Sistemas de inteligencia artificial y tesis doctorales · 3: Veritas y transparencia

En esta tercera y última serie de tres entradas sobre el uso de la inteligencia artificial generativa en tesis doctorales nos centraremos en una propuesta de trabajo con sistemas de IA, Veritas, que evita tanto el fraude y la mala praxis como la atrofia cognitiva. Presentaremos también algunas consideraciones y guías sobre transparencia en la declaración de uso de la IA en tesis doctorales (disclosure). Además, al ser la final de las tres entradas añadiremos unas breves conclusiones. Para preparar esta entrada este apartado me he basado ampliamente en Codina 2025.

Veritas e Interacción crítica escalonada

Los fundamentos de estos dos marcos de trabajo derivan de lo que podemos denominar puntos cardinales del uso de la IA en tesis doctorales (y trabajos académicos en general), que son los siguientes:

1. No autoría. Las IA no pueden ser acreditadas como autoras (ni coautoras) debido a su falsa agencia moral. Esto impide también citar a la IA como fuente, en su lugar se debe citar la fuente original de la que la IA ha tomado la información.
2. Responsabilidad. La responsabilidad total del contenido de un trabajo académico corresponde a la persona autora. Para mérito o para demérito.
3. Pensamiento crítico. Las personas autoras deben utilizar la IA aplicando su pensamiento crítico para evitar sesgos y eliminar errores e inconsistencias.
4. Transparencia. El uso significativo de la IA en un trabajo académico, debe ser declarado tanto de forma transparente como trazable.

1. Veritas

La función de Veritas es aportar un marco de trabajo que permita utilizar contenidos generados por una IA generativa en trabajos académicos que sea compatible con los 4 puntos cardinales de la ética de l IA en la academia. Veritas se compone de cuatro acciones que, si las miramos bien, en realidad son características del buen hacer académico habitual. Son las siguientes:

• Verificar
• Evaluar
• Atribuir
• Editar

El desarrollo de los elementos de Veritas es como sigue:

• Verificar las fuentes. Debe comprobarse cualquier fuente candidata a ser usada y citada, si se reputa de interés para el trabajo académico. Esta verificación incluye la totalidad de las referencias de interés, ya sea para apoyar ideas o alguna clase de datos que pensemos manejar en nuestro trabajo.
• Evaluar los constructos (ideas, conceptos, modelos, explicaciones, etc.) presentados por la IA, mediante pensamiento crítico. En esta evaluación, el autor (el doctorando, p.e.) no solo debe asegurarse de captar la esencia de los mismo, sino que debe ponerlos en relación con los conocimientos previos del investigador en su materia, así como con otros elementos de su marco teórico o conceptual.
• Atribuir las ideas a sus autores originales. Cualquier idea o contenido valioso que el investigador consiga de las dos operaciones previas, deben ser atribuidos a las fuentes originales, esto es, a los autores humanos (no a la IA) en la medida que considere incorporarlos a su trabajo. Las atribuciones se harán o bien por explicación o parafraseo (más la cita parentética) o bien por cita literal, marcando y delimitando el fragmento literal, (más la cita parentética).
• Editar el contenido para garantizar su coherencia. Cualquier contenido producido con asistencia de una IA, salvo las citas literales, debe ser editado por el autor para generar un discurso coherente, unificar la escritura y dotar a toda la narrativa de su trabajo de una voz propia. Esto, además de dotar a la tesis de un estilo coherente, garantiza que el autor ha asumido su responsabilidad y está en condiciones de explicar todos los conceptos  que ha manejado en su trabajo.

1.1. Fases de Veritas

La lista de acciones de Veritas es solo aproximadamente secuencial. Es evidente que Verificar y Evaluar son acciones iniciales, pero no necesariamente en este orden. Puede ser que primero nos interese evaluar y solo si el contenido es significativo, pasemos a verificar.

