Sistemas de inteligencia artificial y tesis doctorales · 2: guías de uso

En esta entrega de la serie dedicada al uso de sistemas de inteligencia artificial en tesis doctorales vamos a presentar guías de uso y recomendaciones en relación con Gemini, ChatGPT, Claude y Perplexity, como IAs de tipo generalistas pero que se prestan muy bien a determinados usos académicos.

Así mismo, presentaremos guías sobre el uso de NotebookLM, Consensus y Claude, como IA académicas. Primero examinaremos las IA generalistas, que son eficaces en ideación y clarificación conceptual, y después veremos las IA académicas, que son eficaces en recuperación de información y síntesis de la evidencia.

IA generalistas
Google Gemini, ChatGPT, Claude y Perplexity

Vamos a tratar de forma unificada a estas cuatro IA porque las recomendaciones de uso son muy similares y presentarlas por separado acabaría siendo disfuncional por repetitivas. En concreto, vamos a considerar los siguientes aspectos:

• Herramienta y modo de trabajo: qué tipo de búsqueda debemos elegir en el caso de trabajos académicos y tesis doctorales
• Adaptación: cómo podemos adaptar y personalizar la IA para que proporcione mejores respuestas
• Canvas: la opción de editar en la misma IA la respuesta generada.
• Privacidad: aspectos de privacidad y copyright.

1. Herramienta y modo de trabajo

Cada una de las IA generalistas que recomendamos aquí para uso en tesis doctorales tienen modalidades de búsqueda óptimas para este propósito, y debemos cuidarnos de activarlas cuando hagamos las consultas:

• Google Gemini: la herramienta que nos será más útil porque activa su sistema RAG es la denominada Deep Research. Se puede combinar con el modo de trabajo Razonamiento. Corresponde destacar que Gemini tiene una función muy interesante cuando usamos Deep Research y consiste en que podemos editar su plan de trabajo en caso necesario.
• ChatGPT: en este caso, nos interesa la herramienta Investigación Avanzada por el mismo tema RAG. En el caso de ChatGPT, las propuestas de ampliación del tema que propone el final de cada mensaje suelen ser muy eficaces y en ocasiones tienen auténtico valor heurístico.
• Claude: la opción correspondiente se consigue con los Estilos, donde podemos especificar entre otras cosas que queremos una lista de fuentes como parte de la respuesta, así como utilizando una opción que se denomina Pensamiento extendido. También es importante asegurarse de que está seleccionada la opción Búsqueda web.
• Perplexity: la opción que corresponde se denomina Investigación. Esta opción se debe combinar con la activación de Fuentes académicas. Además, podemos dejar también activada la opción de fuentes Web. En el caso de Perplexity, podemos pedir la reescritura de su informe cambiando de LLM si el resultado no nos satisface.

En los prompts es aconsejable asegurarse de que la función de búsqueda web está activada cuando está disponible de modo separado, así como incluir la instrucción expresa de que faciliten fuentes de autoridad utilizada como parte de la salida deseada.

2. Adaptaciones

Las opciones de adaptación de las IA se pueden presentar divididas en dos partes: (1) personalización y (2) preferencias.

Las primeras (personalización) incluyen aspectos que van desde importantes cuestiones de privacidad y notificaciones, hasta cosas triviales como el tratamiento que queremos recibir de la IA.

Las segundas (preferencias) suelen incluir cuestiones como el estilo, el público y el formato preferidos en las respuestas generadas por la IA.

Algunos sistemas de IA tienen la primera variedad de adaptaciones pero no la segunda, o al revés. Claude es una de las IA generalistas que tiene ambas. ChatGPT también permite declarar diversos elementos del perfil personal que pueden ser útiles para mejorar los prompts.

La IA generalista peor en este aspecto es Google Gemini, que no presenta opciones ni de personalización ni de preferencias. Esto no le impide ser muy eficaz, tal vez porque usa lo que sabe de nuestro perfil por otras aplicaciones, pero esto es una especulación.

Perplexity, por su parte, aporta opciones de personalización y de preferencias en los ajustes. Podemos explicar nuestro perfil académico o profesional y establecer diferentes opciones de idioma y de LLM utilizado, así como podemos desactivar el seguimiento de prompts.

