Sistemas de inteligencia artificial y tesis doctorales · 1: Aspectos generales

Esta es la primera de una serie de tres entradas dedicadas a examinar el uso de sistemas de inteligencia artificial en tesis doctorales. En concreto:

• En la primera parte (esta entrada) consideramos aspectos comunes al uso de las IA en trabajos académicos. Esto incluye una revisión de la cuestión en forma de preguntas frecuentes, un análisis de la distribución de funciones entre las IA generalistas y las IA especializadas en usos académicos y varias consideraciones sobre el diseño de prompts.
• En la segunda parte analizamos el uso de siete de los sistemas de inteligencia artificial generativa más relevantes para el ámbito académico, con especial atención a su utilidad en tareas de ideación, clarificación conceptual y síntesis del conocimiento en el marco de la elaboración de tesis doctorales.
• En la tercera parte, presentamos una propuesta de trabajo con inteligencias artificiales en tesis doctorales, Veritas, que evita tanto el fraude y la mala praxis como la atrofia cognitiva. También examinaremos la filosofía que hay detrás de Veritas, denominada interacción crítica escalonada y finalmente, presentaremos cuestiones de transparencia y de declaración de uso de la IA.

Fuentes

En la sección de Referencia, el lector encontrará enlaces a artículos relacionados que han ayudado a construir esta serie, también a otras entradas de este sitio, así como a informes generados mediante IA con prompts creados por el autor. Se ha dispuesto también el acceso a una carpeta Drive con materiales (guías de organismos académicos principalmente) sobre uso de la IA en tesis doctorales. En cada una de las tres partes, para facilidad del lector, se reproduce la lista completa de fuentes. Por último, el lector atento descubrirá mucha información en los prompts con ejemplos de uso real de la IA para síntesis de la evidencia que se han incorporado como ilustración de tipos y componentes de prompts.

1. Background: ciencias sociales y humanidades

El background de este trabajo son las tesis doctorales del ámbito de las ciencias sociales y las humanidades, en general, y de los estudios de comunicación en particular.

¿Significa que lo presentado aquí es aplicable solo a estos ámbitos? Creo que la mayor parte se puede extrapolar a tesis de casi cualquier ámbito, pero el lector debe saber que el background específico es justo el señalado.

2. Sistemas de inteligencia artificial que examinaremos

Una vez hayamos presentado una serie de elementos comunes al uso de la IA en tesis doctorales, vamos a mostrar el uso posible de estos sistemas:

• Generalistas
  • Google Gemini
  • ChatGPT
  • Claude
  • Perplexity
• Especializados
  • NotebookLM
  • Consensus
  • Undermind

Algunas aclaraciones. El incisivo lector habrá observado que, mientras Consensus y Undermind son sistemas especializados en usos académicos, NotebookLM es claramente un sistema de IA generalista.

El motivo por el cual hemos puesto NotebookLM en el apartado de IA académicas es porque su naturaleza real solo viene determinada por el tipo de fuente con la que usamos este sistema. Ergo, si usamos documentos académicos como artículos científicos, es una IA académica. El lector pensará que lo mismo podrá decirse de los otros sistemas, pero no es el caso, porque los otros sistemas no giran en torno a las fuentes aportadas por el usuario.

Por su parte, Perplexity milita en los dos bandos gracias a la posibilidad de centrar su espacio de búsqueda como sistemas RAG (ver más adelante) en fuentes académicas. De este modo, se puede decir que Perplexity es una IA generalista con capacidades académicas, pero si solo debe ser adscrita a una categoría, le corresponde la generalista.

Vamos ya con los aspectos comunes en el trabajo con inteligencias artificiales en tesis doctorales, para lo cual empezaremos con una sección en forma de preguntas.