Además, seguramente, algunas acciones se ejecutarán de maner circular si la IA ha generado un contenido rico y de alto interés.

1.2. Veritas y los puntos cardinales de la ética en el uso de IA en la academia

Ahora podemos ver en la siguiente tabla la relación entre los puntos cardinales y los elementos de Veritas (Tabla 1).

Tabla 1. Veritas y los puntos cardinales en el uso de la IA

Fuente: Codina, 2025a

2. Interacción crítica escalonada

La filosofía que sustenta Veritas la denominamos interacción crítica escalonada (ICE). Es equivalente al importante principio denominado HITL, por la expresión human-in-the-loop, pero más expresiva.

HITL es un concepto procedente de la ingeniería de la IA, y sostiene que la persona interviene activamente siempre en el ciclo de funcionamiento de un sistema de IA para supervisar, corregir y tomar las decisiones clave.

ICE implica que el autor no se limita a usar contenidos generados por una IA de forma pasiva, o “por copiar y pegar”. De hecho, ICE es lo diametralmente opuesto a estas dos cosas. Es también la única forma segura de mitigar o incluso anular la deuda cognitiva. Recordemos que se genera deuda cognitiva cuando una persona humana delega funciones intelectuales o cognitivas avanzadas a una IA. El problema principal es que, de la deuda cognitiva pasamos a la atrofia cognitiva. No parece algo que pueda desear un investigador en formación (ni tampoco un senior).

2.1. Articulación de ICE y Veritas

La relación entre la ICE y Veritas es como sigue: la primera, ICE, es la filosofía general que debe presidir el uso de la IA en la academia (tal vez el uso de la IA en general); la segunda, Veritas, es una de las formas operativas en las cuales se puede concretar.

Un desarrollo comprensivo del significado y las implicaciones de ICE es como sigue:

• Interacción. Implica que el investigador no toma los resultados de una IA de forma pasiva. Por el contrario, interactúa tanto con la IA como con sus resultados. Con la IA cuestionando sus resultados y repreguntando, redirigiendo sus respuestas, etc. Con los resultados usando el escrutinio.
• Crítica. La interacción anterior debe estar guiada por el pensamiento crítico, lo que obliga al investigador a aplicar, entre otras cosas, marcos de actuación como Veritas.
• Escalonada. Es escalonada porque procede por fases, en función de las necesidades de uso de la IA y de las acciones de verificación, etc., que se deben realizar,  de las repreguntas, etc. También implica que el investigador está dispuesto a invertir esfuerzo intelectual en procesos de verificación, etc.

2.2. Cómo se aplica Veritas bajo la filosofía ICE

Una posible forma en la que se aplica Veritas bajo la filosofía ICE puede ser esta:

1. El contenido generado por la IA es un punto de partida, nunca como un resultado final, y mucho menos un contenido para incorporar directamente a un trabajo. Esto último es justo lo que prohíbe ICE.
2. El investigador efectúa una lectura de reconocimiento para identificar tema, organización, secciones clave y puntos de interés del contenido para verificar que la IA ha entendido la petición o prompt. En esta lectura se debe comprobar que la IA ha aportado fuentes y que estas fuentes se vinculan a nivel de párrafo, no solamente como una lista final.
3. Si el punto anterior confirma la relevancia del contenido, el investigador lee el contenido generado por la IA en el modo que a veces se denomina lectura profunda. Esto significa leer con pensamiento crítico y con toma de notas. Para ello, el investigador trabajará con dos pantallas: (1) la que contiene el contenido generado por la IA y(2) la que contiene su documento de notas.
4. De la lectura y de la evaluación del contenido el investigador retendrá al menos tres tipos de constructos: (1) datos, (2) conceptos y (3) proposiciones o teorías, que irá registrando en su documento de notas.
5. Al acabar este proceso de lectura profunda, tomará su documentos de notas para verificar las fuentes de todos los constructos que haya retenido en sus notas, ya sean datos, conceptos o teorías. Esto significa que deberá obtener los PDF o documentos originales y examinarlos para confirmar que la atribución sea correcta en cada caso. Lo más útil es ir registrando las referencias en un gestor bibliográfico personal como Zotero o Mendeley.
6. A medida que vaya evaluando y verificando los contenidos con este proceso, el investigador irá generando una serie de contenidos que consistirán en citas literales o en citas parafraseadas, ocasionalmente en ideas propias inducidas por las lecturas y su capacidad crítica. Como habrá verificado las fuentes, cada cita (de cualquiera de los dos tipos) estará asignada a su fuente original correspondiente.
7. FInalmente, tendrá un documento textual, eventualmente con diagramas o tablas, con una lista de ideas o teorías de autores significativos,conceptos que habrá asimilado, datos (todo lo anterior con fuentes), ideas propias, etc. La atribución aquí deberá estar completada.
8. Este documento final, si el investigador lo considera válido para incorporar a su trabajo, deberá editarlo de forma que toda la redacción corresponda a una sola voz, la suya, de modo que exhiba una escritura coherente.

