Dosier
Received: 31 October 2024
Accepted: 18 February 2025
Published: 21 February 2025
DOI: https://doi.org/10.21830/19006586.1411
RESUMEN: Por una parte, las revistas enfrentan retos para mantenerse actualizadas y posicionarse en un entorno muy cambiante y competitivo, lo que afecta su relevancia y citaciones; y, por otra parte, la inteligencia artificial (IA) es cada vez más una tecnología clave en la industria editorial, por su capacidad de procesar grandes volúmenes de datos y optimizar procesos. Con el objetivo de identificar la relevancia y el potencial de las herramientas de IA para mejorar los procesos de las publicaciones científicas, así como para identificar tendencias emergentes, este artículo presenta una investigación con un enfoque mixto, que integra una revisión sistemática de la literatura y recopila y analiza datos en publicaciones científicas, particularmente en ciencias sociales. Se revisan las plataformas de IA disponibles, evaluando su precisión a través de revisiones sistemáticas y análisis comparativos y, como resultado, se proponen directrices para su adecuada implementación en procesos editoriales.
Palabras clave: Edición, ingeniería de prompts, inteligencia artificial, modelos de lenguaje de gran tamaño, publicación científica, tendencias emergentes.
ABSTRACT: On the one hand, journals face challenges to stay up-to-date and position themselves in a highly changing and competitive environment, which affects their relevance and citations; on the other hand, artificial intelligence (AI) is increasingly a key technology in the publishing industry, due to its ability to process large volumes of data and optimize processes. To identify the relevance and potential of AI tools to improve scientific publication processes and identify emerging trends, this article presents research with a mixed approach, which integrates a systematic review of the literature and collects and analyzes data in scientific publications, particularly in the social sciences. The available AI platforms are reviewed, and their accuracy is evaluated through systematic reviews and comparative analysis. As a result, guidelines are proposed for their proper implementation in editorial processes.
Keywords: Artificial intelligence, editing, emerging trends, large language models, prompt engineering, scientific publishing.
Introducción
La inteligencia artificial (IA) ha emergido como una herramienta de gran potencial en diversas industrias, incluida la editorial, donde se presenta como una alternativa prometedora para los gestores editoriales (Araujo et al., 2024; Kousha & Thelwall, 2024; Kuznetsov et al., 2024; Jiang, 2024). Aunque, por un lado, se identifica la falta de estandarización en las directrices de editores y revistas científicas sobre el uso de la IA generativa (GenerativeAI) en la investigación académica y se destaca la necesidad urgente de crear lineamientos coherentes y transversales para asegurar la transparencia y la integridad científica (Ganjavi et al., 2024), por otro lado se reconoce la capacidad de la IA para realizar tareas relevantes, como abordar las tendencias emergentes en publicaciones de alto impacto.
Esto tiene implicaciones significativas, en particular en campos en constante evolución, como las ciencias sociales (Zuo & Zhao, 2020), que requieren que sus publicaciones reflejen el estado actual del conocimiento, lo que demanda una actualización continua y una identificación precisa de nuevas corrientes de investigación. Sin embargo, los procesos manuales y subjetivos que los editores suelen emplear para identificar dichas tendencias a menudo resultan ineficaces y carecen de consistencia, lo que puede reducir el impacto de las publicaciones y limitar su visibilidad en bases de datos internacionales.
En este contexto, el uso de la IA en la industria editorial ha demostrado ser una herramienta eficaz para mejorar la calidad, cohesión y relevancia de las publicaciones (Saeidnia et al., 2024). Aunque es necesario considerar los importantes desafíos éticos que el uso de esta tecnología trae consigo (Carobene et al., 2024; Messeri & Crockett, 2024; Sobaih, 2024), la capacidad de la IA para analizar grandes volúmenes de datos, detectar patrones y predecir tendencias emergentes puede revolucionar los procesos editoriales, aportando una mayor objetividad y precisión en la toma de decisiones (Bail, 2024; Khalifa & Albadawy, 2024). No obstante, es esencial comprender cómo esta tecnología puede integrarse de manera efectiva en el flujo de trabajo editorial, especialmente en áreas como las ciencias sociales, donde la evolución constante del conocimiento requiere un enfoque ágil y actualizado.
Este artículo tiene como objetivo explorar el papel de la IA como aliado editorial en la identificación de tendencias emergentes en las publicaciones científicas y proporcionar un análisis crítico sobre cómo la IA puede ser una herramienta invaluable para los editores en su esfuerzo por mejorar la calidad y el impacto de las publicaciones científicas, especialmente en las ciencias sociales. En primer lugar, se busca identificar y catalogar las plataformas y herramientas de IA disponibles para la edición y análisis de publicaciones científicas, haciendo un énfasis especial en las aplicaciones para las ciencias sociales. En segundo lugar, se evalúa la eficacia de estas herramientas a través de estudios de caso y análisis comparativos que permiten medir su precisión en la detección de nuevas tendencias. Finalmente, se hacen recomendaciones para la implementación efectiva de estas tecnologías en las prácticas editoriales, proporcionando directrices sobre su integración en los flujos de trabajo, la formación de editores y la adaptación de políticas editoriales.
La justificación de este estudio radica en la creciente complejidad y volumen de las publicaciones científicas, que demandan herramientas eficientes para mantener la calidad, la relevancia y el impacto de las revistas. En forma particular, los procesos editoriales manuales en ciencias sociales vienen presentando limitaciones relacionadas con sesgos de selección geográficos (Gayet-Ageron et al., 2024), inconsistencia en criterios (Mustaine & Tewksbury, 2016), demoras en el proceso (Argilés-Bosch et al., 2023), sesgos lingüísticos (Politzer-Ahles et al., 2020) y sobrecarga de revisores (Severin & Chataway, 2021).
La IA ofrece una solución pertinente para enfrentar estos desafíos, optimizando los procesos de edición, asegurando la cohesión temática y permitiendo la identificación de tendencias emergentes de manera precisa. Sin embargo, también es necesario abordar las implicaciones éticas de su uso, tales como el sesgo algorítmico, la homogeneización del conocimiento, la privacidad y propiedad intelectual y la transparencia en la toma de decisiones. La revisión de los artículos al respecto (Tabla 1) destaca un equilibrio entre las limitaciones y las oportunidades que ofrece la IA en los procesos editoriales.
Limitaciones y oportunidades de la inteligencia artificial en los procesos editoriales tradicionales
Fuente: Elaboración propia
Aunque existen desafíos como las brechas de acceso y conocimiento (Herrera, 2023) y el riesgo de información poco fiable (Paz-Pacheco, 2024), los beneficios potenciales superan ampliamente estos obstáculos. En este sentido, en términos de democratización del acceso a herramientas de IA, la producción científica puede ser más inclusiva, permitiendo que investigadores de diversas regiones participen en la generación de conocimiento (Herrera, 2023). Asimismo, la agilización de revisiones bibliográficas y la identificación de tendencias emergentes (Agrawal et al., 2024) representan un avance significativo en la eficiencia de los procesos editoriales.
Por otra parte, el análisis masivo de datos y el uso de técnicas como el aprendizaje automático (Baruffaldi et al., 2020) facilitan decisiones estratégicas en las publicaciones científicas. Sin embargo, es fundamental garantizar una formación adecuada y abordar las preocupaciones éticas para maximizar estas oportunidades (Lainjo & Tsmouche, 2023). Así, aunque las limitaciones evidencian la necesidad de supervisión y ajustes constantes en la implementación de la IA, los avances tecnológicos prometen una transformación positiva en la forma en que se realiza, evalúa y publica la investigación científica. Este equilibrio permite que las revistas científicas -no solo de ciencias sociales, sino también de las demás áreas del conocimiento- aprovechen las herramientas modernas sin comprometer la integridad y la calidad académica.
Marco teórico
La IA hace referencia a la capacidad de las máquinas para imitar la inteligencia humana y realizar tareas complejas que, tradicionalmente, requerirían de intervención humana (Russell & Norvig, 1995). A través de algoritmos avanzados y modelos de aprendizaje automático, la IA procesa enormes volúmenes de información, identifica patrones y toma decisiones basadas en estos datos. Su evolución ha dado lugar a múltiples enfoques, como el aprendizaje automático, la visión por computadora y el procesamiento del lenguaje natural, lo que ha permitido a las máquinas interpretar y generar contenido de manera similar a como lo haría una persona.