3. Preguntas más frecuentes

• ¿Por qué sistemas generalistas si estamos hablando de tesis doctorales?. Los sistemas generalistas como los que vamos a ver aquí se han revelado especialmente útiles para usos académicos. Carecen del módulo de búsqueda documental que, en cambio sí tienen los académicos, pero se mueven muy bien, incluso mejor, en aspectos vinculados con la ideación y la clarificación conceptual. Además, compensan su no especialización académica con una mayor flexibilidad de uso, lo que los hace útiles también para tareas como generación de novedad epistémica por interacción socrática.
• ¿Por qué sistemas especializados? Aquí la respuesta puede parecer obvia, pero vamos a justificarla igualmente para mostrar el aspecto diferencial con los anteriores sistemas. Los sistemas académicos son de tipo RAG (Retrieval Augmented Generation) de forma nativa. Basan sus respuestas en la recuperación de información de bases de datos académicas. Por este motivo son idóneos para explorar ámbitos del conocimiento (=síntesis de la evidencia, revisiones de la literatura) y a la vez para obtención de bibliografías. Esta doble función los hace imprescindibles en el caso de la IA aplicada a tesis doctorales. En oposición, los sistemas generalistas no resuelven de forma fiable estas funciones.
• ¿Cuál es el balance de usos entre IA generalistas e IA académicas? Usamos una IA generalista por sus capacidades de razonamiento, generación de síntesis narrativas e ideación. Usamos una IA académica por sus capacidades de recuperación de información, evaluación del consenso y síntesis de la evidencia. El error metodológico sería utilizar IA generalistas para tareas de recuperación de información, lo que implicaría tasas inaceptables de alucinación.
• ¿Es necesario usar ambas clases de sistemas en una tesis doctoral? El lector seguramente ya anticipa la respuesta, pero vamos a ser sistemáticos y responderemos con un sí. Es altamente recomendable, porque tal como explicamos en las respuestas anteriores, los sistemas generalistas son muy eficientes en ideación y clarificación conceptual y los especializados lo son en síntesis de la evidencia y búsqueda de referencias académicas. Por tanto ambas clases de sistemas se complementan tan bien que lo más lógico es usar ambos.
• ¿Qué son los sistemas RAG y por qué nos interesan? Las siglas RAG responden a Retrieval Augmented Generation. Son sistemas de IA que pueden consultar bases de datos internas o externas para generar su respuesta. Combinan una IA generativa con un sistema de recuperación de información. Son los sistemas de IA útiles en tesis doctorales, primero porque proporcionan fuentes de forma sistemática en sus respuestas. Segundo, porque hasta donde sabemos, eliminan las tasas de alucinación. Tercero, porque no limitan sus respuestas a la fecha de la última actualización de su base de conocimientos, sino que obtienen información actualizada ya que pueden lanzar búsquedas en tiempo real. Los sistemas de IA generalistas también pueden usar funciones RAG, pero no se activan por defecto. Hemos de usar las opciones específicas, como búsqueda web o deep research, etc. Lo veremos en la segunda parte.
• ¿Es necesario usar siete sistemas de IA distintos en una misma tesis? La respuesta corta es no. La respuesta un poco más elaborada es la siguiente: por triangulación de herramientas convendría utilizar al menos dos, por ejemplo una generalista y una académica. Tres, aún mejor, por ejemplo, una generalista y dos académicas. Seguramente no es necesario pasar de aquí, a menos que alguna característica específica de la investigación lo requiera. En todo caso, aquí mostramos estas siete herramientas para que el doctorando tenga candidatos para elegir. Recomendamos que el doctorando primero las ponga a prueba, aunque sea de forma somera, para apreciar lo que cada una de ellas le puede proporcionar. A partir de aquí, puede elegir las dos mejores para su proyecto. Es una inversión de tiempo que le resultará enormemente rentable.
• ¿Cuál es el marco general que gobierna el uso de la IA en tesis doctorales? Se trata de un marco compuesto por cuatro puntos cardinales:
  • No autoría. Las IA no pueden ser acreditadas como autoras.
  • Responsabilidad. El doctorando retiene la responsabilidad total de su trabajo tanto en aspectos éticos como legales.
  • Pensamiento crítico. El doctorando debe aplicar el pensamiento crítico cuando utiliza la IA.
  • Transparencia. El doctorando debe declarar los usos significativos de la IA en su trabajo.
• ¿Cuál es la filosofía general de utilización de la IA en trabajos académicos? La forma más compacta de expresar esta filosofía es con la expresión HITL por human-in-the-loop. O sea, el humano siempre en el control. Una forma más expresiva es mediante la denominación interacción crítica escalonada. Esta filosofía se concreta en la aplicación del marco Veritas de transformación y filtro de un contenido generado por IA antes de permitir cualquier impacto en la tesis doctoral. Lo veremos en la tercera parte.

4. Taxonomía de usos básicos de la IA en tesis doctorales y distribución de sistemas de IA

A continuación se presenta la propuesta de una taxonomía de usos de la IA generativa en tesis doctorales. Destacamos el adjetivo generativa porque es donde ponemos el foco (dado que los usos de la IA convencional quedan fuera del ámbito de este trabajo).

