¿Puede la inteligencia artificial hacer que la investigación sea más abierta?

Niki Scaplehorn y Henning Schönenberger, 16 de abril de 2025

La última década reveló cómo el intercambio abierto de información puede acelerar dramáticamente el progreso científico. La explosión de compartir resultados preliminares, conjuntos de datos y protocolos durante el brote de COVID-19 posiblemente aceleró el desarrollo de vacunas, tratamientos y medidas efectivas de salud pública.

Fue un momento clave para la ciencia abierta, destacando en términos prácticos cómo el acceso a una amplia gama de resultados de investigación, no solo el artículo final, alimenta los avances.

Sin embargo, quedan obstáculos significativos. A pesar de la proliferación de repositorios de datos de alta calidad y un número creciente de mandatos institucionales y financiadores, muchos investigadores todavía carecen de orientación consistente sobre cómo compartir datos de maneras que agreguen valor, alineándose con los estándares FAIR (Encontrable, Accesible, Interoperable y Reutilizable).

Además, el laberinto existente de políticas de intercambio superpuestas deja a los autores sin saber dónde, cuándo y en qué formato depositar sus materiales de investigación. A estos desafíos prácticos se sumaron barreras culturales sustanciales. El intercambio de datos, la publicación de códigos y la documentación detallada del protocolo aún no han sido plenamente reconocidos o recompensados en muchos círculos académicos.

Un enfoque centrado en el investigador de la IA

Las tecnologías emergentes (particularmente las construidas sobre la IA generativa) podrían ser parte de la respuesta, ayudando a resolver los cuellos de botella que mantienen muchos resultados encerrados detrás de los muros institucionales.

La IA ya está transformando el ecosistema de investigación y tiene el potencial de transformar la forma en que pensamos sobre la ciencia abierta. En particular, podría ayudar a cambiar estas prácticas de ser otra directiva de financiadores o revistas, a un “producto” más cuidadosamente diseñado que se alinee con la forma en que trabajan los investigadores.

A su vez, esto requiere un cambio de mentalidad de la aplicación de políticas de arriba hacia abajo a un enfoque orientado al servicio que pone las necesidades y objetivos de los investigadores en el centro.

En la práctica, adoptar una mentalidad de producto comienza con empatía por las realidades de los flujos de trabajo diarios de los investigadores. Desde la recopilación de datos y el diseño de experimentos hasta el desarrollo de código y el intercambio de protocolos, estos pasos a menudo están fragmentados por tareas administrativas que consumen mucho tiempo.

Cuando la ciencia abierta se enmarca como un “imperativo político”, puede parecer una carga para los académicos ya sobrecargados.

En Springer Nature, recientemente realizamos un estudio piloto que simplemente requería a los autores que explicaran por qué los datos no compartidos no se habían depositado en un repositorio público antes de la aceptación final. Esta solicitud por sí sola aumentó el cumplimiento del intercambio de datos del 51 % al 87 % en las revistas participantes.

Sin embargo, si bien dicho compromiso editorial claramente funciona, escalarlo a través de cientos de títulos plantea un desafío si depende únicamente de la supervisión manual.

Aquí es donde la IA generativa es prometedora. Habilitar la automatización de la creación de metadatos, marcar los requisitos pasados por alto y sugerir flujos de trabajo de mejores prácticas, todos los investigadores liberan a centrarse en el descubrimiento en lugar de en la documentación.

Fundamentalmente, estas herramientas pueden conectar a los investigadores más directamente con los beneficios de la apertura (seguimiento de citas de conjuntos de datos, uso de código o adopción de protocolos) para reflejar mejor toda su gama de contribuciones.

Actualmente estamos llevando a cabo un pequeño piloto con nuestros autores en un pequeño número de nuestras revistas de acceso abierto para ver si la IA generativa se puede utilizar para identificar conjuntos de datos prometedores enterrados en artículos tradicionales y ayudar a transformarlos en manuscritos de datos.

Fundamentalmente, los autores pueden revisar y editar estos borradores, asegurando que el texto final represente con precisión su trabajo y cumpla con los estándares de la comunidad. Este enfoque humano en el bucle es vital para garantizar la precisión e integridad del contenido generado.

En última instancia, un enfoque centrado en el investigador de la IA hace que las herramientas generativas formen parte del proceso (en lugar de todo el proceso) y fomenta y apoya la documentación detallada y una mejor administración de los datos.

En lugar de ver la ciencia abierta como “extra”, podemos incrustarla en la infraestructura del trabajo académico. Esto podría garantizar que la apertura, la equidad y la innovación se conviertan en la norma en lugar de la excepción. Además, una vez que se comparte un conjunto de datos, es más probable que los protocolos, el código y los activos complementarios se reconozcan de manera similar.

Las herramientas por sí solas no pueden ofrecer cambio

El proceso de investigación se basa actualmente en un intercambio mutuo de confianza: los investigadores reciben apoyo de instituciones, financiadores y la sociedad, y comparten los resultados de su trabajo a cambio. Hasta ahora, este flujo de trabajo ha girado en gran medida en torno a la publicación de artículos de investigación.