Desde sus inicios, la IA ha sido impulsada por las contribuciones de pioneros en la informática y la tecnología. Entre ellos se destacan figuras como Alan Turing, Norbert Wiener, Claude Shannon, Arthur Samuel, Herbert Simon, Allen Newell, John McCarthy, Marvin Minsky, Geoffrey Hinton y John Hopfield (ganadores por sus aportes a la IA del Premio Nobel de Física 2024), Yoshua Bengio, Stuart Russell, Elon Musk, Yann LeCun, Andrew Ng, Demis Hassabis (galardonado junto a David Baker y John M. Jumper con el Premio Nobel de Química 2024, por sus aportes en el plegamiento de proteínas mediante AlphaFold, un proyecto de DeepMind), Shane Legg, Mustafa Suleyman, David Silver e Ilya Sutskever. Todos han sido clave en el desarrollo y expansión de esta disciplina, aportando teorías y modelos que han transformado la manera en que interactuamos con las máquinas, así como el impacto de estas tecnologías en la vida cotidiana y la investigación científica. A continuación, en la Tabla 2, se desagregan algunos de sus aportes y se provee más información respecto a sus contribuciones.
Aportantes destacados a la IA que han tenido impacto en la comunidad científica
Fuente: Elaboración propia
El recorrido de la IA presentado en la Tabla 2 inicia con el trabajo fundacional de Alan Turing, cuya "máquina de Turing y el Test de Turing (Turing 1936 y 1950, respectivamente), [...] pueden considerarse [los] hitos fundacionales de la ingeniería informática" (González, 2007, p. 39). Son dos hechos esenciales que sentaron las bases para evaluar las capacidades inteligentes de las máquinas. Su contribución definió los principios de la computación moderna y estableció un referente para el desarrollo de sistemas que imitan el pensamiento humano. De hecho, a partir de sus ideas, John McCarthy acuñó el término "inteligencia artificial", formalizando este campo de estudio y estableciendo las bases para la IA simbólica mediante la creación del lenguaje de programación LISP (el segundo lenguaje de programación de alto nivel con más antigüedad después de FORTRAN de IBM). Esta etapa inicial permitió el desarrollo de sistemas capaces de simular procesos cognitivos humanos, como los modelos simbólicos de Marvin Minsky.
En una fase más avanzada, Geoffrey Hinton revolucionó la IA con el concepto de redes neuronales y el aprendizaje profundo, transformando áreas como la visión artificial y el procesamiento del lenguaje natural. Su trabajo permitió que las máquinas identificaran patrones y que aprendieran de manera autónoma a través de grandes conjuntos de datos. Esto abrió el camino a aplicaciones como el reconocimiento de imágenes y la traducción automática. Paralelamente, Yann LeCun, pionero en redes neuronales convolucionales, amplió el uso de la IA en el reconocimiento de imágenes y videos, un avance radical para el desarrollo de aplicaciones de visión por computadora. Estas tecnologías impulsan gran parte de las innovaciones actuales en sectores como la seguridad, la medicina y el transporte.
Por otro lado, el enfoque de Stuart Russell en la IA ética y centrada en el ser humano subrayó la importancia de diseñar sistemas de IA cuyas metas estén alineadas con los valores humanos, abriendo debates valiosos sobre los riesgos y el control de la IA. Este enfoque ético también es respaldado por figuras como Elon Musk, quien ha promovido el desarrollo de una IA segura, ha advertido sobre los riesgos de una IA descontrolada y, a pesar de las dificultades que ha enfrentado para lograrlo, ha fomentado la creación de tecnologías autónomas responsables, como los vehículos de Tesla. A este llamado en favor de la ética en el desarrollo de la IA se suman figuras como Ilya Sutskever, quien al parecer por este motivo lideró un "golpe de Estado" contra el director de OpenAI, y quien trabajó con Geoffrey Hinton y Andrew Ng.
Finalmente, Andrew Ng se ha destacado por su trabajo en la aplicación del aprendizaje automático a gran escala, particularmente en el análisis de grandes volúmenes de datos. Su enfoque ha facilitado el acceso a herramientas de IA y ha popularizado su uso en diversos campos, desde la salud hasta la economía, democratizando el aprendizaje automático y sus aplicaciones.
Estos destacados aportantes al desarrollo de la IA, junto a muchos más, sentaron las bases para crear organizaciones de base tecnológica que han impulsado la actual revolución en esta materia. Entre ellas se destacan, en particular, Deepmind y OpenAI. Google DeepMind ha constituido un verdadero punto de inflexión en la trayectoria de la IA y ha sido un eje central de la reciente revolución en este campo a nivel global. Se fundó en 2010 y fue adquirida por Google en 2014. Se ha posicionado, en efecto, como una entidad pionera en el desarrollo de algoritmos avanzados que han superado hitos de gran relevancia, como es el caso del citado AlphaGo, es decir, el sistema que logró vencer al campeón mundial de Go en 2016.
Este triunfo, cuyo antecedente más cercano es la derrota en 1997 de Garry Kasparov, uno de los mejores ajedrecistas de la historia, ante Deep Blue, la supercomputadora de IBM, evidenció la capacidad de la IA para manejar la complejidad inherente a juegos con un vasto espacio de estados posibles y sirvió como catalizador para el desarrollo de técnicas avanzadas de aprendizaje por refuerzo. Posteriormente, estas técnicas se aplicaron a ámbitos más amplios, como el diagnóstico médico y la predicción de estructuras proteicas mediante AlphaFold, revolucionando así el campo de la biología computacional. Los logros de DeepMind demuestran el potencial transformador de la IA para abordar problemas complejos de forma autónoma y adaptativa, estableciendo las bases para futuras innovaciones.
Por su parte, OpenAI, fundada en 2015 con la misión de garantizar que la IA beneficie a toda la humanidad, ha impulsado también de manera trascendental el desarrollo de modelos de lenguaje natural y redes neuronales de gran escala. La serie de modelos Generative Pretrained Transformer (GPT), lanzada en 2018 (GPT-1), transformó la capacidad de las máquinas para comprender y generar texto humano. Cada iteración del modelo, desde GPT-2 (2019), pasando por GPT-3 (2020) y ChatGPT (lanzada el 30 de noviembre de 2022, lo que generó toda una revolución), hasta la versión disponible al momento de elaborar este artículo, basada en GPT-4, ha mejorado de manera trascendental la fluidez, la coherencia y la precisión en tareas de procesamiento del lenguaje natural, tales como redacción, traducción y análisis de texto. ChatGPT, en particular, ha popularizado la interacción entre seres humanos y modelos de lenguaje, brindando acceso público a una IA que puede responder, generar ideas y colaborar en una amplia variedad de dominios. Estos avances han ampliado las aplicaciones comerciales de la IA y han incrementado su accesibilidad y aceptación social, consolidando un nuevo paradigma en la interacción humano-máquina.
En el ámbito editorial, como en muchos otros, las herramientas avanzadas de IA como ChatGPT tienen un impacto potencialmente revolucionario: estos modelos de lenguaje permiten la automatización de tareas como la corrección de estilo, la revisión de contenido y la generación de resúmenes, optimizando así procesos que son por tradición altamente demandantes en tiempo y otros recursos. Además, la capacidad de la IA para analizar grandes volúmenes de texto y, además, en múltiples idiomas facilita la identificación de tendencias y patrones emergentes en el ámbito de la investigación, apoyando la toma de decisiones fundamentadas sobre temas de relevancia para el público. Herramientas como ChatGPT, en la medida en que permiten alcanzar una mayor personalización del contenido y reducir significativamente la carga de trabajo manual, tienen sin duda el potencial de transformar la eficiencia editorial, ampliando el acceso a publicaciones científicas y aumentando la relevancia de las revistas académicas en un entorno cada vez más competitivo y globalizado, pero también plantean importantes desafíos en materia ética que es necesario considerar.
Métodos
La metodología de investigación utilizada en este trabajo se basa en un enfoque mixto, que combina elementos cualitativos y cuantitativos (Barrios, 2021; Albayero et al., 2020; Rivas & Valdivia, 2020). Se empleó un diseño de investigación con el fin de recopilar y analizar datos relevantes sobre las tendencias emergentes en las publicaciones de alto impacto y el papel de la IA en su identificación (Machi & McEvoy, 2022). Esto incluye la recopilación de datos de diversas fuentes, como revistas científicas, conferencias y bases de datos especializadas y, además, la realización de análisis de contenido (Creamer & Ghoston, 2013).
Diseño de la investigación
La investigación se diseñó para una implementación secuencial en dos etapas principales, comenzando con una revisión de la literatura y luego una investigación empírica para validar de manera integral los datos obtenidos. En la primera etapa, se llevó a cabo una revisión sistemática de la literatura existente sobre la identificación de tendencias emergentes en publicaciones de alto impacto y el uso de la IA para detectarlas (Bettany-Saltikov, 2012; Pittaway, 2008). En particular, se realizaron tareas relacionadas con la generación de la ecuación de búsqueda, la aplicación de esta ecuación y la ejecución del proceso de screening en dos niveles, apoyadas por herramientas impulsadas por IA. Esta revisión permitió identificar aspectos clave y establecer un marco teórico robusto.