1. Ideación y conceptualización: ayuda en la planificación y asistencia en el diseño exploratorio de una nueva investigación. Ejemplos: preguntas de investigación, hipótesis, matriz de consistencia.
2. Clarificación conceptual: exploraciones orientadoras sobre constructos o metodologías. Ejemplos: orientaciones sobre teorías utilizadas en el marco conceptual, marco teórico o marco metodológico.
3. Síntesis de la evidencia: obtención de síntesis narrativas a partir del análisis de una base de la evidencia bien definida (conjunto de investigaciones), o bien tras una operación de búsqueda y recuperación de información de la IA, o mediante aporte de documentos seleccionados por el doctorando por métodos convencionales. Ejemplos: revisiones de la literatura asistida por IA para detectar ideas y autores clave, detectar huecos de investigación, preparar un marco teórico o fundamentar un marco conceptual, o para ayudar en el diseño del protocolo de una scoping review.
4. Recuperación de información: búsqueda de información semántica (no limitada a palabras clave) asistida por IA, con listas de referencias cribadas y analizadas y posibilidades de «conversar» con los documentos recuperados.
5. Socio epistémico o co creación dialógica: cocreación de constructos teóricos con novedad epistémica a través de interacción de tipo socrático doctorando-IA.
6. Análisis de informaciones, datos o documentos: usos de la IA para analizar conjuntos de informaciones más o menos homogéneos. Por ejemplo, análisis y codificación de entrevistas, de noticias o de imágenes de fotoperiodismo, etc.
7. Verificaciones cuantitativas o cualitativas. QUANTI: análisis y verificación de datos y estadísticos. Ejemplos: revisión de conjuntos de datos organizados en hojas de cálculo o de datos desestructurados disponibles en informes con datos cuantitativos. QUALI: evaluación de coherencia lógica, argumental y expositiva en textos argumentativos. Ejemplos: revisión del capítulo introductorio de la tesis, de la descripción de la metodología, etc.

4.1. Taxonomía GAIDeT

Suchikova et al. (2025) presentan en su trabajo una interesante taxonomía denominada GAIDeT por Generative AI Delegation Taxonomy, de la que reproducimos a continuación una tabla de síntesis que amplía la lista anterior con una categorización de grano fino (la referencia completa y el DOI están en la lista de referencias).

4.2. Distribución de usos las IA generalistas vs académicas

Una vez examinados los posibles usos de la IA en la academia, vamos a revisar cómo se distribuyen estos usos según la capacidad relativa de las IA generalistas comparadas con las IA académicas. Nos apoyaremos en las categorización propia presentada en el apartado 4.

Tabla 1: Usos característicos y capacidades relativas de la tipología de IA considerada

Observaciones. Vamos a comentar las puntuaciones de la tabla para asegurar su comprensión. Un punto indica la presencia de una funcionalidad pero en un modo básico. Dos, un nivel de funcionalidad más adecuado pero mejorable. Tres, denota la máxima prestación observada por comparación. NC, es por No Corresponde, y significa que es una funcionalidad no disponible o no corresponde en el tipo de sistema considerado.

Vamos ahora a revisar los resultados viendo en qué aspectos están igualadas las IA generalistas y las IA especializadas, en cuáles unas son mejores que otras, y en cuáles unas son útiles y otras no.

• Igualdad. Vemos una capacidad parecida en las funciones 05 y 06. Pero esto no significa que aporten exactamente lo mismo. Cada uno de los sistemas hace aportes con cualidades diferentes, de aquí que, en una tesis pueda ser recomendable explorar posibilidades de ambos tipos de sistemas.
• En qué son mejores las IA generalistas. Son mejores en 01, 02 y 07. Esto es debido a que su rango de uso es más amplio, y también más flexible. No obstante, las IA académicas también son útiles en 01 y 02, aunque con un estilo propio. En cuanto a la función 07 (en las IA que hemos considerado) ciertamente es una función exclusiva de las generalistas.
• En qué son mejores las IA académicas. Son mejores en 03 y 04, esto es, en funciones tan valiosas e imprescindibles para una tesis doctoral como la síntesis de la evidencia (revisiones de la literatura) y la recuperación de información (búsqueda documental). Solo por estos dos apartados, las IA académicas son imprescindibles para tesis doctorales.

4.3. Usos de la IA excluídos en una tesis doctoral (y en trabajos académicos en general)

Queda por considerar qué NO deben hacer las IA en tesis doctorales. La primera función a excluir expresamente es la siguiente:

• Escritura generada por IA. Esto es, la tesis no debe contener secciones parcial o totalmente escritas por una IA de forma directa («por copiar y enganchar»).

Dada que (a) una tesis doctoral debe demostrar la capacidad de su autor para idear y desarrollar investigaciones originales, (b) debe demostrar la capacidad del autor para comunicar ideas complejas, y (c) dado que una tesis doctoral es un tipo de trabajo evaluativo, debe quedar excluida cualquier funcionalidad de la IA sustitutiva de la demostración de las habilidades adquiridas por el doctorando o autor.

Por esto, ninguna parte de una tesis doctoral puede ser escrita directamente ni total ni parcialmente por una IA.

Además, los usos sustitutivos causan atrofia cognitiva, y se supone que los doctorandos están tan interesados en esto como en pegarse un tiro en el pie.

