismo bebé en el mismo momento, obtenemos el mismo peso. Carecería de fiabilidad, en cambio, si primero obtenemos, p.e., 4 kg. y si pesamos un segundo el mismo bebé obtenemos 3,5 kg. Este instrumento para obtener la variable peso de los bebés, sería válido pero no sería fiable.
Así pues, cualquier método de obtención de información debe ser a la vez válido y fiable. ¿Sucede esto en el caso de las revisiones de la literatura hechas con sistemas de IA? Vamos a examinarlo en lo que sigue. No obstante, para los impacientes, avanzamos una respuesta: NO.
Validez
Si nos preguntamos por la validez de una revisión de la literatura realizada con un sistema de IA, la respuesta (que enseguida matizaremos), es que las revisiones de la literatura hechas con IA NO tienen una validez asegurada. Aunque la prudencia dice que la validez se debe argumentar en función de la herramienta de IA utilizada en cada caso.
¿Cuál es el caso de las revisiones de la literatura hechas con AnswerThis con los métodos examinados? La respuesta en este caso es que es imposible demostrar su validez. Atención: no decimos que no tengan validez, decimos que no parece haber una forma de demostrarla o argumentarla de forma indubitada.
La razón de que no podamos argumentar la validez de las revisiones de la literatura hechas con herramientas de IA como en el caso que nos ocupa, es que no conocemos los procesos internos que ha llevado a cabo.
Para entender esto debemos considerar lo siguiente: si comparamos con una revisión de la literatura sistemática convencional, podemos darnos cuenta de que con IA como la examinada, no sabemos: (1) criterios de búsqueda, (2) criterios de evaluación, (3) criterios de análisis, (4) criterios de síntesis.
Sin conocer esos cuatro parámetros, es imposible decidir sobre la validez de una revisión de la literatura, pues son sus cuatro pilares, bien representados por marcos de trabajo como el SALSA Framework.
Cierto que en el caso considerado, tenemos acceso a la cadena de pensamientos de AnswerThis, pero estos datos no arrojan información suficientemente precisa ni detallada como para solucionar los cuatro puntos anteriores. Por ejemplo, ¿qué ecuación booleana ha utilizado?, ¿cómo seleccionó unas referencias sobre otras?, ¿cómo pasa de miles de referencias a unas pocas decenas como base de la evidencia?, ¿con qué criterios realizó el análisis de las referencias?, etc.
Fiabilidad
Para la fiabilidad el resultado es aún más significativo. El mismo prompt aplicado dos veces (el mismo día e incluso la misma hora) produce dos resultados distintos. Las diferencias pueden ser detectadas «a simple vista» en dimensiones tan evidentes como el número de referencias considerados, en variaciones que van desde menos de una decena a considerar varias decenas.
Lo mismo sucede con el contenido de la síntesis narrativa, cuya extensión que puede varias en varias páginas, afectando por tanto al sentido de la misma.
Entonces, ¿para qué sirven las IA en revisiones de la literatura?
Las revisiones de la literatura producidas con sistemas de IA parece que no aseguran ni la validez ni la fiabilidad. Pero una vez dicho esto, hay que acotarlo de manera adecuada.
Lo que este diagnóstico señala es que esta clase de revisiones de la literatura no pueden sustituir a las revisiones sistemáticas ni a las scoping reviews hechas por analistas humanos. Sin embargo, esto no las priva de utilidad.
Las revisiones de la literatura que producen sistemas de IA pueden ser útiles al menos en tres escenarios (sin pretensiones de agotar las posibilidades):
- Como equivalente de una rapid review, destinada a apoyar y facilitar el diseño de una scoping review o una systematic review llevada a cabo de modo convencional. Esta fase de rapid review puede ayudar a afinar la pregunta de investigación, la ecuación de búsqueda e incluso el esquema de análisis.