La recomendación, tanto en el caso de Claude, ChatGPT y Perplexity, es explorar las opciones de preferencias y de personalización en los ajustes antes de empezar a usar estas IA para la tesis doctoral.

3. Canvas

Tanto ChatGPT como Google Gemini presentan una función denominada Canvas que puede ser de utilidad, aunque (como en tantas funciones de las IA generalistas) parece una función pensada para un entorno empresarial.

El modo Canvas genera entregables (documentos) como parte de la respuesta y/o permite editar el informe generado por la IA en el marco de la propia aplicación. Esto puede ser bien mediante edición directa o bien modificando la respuesta con parámetros predefinidos que ofrece la IA, como extensión o tono.

La opción similar de Perplexity se denomina Laboratorios. Como en los casos anteriores, queda clara que su función está concebida para usos empresariales, pero en algún proyecto concreto pueda ser de utilidad. No permite la edición directa de los resultados pero genera entregables y de este modo presenta facilidades automáticas para exportar los informes a formatos editables (docx y markdown).

Una opción similar son los Artefactos en el caso de Claude. No es posible editar directamente los resultados, pero genera documentos aparte descargables. Además, permite ir actualizando la información mediante interacciones y entonces, y va generando nuevas versiones descargables de los resultados.

Para usos académicos mi experiencia es que Canvas sirve sobre todo si necesitamos disponer de un entregable en formato editable (p.e., en Word) ya que en el modo estándar de respuesta las IA por alguna razón tienen problemas con esto.

4. Privacidad

Los problemas de privacidad en el uso de las IA son al menos de dos tipos:

• Si los prompts tienen información sensible, después la IA puede utilizarla como parte de su respuesta a otros usuarios. Lo aconsejable es, primero lo mejor es no incluir información sensible (anonimizar el prompt o una operación equivalente) y segundo asegurarse de que la IA nos permite desactivar el seguimiento de prompts. Por si acaso, esta opción es mejor que esté desactivada de modo predeterminado. Para esto, se debe de ir a las opciones de configuración y verificar que esta opción está desactivada.
• En caso de subir documentos ajenos, estos deben ser públicos y de tipo open access. En otro caso, si son públicos pero tienen un copyright estándar (todos los derechos reservados) debemos asegurarnos de tener derechos de uso y en todo caso, solo debemos subirlos con el seguimiento de prompts desactivado. Si es un documento propio debemos tomar las mismas precauciones. Si es un documento propio inédito, con más razón debemos asegurarnos de que el seguimiento de prompt está desactivado. La razón es que si esa IA es una de las utilizadas por los detectores de plagio, puede generar un falso positivo que afecta a nuestra propia tesis (si el documento subido forma parte de ella en una tesis por compendio, p.e.). Además, los datos de nuestro documento inédito pueden ser usados como parte de la respuesta a otros usuarios si no nos aseguramos de desactivar el seguimiento del prompt.

Como consideración general, diría que se debe tener presente que no tenemos una seguridad al respecto del cien por cien con el uso de los documentos subidos, incluso con el seguimiento de prompts desactivado. Creo que este es un capítulo en el que las IA en general son un tanto opacas, porque en sus políticas de privacidad hacen siempre referencia a los datos de los usuarios tanto personales como anónimos, pero no explican toda la casuística y en concreto qué hacen con los materiales subidos como parte de un prompt.

4.1. Políticas de privacidad

Todas las IA generalistas consideradas aquí, esto es, Gemini, ChatGPT, Claude y Perplexity tienen opciones para desactivar el seguimiento de prompts. Esto puede ser suficiente para asegurar la privacidad del prompt en sí, y se supone, pero no está declarado expresamente, que también afecta al caso de documentos subidos.

En el caso de las IA académicas, no he detectado una forma de desactivar el seguimiento de prompts. Como especulación, si usamos estas IA para buscar información, estamos buscando en espacios públicos y estamos usando prompts temáticos de tipo académico, sin datos sensibles propios, con lo cual se supone que el problema está atenuado. Pero si esto es así (o no) debe considerarlo cada usuario y las indicaciones de prudencia señaladas más arriba son plenamente vigentes.