Algunas guías, en cambio, dan a entender que es legítimo que una sección de un trabajo académico puede ser escrita parcial o totalmente por una IA. Pero esto es totalmente contradictorio con el enorme consenso que hay respecto a que (1) las IA no son autoras, (2) el humano debe retener toda la responsabilidad del trabajo. Se mire como se mire, (1) y (2) hacen imposible que una parte de un trabajo académico sea escrito directamente por una IA.

En general, cualquier función sustitutiva de funciones cognitivas, formativas o autorales del doctorando debe quedar excluida. Si el doctorando usa una IA para ideación, el uso sustitutivo o mala praxis consistiría en aceptar las propuestas de la IA de forma pasiva y diseñar su tesis siguiendo las directrices de la IA sin mayor examen.

En cambio, un uso legítimo implica que el doctorando examina críticamente las propuestas de la IA, acepta algunas provisionalmente y rechaza otras, a la vez que añade ideas propias. Las que han sido aceptadas provisionalmente son sometidas a su juicio crítico, lo que incluye buscar y considerar opciones alternativas. Todo esto, por supuesto, en diálogo constante con su(s) director(es) de tesis.

4.4. Un caso de uso de la IA de tipo asistencial y no sustitutivo

Para ilustrar el proceso. Supongamos que la IA en un uso de ideación propone que una de las investigaciones iniciales sea una revisión de la literatura de tipo scoping review. Esta propuesta debe ser evaluada críticamente.

Supongamos que esta recomendación de ideación supera el primer filtro de la consideración conjunta con su director de tesis en una reunión de planificación. Los siguientes pasos del doctorando consistirá en averiguar todo lo posible de las scoping reviews consultando fuentes de autoridad que posiblemente haya sugerido la propia IA. Pero lejos de aceptarlas tal cual, el doctorando busca las fuentes originales y las maneja de manera directa. La consulta directa de estas fuentes, le puede sugerir nuevas fuentes, algunas de las cuales, de forma selectiva, la revisará también.

Una vez el doctorando ha entendido perfectamente por sí mismo qué implica esta metodología y puede justificar y defender su uso con sus propias palabras, y cuando comprende cuales son sus fases y procedimientos, puede considerar alternativas para comparar. Por ejemplo, podría compararlas con las systematic reviews. En esta comparación, la IA puede volver a ayudar. Puede pedirle una clarificación conceptual con el prompt adecuado que le permita tomar una decisión informada..

Si la opción de llevar a cabo una scoping review resiste, es el momento de incorporarla, previo consenso con su director de tesis, a la panificación de su investigación. La IA de nuevo puede ayudar, y mucho. Concretamente, en la evaluación de la pregunta de investigación, en la derivación de las palabras clave, en la evaluación de la ecuación de búsqueda y en la revisión y eventual mejora de los esquemas de análisis. Puede ayudar también en el cribado de los documentos, hasta obtener una base de la evidencia suficiente.

Lo que seguirá después queda totalmente a cargo del doctorando, esto es, la lectura crítica de los documentos y la extracción intelectual de datos de cada investigación, siguiendo el esquema de análisis decidido, y así con los siguientes pasos. Pero esto ya es rutina, porque aplicará los procedimientos comunes a la investigación académica.

Como resultado, el doctorando ha usado de forma eficaz la IA, pero ha mantenido el control en todo momento, y puede razonar y defender con sus propias palabras la elección de esta metodología, justificar cada uno de los pasos dados para su diseño y explicar la significación de los resultados.

En cambio, un uso ilegítimo, sustitutivo de la responsabilidad del autor o investigador, sería confiar la realización de la scoping review a una IA y tomar y usar el resultado generado por la IA para obtener un capítulo de la tesis íntegramente o parcialmente redactado por la IA. Esto además de generar deuda cognitiva en el doctorando (ha dejado de aprender a analizar artículos científicos) es un fraude equivalente al plagio.

5. Elementos y capas de un prompt

Un tema habitual cuando se trata del uso eficiente de sistemas de IA de cualquier tipo es el prompting, de modo que hemos de dedicarle un apartado. Una aproximación interesante de Ming (2025) es que un prompt bien diseñado contiene elementos de estas tres capas:

• C1 o capa de intención (Intent layer). Aquí van los componentes que marcan los objetivos o la tarea del prompt, así como el rol.
• C2 o capa de información (Information layer). Aquí van los componentes que declaran el contexto y características específicas de los resultados esperados.
• C3 o capa de control (Control layer). Aquí se definen aspectos como el estilo o tono esperado, así como la cadena de razonamiento, si es el caso.

Lo más interesante es la distribución de los elementos de un prompt en estas tres capas: intención (C1), información (C2) y control (C3), ya que sirven para asegurarse de que un modelo de prompt incorpora elementos de las tres capas, más que para imponer un orden de presentación.

