La inteligencia artificial (IA) ha llegado a ser una estratega afín a la investigación científica. De hecho, lo hace al automatizar las actividades complicadas y, primero que nada, la causa para que eventualmente los descubrimientos lleguen a existir a una rapidez que no se había conocido. Marcus & Davis (2019) son de la impresión de que la IA es una infraestructura para el conocimiento. Con esto, es capaz de producir diversas hipótesis, analizar algunas de las bases de datos más grandes que hay en la tierra hoy en día; otro plantea preocupaciones fundamentales, una vez que descubre dos patrones que son desconocidos y mucho más sin límites.
Herramientas como GPT, AlphaFold e IBM Watson ya han demostrado ser capaces de aumentar la productividad científica. Por ejemplo, Jumper et al. (2021) describe esta hazaña como un punto de inflexión para la biología computacional. Además, la IA mejora la calidad de los artículos científicos a través de correcciones gramaticales y de estilo, como, además herramientas de detección de plagio de autores. Según Zhang et al. (2020), estos sistemas de procesamiento de lenguaje natural mejoran la claridad, la coherencia y, la fiabilidad de la investigación. En general, se descubrirán más correlaciones en el campo científico y social gracias a la minería de textos con la ayuda de la IA.
Asimismo, las herramientas como VOSviewer y Dimensions crean mapas de redes de conocimiento lucubrando algoritmos para la metaciencia. Waltman et al. (2020) concluyen que son útiles para la evaluación de las políticas científicas. Del mismo modo, los asistentes inteligentes para la revisión bibliográfica también aumentan la precisión y ahorran tiempo. Research Rabbit y Semantic Scholar son los ejemplos de plataformas en los que IA formula sugerencias mediante el aprendizaje profundo. Ammar et al. (2018) aseveran que son eficientes para la personalización de las tareas.
En síntesis, la IA no reemplaza sino complementa y transforma, aunque impulsa el progreso científico. Requiere criterios de uso ético, entrenamiento técnico y vigilancia epistemológica. Pantheon et al. (2020) resaltan la importancia del juicio humano para interpretar el conocimiento imposible de suplir. Tales herramientas son motores, no un sustituto de la próxima revolución científica.
Referencias
Ammar, W., Groeneveld, D., Bhagavatula, C., et al. (2018). Construction of the Literature Graph in Semantic Scholar. NAACL.
Cabanac, G., Labbé, C., & Magazinov, A. (2021). Tortured phrases: A dubious writing style emerging in science. Nature.
Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature.
Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust.
Pantheon. Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Waltman, L., van Eck, N. J., & Wouters, P. (2020). Studying scientific landscapes using bibliometric mapping tools. In Glänzel, W. et al. (Eds.), Springer Handbook of Science and Technology Indicators.
Zhang, Y., Chen, Q., Yang, Z., et al. (2020). Improving scientific writing with natural language processing: Applications and challenges. Frontiers in Artificial Intelligence.