Consensus permite activar el modo incógnito con el cual se supone que no retiene información de nuestra búsqueda ni la guarda como parte de nuestro archivo. Aquí se puede consultar la política de privacidad de Undermind y Consensus. Por lo que hace a NotebookLM, remite a la política de privacidad general de Google.

IA ACADÉMICAS
NOTEBOOKLM, CONSENSUS, UNDERMIND

En el caso de las IA académicas, las diferencias de uso y las funcionalidades son notables, además tienen a su cargo la funciones más críticas en el caso de una tesis doctoral, por tanto, en este caso, las examinaremos por separado.

5. Google NotebookLM

NotebookLM es una inteligencia artificial centrada en el análisis y la síntesis de grupos de documentos. Su naturaleza de sistema genérico deviene en especializado por la vía de la selección de los documentos que utiliza en este sistema. El procedimiento general es el siguiente:

1. Definición del tema del cuaderno
2. Búsqueda manual de documentos en fuentes académicas, p.e., en bases de datos como Scopus o en Google Scholar
3. Evaluación de los documentos recuperados, leyendo título y resumen.
4. Compilación de los documentos finalmente seleccionados, que serán la base de la evidencia para el cuaderno.
5. Carga de la base de la evidencia (los documentos) en NotebookLM
6. Generación de informes predefinidos y específicos

5.1. Desarrollo

En modo desarrollado, los puntos 1 a 4 quedan así:

1. Definir un tema, a partir de un problema o una pregunta de investigación. Desde aquí, definimos unas palabras clave o un prompt de búsqueda en lenguaje natural. Por ejemplo, «La evitación de noticias y el periodismo de soluciones como estrategia de mitigación».
2. Realizar una búsqueda de investigaciones publicadas sobre el tema definido en 1 usando bases de datos convencionales como Scopus, WoS o Google Scholar (palabras clave), o una IA especializada en recuperación de información como Consensus (prompt).
3. Evaluar y seleccionar un conjunto coherentes de entre 10 y 50 documentos, leyendo el título y el resumen.
4. Constituir la base de la evidencia. NotebookLM aportará mejores resultados si los documentos son relativamente homogéneos en relación a su temática.
5. Preparar los archivos. Compilar los documentos en una carpeta de nuestro disco duro asignando nombres significativos a cada archivo. Esta última operación después nos servirá para manipular mejor los documentos.
6. Cargar los documentos en un cuaderno de NotebookLM.

En lo que sigue, vemos con más detalle la parte crítica, a saber la búsqueda, evaluación y selección de los documentos para constituir la base de la evidencia.

5.2. Búsqueda

Podemos aplicar diferentes técnicas para obtener el conjunto de los documentos, según cada proyecto. Una técnica habitual consiste en redactar una pregunta de investigación y, a partir de ella, derivar una estrategia de búsqueda y aplicarla en bases de datos como Scopus, WoS o Google Scholar. También podemos usar sistemas de recuperación de información como Consensus o Undermind (de estos dos, quizás el mejor es Consensus).

5.2.1 Modo de búsqueda ampliado

Recientemente, NotebookLM ha mejorado sus opciones de búsqueda y ya se puede utilizar la opción Deep Research para buscar fuentes. Pero sigue siendo una opción más limitada que su opción espejo en Gemini. Para síntesis de la evidencia, sigue siendo mejor hacer la selección de fuentes de modo intelectual. Ahora bien, si necesitamos crear una cuaderno de modo rápido, es una buena opción, a cambio los informes tienen menos garantías.

5.3. Evaluación y selección de documentos

Es idóneo compilar documentos que consistan en artículos científicos o en informes de fuentes de autoridad reconocida. Es importante también que tengan relación o semejanza temática entre ellos. Si usamos bases de datos académicas como Scopus o Web of Science, o IA académicas como Consensus o Undermind, la semejanza temática vendrá dada por las palabras claves, y así mismo, el hecho de trabajar con este tipo de base de datos, aportará documentos que han superado el umbral de calidad de las revistas indexadas. Si usamos otras fuentes, p.e., Google Scholar, será conveniente añadir algún control de la autoridad de la fuente, si no corresponde a artículos publicados en revistas indexadas.