Por otro lado, si observamos los componentes individuales de tres de los principales modelos de prompting, CO-STAR, TRACE y CREATE, podemos extraer los componentes principales (marcados con asterisco -*- los que considero esenciales) que se indican a continuación. Se señala para cada componente a qué capa, C1, C2, C3, corresponde. También se aportarán algunos ejemplos reales de prompts que puede ayudar a entender el componente.

1. Contexto*: Uno de los tres componentes esenciales (junto con 3 y 7) de un prompt para usos académicos. Se trata de proporcionar la información útil para que la IA pueda interpretar mejor las instrucciones y ubicar su espacio de conexiones probabilísticas. P.e., se puede indicar el área de conocimiento o que el contexto de la pregunta es una investigación sobre tal o cual tema. [C2] Ver ejemplo en Claude.
2. Rol: algunas teorías sobre diseño de prompts insisten en que asignar un rol a la IA aumenta su eficacia. No obstante, parece que no hay una evidencia demostrada al respecto, o que la mejora es marginal. En su lugar puede ser suficiente con proporcionar información de contexto, en el elemento 1. Ahora bien, en caso de usar roles, dos de ellos destacan por su posible utilidad en tesis doctorales. El primero sería el de revisor, como en el rol de este prompt: «Actúa como un revisor de pares de una revista de alto impacto en el área de XXX». El segundo rol destacado es el de metodólogo, como en este prompt: «Actúa como un experto en metodología cualitativa y presenta los elementos principales a tener en cuenta en el diseño de XXX». [C1] Ver ejemplo en Claude.
3. Objetivo* o Tema: declaración no ambigua, y tan específica como corresponda según el tipo de tarea, de lo que esperamos que aporte la IA. Los objetivos pueden ser enunciados con verbos, como «analiza», «resume», «evalúa», etc., o mediante una directiva como: «presenta un informe bien articulado sobre el tema xxx». [C1] Ver ejemplo con ChatGPT.
   • 3.1. Tema o pregunta de investigación. Esta variación de los objetivos es propia de los usos para síntesis de la evidencia o clarificación conceptual. De este modo, cuando usamos IA académicas, el prompt puede tener el formato de una pregunta de investigación o de un tema de investigación, habitualmente consistente en la intersección de dos o más subtemas. P.e., «What are the main theories on the ontological status of information in contemporary philosophy of information?» Ver ejemplo en Consensus. Otra posibilidad es enunciar el tema y pedir la situación el consenso y las discrepancias principales en torno al mismo, como en: «Contemporary philosophy of information: main points of consensus and disagreement». Ver ejemplo en Consensus. O incluso puede ser suficiente (y aconsejable) usar solamente el enunciado del tema, como en: «Contemporary philosophy of information». Ver ejemplo en Consensus y en Undermind [C1]
4. Audiencia: en algunos contextos puede ser útil precisar una audiencia específica, como en «Para un público adolescente, explica la teoría del encuadre o framing y sus implicaciones en el consumo de noticias». [C2] Ver ejemplo en Claude. Ahora bien, fuera de casos específicos, en general, la audiencia de una tesis doctoral son los investigadores del área, como en este prompt: «Para una audiencia de expertos en comunicación, presenta los elementos fundamentales del concepto de encuadre o framing aplicado al análisis de noticias de prensa». Ver ejemplo en Claude. A veces, en lugar de especificar una audiencia, las exigencias esperables del resultado se pueden precisar mediante el Estilo (5) y el Tono (6).
5. Estilo: declaracion sobre cómo queremos que sea presentada la información. P.e, podemos pedir un estilo de respuesta analíticas, bien argumentadas y articuladas en apartados bien conectados entre ellos. [C3] [Este elemento se puede predefinir en las preferencias de la IA si lo permite, de modo que no haga falta especificarlo cada vez].
6. Tono: podemos especificar un registro de lenguaje o un tono emocional. En tesis doctorales, normalmente pediremos un registro de lenguaje formal, con rigor lógico y académico. [C3][Este elemento se puede predefinir en las preferencias de la IA si lo permite, de modo que no haga falta especificarlo cada vez].
7. Formato*: para definir el formato, por ejemplo tablas. Pero también podemos especificar si esperamos una respuesta concisa, o por el contrario, p.e., queremos un informe extenso y bien articulado, con fuentes de autoridad, etc. [C3] Ver ejemplo en Consensus.
8. Componentes: en caso necesario podemos indicar de manera explícita los componentes de la respuesta. P..e, podemos especificar que el informe de respuesta debe incluir una sección de recomendaciones, así como, p.e., una sección de referencias en formato APA, etc. [C3]
9. Restricciones: en algunos casos, sobre todo si en pruebas previas hemos detectado respuestas deficientes o que añade ruido, podemos establecer restricciones, p.e., «no incluyas información de tipo legal», o bien «usa solamente fuentes de autoridad e ignora publicaciones de foros de debate», etc.[C3]
10. Fases: nos puede interesar proponer las fases de ejecución de la instrucción si queremos asegurar los resultados esperados, p.e., «primero determina los componentes de los principales esquemas de prompts CO-STAR, TRACE Y CREATE y después haz una lista unificada de los elementos únicos identificados». [C3] Ver ejemplo con Claude.
11. Ejemplos: parece demostrado que en algunas tareas, ofrecer ejemplos de lo que queremos puede mejorar la respuesta del sistema. P.e, «haz una lista de las cinco principales teorías de la periodística útiles para una investigación sobre calidad en periodismo, por ejemplo, la teoría del encuadre». [C2] Ver ejemplo con Claude.
12. Criterios: este apartado nos puede servir para establecer criterios adicionales necesarios según el tipo de prompt y que no haya quedado contemplado con el empleo de ninguno de los anteriores apartados. P.e. «no estoy interesado en aspectos teóricos del tema solo en casos reales de uso» [C3]