¿Cuánto puede durar este proceso? Es evidente que la duración será proporcional a la extensión del contenido generado por la IA. Si este es extenso y rico, el tiempo será considerable, no hay que escatimar el tiempo dedicado, ni mucho menos. Tal vez el equivalente a una jornada completa (8 horas) o incluso algo más, seguramente desarrollado en varias sesiones de 3 o 4 horas cada sesión.

Lo mas importante es que, después de este proceso, el investigador habrá reconfigurado sus conexiones neuronales y no solo sabrá más sobre su tema, sino que habrá mejorado sus habilidades de investigador. Habrá avanzado en su investigación y su pensamiento será más sofisticado para afrontar las siguientes tareas de su tesis doctoral o proyecto de investigación.

La ganancia de tiempo, comparado con los procesos de la era pre-IA es evidente. Antes de la IA generativa, este proceso podía durar varias semanas, al menos según la estimación por mi propia experiencia. En cambio, con la IA puede durar unos pocos días o menos.

El contenido final obtenido podrá ser, dependiendo de los objetivos, parte del marco teórico, conceptual o metodológico. Incluso puede formar parte de un apartado de estado de la cuestión. O, dependiendo siempre de los objetivos, la base para elaborar un protocolo para una revisión de la literatura de tipo sistemático, p.e., para una scoping review. En este caso, este material previo servirá también para el marco teórico de la futura scoping review.

3. Declaración transparente y trazable

Nos queda el último de los puntos cardinales, el que señala: “4. Transparencia. El uso significativo de la IA en un trabajo académico, debe ser declarado tanto de forma transparente como trazable”.

Aquí corresponde señalar que este punto no procede del uso de la IA, sino de la buena práctica habitual de cualquier trabajo académico, más aún de trabajos evaluativos donde los autores deben declarar los métodos por los cuales han obtenido sus resultados. Esta declaración en sí misma, responde al principio de la transparencia, cosa necesaria pero no suficiente. Cuando usamos una metodología de forma significativa debemos aportar además datos de trazabilidad.

En este punto, lo que corresponde al autor es aplicar la normativa de declaración que le afecte. Las universidades, en concreto, pueden tener guías y normativas al respecto en, p.e., sus programas de doctorado o de máster.

En cambio, si se trata de un artículo científico, lo razonable es atender a las guías que proporciona cada revista.

Un procedimiento general puede consistir en declarar el uso de la IA en el apartado de metodología del artículo, o en una sección específica de “Uso de la IA”.

Esta declaración, (aunque después veremos más ejemplos) puede tener la siguiente estructura general:

• explicación del uso concreto,
• detallando cómo se aplicó la supervisión por parte del autor (p.e., con Veritas),
• facilitando datos de la IA y, si se juzga conveniente,
• complementando la declaración con datos de trazabilidad tales como aportar los prompts y las respuestas literales de la IA en un anexo o como parte del data set.