Puesto que los vamos a usar como base de la evidencia, los documentos así recuperados deben ser además evaluados en función de su adecuación y relevancia para la tesis, y se seleccionan con criterios propios también de cada proyecto. En general, podemos aplicar las fases de evaluación que se usan en las revisiones de la literatura de tipo sistematizado, leyendo el título y el resumen de cada documento. Los criterios suelen ser: (1) adecuación al tema del cuaderno, (2) documentos en inglés, más en el caso de doctorandos de países no anglosajones, documentos en su idioma nacional, (3) cualquier otro criterio de adecuación a los objetivos de la tesis.

Una vez que el doctorando ha seleccionado de forma rigurosa entre 10 y 50 documentos, los debe preparar de manera que los pueda subir a NotebookLM. La preparación incluye registrar las referencias en un gestor de información personal como Zotero o Mendeley. Otra práctica muy práctica aconsejable es nombrar los archivos con títulos significativos, cosa que nos hará falta cuando gestionemos la producción de informes.

5.4. Generación de informes

Una vez disponemos de los documentos seleccionados, a los que pasamos a considerar la base de la evidencia, podemos crear un cuaderno en NotebookLM a través de la importación de estos documentos.

A partir de aquí podemos obtener diversos informes predefinidos. Probablemente, en el caso de una tesis doctoral, los más útiles son los siguientes:

• Mapa mental
• Resumen
• Guía de estudio
• Análisis comparativo

Téngase en cuenta que para generar los tres últimos informes hay que ir a buscarlos dentro de la opción Informes. Mientras que Mapa Mental es una de las opciones disponibles en el primer nivel.

Del mapa mental también conviene destacar que cada uno de lo nodos, al hacer clic sobre el mismo, lanza una nuevo prompt y genera una nueva nota sobre el conjunto de la base de la evidencia.

Además, podemos generar informes específicos, esto es, que respondan a criterios totalmente especificados por el usuario. Vamos a ver un ejemplo de informe específico en el siguiente punto.

5.5. Modelo para generar un informe de síntesis de la evidencia

A continuación, un ejemplo de instrucciones para que NotebookLM genere un informe con formato específico similar a una scoping review. Lo que sigue es una instrucción que podemos copiar y pegar en el formulario correspondiente:

El problema del comportamiento no determinista

En ocasiones, NotebookLM, como cualquier IA, ignora algunas instrucciones. La redacción del prompt anterior procede de un «ensayo y error» hasta encontrar la que NotebookLM a resuelve mejor. El prompt original pedía resúmenes individuales antes de la síntesis narrativa. En ocasiones anteriores los presentaba, pero en las últimas pruebas presentaba los resúmenes de 9 de las 48 fuentes totales.

Esto ilustra uno de los problemas de las IA, esto es, su carácter no determinista. La misma instrucción ejecutada dos veces aporta dos resultados que pueden parecerse más o menos, pero son distintos. Para la investigación académica es un punto muy relevante y uno de los motivos por los cuales las IA no pueden producir contenidos que puedan ser usados sin una total supervisión por los investigadores. En el caso concreto de este prompt, no le resta utilidad, pero es una importante llamada de atención.

5.6. Consejos generales para usar NotebookLM

• Usar documentos temáticamente similares.
• Usar artículos de revistas de impacto si lo que queremos es obtener informes de síntesis de la evidencia. En algunas tesis pueden ser útil considerar también la literatura gris.
• Seleccionar muy bien los documentos. Mejor menos documentos, pero de calidad. En general, artículos de revistas indexadas cumplen esta condición de calidad.
• No usar (mucho) más de 50 documentos. Por un lado, es una limitación de la versión gratuita, pero incluso en la versión de pago yo consideraría no superar en mucho los 50 documentos para un mismo cuaderno. Un rango óptimo puede estar entre 20 y 40 documentos, aunque esto no está escrito en piedra. La excepción es si lo que necesitamos es extraer datos estructurados en lugar de síntesis narrativas, en cuyo caso no hay límites claros.
• Nombrar los documentos en NotebookLM con nombres de archivo significativos. Nos irá muy bien cuando trabajemos con los informes, así como para, eventualmente, decidir si hemos de dar de baja algún documento.
• Considerar la opción de controlar los documentos del cuaderno mediante un gestor de documentos como Zotero o Mendeley porque antes o después necesitaremos citarlos, generar bibliografías, etc.
• Considerar los informes como formas de exploración inicial del tema, como fuente heurística para nuevas indagaciones y como aportes con valor epistémico, pero nunca como informes con validez científica. Simplemente, no es el caso. Dicho de otra forma, son un valioso punto de partida. No un punto de llegada.
• Ver análisis en profundidad de NotebookLM