5.1. Ecuaciones booleanas

Para usos de IA académicas en tesis doctorales podemos utilizar un formato especial:

• Ecuaciones booleanas. En algunos casos, hemos podido comprobar que expresar el prompt mediante una ecuación booleana, proporciona buenos resultados. En cambio, formulaciones iniciales del prompt directamente en lenguaje natural generaban interpretaciones no deseadas. La IA, lo que hace al presentarle una ecuación booleana, es extraer la semántica de la ecuación y generar un prompt en lenguaje natural que a veces captura mejor la intención del usuario. Por ejemplo, tanto en Undermind como en Consensus, la ecuación [ethics AND «artificial intelligence» AND academia] hizo que la IA generase un prompt convencional eficaz. En el caso de Undermind hubo un diálogo previo. Ver ejemplo en Undermind. Ver ejemplo en Consensus.

5.2. Prompts para usos académicos

A continuación, algunas observaciones sobre el uso y diseño de prompts para necesidades de información académicas:

• No todos los elementos son necesarios en cada prompt. La ingeniería de prompts nació principalmente de los usos de la IA para tareas empresariales (y de programación). El uso de la IA en tareas académicas por un lado complica alguna cosas, pero simplifica otras, entre ellas que los prompts dan buenos resultados con menos componentes. Hemos marcado con un asterisco (*) los tres elementos principales de un prompt en usos académicos, que son el 1, el 3 y el 7. Aunque todos y cada uno de los demás pueden ser útiles según el proyecto concreto. Algunos elementos se solapan parcialmente, como sucede al menos con 1 y 2, y con 5 y 6, razón de más para no tener que usar todos en todos los prompts.
• Muchos elementos pueden complicar la interpretación. Mientras en usos empresariales puede ser conveniente siempre la máxima precisión, en usos académicos (como en tesis doctorales), puede ser más conveniente dar algunos grados de la libertad a la IA y usar como sugerimos en el punto anterior, unos pocos elementos básicos.
• Prompts con un único elemento. Para clarificación conceptual y síntesis de la evidencia, es posible que necesitemos un único elemento, esto es, el enunciado del tema o del concepto en lenguaje natural. Ver ejemplo en Undermind.
• Prompts muy estructurados. No obstante, a veces puede ser necesarios prompts con numerosos elementos y muy estructurados. Por ejemplo, en ideación podemos plantear un prompt en el que solicitamos en forma de cadena de pensamiento que la IA genere una matriz de consistencia. En casos como estos necesitamos prompts algo más complejos. Ver ejemplo en Claude.
• Prompts encadenados. Una alternativa a prompts complejos que necesiten muchas líneas de texto y una cadena de acciones puede ser desglosar la tarea en varios prompts. Para ello, tendremos que planificar las fases y diseñar los N prompts que vamos a necesitar, para que tengan máxima coherencia.
• Prompts socráticos. Otra alternativa muy útil en usos académicos de la IA, y notablemente para clarificación conceptual, es el uso de preguntas sucesivas a través de prompts sucesivos sobre un mismo tema. Podemos empezar por un prompt general, del tipo: «Presenta los elementos principales de la teoría del encuadre como parte de la periodística y de los estudios de comunicación», y según sea la respuesta, hacemos nuevas preguntas, hasta que obtenemos unas conclusiones que nos ayuden a enfocar nuestra investigación. P.e., una vez la IA aporta los elementos de la teoría del encuadre, podemos confrontar su respuesta preguntando cómo se concilia esta teoría con el principio de objetividad, etc.
• Las ecuaciones booleanas pueden ser la clave. La teoría dice que el uso de prompts elimina la necesidad de conocer los operadores booleanos. Esto es cierto en muchos casos. No obstante, en usos académicos puede darse la paradoja que para explicar la intención de forma precisa, sea útil usar una ecuación booleana. La regla puede estar en usar operadores booleanos cuando la intención de la búsqueda implica tres o más elementos, como en el prompt en lenguaje natural: «ética de la inteligencia artificial aplicada a trabajos académicos». En este caso, la ecuación [ethics AND «artificial intelligence» AND academia] fue mejor interpretada que su equivalente en lenguaje natural, que generaba falsos positivos en la lista de fuentes. En cambio, empezar con la ecuación booleana funcionó bien en Consensus y en Undermind (ver enlaces más arriba), así como en una IA generalista como Claude.
• La regla de oro. Cada proyecto y el objetivo perseguido con cada prompt es lo que impone la conveniencia de usar pocos o muchos elementos.