En la segunda etapa, se llevó a cabo una investigación empírica que incluyó la recopilación y el análisis de datos de diversas fuentes. En esta fase, se desarrollaron actividades relacionadas con la verificación, la validación y la triangulación de datos. Este enfoque mixto permite obtener una visión integral y detallada de las tendencias emergentes y evaluar el desempeño de la IA como eventual aliada en el ámbito editorial. El esquema general de la investigación se visualiza en la Figura 1.
Figura 1
Representación del diseño de investigación.
Fuente: Elaboración propia
Este enfoque secuencial facilitó hacer una exploración detallada y amplia de los conceptos teóricos y su aplicabilidad en el contexto editorial. La revisión sistemática detallada permitió hacer una selección rigurosa de fuentes relevantes mediante la generación y aplicación de una ecuación de búsqueda específica, que se detalla más adelante. Esto facilitó una exploración exhaustiva en bases de datos académicas, así como el uso de herramientas de IA para apoyar el proceso de selección, el cual incluyó filtros en dos niveles para asegurar la relevancia y calidad de los estudios seleccionados.
Además, se aplicaron criterios adicionales para garantizar la inclusión de estudios recientes y pertinentes, lo que permitió una actualización constante del material analizado y una mayor profundidad en la identificación de los avances recientes en el campo. De este modo, la revisión sistemática posibilitó la identificación de conceptos clave y teorías relacionadas con el uso de la IA en la detección de tendencias emergentes en el contexto de la industria editorial, como aporte para construir un marco teórico adecuado y actualizado como base para el posterior análisis empírico. Con este marco teórico se logró una comprensión clara de los conceptos fundamentales y una perspectiva crítica sobre cómo la IA puede influir en la identificación de patrones y en la generación de nuevo conocimiento en el contexto de las publicaciones científicas.
Posteriormente, la investigación empírica implicó recopilar, verificar y triangular datos provenientes de múltiples fuentes, integrando de este modo un enfoque mixto de investigación. Esta etapa complementó los hallazgos teóricos con datos empíricos y permitió validar la aplicabilidad y eficacia de la IA en los procesos editoriales. Se utilizaron métodos cualitativos y cuantitativos para asegurar una comprensión profunda y diversificada de los fenómenos observados.
Las actividades de verificación y triangulación fueron vitales para aumentar la con-fiabilidad y validez de los resultados, al confrontar los datos obtenidos de la revisión con observaciones directas de las fuentes, así como de otros documentos en áreas centrales de la edición científica. Esto permitió identificar eventuales discrepancias y fortalecer las conclusiones mediante la comparación de las diferentes fuentes de información. Además, se emplearon técnicas de análisis de contenido para identificar temas recurrentes y patrones en los datos recopilados, lo cual contribuyó a una interpretación más robusta y detallada de los resultados.
Este diseño de investigación secuencial, que combina análisis teórico y empírico, facilitó una comprensión integral de la IA como aliada potencial en el ámbito editorial y brindó una perspectiva valiosa y basada en evidencia sobre su impacto en la identificación de tendencias emergentes en publicaciones científicas. La combinación de ambas etapas, con un enfoque sistemático y empírico, aseguró una evaluación crítica y bien soportada sobre cómo la IA puede ser implementada en el contexto editorial para los fines señalados.
De este modo, el estudio consiguió dar cuenta de la utilidad de la IA en la identificación de tendencias, destacar algunos desafíos y oportunidades centrales que representa su integración y, al mismo tiempo, elaborar algunas recomendaciones prácticas para su implementación eficaz en el ámbito editorial. Este enfoque contribuyó a alcanzar una mayor comprensión del rol de la IA y su potencial para transformar el panorama de las publicaciones académicas, buscando que las futuras investigaciones se basen en un conocimiento profundo y exhaustivo del campo.
Recopilación de datos
La recopilación de datos se llevó a cabo de manera exhaustiva, rigurosa y sistemática. Se realizó una búsqueda en las bases de datos PubMed, Web of Science, Scopus y ScienceDirect. Para ello, en coherencia con el objeto central de este artículo, se utilizó una ecuación de búsqueda elaborada en consideración de las tendencias emergentes en publicaciones de alto impacto y el uso de la IA. Esta ecuación de búsqueda fue generada con la ayuda de un prompt (es decir, una instrucción o un comando) ejecutado en ChatGPT-4o:
("inteligencia artificial" OR "IA" OR "machine learning" OR "aprendizaje automático") AND ("procesos editoriales" OR "gestión editorial" OR "publicaciones científicas" OR "edición de revistas" OR "revisión por pares" OR "gestión de contenido")
De manera complementaria, se emplearon motores de búsqueda impulsados por IA, como Semantic Scholar y Undermind. Además, se recopiló información proveniente directamente de revistas científicas y conferencias de renombre en el área de estudio. Por último, se aplicaron técnicas de minería de datos y análisis de contenido para extraer y organizar la información relevante encontrada.
Análisis de datos
En concordancia con lo señalado, el análisis de datos empleó técnicas estadísticas y de minería de datos, con el fin de identificar patrones y relaciones entre las tendencias emergentes en las publicaciones de alto impacto y el uso de la IA. Además, se llevó a cabo un análisis de contenido de los artículos y documentos recopilados, en búsqueda de identificar elementos clave y temas recurrentes. Los datos obtenidos fueron codificados y categorizados para facilitar su análisis.
Resultados
En esta sección se analizan los hallazgos obtenidos en relación con la generación de ecuaciones de búsqueda y la identificación de herramientas impulsadas por IA que apoyan diversas actividades del proceso editorial. Además, se examinan los resultados derivados del lanzamiento de prompts que permiten respaldar el proceso editorial, incluyendo uno específicamente diseñado para identificar tendencias emergentes en revistas de alto impacto.
Aplicaciones de la IA en la industria editorial
A partir de este estudio, es posible identificar que la IA ha encontrado múltiples aplicaciones en la industria editorial, y que está transformando el modo en que se crean, editan y distribuyen las publicaciones de alto impacto. Gracias a su capacidad para analizar grandes volúmenes de datos (Houbrechts, 2024), la IA permite identificar patrones y tendencias emergentes en diversas áreas temáticas, lo que facilita detectar temas relevantes para futuras publicaciones (Inbar, 2023). Además, la generación automática de resúmenes y reseñas ha agilizado el proceso de creación de contenido, optimizando los tiempos de producción (Babl & Babl, 2023). Asimismo, la aplicación de algoritmos de recomendación basados en IA está mejorando la personalización de las publicaciones, al ofrecer contenido relevante y adaptado a los intereses de cada lector.
En este contexto, las herramientas de IA apoyan de manera significativa los procesos editoriales actuales, lo que permite optimizar y agilizar diversas tareas relacionadas con la creación y gestión de contenido digital. Una de las aplicaciones clave identificadas alrededor de la IA es el uso de sistemas de gestión de contenidos (Content Management System, CMS), que facilitan la creación, edición, publicación y administración de contenido digital (McDonald & Burkhardt, 2019). Según la literatura censada, estos sistemas son aplicaciones que posibilitan la creación compartida de contenido digital bajo estrictos parámetros administrativos (Brandt et al., 2017).
Por otra parte, la IA se está utilizando para optimizar la paginación y el diseño de contenido en revistas más personalizadas, tal como se ha demostrado en la integración de algoritmos en software como Adobe InDesign, que permiten ajustar el texto y renderizar las páginas de forma automatizada (Piccoli et al., 2012). Además, conviene tener presentes los lanzamientos recientes alrededor de la IA generativa Adobe Firefly, integrada con Photoshop, Premiere Pro (beta), Adobe Express, Illustrator, Lightroom e InDesign, y que es verdaderamente prometedora en esta materia. Asimismo, las soluciones de aprendizaje automático (machine learning, ML) están en constante evolución y son cada vez más capaces de realizar tareas de procesamiento automático de datos visuales, como la comprensión de escenas, la reconstrucción de modelos 3D y la generación automatizada de contenido (Palviainen et al., 2020).
En el ámbito editorial, herramientas de recomendación como, por ejemplo, los sistemas presentes en Galaxy AI, de Samsung, que utilizan aprendizaje profundo, resultan ser también valiosas. Estos sistemas pueden aprender dependencias complejas en flujos de trabajo y mejorar la recomendación de herramientas para tareas específicas (Kumar et al., 2021). En realidad, la aplicación de algoritmos de recomendación basados en IA está mejorando el proceso de personalización de las publicaciones y ofreciendo contenido más relevante y adaptado a los intereses de cada lector.