- Para proporcionar el contenido base de un marco teórico o de un marco conceptual. no como un informe de revisión. En este caso, la IA puede agilizar la producción de esta parte de un artículo o de un trabajo académico, siempre con la premisa de utilizarlo bajo un marco de trabajo ético y transparente: verificando, evaluando, atribuyendo y editando.
- Como un sistema de detección rápida de ideas, conceptos, metodologías, etc, del área de investigación considerada, que puede ayudar a un equipo a enfocar los primeros pasos del diseño de una investigación, así como para que los miembros del equipo puedan partir de una base común
En el primer y tercer escenario, el informe generado por la IA es solamente (o nada menos) un apoyo para diseñar de forma más certera y sofisticada, o bien el protocolo de una scoping review (o de una systematic review) o bien una nueva investigación. Por tanto, el contenido no adquiere forma de contenido publicado, sino de contenido de apoyo que, en todo caso, puede formar parte del dataset por motivos de transparencia. Este uso no debería entrar en conflicto con temas de buenas prácticas en materia de atribución, plagio, etc.
En el segundo escenario, es preciso aplicar el marco Veritas de trabajo con contenidos generados por una IA, esto es, antes de usar este contenido, los investigadores deben aplicar las cuatro acciones de Veritas ya mencionadas: (1) verificar, (2) evaluar, (3) atribuir, (4) editar.
¿Extrapolación a otros sistemas de IA?
Nuestra estimación es que lo visto en el caso de AnswerThis es extrapolable a otros sistemas de IA como los mencionados más arriba, dado que los problemas de validez y fiabilidad, proceden de las bases de funcionamiento de las IA generativas. Pero esto es una especulación. No tenemos una total seguridad porque no hemos podido testar a fondo las funciones de estos otros sistemas.
Por otro lado, siempre de modo especulativo, creemos que las IA con mejores posibilidades de solucionar, al menos en parte, los problemas de validez y fiabilidad son aquellas vinculadas a bases de datos académicas.
En concreto, pensamos en Scopus AI y en Web of Science Research Assistant. También, de nuevo en modo de especulación, un sistema que estaría muy bien posicionado sería un posible Google Scholar AI. Pensamos que esta clase de sistemas de IA están mejor posicionados porque la búsqueda la harían sobre sus propios índices y (pero seguimos especulando) los procesos de cribado y los esquemas de extracción de datos podrían ser más transparentes.
Sea como sea, en el momento que las IA del tipo que sean más eficaces sustituyendo actividades intelectuales de los investigadores como las que se necesitan en una revisión de la literatura, esto no significará el fin de los problemas, sino el nacimiento de una nueva gama de problemas.
La descarga cognitiva se vuelve deuda cognitiva
En el momento que las IA sean capaces de llevar a cabo revisiones de la literatura con algún grado razonable de validez y fiabilidad, cosa que no dudamos que sucederá más pronto que tarde, aparecerán con crudeza los problemas generados el reverso de la descarga cognitiva.
Veámos de qué se trata. Hablamos de descarga cognitiva en el momento en que un usuario se ve liberado de un determinada carga cognitiva. Por ejemplo, cuando se ve liberado de tener que leer los artículos en una revisión de la literatura,
La descarga de trabajo es enorme. Para hacer una revisión de la literatura de tipo systematic review es necesario leer, al menos en parte, decenas o cientos de artículos científicos, esto es cientos o miles de páginas de una literatura especialmente densa y compleja.
En una systematic review podemos tal vez limitar la lectura a la metodología y los resultados, pero en una scoping review es más complicado limitar así la lectura y en general es necesario leer los artículos completos.
Ahora bien esa descarga tiene un precio que no dudamos en calificar de terrible. Al vernos liberados de la lectura, convertimos la descarga en deuda cognitiva. Esta deuda es lo que dejamos de aprender al no leer los artículos, y es también las habilidades que dejamos de entrenar al no interpretar y analizar la información por nosotros mismos.