Sin embargo, en el mundo interconectado y basado en datos de hoy en día, podría decirse que este modelo ya no captura completamente la naturaleza multifacética de los resultados de investigación modernos. Un marco que valora solo el manuscrito final pierde estas contribuciones más amplias y sofoca la cultura de apertura necesaria para cosechar los beneficios de la colaboración, la usabilidad y la reutilización.

Como sector, podríamos reconocer, habilitar y apoyar mejor todos los componentes del ciclo de vida de la investigación, al igual que las instituciones de investigación a través de promociones académicas, decisiones de subvenciones y evaluaciones profesionales.

En la comunicación académica, los incentivos cambiantes siempre se sienten en el horizonte, pero si pudiéramos reconocer a los investigadores que comparten conjuntos de datos reproducibles, publicar código bien documentado o refinar y difundir métodos experimentales, podríamos construir un sistema en el que crear un conjunto de datos de alta calidad o una herramienta de software ampliamente utilizada podría ganar crédito a la par con escribir un artículo de revista.

La tecnología sigue siendo crucial para esta visión, al proporcionar la infraestructura para medir y sacar a la luz estas contribuciones. A medida que los proyectos de colaboración, como la iniciativa DataCite demuestran y nuestro trabajo piloto de IA muestran, la IA se puede implementar para detectar referencias a conjuntos de datos específicos, fragmentos de código o protocolos metodológicos en publicaciones.

Este seguimiento y enlace granular crea evidencia sólida de cómo los objetos de investigación compartidos influyen en el trabajo futuro y amplía el alcance de lo que se puede citar, contar o recompensar.

Si bien las métricas de citas han dominado la evaluación de los artículos de investigación, los análisis basados en IA podrían iluminar una gama más amplia de marcadores para el valor de los componentes de investigación subyacentes. Utilizadas cuidadosamente dentro de los sistemas de evaluación de universidades o financiadores, estas métricas podrían ayudar a los investigadores que priorizan la apertura.

Igualmente importante es reducir la fricción práctica de compartir.

Las plataformas basadas en IA pueden guiar a los investigadores a través de los requisitos del editor o financiador, generar automáticamente metadatos y resaltar los repositorios relevantes. Esto ahorra tiempo al tiempo que fomenta una documentación exhaustiva y una amplia accesibilidad, fortaleciendo la transparencia y la confianza en el corazón de cualquier contrato social.

A su vez, una vez que la ciencia abierta se vuelve menos engorrosa y requiere mucho tiempo, es más probable que sea adoptada por los investigadores.

Darse cuenta de los beneficios de la apertura

Cuando se diseñan en torno a las necesidades del mundo real de los investigadores, los sistemas y herramientas de IA pueden agilizar los requisitos de intercambio de datos, automatizar las tediosas partes del cumplimiento y elevar la visibilidad de las contribuciones que de otro modo estarían ocultas.

Esto reduce las barreras a la apertura, lo que hace que sea más simple y atractivo depositar datos, código y protocolos de manera que otros puedan encontrar y reutilizar fácilmente.

En última instancia, esta colaboración entre la política centrada en el ser humano y la facilitación impulsada por la IA beneficia no solo a los investigadores, sino a todos los que dependen del progreso científico. Los responsables políticos y los profesionales tienen más datos a su alcance, lo que impulsa decisiones más informadas; los financiadores pueden garantizar que las inversiones conduzcan a recursos ampliamente accesibles; y el público gana una mayor transparencia en la investigación que ayuda a suscribir.

Si bien las visiones actuales de la investigación de la IA a menudo parecen incluir a los investigadores como una ocurrencia tardía, al alinear la tecnología y los incentivos bajo una visión más amplia de la beca, el ecosistema de la investigación puede evolucionar hacia uno que sea abierto, equitativo y preparado para nuevos descubrimientos.

Niki Scaplehorn es directora de innovación de contenidos en Springer Nature. Biólogo celular y neurocientífico de formación, Scaplehorn comenzó su carrera editorial en Cell antes de mudarse a Nature Communications en 2012. Se convirtió en editor jefe de ciencias de la vida en 2015, antes de asumir una cartera de revistas de Investigación de la Naturaleza en ciencias de la vida en 2019. En 2023, se unió al recién formado equipo de innovación de contenido de Springer Nature, donde está aplicando su experiencia editorial para desarrollar nuevas herramientas para hacer que la comunicación y el intercambio de investigaciones sean más rápidos y fáciles.

Henning Schönenberger es vicepresidente de innovación de contenidos en Springer Nature. Tiene una sólida experiencia en gestión de productos e innovación digital y un historial de adopción temprana de la inteligencia artificial en la publicación académica. Fue pionero en el primer libro de investigación generado por máquinas publicado en Springer Nature.

Este artículo se publicó por primera vez en el blog Impact of Social Science de la Escuela de Economía y Ciencias Políticas de Londres. El artículo da los puntos de vista y opiniones de los autores y no refleja los puntos de vista y opiniones del blog Impact of Social Science ni de la Escuela de Economía y Ciencias Políticas de Londres.

Este artículo es un comentario. Los artículos de comentarios son la opinión del autor y no reflejan necesariamente las opiniones de University World News.