NOTAS

• Muy recomendable el canal de YouTube de Alejandro Medina Sandín para los interesados en el prompting para tesis doctorales:https://www.youtube.com/@AlejandroMedinaSandin. En su canal, Medina presenta ideas muy incisivas en el diseño de prompts y en el uso eficiente de sistemas de IA.

• Aquí pueden acceder a la segunda y la tercera entregas de esta serie.

Referencias

Fuentes consultadas

Aguilera-Cora, Elisenda, Lopezosa, Carlos, Fernández-Cavia, José; Codina, Lluís (2024). Accelerating research processes with Scopus AI: A place branding case study . Pan-American Journal of Communication, 6 (1). https://doi.org/10.21555/rpc.v6i1.3088

Bhavsar, D., Duffy, L., Jo, H., Lokker, C., Haynes, R., Iorio, A., Marušić, A., & Ng, J. (2024). Policies on artificial intelligence chatbots among academic publishers: a cross-sectional audit. Research Integrity and Peer Review, 10. https://doi.org/10.1101/2024.06.19.24309148

Bridges, Laurie; Lopezosa, Carlos; Centelles Velilla, Miquel; Ferran-Ferrer, Núria (2025). «Moving towards critical AI literacy in LIS education: a scoping review and syllabi analysis». The Electronic Library, Vol. 43 No. 5 pp. 798–817, doi: https://doi.org/10.1108/EL-06-2025-0224

Codina. Lluís (2025a). Uso ético y eficiente de la inteligencia artificial en trabajos académicos: Veritas e interacción crítica escalonada. BiD 55, Dic. 2025, https://doi.org/10.1344/BID2025.55.01 [English version https://bid.ub.edu/wp-content/uploads/2025/12/10.1344-bid2025.55.01_eng.pdf]

Codina, Lluís (2025b). Artificial intelligence systems for knowledge synthesis: Theoretical frameworks and literature reviews [Presentation]. Faculty of Communication, Pompeu Fabra University. http://hdl.handle.net/10230/70242

Codina, Lluís (2025c). Sistemas de inteligencia artificial para la síntesis del conocimiento: marcos teóricos y revisiones de la literatura. 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

Eager, Bron (2023). Academic Writing AI Prompt Phrasebook : 500+ Example Prompts to Accelerate Academic Writing and Research (English Edition). Kindle Edition. ISBN: 9798388481153

Font-Julián, Cristina I.; Orduña-Malea, Enrique; Codina, Lluís (2024). “ChatGPT Search as a tool for scholarly tasks: evolution or devolution?”. Infonomy, 2(5) e24059. https://doi.org/10.3145/infonomy.24.059

Gao, R., Yu, D., Gao, B., Hua, H., Hui, Z., Gao, J., & Yin, C. (2025). Legal regulation of AI-assisted academic writing: challenges, frameworks, and pathways. Frontiers in Artificial Intelligence, 8. https://doi.org/10.3389/frai.2025.1546064

Hosseini, M., Resnik, D., & Holmes, K. (2023). The ethics of disclosing the use of artificial intelligence tools in writing scholarly manuscripts. Research ethics, 19, 449 – 465. https://doi.org/10.1177/17470161231180449.

Hosseini, M., Rasmussen, L. M., & Resnik, D. B. (2024). Using AI to write scholarly publications. Accountability in Research, 31(7), 715–723. https://doi.org/10.1080/08989621.2023.2168535

Huang, C., Zhang, Z., Mao, B., Yao, X. (2023). «An Overview of Artificial Intelligence Ethics. IEEE Transactions on Artificial Intelligence, vol. 4, no. 4, pp. 799-819, Aug. 2023, doi: https://doi.org/10.1109/TAI.2022.3194503.