Así, se observa que la IA ha encontrado diversas aplicaciones en la industria editorial, transformando la creación, edición y distribución de publicaciones de alto impacto. En particular, gracias a la capacidad de análisis de grandes volúmenes de datos, la IA ha permitido identificar patrones y tendencias emergentes en diferentes temáticas, facilitando con ello la detección de temas relevantes para potenciales publicaciones. De hecho, la integración de IA y la gestión de flujos de trabajo se entiende cada vez más como algo esencial para adquirir y adaptar modelos de manera más eficiente (Singh et al., 2017).
La Tabla 3 especifica una serie de herramientas impulsadas por IA que apoyan los procesos editoriales. Adicionalmente, se señala si estas generan o identifican tendencias editoriales en la literatura científica.
Identificación de IA para las tendencias en publicaciones de alto impacto
Fuente: Elaboración propia
Gracias a herramientas como estas, así como a otra amplia gama de recursos alternativos, la IA está transformando radicalmente el panorama editorial, especialmente en lo que atañe a la edición de revistas científicas. Como señalan Palviainen et al. (2020), las herramientas basadas en IA permiten a los editores optimizar los procesos de creación, edición y distribución de contenidos, agilizando el trabajo y asegurando la calidad de las publicaciones. Plataformas como Scholarcy, Writefull y Trinka AI, por ejemplo, ofrecen soluciones efectivas que mejoran la revisión de manuscritos y la corrección del lenguaje técnico, dos aspectos esenciales para la edición científica (McDonald & Burkhardt, 2019). Estas herramientas, de hecho, optimizan el proceso editorial y contribuyen a un mayor nivel de precisión y coherencia lingüística, algo capital, en particular, para las publicaciones de alto impacto.
Además, en el ámbito de la identificación de tendencias, aplicaciones como Iris.ai y Scite.ai desempeñan un papel destacado al analizar grandes volúmenes de datos para identificar temáticas emergentes en la investigación científica. Estas herramientas, tal como señalan Kumar et al. (2021), permiten a los editores descubrir patrones relevantes en áreas de investigación específicas, ayudando a guiar las decisiones sobre qué temas priorizar en futuras publicaciones. En realidad, Scite.ai va un paso más allá, al verificar citas contextuales y mejorar con ello la veracidad y el rigor de las publicaciones científicas (Singh et al., 2017).
Por otro lado, el uso de modelos de lenguaje de gran tamaño (large language model, LLM), como ChatGPT, representa un avance significativo en la generación y análisis de contenido científico (Brandt et al., 2017). Esta tecnología asiste a los autores y editores en la creación de contenido y permite identificar tendencias emergentes mediante el análisis de datos previos. Además, el uso de IA para generar resúmenes automáticos reduce significativamente los tiempos de producción, permitiendo a los editores concentrarse en aspectos más estratégicos (Piccoli et al., 2012).
Por otra parte, sistemas de recomendación basados en IA, como R Discovery y Clarivate Cortellis AI, ofrecen a los editores la capacidad de personalizar el contenido de manera más efectiva. Según Musk et al. (2016), estas plataformas permiten adaptar las publicaciones a los intereses específicos de los lectores, aumentando la relevancia de los artículos y, por tanto, su impacto en la comunidad científica.
Ahora bien, es esencial considerar también la importancia de la originalidad. Por esta razón, herramientas como Turnitin ocupan un lugar importante para asegurar que los contenidos sean originales y no excedan el porcentaje de similitud con otras obras (Palviainen et al., 2020). Esto fortalece la integridad de las revistas científicas e incrementa su credibilidad ante la comunidad académica.
También es esencial tener presente que la IA generativa permite especificar prompts que contribuyen a optimizar el proceso editorial y a identificar tendencias emergentes en áreas específicas de publicación. A la luz de esto, la Tabla 3 muestra algunos prompts que tienen dicho potencial.
Prompts que pueden apoyar los procesos editoriales y la identificación de tendencias
Fuente: Elaboración propia
Las propuestas de prompts presentadas en la Tabla 3, tanto las generadas con el modelo ChatGPT-4o como las desarrolladas con el modelo ChatGPT o1-preview, pueden constituir herramientas útiles para los fines acá abordados. En efecto, pueden asistir a editores y revisores en tareas como el análisis de literatura reciente, la mejora de manuscritos, la selección de expertos para revisión por pares, la detección de áreas de investigación subexploradas y el cumplimiento de directrices editoriales y éticas. Así, es un hecho claro que emplear modelos de lenguaje como ChatGPT, Gemini, Claude y otros similares puede agilizar y enriquecer estas actividades, así como promover una mayor eficiencia y calidad en la gestión editorial.
No obstante, es importante tener presente que los LLM pueden generar respuestas que, aunque coherentes y plausibles, no siempre son precisas o veraces, a raíz de un fenómeno conocido como "alucinaciones". Estas ocurren cuando el modelo produce información incorrecta, inventada o sin fundamento en los datos de entrenamiento. Por ello, es esencial verificar y validar siempre la información proporcionada por estos sistemas, especialmente en contextos científicos, donde la exactitud, la veracidad y la relevancia son verdaderamente centrales. Solo el hecho de mantener una actitud crítica y corroborar las respuestas con fuentes confiables puede garantizar que las decisiones editoriales se basen en evidencia y datos, y así evitar la propagación de errores en el mundo de la literatura científica.
Con todo, la IA se ha convertido en un aliado protagónico para los editores de revistas científicas, en la medida en que puede permitirles analizar grandes volúmenes de datos, identificar áreas emergentes y generar contenido relevante y oportuno. La personalización de publicaciones mediante sistemas de recomendación basados en IA incrementa la relevancia del contenido para los lectores, por ejemplo, lo cual mejora su impacto académico. Además, es importante considerar la integración de tecnologías avanzadas de IA en los flujos de trabajo editoriales, pues esto tiene el potencial de mejorar la eficiencia del proceso de trabajo y consolidar a la IA como una herramienta altamente relevante para prever las direcciones futuras de la ciencia y la tecnología, así como aportar a que las publicaciones científicas se mantengan, como debe ser, a la vanguardia del conocimiento global.
En efecto, de acuerdo con los resultados de este estudio, la integración de la IA en la gestión editorial está generando una transformación muy profunda en las operaciones de publicación científica, en la medida en que optimiza tareas y mejora sustancialmente la calidad del contenido. Esta revolución abarca la automatización de procesos, la personalización del contenido y, sin duda, también la predicción de tendencias emergentes. Estos aspectos, en conjunto, están redefiniendo el ámbito editorial en la actualidad.
La IA, haciendo uso de algoritmos avanzados y herramientas especializadas, está facilitando la automatización de labores rutinarias y el desarrollo de análisis más ágiles y exhaustivos de grandes volúmenes de datos. Esto facilita la generación de una experiencia personalizada para los usuarios y el logro de una adaptación más fluida a las dinámicas cambiantes propias del desarrollo y la difusión del conocimiento científico. Además, el resultado más directo y tangible de la incorporación de estas tecnologías es la reducción significativa de los tiempos de producción, lo que aumenta la eficiencia y la calidad de los procesos editoriales.
En la práctica, dado que el mundo editorial está fundamentalmente basado en la palabra escrita, la automatización de procesos impulsada por herramientas de procesamiento de lenguaje natural permite a los editores reducir el esfuerzo y optimizar el tiempo dedicado a tareas esenciales, pero repetitivas y laboriosas, tales como la revisión lingüística, la detección de plagio y la corrección de estilo. Estas herramientas, mediante un análisis detallado de los textos, pueden identificar errores y sugerir mejoras, al tiempo que aportan valor para que el contenido publicado cumpla con los más altos estándares de calidad.
Esta automatización puede agilizar el flujo de trabajo editorial y minimizar la posibilidad de que se presenten errores humanos, aportando con ello una mayor precisión en la edición de los documentos. Como resultado, los profesionales que trabajan en el mundo editorial pueden concentrarse en decisiones de mayor valor, tales como la selección de contenido de alto impacto y la revisión crítica de aportes académicos relevantes. Esto permite optimizar la gestión de los recursos humanos, usualmente limitados por razones presupuestales (en especial en el contexto latinoamericano), y contribuir a la consecución de una mejora visible de los contenidos.