Resta solo una nota para señalar que NotebookLM no permite compartir cuadernos con usuarios externos a la organización, al menos en la versión que yo utilizo con mi cuenta de la UPF. Por este motivo no puedo facilitar enlaces a cuadernos de ejemplo.

5.7. Implicaciones del uso de NotebookLM

A cambio de un mayor esfuerzo intelectual debido al modo de selección manual de los documentos que hemos presentado, tendremos unos informes de síntesis cuya base de la evidencia ha sido seleccionada con criterios de elegibilidad transparentes y trazables.

6. Consensus

Consensus AI es un sistema de inteligencia artificial especializado en usos académicos, y muy especialmente en búsqueda, recuperación y análisis de información científico-académica publicada en revistas indexadas.

Esto es, se trata por un lado de un buscador (por tanto, es un sistema RAG) que proporciona servicios similares a los de una base de datos académica. Concretamente, a partir de una necesidad de información, recupera los documentos más relevantes y elabora una lista ordenada por diversos criterios. Pero además de generar una lista de resultados analizados genera una síntesis narrativa articulada.en forma muy significativa y con prestaciones exclusivas, que favorecen el descubrimiento de información con valor epistémico.

6.1. Forma de uso

Su función más característica consiste en su capacidad en determinar, a partir de una pregunta o prompt, la existencia de consenso o de disenso (de aquí su nombre) en un tema de investigación, basándose en la investigación publicada sobre el tema planteado.

Por este motivo, en Consensus funcionan de forma muy eficaz prompts que admiten respuestas SÍ/NO, como en este prompt: «Can transparency about media outlets’ sources of funding and the methods used to produce news increase the public’s trust in the media?» Ver Ejemplo1 y Ejemplo2.

En el resultado, además de determinar si existe consenso respecto a la pregunta o al tema de investigación elabora una síntesis narrativa con las 10, 20 o 50 investigaciones más relevantes sobre el tema de búsqueda.

La síntesis narrativa es más o menos extensa y se presenta más o menos articulada y elaborada según el tipo de investigación que aplicamos de entre las tres disponibles en el programa: Quick, Pro y Deep. Cada una de estas opciones utiliza 10, 20 o 50 referencias respectivamente para construir la síntesis narrativa, mientras que la lista de resultados (referencias) no está limitada por este número.

Por lo que respecta a las consultas, Consensus admite cualquier formato de prompt. En caso de que sea adecuado, la IA se ocupará de analizar igualmente la existencia de puntos de acuerdo y de desacuerdo en la literatura científica, así como de huecos y oportunidades de investigación. Puede interpretar bien consultas en forma de ecuaciones booleanas, aunque su modo nativo es el lenguaje natural.

6.2. Consensus meter

Consensus meter es un diagrama que muestra la distribución porcentual de las investigaciones que dan soporte a la pregunta sobre la existencia de consenso en torno al problema, tema o pregunta de investigación.

No obstante, debe tomarse en cuenta que el consensus meter solo se puede elaborar si hay un número de estudios de base que examine la cuestión de forma comparable.

6.3. Formatos de evidencia

Consensus presenta en su informes hasta cinco formas de presentar la síntesis de la evidencia:

• Consensus meter
• Línea de tiempo
• Tabla de evidencias
• Tabla de huecos de investigación
• Cuestiones abiertas

Consensus es un genuino sistema de IA con filosofía HITL (human-in-the-loop). Esto es, aporta análisis y síntesis de la evidencia, ahorra por tanto, muchas horas de trabajo al investigador, pero sin fomentar mala praxis ni atrofia cognitiva.