4. Posible marco de declaración de usos de la IA en trabajos académicos

Presentamos a continuación una propuesta de marco de declaración (disclosure) de usos de la IA en trabajos académicos.

Es una propuesta con valor únicamente orientador y no sustituye las normativas de cada universidad ni de las normativas de las revistas a las que pensemos enviar el manuscrito.

Está basado en los principios sobre disclosure presentados en Resnik and Hosseini (2025b). Estos autores articulan su propuesta de declaración o disclosure en tres categorías:

• Usos permitidos sin declaración necesaria
• Usos permitidos con declaración opcional
• Usos permitidos con declaración obligatoria

Nosotros, al menos para el caso de las tesis doctorales, creemos que es necesario añadir una cuarta categoría:

• Usos expresamente prohibidos

Volvamos a la fuente. Los autores citados (Resnik and Hosseini, 2025b) explican así su propuesta (las negritas son nuestras):

We distinguish between mandatory, optional, and unnecessary disclosure of AI use, arguing that disclosure should be mandatory only when AI use is intentional and substantial. AI use is intentional when it is directly employed with a specific goal or purpose in mind. AI use is substantial when it 1) produces evidence, analysis, or discussion that supports or elaborates on the conclusions/findings of a study; or 2) directly affects the content of the research/publication.

A continuación, señalan (Resnik and Hosseini, 2025b):

To support the application of our framework, we state three criteria for identifying substantial AI uses in research: a) using AI to make decisions that directly affect research results; b) using AI to generate content, data or images; and c) using AI to analyze content, data or images. Disclosure should be mandatory when AI use meets one of these criteria

Esto es, es sustancial cuando, en una investigación, la IA se ha utilizado en:

• Diseño de la investigación
• Generación de contenidos
• Análisis de contenidos

Y, tal como señalan los autores, basta uno de los tres usos anteriores.

Una vez visto el origen de esta categorización (a la que nosotros añadimos un cuarto elemento) presentamos el posible marco de usos permitidos (o no) y de su declaración en lo que sigue.

4.1. Usos permitidos sin necesidad de declaración

Definición: Uso de herramientas de apoyo básico que no afectan a la responsabilidad autorial, ni al diseño ni al contenido original de la investigación.

4.2. Usos permitidos con declaración opcional

Definición: usos y herramientas que asisten el proceso de ideación o conceptualización, o a procesos analíticos con la supervisión y control intelectual totalmente humano (por aplicación de Veritas y filosofía HITL, p.e.).

4.3. Usos permitidos con declaración obligatoria

Definición: Aplicaciones donde la IA contribuye al contenido, análisis o resultados de la investigación, siempre bajo aplicación de Veritas y filosofía HITL. Requieren transparencia total sobre su uso, alcance y limitaciones.

Esquema general de formato de declaración

«En la elaboración de este trabajo se utilizaron las siguientes herramientas de inteligencia artificial: [nombre de la herramienta] para [propósitos específicos]. Todo el contenido aportado por la IA fue revisado, evaluado, filtrado, verificado, atribuido y editado por el autor, de modo que la totalidad de los contenidos responden a la voz del autor. Todas las contribuciones ajenas han sido atribuidas y citadas por los procedimientos de citación habituales y la responsabilidad intelectual de la obra corresponde totalmente al autor. En los anexos/data set se aportan informaciones de trazabilidad».

4.4. Usos prohibidos

Definición: prácticas que violan la integridad académica y la ética de investigación, así como atribuyen méritos injustificados al autor.

Consultar siempre

• Directrices específicas del programa de doctorado o de la universidad
• Políticas editoriales de revistas cuando el trabajo se piensa enviar como artículo
• Normativas de organizaciones científicas como APA, COPE, etc.