En paralelo, la IA está revolucionando la personalización del contenido a través de algoritmos de recomendación y análisis de datos, los cuales tienen el potencial de adaptar los materiales a los intereses específicos de los lectores. Esto incrementa la relevancia del contenido ofrecido, al tiempo que fortalece el compromiso de la audiencia y amplifica el impacto de las publicaciones. Los algoritmos empleados analizan el comportamiento y las preferencias de los usuarios, para generar recomendaciones altamente personalizadas que enriquecen la experiencia de lectura. Además, la IA facilita el desarrollo de iniciativas de segmentación precisa de audiencias, lo que puede favorecer que la información se distribuya de manera efectiva entre aquellos grupos que más la necesitan o a quienes más les interesa. Esta capacidad de adaptación permite que las publicaciones científicas consigan mantenerse más actualizadas y que puedan alinearse mejor con las cambiantes expectativas de la comunidad académica, gracias a lo cual pueden posicionarse más rápidamente como referentes en sus respectivas áreas de especialidad.
Por otra parte, la capacidad predictiva de la IA, sustentada en el análisis de patrones y la minería de datos, como se ha señalado, tiene el potencial de permitir a los editores anticipar áreas emergentes de interés y detectar tendencias tempranamente antes de que se generalicen. Esta habilidad es particularmente valiosa en disciplinas, campos y dominios del saber de rápida evolución, donde la capacidad de mantenerse al día con los desarrollos más recientes es una labor esencial y desafiante.
Las herramientas basadas en IA pueden analizar grandes volúmenes de datos bibliográficos, citas y redes de coautoría, y llevarlo a cabo, además, de manera más precisa, para mayor eficiencia en la labor de identificar temas en crecimiento y sugerir enfoques valiosos para la realización de futuras publicaciones. Esta capacidad de anticipación beneficia a los editores, al favorecer la planificación estratégica del contenido y permitir posicionar de mejor manera las revistas en la frontera del conocimiento, lo que, sin duda, es parte central de su labor. A la vez, promueve la consecución de un impacto positivo en materia de visibilidad y en su factor de citación dentro del ámbito académico.
En realidad, se ha identificado que la automatización, la personalización y la predicción de tendencias emergentes son pilares esenciales en la contribución de la IA a la gestión editorial científica. Estos avances permiten alcanzar una mayor eficiencia operativa, así como potenciar la capacidad de los equipos editoriales para responder más ágilmente a las demandas cambiantes de la comunidad académica, lo que puede incrementar el impacto y la relevancia de las publicaciones científicas en un entorno global que, en la práctica, es cada vez más competitivo.
A medida que la tecnología siga evolucionando, en particular al vertiginoso ritmo actual, es previsible que la IA, a pesar de las muy importantes discusiones y debates éticos que plantea (Lund et al., 2023), asuma un rol cada vez más central en la edición científica, tal como sucederá en el resto de las industrias. Es consecuencia natural de brindar a los equipos editoriales herramientas de avanzada para responder de forma más eficiente y precisa a las exigencias propias de la compleja y demandante dinámica de desarrollo y difusión del conocimiento a nivel global.
La colaboración entre los editores y las tecnologías de IA, como ha sucedido antes con otro tipo de tecnologías (por ejemplo, internet, bases de datos, Publisher, Illustrator, LaTeX y los gestores de referencias bibliográficas, entre otros), promete perfeccionar los procesos actuales y abrir nuevas oportunidades para la innovación en la comunicación del conocimiento científico, posibilitando de este modo una evolución constante del entorno editorial y una capacidad mejorada de adaptación a los desafíos futuros.
Herramientas de IA que pueden apoyar el proceso editorial
Otro de los resultados centrales obtenidos es la identificación de una serie de valiosas herramientas impulsadas por IA que apoyan diferentes etapas del proceso editorial, en especial para publicaciones de alto impacto. Se logró identificar y clasificar una serie de aplicaciones que optimizan tareas centrales, como la elaboración, la revisión, el mejoramiento y la selección de manuscritos, así como la detección de tendencias emergentes en áreas específicas del conocimiento.
Estas herramientas se distinguen por su capacidad para mejorar la eficiencia y precisión en diversas etapas propias del flujo editorial, a la vez que promueven la toma de decisiones informadas y ágiles para editores y revisores. Así, no solo reducen los tiempos de procesamiento, sino que también garantizan una mayor calidad en la selección y evaluación de contenidos. La Tabla 5 sintetiza las herramientas de IA más destacadas, evidenciando su papel de aliadas en la gestión y evolución de contenidos científicos en entornos académicos y profesionales. Estas herramientas, como suele ser el caso cuando se utilizan desarrollos tecnológicos verdaderamente relevantes, permiten una adaptación más eficiente a las demandas cambiantes del ámbito científico y favorecen el mejoramiento y la calidad en materia de producción académica.
Herramientas de IA para apoyar el proceso editorial
Fuente: Elaboración propia
Otro aspecto relevante del trabajo efectuado es el uso de ChatGPT-4o, en particular para lanzar prompts que permitan identificar tendencias emergentes para revistas científicas del área de las ciencias sociales (Tabla 6), con el fin de apoyar a los editores.
Prompts en ChatGPT-4o con resultados relevantes para apoyar el proceso editorial
Fuente: Elaboración propia a partir de los resultados arrojados por ChatGPT-4o
En general, los resultados del trabajo efectuado permiten evidenciar que la IA se ha consolidado como un recurso altamente relevante en el ámbito editorial científico, particularmente en publicaciones de alto impacto. La primera sección de este apartado dio cuenta del uso de aplicaciones de IA en la gestión editorial y destacó su contribución en la automatización de procesos, así como en la mejora de la calidad de los contenidos y la aceleración de los tiempos de publicación. Sin duda, estas tecnologías incrementan la eficiencia operativa y optimizan el uso de los recursos humanos, lo que permite que editores y revisores se enfoquen en actividades de mayor valor agregado, como la evaluación crítica, profunda y rigurosa de la calidad científica.
La segunda sección se centró en dar cuenta de herramientas específicas que apoyan el proceso editorial, proporcionando un conjunto de soluciones que facilitan la selección, revisión y detección de tendencias emergentes en áreas sustanciales del conocimiento científico. Estas herramientas, mediante el uso de análisis avanzados de datos, permiten identificar patrones y oportunidades que serían difíciles de detectar manualmente, lo que contribuye a una toma de decisiones más fundamentada. Asimismo, la IA mejora la precisión y la consistencia en los procesos de revisión por pares, asegurando que los manuscritos con mayor potencial de impacto lleguen a publicación de manera más rápida y con mayor calidad.
Discusión
Los resultados obtenidos resaltan la relevancia creciente de la IA en la optimización de los procesos editoriales y en la identificación de tendencias emergentes en publicaciones científicas. A continuación, se discuten los hallazgos más destacados. Por una parte, la generación de una ecuación de búsqueda acerca del uso de la IA en los procesos editoriales a través de ChatGPT-4o demuestra el potencial de estas herramientas para facilitar la recolección y análisis de información. Esta capacidad para crear ecuaciones de búsqueda personalizadas agiliza el proceso de investigación y mejora la calidad de los resultados obtenidos. Automatizar esta tarea permite a los investigadores y editores concentrarse en aspectos más centrales del proceso editorial, lo que contribuye a una mayor eficiencia en la detección de tendencias emergentes.
Por otra parte, identificar un conjunto diverso de herramientas impulsadas por IA, más allá de ChatGPT, para la corrección de gramática y estilo, así como otras aplicaciones para la interacción con documentos y la generación de mapas de citación, resalta la versatilidad de la IA en el ámbito editorial. Estas herramientas optimizan tareas específicas, como la revisión de literatura o la generación de ecuaciones de búsqueda, y promueven un enfoque más integrado en la gestión del contenido académico. Esto da cuenta de que la IA, en efecto, puede ser un aliado invaluable para editores y autores, así como mejorar la calidad y la precisión de las publicaciones científicas.
Además, el diseño de un conjunto de prompts que permitan apoyar los procesos editoriales e identificar tendencias emergentes en revistas de alto impacto evidencia la importancia de la personalización en el uso de la IA. Igualmente, la creación de prompts específicos puede permitir a los investigadores adaptar las herramientas de IA a sus necesidades particulares, lo que ayuda a dectectar patrones relevantes y la priorización de temas en función de las demandas del campo académico. Este enfoque proactivo, aplicado en la práctica, puede contribuir de manera significativa a incrementar la capacidad de las revistas para mantenerse al día con las tendencias actuales y emergentes en materia de investigación científica.
Los hallazgos indican que la IA se está consolidando como un recurso capital dentro de la industria editorial, no solo a través de la automatización de procesos rutinarios, sino también facilitando una toma de decisiones más informada y eficiente en la identificación de tendencias emergentes. La capacidad de estas herramientas para analizar grandes volúmenes de datos y generar comprensiones significativas es esencial en un contexto en el cual el volumen y la complejidad de las publicaciones científicas crecen de manera exponencial.