6.4. Gestión de referencias y página de resultados

Consensus tiene uno de los gestores de referencias más útiles y mejor diseñados de las tres IA consideradas, aunque no sustituye el uso de un gestor especializado como Mendeley o Zotero.

Su página de resultados está muy bien organizada, de modo que favorece la exploración interactiva. La lista de los resultados puede ser ordenada por diferentes criterios, así como las referencias pueden ser exportadas a un gestor de referencias a través de formatos de intercambio de uso estandarizado como CSV o RIS.

La lista de referencias se puede mostrar en tres formatos diferente:

• En el formato por defecto, cada referencia es una fila que incluye varias líneas de datos de cada referencia y opciones que se activan al pasar el cursor, como guardar la referncias, obtener un formato de citación y otras.
• El formato compacto reduce cada fila a dos líneas de datos, con las opciones interactivas también disponibles.
• El formato tabla, el más interesante, muestra los resultados como una matriz de análisis con varias columnas tales como resultados y métodos de cada investigación, entre otros datos. El formato tabla también aporta los elementos interactivos.

Por último cabe señalar que la lista de resultados tiene su propio recuadro de consultas si seleccionamos una o más referencias de la lista para chatear con ellos.

6.5. Consejos generales para usar Consensus

• Usar el modo Pro o Deep. Este último es el más potente, pero es aconsejable usarlo de forma mesurada a menos que tengamos la versión de pago. La versión gratuita es perfectamente funcional, pero hay un número limitado de usos del modo Deep, eso sí, en un contador que se pone al día cada mes.
• El modo Quick es útil para consultas rápidas. P.e., para conocer la situación actual de un concepto o una teoría.
• Usar los filtros antes de lanzar una búsqueda si necesitamos focalizar los resultados en los últimos seis años, como suele ser habitual en tesis doctorales. También nos puede interesar para otros criterios de filtro, como calidad de las fuentes (cuartiles de las revistas) u otros.
• Una vez ante los resultados, prestar mucha atención a los formatos de síntesis como el Consensus meter y otros y a las tablas y gráficos de síntesis.
• Revisar y aprovechar las excelentes opciones de exploración de las referencias. Podemos examinar con atención las 10 o 20 primeras, p.e., y seleccionar y exportar las más relevantes para nuestra tesis. Si necesitamos ser exhaustivos podemos ampliar este rango a todas las referencias que consideremos.
• Conocer y usar de modo sistemático las opciones de My Library, para tener organizados nuestros proyectos y las referencias asociadas.
• Consensus acepta bien ecuaciones booleanas y genera prompts bien diseñados a partir de ellas.
• Ver análisis en profundidad de Consensus.

7. Undermind

Undermind es un buscador académico con inteligencia artificial. Concretamente, se trata como la anterior, de una IA de tipo Retrieval Augmented Generation (RAG). Estas IA generan sus respuestas a partir de un búsqueda en bases de datos internas o externas.

De este modo, es una IA de tipo RAG fusiona lo mejor de dos mundos: el de las IA generativas y el de los sistemas de recuperación de información.

Undermind, para lo primero, utiliza el modelo de lenguaje de OpenAI, GPT. Para lo segundo utiliza Semantic Scholar, así como PubMed y ArXiv.

7.1. Filosofía de uso

Dado que es una IA generativa, Undermind funciona en modo nativo con el uso de prompts. No obstante, también admite palabras clave y operadores booleanos, en cuyo caso interpreta la ecuación de búsqueda y la transforma en un prompt optimizado que presenta al usuario para su aprobación antes de ejecutar la búsqueda.

Dicho esto, la forma tal vez más compacta de definir a Undermind es explicando que: (1) analiza la necesidad de información del usuario, y tras un diálogo, (2) genera un prompt aumentado por IA que lanza contra bases de datos académicas, (3) aporta una síntesis global con base en las referencias encontradas, más (4) la lista de referencias analizadas individualmente, y (5) permite dialogar (chatear) con el conjunto de los resultados o con cada uno de ellos y generar informes adicionales. Ver Ejemplo1, Ejemplo2 y Ejemplo3.