En algún sitio encontré esta expresión que tal vez capta bien la idea con una simple sentencia:

Lamento haber perdido la fuente de esta frase (según las IA que he consultado, es una frase que circula por las redes sin autor original reconocido). Pero, por mi torpeza en registrar la fuente en el momento de leerla, no quería dejar de mencionarla. Mi versión sería la que sigue, no tan compacta, y menos elegante, pero despeja malentendidos:

5. ¿Revisiones de la literatura o síntesis de la evidencia?

La estrella del uso de la IA en trabajos académicos son las revisiones de la literatura, así que el incisivo lector se puede haber sorprendido de su ausencia en las tablas precedentes.

La razón es que, en sentido estricto, no se puede usar la IA para producir revisiones de la literatura para ser incorporadas directamente en trabajos académicos, y menos en tesis doctorales.

Las razones son varias. La primera es la falta tanto de validez como de fiabilidad de las revisiones de la literatura hechas de modo completo y autónomo por las IA. La segunda es que atacaría los componentes 1 a 3 de los puntos cardinales del uso de la IA en tesis doctorales: no autoría, responsabilidad, pensamiento crítico.

En efecto, si el investigador o doctorando toma la revisión de la literatura generada por una IA y la incorpora sin ninguna transformación a su trabajo está cometiendo un tipo de plagio. Si, por el contrario, la somete a estricto análisis, escrutinio y transformación usando Veritas, p.e., el resultado ya no es una revisión de la literatura. El resultado puede ser un marco teórico enriquecido, o un marco conceptual apoyado por la IA, etc.

5.1. Síntesis basadas en la evidencia mediante IA

Por eso, en lugar de revisiones de la literatura, en esta serie hemos manejado el concepto de síntesis de la evidencia.

Es evidente que las IA académicas son especialmente eficaces para recuperar información de fuentes de calidad y después generar una síntesis narrativa. Esto es, por tanto una síntesis basada en la evidencia ya que se basa en investigaciones sobre el ámbito.

Entonces, entendidas como síntesis de la evidencia, pero sin pretender que equivalen a revisiones de la literatura, el uso de la IA es perfectamente legítimo. No atenta contra los puntos cardinales ni genera atrofia cognitiva.

El investigador o el doctorando puede, a partir de una o más síntesis de la evidencia, desarrollar protocolos para llevar a cabo, p.e., una scoping review con pleno control intelectual humano y la asistencia puntual de la IA en tareas auxiliares.

Estas tareas auxiliares pueden ir desde verificar las ecuaciones de búsqueda, hasta llevar a cabo una primer criba de documentos, pasando por ayudar con los criterios de inclusión/exclusión, etc.

6. Aspectos sin resolver

En lo que precede, hemos presentado un complejo de propuestas como si no hubiera zonas grises o aspectos sin resolver. Pero las cosas están lejos de ser así. Hay al menos dos cuestiones que consideramos no bien resueltas (pero la lista real obviamente es más larga):