Precio terrible, que creo que nunca nos podremos permitir, razón por la cual, incluso cuando los sistemas de IA estén en condiciones de producir revisiones de la literatura válidas y fiables, a los investigadores no les convendrá delegar totalmente las funciones de las revisiones de la literatura en las IA.
La solución seguramente consistirá en encontrar una situación de equilibrio entre la parte que las IA producen y la parte de conocimientos y habilidades cognitivas que los investigadores retienen..
Podemos suponer un marco de trabajo óptimo en el cual, por un lado, la IA ahorrará tiempo a los investigadores solventando las partes más mecánicas y menos creativas de una revisión de la literatura. Por otro lado, los investigadores humanos pondrán su pensamiento crítico y sus habilidades cognitivas en la evaluación y la categorización de los artículos. De momento, tenemos un nombre para esto: interacción crítica escalonada.
Riesgo moral
No podemos cerrar este trabajo sin referirnos al riesgo moral que esta clase de soluciones pone sobre la mesa. Es evidente que, a partir de ahora, y cada vez más, algunos apartados de los artículos serán desarrollados mediante IA. El riesgo moral es que estos apartados sean incorporados directamente a los futuros trabajos académicos mediante el procedimiento de «copiar y pegar».
Esto no tendrá buenas consecuencias. De facto, es como si una parte de los artículos científicos proceden del plagio. Tal vez incluso, artículos completos, a la vista de la capacidad de sistemas como AnswerThis.
Ahora bien, la solución no es prohibir el uso de la IA. Lo que necesitamos son procedimientos claros que garanticen un necesario equilibrio en la relación humano-IA que tal vez queda bien reflejada en la expresión interacción crítica escalonada o en propuestas como la que puede leerse aquí.
Reglas y procedimientos no evitan las malas conductas, pero sin estos procedimientos será aún más difícil luchar contra ellas. Y aunque las reglas no garantizan su cumplimiento, son es la base imprescindible para exigirlo y, con un poco de suerte, para encontrar formas de detectar las malas praxis. Pero, una cosa está clara: prohibir la IA seguro que no será la solución.
Referencias
Aguilera-Cora, E., Lopezosa, C., Fernández-Cavia, J., & Codina, L. (2024). Accelerating research processes with Scopus AI: A place branding case study. Revista Panamericana de Comunicación, 6(1). https://doi.org/10.21555/rpc.v6i1.3088
Aguilera-Cora, E., Lopezosa, C., & Codina, L. (2024). Scopus AI Beta: Functional analysis and cases (Serie Editorial DigiDoc. DigiDoc Reports). Universitat Pompeu Fabra, Departamento de Comunicación. https://repositori.upf.edu/handle/10230/58658
Bianchini, S., Müller, M., & Pelletier, P. (2022). Artificial intelligence in science: An emerging general method of invention. Research Policy, 51(10), 104604. https://doi.org/10.1016/j.respol.2022.104604
Bhatia, P. (2023). ChatGPT for academic writing: A game changer or a disruptive tool? Journal of Anaesthesiology Clinical Pharmacology, 39(1), 1. https://doi.org/10.4103/joacp.joacp_84_23
Codina, L., & Pedraza-Jiménez, R. (2016). Características y componentes de un sistema de análisis de medios digitales: el SAAMD. En R. Pedraza-Jiménez, L. Codina, & J. Guallar (Eds.), Calidad en sitios web: Método de análisis general, e-commerce, imágenes, hemerotecas y turismo (pp. 15–40). Editorial UOC.