Estos resultados coinciden con la literatura existente, que describe en efecto una transformación radical en los procesos editoriales gracias a la incorporación de la IA, abarcando desde la revisión de contenido hasta la personalización para audiencias específicas (Houbrechts, 2024; Inbar, 2023). Asimismo, la IA está ampliando la capacidad de los editores para evaluar la efectividad del contenido y optimizarlo en función del comportamiento del usuario, lo que contribuye a un proceso editorial cada vez más dinámico, flexible y adaptativo.
Las aplicaciones de IA identificadas en este estudio incluyen la generación automática de resúmenes, la optimización del diseño editorial y la personalización de las publicaciones. La eficiencia de herramientas como ChatGPT, ATLAS.ti y Scholarcy, entre muchas más, para llevar a cabo tareas de alto valor en el contexto de la edición y la publicación científica, demuestra la existencia de una tendencia hacia la integración profunda de la tecnología en las prácticas editoriales. Estos avances incrementan la productividad y permiten que editores y revisores, así como otros actores involucrados en el proceso editorial, se enfoquen en aspectos centrales y más complejos de la gestión editorial (Brandt et al., 2017; Piccoli et al., 2012). En particular, la capacidad de estas herramientas para automatizar tareas repetitivas libera tiempo y recursos valiosos.
La capacidad predictiva de la IA y su aplicación para identificar temas emergentes en publicaciones de alto impacto resalta el considerable potencial de esta tecnología para anticipar áreas de crecimiento académico. Los algoritmos avanzados de herramientas como Scite.ai e Iris.ai, por ejemplo, ayudan a los editores a identificar áreas de interés antes de que se vuelvan convencionales, lo que les otorga una ventaja competitiva, para posicionarse al frente de la innovación temática en sus respectivos campos. Este aspecto es especialmente relevante en disciplinas de rápida evolución, donde la actualización constante y la relevancia temática son esenciales para mantener la visibilidad y el impacto académico (Kumar et al., 2021; Singh et al., 2017). Los análisis predictivos mediante IA también permiten ajustar de manera proactiva las estrategias de contenido, asegurando que los artículos y temas publicados estén alineados con las tendencias y las necesidades emergentes de la comunidad académica. Esto, de nuevo, les otorga una ventaja significativa a las editoriales que buscan posicionarse a la vanguardia del conocimiento científico.
A pesar de estos beneficios significativos, la integración de la IA en el proceso editorial también presenta desafíos relevantes, particularmente los riesgos de sesgo algorítmico, así como la posible homogeneización del conocimiento, entre otros riesgos. Los sesgos algorítmicos se refieren a la tendencia de los algoritmos de IA a producir resultados parciales o injustos debido a datos de entrenamiento desequilibrados o a decisiones de programación que reflejan prejuicios humanos o limitaciones en la información utilizada.
Por ello, la IA debe estar acompañada por un marco ético robusto que garantice la transparencia y la integridad en la toma de decisiones editoriales (Gimeno-Ballester & Trigo-Vicente, 2024). La posible aparición de "alucinaciones" o respuestas inexactas generadas por modelos de IA revela la importancia de la verificación humana en el proceso editorial para evitar la propagación de errores o distorsiones en la literatura científica. Además, la literatura académica consultada también respalda la necesidad de establecer lineamientos éticos claros para equilibrar los beneficios de la IA con un uso responsable y seguro (Lund et al., 2023; Sobaih, 2024). Asimismo, es importante que los editores y revisores reciban una capacitación continua que les permita comprender las limitaciones de las herramientas de IA y gestionar de manera adecuada los riesgos asociados con su uso, promoviendo así una integración más segura y eficaz de estas tecnologías en el proceso editorial.
La forma de abordar los sesgos se fundamenta en la adaptación de métodos cualitativos, como la triangulación hermenéutica, que se enfoca en el análisis de la información generada por la IA generativa en relación con los referentes teóricos y la posición del investigador. Por otro lado, para aumentar la precisión de las respuestas y minimizar la probabilidad de generación de alucinaciones, se utilizaron conceptos de la ingeniería de prompts relacionados con el ajuste de la variable de configuración "temperatura" desde el prompt. Particularmente, esta variable se configura con valores entre 0 y 1, donde los valores cercanos a 0 generan respuestas con menor creatividad y, por ende, menor probabilidad de generación de alucinaciones, mientras que prompts con valores de temperatura cercanos a 1 maximizan la creatividad en las respuestas generadas. Finalmente, en cuanto a la estrategia de mitigación del sesgo algorítmico, se propone usar el enfoque " Human-in-the-loop" (HITL), que permite detectar y ajustar respuestas con intervención crítica humana.
La implementación de enfoques HITL en IA y aprendizaje automático constituye un camino pertinente para abordar los desafíos éticos y técnicos en la gestión editorial. Este enfoque se basa en integrar la intervención humana en etapas críticas del ciclo de vida de los modelos de IA, permitiendo la supervisión, la corrección y la validación constante de las decisiones algorítmicas. En el contexto editorial, la aplicación de HITL puede mitigar riesgos como el sesgo algorítmico y las "alucinaciones" de los modelos, en la medida en que promueve que las recomendaciones y decisiones generadas por la IA sean revisadas y validadas por expertos humanos antes de su implementación final (Elbadawi et al., 2024).
En forma particular, el enfoque HITL permite mitigar riesgos asociados al sesgo algorítmico a través de la implementación de mecanismos de detección, herramientas de corrección y prevención al convertirse en fuente potencial de sesgos adicionales (Yin et al., 2024). Como estrategias de mitigación, se puede enunciar la implementación de verificaciones cruzadas entre múltiples supervisores, el desarrollo de guías específicas para la identificación de sesgos, la evaluación regular del impacto de las intervenciones humanas y la documentación detallada de las decisiones de supervisión. Esto preserva la integridad y precisión de la información publicada, lo cual es esencial en el mundo del conocimiento científico, y refuerza la confianza en los sistemas automatizados al garantizar un estándar de calidad y rigor que solo la experticia, la sensibilidad y el juicio humanos pueden proporcionar.
El enfoque HITL constituye una posible solución integral para maximizar los beneficios de la IA en la gestión editorial, mientras se mantienen los más altos estándares éticos y científicos, a medida que se va estableciendo un balance entre la eficiencia tecnológica y la supervisión humana. Es importante también destacar trabajos que amplían a profundidad temas como metacognición, simulaciones HITL, modelos de simulación complejos, aprendizaje por refuerzo, pruebas de usuario cualitativas por mediciones psicométricas cuantitativas y otros planteamientos hechos por Rothrock y Narayanan (2011); Biao & Bing-Chuan (2023), y Chaehan (2020).
La evidencia obtenida en este trabajo respalda la idea, cada vez más aceptada a fuerza de las circunstancias y la evidencia empírica, de que la IA transformará de manera irreversible el entorno editorial, facilitando la materialización de una experiencia más personalizada y ágil para los usuarios. La automatización de procesos, la personalización del contenido y la capacidad predictiva de la IA están sentando las bases para construir un modelo editorial más eficiente, pertinente y adaptable, que permita a los editores responder con mayor rapidez a las necesidades cambiantes de la comunidad científica global. Además, la IA proporciona una mayor personalización en la presentación de la información, algo relevante para atender las necesidades específicas de diferentes audiencias y mejorar la accesibilidad del contenido científico.
A medida que se superen las limitaciones éticas y técnicas actuales, con acciones como las que ya se están adelantando (como la Ley de Inteligencia Artificial de la Unión Europea), es probable que la IA continúe ampliando su alcance en la gestión editorial, consolidándose como una herramienta indispensable para la innovación y la excelencia académica. De hecho, el desarrollo continuo de algoritmos cada vez más sofisticados comienza a indicar que el papel de la IA en el ámbito editorial se fortalecerá con el tiempo, proporcionando nuevas oportunidades para mejorar la calidad, precisión y eficiencia de las publicaciones científicas. En consecuencia, el aprovechamiento inteligente, informado y ético de la IA por parte de las editoriales es un elemento esencial para el avance y la modernización del entorno científico contemporáneo.
Conclusión
Los resultados de esta investigación demuestran que la integración de herramientas de IA optimiza las actividades editoriales y brinda una fundamentación adecuada para identificar patrones relevantes en la investigación académica.
La generación de una ecuación de búsqueda mediante ChatGPT-4 ha evidenciado la eficacia de la IA para personalizar y mejorar los procesos de recopilación de datos. Además, se identificaron herramientas específicas impulsadas por IA, lo que da cuenta de su versatilidad y utilidad en diversas etapas del proceso editorial, desde la corrección de gramática hasta la revisión de literatura y la creación de mapas de citación. Asimismo, el diseño de prompts personalizados para identificar tendencias emergentes destaca la importancia de adaptar las tecnologías de IA a las necesidades específicas de los investigadores. Todo esto demuestra que la IA se posiciona como un aliado esencial en el ámbito editorial. A medida que esta tecnología avanza, es esencial seguir explorando sus aplicaciones y potencial en la mejora de la calidad y el impacto de la comunicación científica. La adopción continua de herramientas de IA, sin duda, puede contribuir a que las revistas científicas se mantengan a la vanguardia del conocimiento global y respondan más eficazmente a las demandas del entorno académico, el cual se encuentra en constante y acelerado cambio.