El uso de Undermind se basa en el concepto HITL, por human-in-the-loop. Esto hace que el uso sea altamente interactivo. Para empezar, no lanza la búsqueda sin al menos dos o de tres interacciones con el usuario. Y una vez ante la página de resultados, no nos encontramos con un informe cerrado, sino con una síntesis narrativa sumamente estructurada en apartados, que invitan al usuario a hacer una inmersión en el tema con su propio esfuerzo intelectual.

7.2. Página de resultados

Lo más significativo de Undermind es su página de resultados. Al respecto hay que señalar que la respuesta de Undermind se distribuye visualmente en tres zonas de la pantalla:

• Zona 1: síntesis narrativa del conjunto de los resultados. Esta síntesis está estructurada a su vez en cinco secciones: sumario, categorías, línea de tiempo, trabajos fundacionales y trabajos adyacentes.
• Zona 2: espacio de diálogo (chat) con la IA para obtener informes con fines específicos o para dialogar sobre los mismos. Al efecto, encontramos un grupo de nueve posibles prompts de análisis predefinidos, así como un espacio para libre para interactuar mediante nuevas preguntas.
• Zona 3: lista de referencias analizadas de forma individual, mediante un doble sistema: el resumen del artículo y una breve extracción de datos propia de Undermind.

7.3. Prompts prediseñados

El espacio al que hemos llamado socio epistémico o cognitivo propone nueve tipos de informes a partir de nueve esquemas de prompts predefinidos (además de la síntesis automática que ya hemos examinado), agrupados en tres opciones principales:

• Get oriented. Los prompts de esta sección tienen la misión de generar orientaciones básicas.
• Analysis & Critique. Prompts para comparar hallazgos y determinar líneas de confrontación, así como evidencias de calidad.
• Future work. Prompts para explorar cuestiones abiertas, futuras tendencias e impactos.

Dado que estos esquemas de prompts son visibles al usuario, los podemos editar e incluso guardar aparte si vemos que son especialmente útiles para usar con otras IA si nos conviene.

Adicionalmente, hay una caja de diálogo (Tell me more about…) en la que podemos cuestionar, preguntar, objetar, etc., para establecer cualquier interacción adicional que deseemos tener con la IA.

7.4. Gestión de referencias

La sección con la lista de referencias contiene los siguientes elementos:

• Búsqueda 
• Opciones de ordenación 
• Filtros
• Exportación

Cada línea de la tabla en la que presenta la lista de resultados es una referencia con los datos referenciales en la izquierda y dos opciones de resumen en la derecha: relevance y abstract. También hay opciones de citación y de acceso al PDF (en su caso). Por último, hay una opción Ask Expert indica que podemos dialogar con una referencia concreta.

He comprobado que suele entregar hasta 200 referencias en cada búsqueda, mientras que ofrece análisis individuales de cada referencia hasta un número determinado que es propio de cada búsqueda. En la la mayor parte de las búsquedas efectuadas, las referencias analizadas giraban entorno a las 50, un número considerable. En algún caso, se limitaron a unas 20, un número suficiente.

7.5. Alertas

En adición a todo lo señalado, Undermind aporta un sistema automático de alertas. Esto significa que Undermind, una vez ejecutada una búsqueda, programa una alerta del mismo tema, y nos informa por correo electrónico cada vez que se publica un nuevo trabajo. Además, podemos acceder a las novedades de cada alerta en el espacio de trabajo personal de la aplicación. Las alertas, en caso de no estar interesados en seguir recibiendo novedades de un tema, se pueden desprogramar.