Kasani, P. H., Cho, K. H., Jang, J.-W., & Yun, C.-H. (2024). Influence of artificial intelligence and chatbots on research integrity and publication ethics. Science Editing. https://doi.org/10.6087/kcse.323

Kim, S. J. (2024). Research ethics and issues regarding the use of ChatGPT-like artificial intelligence platforms by authors and reviewers: a narrative review. Science Editing, 11(2), 96–106.  https://doi.org/10.6087/kcse.343

Lin, Z. (2025). Beyond principlism: practical strategies for ethical AI use in research practices. AI Ethics 5, 2719–2731. https://doi.org/10.1007/s43681-024-00585-5

Lopezosa, Carlos (2023). La Inteligencia artificial generativa en la comunicación científica: retos y oportunidades. Revista de Investigación e Innovación en Ciencias de la Salud. 5(1). 1-5. https://doi.org/10.46634/riics.211

Ming, Nelson (2025). AI Prompt Engineering: Foundations of Communication with LLMs – Building Generative AI and Agentic AI Prompt Systems Across Development, Testing, and Deployment. Ashford Partners. Kindle Edition. ASIN: ‎ B0G64DQ7HL

Mondal, H., Mondal, S., & Behera, J. (2024). Artificial intelligence in academic writing: Insights from journal publishers’ guidelines. Perspectives in Clinical Research, 16, 56 – 57. https://doi.org/10.4103/picr.picr_67_24.

Penabad-Camacho, L., Morera-Castro, M., & Penabad-Camacho, M. A. (2024). Guidelines for the use and reporting of Artificial Intelligence in scientific-academic journals. Revista Electrónica Educare, 28(2), 1-18. https://doi.org/10.15359/ree.28-S.21028

Resnik, D., & Hosseini, M. (2025). The ethics of using artificial intelligence in scientific research: new guidance needed for a new tool. Ai and Ethics, 5, 1499–1521. https://doi.org/10.1007/s43681-024-00493-8

Resnik, D. B., & Hosseini, M. (2025). Disclosing artificial intelligence use in scientific research and publication: When should disclosure be mandatory, optional, or unnecessary? Accountability in Research, 1–13. https://doi.org/10.1080/08989621.2025.2481949

Suchikova, Yana; Tsybuliak, Natalia; A. Teixeira da Silva, Jaime; Nazarovets, Serhii (2025): GAIDeT (Generative AI Delegation Taxonomy): A taxonomy for humans to delegate tasks to generative artificial intelligence in scientific research and publishing, Accountability in Research, https://doi.org10.1080/08989621.2025.2544331

Tang, B. L. (2025). AIgiarism is plagiarism: artificial intelligence can (be perceived to) plagiarize and can also be plagiarized. Science Editing, 12(1), 81–83. https://doi.org/10.6087/kcse.346

Torres-Salinas, Daniel, Arroyo-Machado, Wenceslao (2025). Enseñar e investigar con inteligencia artificial: una llamada a la reflexión. BiD, 54. https://doi.org/10.1344/BID2025.54.01.

UNESCO. (2023, September 8). Guidance for generative AI in education and research . https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

Veiga, A. da (2025). Ethical guidelines for the use of generative artificial intelligence and artificial intelligence-assisted tools in scholarly publishing: a thematic analysis. Science Editing. https://doi.org/10.6087/kcse.352

Yousaf, M. (2025). Practical Considerations and Ethical Implications of Using Artificial Intelligence in Writing Scientific Manuscripts. ACG Case Reports Journal, 12. https://doi.org/10.14309/crj.0000000000001629

Materiales de referencia adicionales

• Carpeta drive con guías y normativa sobre el uso de la IA en trabajos académicos

Otros recursos

• Teoría de la mente y uso eficiente de sistemas de inteligencia artificial [informe generado por Claude AI]
• Undermind AI: la búsqueda académica del futuro ya está aquí (y no es Google)
• Uso de sistemas de inteligencia artificial en tesis doctorales en comunicación [presentación]
• Consensus AI: generación de conocimiento basada en la evidencia
• NotebookLM: inteligencia artificial para usos académicos, curación de contenidos y ¿revisiones de la literatura?
• Inteligencia artificial y revisiones de la literatura: validez, fiabilidad e implicaciones cognitivas
• Cómo utilizar contenidos generados por IA en trabajos académicos: el marco Veritas de verificación, evaluación, atribución y edición
• Interacción crítica escalonada con inteligencia artificial: explorando caminos para usar la IA en la academia
• La externalización de la mente: análisis integral de la atrofia, deuda y sedentarismo cognitivo en la era de la inteligencia artificial generativa [Informe generado por Google Gemini]
• Atrofia cognitiva, deuda cognitiva y sedentarismo cognitivo por el uso de chatbots y sistemas de IA generativa [Informe generado por ChatGPT]

Esta es la primera de un conjunto de tres entradas sobre el uso de sistemas de inteligencia artificial en tesis doctorales. Aquí pueden ver la segunda y la tercera entrada.