Codina, L., & Garde, C. (2023). Uso de ChatGPT en la docencia universitaria: Fundamentos y propuestas [Informe]. Facultad de Comunicación, Universitat Pompeu Fabra. http://hdl.handle.net/10230/57015
Codina, L. (2025). Sistemas de inteligencia artificial para la síntesis del conocimiento: Marcos teóricos y revisiones de la literatura [Presentación]. Facultad de Comunicación, Universitat Pompeu Fabra. http://hdl.handle.net/10230/70242
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20(1). https://doi.org/10.1186/s41239-023-00392-8
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., Duan, Y., Dwivedi, R., Edwards, J. S., Eirug, A., Galanos, V., Ilavarasan, P. V., Janssen, M., Jones, P., Kar, A. K., Kizgin, H., Kronemann, B., Lal, B., Lucini, B., … Williams, M. D. (2021). Artificial intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Elsevier. (2024, January 16). Launch of Scopus AI to help researchers navigate the world of research. https://www.elsevier.com/about/press-releases/launch-of-scopus-ai-to-help-researchers-navigate-the-world-of-research
Font-Julián, C. I., Orduña-Malea, E., & Codina, L. (2024). ChatGPT Search as a tool for scholarly tasks: Evolution or devolution? Infonomy, 2(5). https://doi.org/10.3145/infonomy.24.059
Gundersen, O. E., Gil, Y., & Aha, D. W. (2018). On reproducible AI: Towards reproducible research, open science, and digital scholarship in AI publications. AI Magazine, 39(3), 56–68. https://doi.org/10.1609/aimag.v39i3.2816
High-Level Expert Group on Artificial Intelligence. (2019, April 8). Ethics guidelines for trustworthy AI. European Commission. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
Kaebnick, G. E., Magnus, D., Kao, A., Hosseini, M., Resnik, D. B., Dubljević, V., Rentmeester, C. A., Gordijn, B., & Cherry, M. J. (2023). Editors’ statement on the responsible use of generative AI technologies in scholarly journal publishing. Medicine, Health Care and Philosophy, 26(4), 499–503. https://doi.org/10.1007/s11019-023-10176-6
Lopezosa, C., & Codina, L. (2023). Probando Bard: Así funciona la inteligencia artificial generativa de Google. Anuario Think EPI, 17. https://doi.org/10.3145/thinkepi.2023.e17a25
Lopezosa, C., Codina, L., & Ferran-Ferrer, N. (2023, February 1). Chat GPT como apoyo a las systematic scoping reviews: Integrando la inteligencia artificial con el framework SALSA. http://hdl.handle.net/2445/193691
Lopezosa, C., Codina, L., & Boté-Vericad, J. J. (2023). Testeando ATLAS.ti con OpenAI: Hacia un nuevo paradigma para el análisis cualitativo de entrevistas con inteligencia artificial (Serie Editorial DigiDoc. DigiDoc Reports). Universitat Pompeu Fabra, Departamento de Comunicación. https://repositori.upf.edu/handle/10230/56449
Lund, B., Wang, T., Mannuru, N. R., Nie, B., Shimray, S. R., & Wang, Z. (2023). ChatGPT and a new academic reality: Artificial intelligence‐written research papers and the ethics of the large language models in scholarly publishing. Journal of the Association for Information Science and Technology, 74(5), 570–581. https://doi.org/10.1002/asi.24750
Tlili, A., Huang, R., Mustafa, M. Y., Zhao, J., Bozkurt, A., Xu, L., … Wang, H. (2023). Speaking of transparency: Are all artificial intelligence (AI) literature reviews in education transparent? The Journal of Applied Learning & Teaching (JALT), 6(2). https://doi.org/10.37074/jalt.2023.6.2.15
UNESCO. (2023, September 8). Guidance for generative AI in education and research. https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
Whitfield, S., & Hofmann, M. A. (2023). Elicit: AI literature review research assistant. Public Services Quarterly, 19(3), 201–207. https://doi.org/10.1080/15228959.2023.2224125
World Commission on the Ethics of Scientific Knowledge and Technology. (2019). Preliminary study on the ethics of artificial intelligence. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000367823
Otras entradas relacionadas
- Entradas sobre IA
- Entradas sobre revisiones de la literatura
- Revisiones de la literatura con el uso de inteligencia artificial: propuesta de un nuevo marco de trabajo