• El dilema del barco de Teseo aplicado a la IA. ¿Qué significa aplicar Veritas a un resultado generado por una IA? En el dilema original del barco de Teseo, nos preguntamos si, después de sucesivas reparaciones de un objeto, un barco p.e., este objeto, este barco, sigue siendo el mismo o ha pasado a ser otra cosa. Por la misma razón, si un investigador toma un contenido generado por una IA, digamos una síntesis narrativa, y le aplica Veritas de forma sistemática, ¿el resultado, que tal vez ha sufrido cambios en todos los aspectos, requiere declarar el uso de la IA? No me malinterpreten. Si hay dudas, se declara y listos. Pero, en tal caso, ¿no estamos en la misma situación de cuando asistimos, p.e., a un seminario, un ciclo de conferencias o a unas sesiones de formación? Cuando mejoramos nuestro conocimiento de algo, y lo transformamos a partir de sucesivas manipulaciones, citamos las obras que al final hemos manejado, parafraseamos los contenidos, atribuyendo y citando las fuentes originales, etc., ¿es significativo si en el origen hubo una IA o una serie de conferenciantes especialmente brillantes que nos inspiraron y nos abrieron caminos? Se puede considerar un falso dilema si optamos por declarar el uso de la IA siempre, tal como hemos visto más arriba, y asunto solucionado. Por ahora, esta es mi recomendación. Pero especulo con que es posible que en el futuro se acabe considerando tan innecesario como nos parece ahora declarar los congresos (por decir algo) a las que hemos asistido mientras estamos elaborando nuestra tesis doctoral.
• La nueva autoría distribuida o el rol real de agencia autoral de las IA. Está claramente establecido que las IA tienen una agencia moral falsa, y por esta razón no pueden ser acreditadas como autoras. Además, en muchos usos carecen de verdadera agencia autoral porque se limitan a presentar síntesis de conocimientos universalmente aceptados que forman parte de un acervo cultural, como un artículo de la wikipedia sobre los átomos, la geografía de Groenlandia, o cómo se hace pan. Pero en ocasiones y supongo que cada vez más, las IA generan contenidos con auténtica novedad epistémica. La falta de agencia moral no cambia, y por tanto, no pueden ser acreditadas como autoras, pero hay una agencia autoral real. ¿Cómo se expresa esta agencia autoral que no corresponde ni a los autores manejados por la IA ni al usuario investigador, sino a la interacción entre la IA y el usuario? Hay incipientes teorías que hablan de una autoría distribuida o autoría distante entre el investigador humano y el sistema de IA. Necesitamos más trabajos sobre este aspecto de las IA y qué implica su verdadera agencia autoral sin una verdadera agencia moral.

6. Conclusiones

Hemos presentado guías y recomendaciones sobre el uso de siete sistemas de inteligencia artificial en tesis doctorales, con especial dedicación a tres de estos sistemas, a saber NotebookLM, Consensus y Undermind. Pero también hemos considerado ChatGPT, Gemini, Claude y Perplexity, porque las IA generalistas son muy útiles, entre otras cosas en ideación y clarificación conceptual.

Hemos señalado que las IA generalistas son especialmente adecuadas para razonamiento, redacción e ideación, aunque pagan esta versatilidad con un riesgo alto de alucinaciones, mientras que una IA Académica es imprescindible en recuperación, verificación, y análisis y síntesis de la evidencia, y hasta donde sabemos, cancelan el riesgo de alucinaciones.

Hemos mostrado, además los componentes de un prompt y hemo facilitado guías y presentado recomendaciones sobre el uso de siete sistemas de IA en tesis doctorales ya mencionadas.

Para ayudar a usar estos sistemas hemos ilustrado la explicación sobre los componentes de un prompt con prompts reales y sus respuestas en algunos de los sistemas de IA que hemos analizado en este trabajo.

Hemos presentado Veritas, que es un marco de trabajo que permite utilizar sistemas de inteligencia artificial aplicando una transformación que es coherente tanto con los puntos cardinales de la IA como con las buenas prácticas y la ética habituales de los trabajos académicos.

Este marco está concebido pensando en trabajos académicos evaluativos, pero creo que en principio puede extrapolarse a cualquier producción característica de la comunicación académica si queremos aplicar estándares exigentes y a la vez queremos mitigar o anular la deuda cognitiva.

Igualmente hemos ilustrado el uso recomendado de estos sistemas a la luz de la recomendación HITL, por human-in-the-loop o de la filosofía interacción crítica escalonada.

Finalmente, hemos presentado una propuesta de marco de declaración (disclosure) de usos de la IA en trabajos académicos. Es una propuesta orientadora que no sustituye las normativas de cada universidad.

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, 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.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]

Esta es la última de tres entradas dedicadas al uso de sistemas de inteligencia artificial en tesis doctorales. El lector interesado puede consultar aquí la primera y la segunda parte.