El papel transformador de la IA en la gestión editorial científica se explica por su capacidad de mejorar la eficiencia, la relevancia y la calidad de las publicaciones, gracias a la automatización de procesos y la personalización de contenidos. Su capacidad para analizar grandes volúmenes de datos, además, permite una identificación ágil de tendencias emergentes, lo cual beneficia tanto a los editores como a la comunidad científica al promover que las publicaciones estén en capacidad de reflejar los temas de investigación más relevantes y actuales. Los resultados específicos destacan la contribución de herramientas avanzadas como ChatGPT, Inciteful e Iris AI, que han optimizado procesos tradicionales, para minimizar tiempos y optimizar el uso de recursos en tareas esencialmente rutinarias.
Sin embargo, la integración de IA también plantea desafíos significativos, en particular los riesgos de sesgo algorítmico y las alucinaciones, que pueden comprometer la precisión y equidad en la selección y presentación de contenidos científicos. La incorporación de estrategias como el de HITL se muestra como una posible solución, ya que permite la supervisión humana en puntos críticos del proceso editorial, de modo que se garantice la confiabilidad y exactitud de las publicaciones.
Así, este estudio concluye que el uso de IA en la gestión editorial no solo aumenta la eficiencia operativa, sino que también abre nuevas oportunidades para la innovación en la comunicación científica, posicionando a las revistas académicas a la vanguardia del conocimiento global. Ahora bien, de cara al futuro, es fundamental profundizar en el desarrollo de directrices éticas y de supervisión en la implementación de IA en el ámbito editorial, así como en la capacitación de equipos editoriales para manejar adecuadamente estas tecnologías. Este trabajo también sugiere investigar la efectividad a largo plazo de los modelos de IA en la predicción de tendencias emergentes y su impacto en la calidad y diversidad del contenido científico publicado.
Estas conclusiones, por supuesto, apuntan a destacar la importancia de contar con un enfoque equilibrado entre IA y supervisión humana. Solo esto permitirá maximizar los beneficios y mitigar los riesgos, estableciendo así un marco adecuado, pertinente y valioso para lograr un uso ético y eficaz de la IA en el contexto de la edición científica.
Agradecimientos
Los autores desean agradecer a la Universidad de Pamplona por su apoyo en la realización de este artículo, así como a la Universidad del Rosario.
Referencias
Agrawal, V., Bhardwaj, S., Pathak, N., Dixit, J. K., Agarwal, S., & Momin, M. (2024). Augmenting research. En Advances in Educational Technologies and Instructional Design Book Series. https://doi.org/10.4018/979-8-3693-1798-3.ch003
Albayero, M. S., Tejada-Hernandez, M., & Cerritos, J. D. (2020). Una aproximacion teorica para la aplicacion de la metodologia del enfoque mixto en la investigacion en enfermeria. Entorno, 69. https://doi.org/10.5377/entorno.v0i69.9562
Araujo, C. R., Llosa, M., Gutierrez, D., Roche, M. del C., Rodriguez, A., & Araujo, A. (2024). Systematic review on artificial intelligence in the editorial management of scientific journals. EAI Endorsed Transactions on AI and Robotics, 3. https://doi.org/10.4108/airo.5643
Argiles-Bosch, J., Ravenda, D., & Garcia-Blandon, J. (2023). Empirical analysis of factors influencing delay in article acceptance in accounting journals. Learned Publishing, 36.
Babl, F. E., & Babl, M. P. (2023). Generative artificial intelligence: Can ChatGPT write a quality abstract? Emergency Medicine Australasia, 35(5), 809-811. https://doi.org/10.1111/1742-6723.14233
Bail, C. A. (2024). Can generative AI improve social science? Proceedings of the National Academy of Sciences, 121(21), e2314021121. https://doi.org/10.1073/pnas.2314021121
Barrios, S. M. (2021). El enfoque multimetodo como opcion para abordar la investigacion educativa. Gaceta de Pedagogía.
Baruffaldi, S. H., van Beuzekom, B., Dernis, H., Harhoff, D., Rao, N., Rosenfeld, D., & Squicciarini, M. G. (2020). Identifying and measuring developments in artificial intelligence: Making the impossible possible. Research Papers in Economics. https://doi.org/10.1787/5F65FF7E-EN
Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8), 1798-1828. https://doi.org/10.1109/TPAMI.2013.50
Bettany-Saltikov, J. (2012). How to do a systematic literature review in nursing: A step-by-step guide. Open University Press.
Biao, L., & Bing-Chuan, W. (2023). Human-in-the-loop reinforcement learning in continuous-action space. IEEE Transactions on Neural Networks and Learning Systems. https://doi.org/10.1109/TNNLS.2023.3289315
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3(1), 993-1022.
Brandt, D. S., Gunter, G. A., Westerman, R. L., & Dean, C. (2017). Content management systems: Implications for library instruction and website management. Journal of Web Librarianship, 11(1), 20-35. https://doi.org/10.1080/19322909.2016.1226789
Carobene, A., Padoan, A., Cabitza, F., Banfi, G., & Plebani, M. (2024). Rising adoption of artificial intelligence in scientific publishing: Evaluating the role, risks, and ethical implications in paper drafting and review process. Clinical Chemistry and Laboratory Medicine (CCLM), 62(5), 835-843. https://doi.org/10.1515/cclm-2023-1136
Chaehan, S. (2020). Human-in-the-loop design cycles: A process framework that integrates design sprints, agile processes, and machine learning with humans. arXiv: Human-Computer Interaction. https://doi.org/10.48550/arXiv.2003.05268
Claudio-Gonzalez, M. G., & Villarroya, A. (2015). Desafios de la edicion de revistas cientificas en acceso abierto. Profesional de la Información, 24(5), 517-525. https://doi.org/10.3145/epi.2015.sep.02
Creamer, E. G., & Ghoston, M. (2013). Using a mixed methods content analysis to analyze mission statements from colleges of engineering. Journal of Mixed Methods Research, 7(2), 110-120. https://doi.org/10.1177/1558689812458976
Elbadawi, M., Li, H., Basit, A. W., & Gaisford, S. (2024). The role of artificial intelligence in generating original scientific research. International Journal of Pharmaceutics, 652, 123741. https://doi.org/10.1016/j.ijpharm.2023.123741
Ganjavi, C., Eppler, M. B., Pekcan, A., Biedermann, B., Abreu, A., Collins, G. S., & Cacciamani, G. E. (2024). Publishers’ and journals’ instructions to authors on use of generative artificial intelligence in academic and scientific publishing: Bibliometric analysis. BMJ, 384, e077192. https://doi.org/10.1136/bmj-2023-077192
Gayet-Ageron, A., Ben Messaoud, K., Richards, M. O., Jaksic, C. M., Gobeill, J., Liyanapathirana, J., Mottin, L., Naderi, N., Ruch, P., Mariot, Z., Calmy, A., Friedman, J., Leibovici, L., & Schroter, S. (2024). Assessment of gender and geographical bias in the editorial decision-making process of biomedical journals: A case-control study. medRxiv. http://dx.doi.org/10.1101/2024.03.15.24304220
Gimeno-Ballester, V., & Trigo-Vicente, C. (2024). El rol de la inteligencia artificial en la publicacion cientifica: Perspectivas desde la farmacia hospitalaria. Farmacia Hospitalaria, 48(5), 246-251. https://doi.org/10.1016/j.farma.2024.06.002
Gonzalez, R. (2007). El test de Turing: Dos mitos, un dogma. Revista de Filosofía, 63, 37-53. https://tinyurl.com/2dfprmbb
Grillo, R. (2023). The rising tide of artificial intelligence in scientific journals: A profound shift in research landscape. European Journal of Therapeutics. https://doi.org/10.58600/eurjther1735
Hermann, K. M., Kočisky, T., Grefenstette, E., Espeholt, L., Kay, W., Suleyman, M., & Blunsom, P. (2015). Teaching machines to read and comprehend. En Proceedings of the 28th International Conference on Neural Information Processing Systems (vol. 1). Montreal.