7.6. Consejos generales para usar Undermind

• Undermind tiene un solo modo de búsqueda predefinido fácil y sencillo, pensado para el lenguaje natural. Pero por esta misma razón conviene darle unas vueltas a nuestro prompt antes de lanzar la búsqueda.
• Después de lanzar el prompt, Undermind aplica una ronda con dos o tres interacciones con el usuario para clarificar la intención de búsqueda y su alcance temático, restricciones, etc. Es muy importante considerar con atención las preguntas de Undermind. No tener prisa y responderlas con cuidado. De todos modos, es un proceso rápido.
• Antes de lanzar la búsqueda, Undermind permite editar a mano el prompt final que ha diseñado. Es muy recomendable aprovechar esta oportunidad para revisarlo, de modo que podemos asegurarnos que responde fielmente a nuestra intención y, en caso contrario, estamos a tiempo de mejorarlo.
• Una vez ante la página de resultados, y tras examinar la mitad izquierda de la pantalla, que contiene la síntesis narrativa, es importante examinar la mitad de la derecha, ya que aporta hasta 9 prompt predefinidos que nos permiten hacer una inmersión selectiva en los resultados.
• Además, podemos chatear con las referencias encontradas con prompts libres.
• Ver análisis en profundidad de Undermind.

8. Balance

8.1. IA generalistas

Las IA generalistas pueden ser excelentes aliadas en tareas de ideación y conceptualización, también en clarificación conceptual y dar excelentes orientaciones en cuanto a metodologías, ayudando al doctorando a aplicarlas con el máximo rigor.

Pueden orientar al doctorando de modo global, p.e, aportando matrices de consistencia detalladas e incisivas, así como pueden actuar como herramientas con capacidad de creación de nuevo contenido epistémico como resultado de un uso socrático de las mismas.

Este uso es el que permiten estas IA gracias a su versatilidad y flexibilidad a la hora de establecer un diálogo interactivo con el usuario, en base a preguntas, cuestionamientos, nuevas preguntas, nuevos cuestionamientos, etc.

8.2. IA académicas

Lo mejor de las IA académicas está en su capacidad de buscar documentos en bases de datos académicas evitando totalmente las alucinaciones, y en producir informes de síntesis que nos pueden ahorrar muchas horas de trabajo a la hora de explorar nuestro ámbito de estudio, así como para descubrir huecos de investigación.

En cambio, no sirven, para decirlo con toda claridad, para sustituir el esfuerzo humano en la producción de revisiones de la literatura de tipo sistemático, como son las scoping reviews. Si lo que queremos es obtener una visión panorámica de un ámbito del conocimiento, con una notable capacidad heurística, las IA como las vistas hacen un excelente trabajo.

También hacen un trabajo excelente en clarificación conceptual y en ideación. Además, algunas, como Consensus y Undermind actúan como modernos sistemas de recuperación de información con notables capacidades aumentadas gracias a la IA.

Los tres sistemas de tipo académico aportan los elementos de base válidos para obtener una primera revisión de la literatura de tipo rapid review, ahorrando muchas horas de trabajo al investigador.

Pero se debe tener en cuenta pero no son revisiones de la literatura de tipo sistemático en el sentido de ser resultados de una investigación publicable como tal. Para esto, se necesitaría un control humano completo de las cuatro fases: búsqueda, evaluación, análisis y síntesis. En el caso de NotebookLM la base de la evidencia la puede seleccionar el investigador. Pero el análisis y la síntesis, queda totalmente al cargo de la IA.

Esto significa que estos informes pueden ser de enorme valor para las necesidades de información del investigador, al que pueden ahorrar muchas horas de manipulación de documentos. Pero, dado que la síntesis es enteramente producida por la IA, no constituye una scoping review que responda totalmente a criterios de validez y fiabilidad. Pueden ser una excelente base para una nueva forma de rapid review para apoyar la construcción de marcos teóricos o para diseñar el protocolo de una scoping review.

8.3. Proceso de transformación

Cualquiera de las cuatro IA generalistas y de las tres IA académicas, y más aún si combinamos al menos dos de ellas, pueden ayudar mucho a los doctorandos en las fases exploratorias de sus investigaciones, con un ahorro genuino de tiempo muy considerable, y sin riesgos ni de mala praxis ni de atrofia cognitiva.

Para ello, debemos aplicar procedimientos de supervisión, filtro y control como los que discutiremos en la siguiente entrega de esta serie.

Hasta aquí la segunda de esta serie de tres entradas dedicadas al uso de sistemas de IA en tesis doctorales. Invitamos al lector a seguir con la tercera parte. Aquí puede consultar la primera.

Referencias

Referencias 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. 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. B., & Hosseini, M. (2025a). 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. (2025b). 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

Para saber más

• 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]