Herrera, J. C. (2023). Inteligencia artificial, investigacion y revision por pares: Escenarios futuros y estrategias de accion. RES. Revista Española de Sociología, 32(4), 199. https://doi.org/10.22325/fes/res.2023.184
Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504-507. https://doi.org/10.1126/science.1127647
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural Computation, 18(7), 1527-1554. https://doi.org/10.1162/neco.2006.18.7.1527
Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79(8), 2554-2558. https://doi.org/10.1073/pnas.79.8.2554
Houbrechts, M. (2024). Using AI for data analysis: The ultimate guide (2024). https://www.luzmo.com/blog/ai-data-analysis
Inbar, S. (2023). How scientists are using artificial intelligence: It is already making research faster, better, and more productive. http://bit.ly/3C5XZ0X
Jiang, Y. (2024). An exploration of AI aid to the first review of academic journals. Journal of New Media and Economics.
Khalifa, M., & Albadawy, M. (2024). Using artificial intelligence in academic writing and research: An essential productivity tool. Computer Methods and Programs in Biomedicine Update, 5, 100145. https://doi.org/10.1016/j.cmpbup.2024.100145
Kousha, K., & Thelwall, M. (2024). Artificial intelligence to support publishing and peer review: A summary and review. Learned Publishing, 37(1), 4-12. https://doi.org/10.1002/leap.1570
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90. https://doi.org/10.1145/3065386
Kumar, S., McLennan, M., & Towns, J. (2021). Galaxy: AI-powered recommender system for tools and workflows. Computational Science & Discovery, 14(3), 035004. https://doi.org/10.1088/1749-4699/abf5f3
Kuznetsov, I., Afzal, O. M., Dercksen, K., Dycke, N., Goldberg, A., Hope, T., Hovy, D., Kummerfeld, J. K., Lauscher, A., Leyton-Brown, K., Lu, S., Mausam, Mieskes, M., N’ev’eol, A., Pruthi, D., Qu, L., Schwartz, R., Smith, N. A., Solorio, T., Wang, J., Zhu, X., Rogers, A., Shah, N. B., & Gurevych, I. (2024). What can natural language processing do for peer review? arXiv, abs/2405.06563. https://doi.org/10.48550/arXiv.2405.06563
Lainjo, B., & Tsmouche, H. (2023). The impact of artificial intelligence on higher learning institutions. International Journal of Education, Teaching, and Social Sciences, 3(2), 96-113. https://doi.org/10.47747/ijets.v3i2.1028
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324. https://doi.org/10.1109/5.726791
Legg, S., & Hutter, M. (2007). Universal intelligence: A definition of machine intelligence. Minds and Machines, 17(4), 391-444. https://doi.org/10.1007/s11023-007-9079-x
Lund, B. D., Wang, T., Mannuru, N. R., Nie, B., Shimray, S., & Wang, Z. (2023). ChatGPT and a new academic reality: Artificial intelligence-written research papers and the ethics of the large language models in scholarly publishing. Journal of the Association for Information Science and Technology, 74(5), 570-581. https://doi.org/10.1002/asi.24750
Machi, L. A., & McEvoy, B. T. (2022). The literature review: Six steps to success (4th ed.). Corwin.
McCarthy, J. (1960). Recursive functions of symbolic expressions and their computation by machine, Part I. Communications of the ACM, 3(4), 184-195. https://doi.org/10.1145/367177.367199
McCarthy, J. (2006). The birth of AI. AI Magazine, 26(4), 42-47. https://doi.org/10.1609/aimag.v26i4.1869
McDonald, D., & Burkhardt, M. (2019). The evolving role of content management systems in editorial workflows. Publishing Research Quarterly, 35(1), 23-37. https://doi.org/10.1007/s12109-018-09625-x
Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0
Minsky, M. (1986). The society of mind. Simon and Schuster.
Minsky, M., & Papert, S. (1969). Perceptrons: An introduction to computational geometry. The MIT Press.
Musk, E., Altman, G., & Brockman, G. (2016). Introducing OpenAI. OpenAI. https://openai.com/blog/openai
Mustaine, E., & Tewksbury, R. A. (2016). A survey of social science journal editors for behind-the-scenes data on the publication process. Journal of Scholarly Publishing, 47, 231-249.
Newell, A., & Simon, H. (1956). The logic theory machine: A complex information processing system. IRE Transactions on Information Theory, 2(3), 61-79. https://doi.org/10.1109/TIT.1956.1056797
Palviainen, M., Rantanen, M., Maenpaa, T., & Laaksonen, J. (2020). AI in visual data processing for editorial and publishing workflows. IEEE Access, 8, 131229-131239. https://doi.org/10.1109/ACCESS.2020.3008925
Paz-Pacheco, E. (2024). Generative artificial intelligence (AI) in scientific publications. Journal of the ASEAN Federation of Endocrine Societies. https://doi.org/10.15605/jafes.039.01.01
Piccoli, G., Lui, T., & Ives, B. (2012). Leveraging AI for automated page layout: Integrating AI algorithms into Adobe InDesign. International Journal of Human-Computer Interaction, 28(8), 543-553. https://doi.org/10.1080/10447318.2012.672667
Pittaway, L. (2008). Systematic literature reviews. En R. Thorpe & R. Holt (Eds.), The SAGE dictionary of qualitative management research (pp. 216-218). SAGE.
Politzer-Ahles, S., Girolamo, T. M., & Ghali, S. (2020). Preliminary evidence of linguistic bias in academic reviewing. Journal of English for Academic Purposes, 47. https://doi.org/10.1016/j.jeap.2020.100895
Rivas Briceno, E. D., & Valdivia Pinto O, M. A. (2022). El multimetodo en el quehacer investigativo de las ciencias sociales: .Alternativa o paradoja? Revista Educare-UPEL-IPB 2.0, 26(1), 278-296. https://doi.org/10.46498/reduipb.v26i1.1630
Roberts, L. W. (2024). Addressing the novel implications of generative AI for academic publishing, education, and research. Academic Medicine. https://doi.org/10.1097/acm.0000000000005667
Rothrock, L., & Narayanan, S. (Eds.). (2011). Human-in-the-loop simulations: Methods and practice. Springer Nature.
Russell, S. J., & Norvig, P. (1995). Artificial intelligence: A modern approach. Prentice Hall.
Saeidnia, H. R., Hosseini, E., Abdoli, S., & Ausloos, M. (2024). Unleashing the power of AI: A systematic review of cutting-edge techniques in AI-enhanced scientometrics, webometrics and bibliometrics. Library Hi Tech (ahead-of-print). https://doi.org/10.1108/LHT-10-2023-0514
Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210-229. https://doi.org/10.1147/rd.33.0210
Severin, A., & Chataway, J. (2021). Overburdening of peer reviewers: A multi-stakeholder perspective on causes and effects. Learned Publishing , 34.
Shannon, C. E. (1948). A mathematical theory of communication. Bell System Technical Journal, 27(3), 379-423. https://doi.org/10.1002/j.1538-7305.1948.tb01338.x
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., Van den Driessche, G., & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489. https://doi.org/10.1038/nature16961
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., & Hassabis, D. (2017). Mastering chess and Shogi by self-play with a general reinforcement learning algorithm. arXiv, abs/1712.01815, 1-19. https://doi.org/10.48550/arXiv.1712.01815
Singh, R., Dey, A. K., & Markopoulos, P. (2017). AI-based workflow management: Integrating artificial intelligence into editorial production pipelines. International Journal of Production Research, 55(22), 6728-6741. https://doi.org/10.1080/00207543.2017.1347319
Sobaih, A. E. E. (2024). Ethical concerns for using artificial intelligence chatbots in research and publication: Evidences from Saudi Arabia. Journal of Applied Learning & Teaching, 7(1), 93-103. https://doi.org/10.37074/jalt.2024.7.1.2
Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460. https://doi.org/10.1093/mind/LIX.236.433
Waheed, M., Soliman, M., Fatnassi, T., Elgammal, I., & Figueiredo, R. (2023). Exploring the major trends and emerging themes of artificial intelligence in the scientific leading journals amidst the COVID-19 era. Big Data and Cognitive Computing, 7(1), 12. https://doi.org/10.3390/bdcc7010012
Wiener, N. (1948). Cybernetics. J. Wiley.
Yin, Y., Wang, B., Zuo, H., & Childs, P. R. (2024). Effects of different human-in-the-loop approaches on human-AI co-design: A comparison between human-learning HITL approach and machine-learning HITL approach. En Volume 2A: 44th Computers and Information in Engineering Conference (CIE). https://doi.org/10.1115/DETC2024-143295
Zuo, Z., & Zhao, K. (2020). Understanding and predicting future research impact at different career stages: A social network perspective. Journal of the Association for Information Science and Technology, 72, 454-472. https://doi.org/10.1002/asi.24415
Notes
Author notes
*Contacto: Javier Mauricio García Mogollón jmgmogollon@unipamplona.edu.co
