¿Estamos aprendiendo o solo delegando? El dilema de la IA en nuestras mentes
Hoy quiero reflexionar en voz alta sobre algo que nos está pasando a todos, casi sin darnos cuenta. La Inteligencia Artificial (IA) ha entrado en nuestras vidas y en nuestras aulas como un tsunami. Es fascinante, sí, pero nos pone frente a un espejo incómodo: ¿estamos usando la tecnología para ser mejores o simplemente nos hemos vuelto demasiado perezosos para pensar por nosotros mismos?
El lado brillante: La promesa de la educación personalizada
No podemos negar que la IA tiene un potencial increíble. Durante décadas, la educación ha arrastrado el «Problema de las 2 Sigma» de Bloom: la idea de que un alumno rinde muchísimo mejor con un tutor personal, algo que era imposible de pagar para todo el mundo.
Hoy, la IA parece resolver esto:
Tutoría a gran escala: Sistemas como el «Tutor CoPilot» de Stanford permiten ofrecer apoyo experto por apenas 20 dólares al año.
Resultados reales: Un estudio de Harvard demostró que estudiantes de física aprendieron el doble en menos tiempo usando tutores de IA en comparación con clases tradicionales.
Inclusión: La llamada «Small AI» está permitiendo que en países con menos recursos se acceda a educación de calidad a través de simples teléfonos móviles.
La zona oscura: la «deuda cognitiva» y la pereza mental
Aquí es donde quiero que nos detengamos. El gran peligro de la IA no es que sea «mala», sino lo que nos hace por omisión. Se está hablando ya de la «deuda cognitiva»: al externalizar nuestras tareas mentales a una máquina, nuestras habilidades fundamentales se debilitan. [Te recomiendo que leas esta entrada si no lo has hecho ya y, sobre todo, el documento que incluye, recientemente publicado por Robert Sternberg].
Atrofia cerebral documentada: investigadores del MIT Media Lab han usado escaneos cerebrales (EEG) y los resultados dan miedo: los usuarios de herramientas como ChatGPT muestran una conectividad neuronal significativamente más débil en la banda Alpha, esencial para la creatividad y la memoria (solo 42 conexiones frente a las 79 de quienes piensan por sí mismos).
La ilusión de saber: existe un fenómeno llamado «ilusión de lo aprendido». Nos resulta familiar lo que la IA escribe, pero somos incapaces de explicarlo profundamente. Es como el GPS: nos lleva al sitio, pero si se apaga, no sabemos volver porque no hemos creado un mapa mental de la ruta.
Amnesia inmediata: el 83% de los usuarios de IA no puede recordar el contenido de un ensayo apenas unos minutos después de haberlo generado. Si no hay esfuerzo, no hay huella en la memoria. El aprendizaje sin esfuerzo es una ilusión, no una realidad.
El peligro de la «externalización cognitiva»
Cuando dejamos que la IA haga el resumen, que encuentre la tesis de un texto o que resuelva el problema de matemáticas, estamos cometiendo un error de base: el aprendizaje no es el producto final, es el proceso de hacerlo.
Sesgos invisibles: si delegamos el pensamiento, aceptamos los prejuicios de la máquina. Se ha visto que algoritmos de evaluación penalizan desproporcionadamente a alumnos de entornos humildes o recomiendan menos carreras STEM a mujeres basándose en datos históricos sesgados.
Sedentarismo cognitivo: si no usamos el cerebro para analizar y decidir, perdemos nuestra autonomía intelectual. Nos convertimos en pasajeros de nuestra propia vida mental, en lugar de ser los conductores.
Una reflexión final: sé el piloto, no el pasajero
La IA ha venido para quedarse, y prohibirla es como intentar detener un tsunami con las manos, o ponerle puertas al campo. Pero la clave está en el concepto: «Human in the loop» (el humano en el bucle): la IA debe ser nuestro copiloto, pero tú nunca debes soltar el volante.
Para que no se nos oxide la mente, se podrían proponer tres reglas personales que emergen de algunos informes relevantes sobre el particular:
Reflexiona antes de encender la pantalla: genera tus propias ideas y dudas antes de preguntar a la IA.
Verifica y critica: no uses la IA como un oráculo, sino como un compañero de debate que a veces se equivoca (y mucho). No olvidemos que estamos preguntando a un algoritmo que ni siquiera entiende lo que nos responde, simplemente lo hace basado en su programación, probabilidades, etc. no a una persona.
Hazlo tuyo: no copies y pegues. Reescribe, añade tu voz, tu estilo y tus vivencias personales. Eso es lo único que una máquina no puede replicar.
Decía a los alumnos hace un tiempo al comienzo de curso que el aprendizaje implica sufrimiento y el que no esté dispuesto a sufrir, no aprenderá. Al menos sufrimiento moral. Aprender, sin duda, duele un poco porque requiere esfuerzo, pero es ese esfuerzo el que nos hace humanos y capaces. No deberíamos permitir que la comodidad de un clic nos robe nuestra capacidad de pensar.
Dicho esto, me parece sensato delegar las operaciones que consumen mucho tiempo y tienen un menor valor añadido, para que puedas dedicarte a dominar lo que quieres aprender. Dejadme poner un ejemplo sencillo: hace años (muchos) utilizábamos ficheros en papel para hacer cualquier revisión bibliográfica y búsqueda de fuentes gastando horas y con la ilusión de que lo que necesitábamos estaría en el fichero. Ahora podemos hacer una búsqueda en bases de datos en segundos, sabiendo que nada de lo relevante publicado se quedará fuera de la búsqueda. El procedimiento ha cambiado, el tiempo invertido también, pero permanece la necesidad de saber discernir qué fuentes son relevantes para mí y cuáles no lo son, qué criterios debo aplicar (capacidad de discernimiento o crítica) para seleccionar unas u otras fuentes, etc. ¿Qué hago con los miles de referencias que una búsqueda me devuelve? ¿Cómo las filtro? ¿Cuáles son esenciales y fundamentadas y cuáles son prescindibles o incluso debo evitar para no contaminarme?
A mi juicio, una vez más, no se trata de plantear la pregunta incorrecta y un tanto pueril: «¿IA sí o no?»; mejor preguntémonos: «IA cuándo y para qué».
En mi clase de Econometría que imparto a estudiantes de sexto semestre de economía en la Universidad de Monterrey, incorporé herramientas de Inteligencia Artificial (IA) en la elaboración de proyectos empíricos estudiantiles enfatizando en la integridad académica. Las normas de integridad académica de la institución se describen en el programa de estudios de cada curso y pueden ser resumidas como: no copiar textualmente información de otras publicaciones, acreditar las fuentes de las citas, no copiar el trabajo de otros estudiantes, prescindir de la comunicación entre los equipos para realizar el trabajo propio, y utilizar herramientas de IA solo cuando es autorizado, especificando la forma en la que fue utilizada. En este artículo describo los resultados de una actividad de investigación realizada por los estudiantes con la cual se espera desarrollen competencias para la resolución de problemas prácticos y la comunicación de resultados a través de un proyecto empírico.
«Noté que los estudiantes reforzaron lo aprendido en clase con las herramientas de IA. También, lograron disipar sus dudas que habrían sido difíciles de responder usando herramientas de búsqueda tradicionales. Si le damos seguimiento al uso de herramientas de IA clase, considero que sí es posible que los estudiantes actúen con honradez al usar inteligencia artificial».
Proyectos de modelos predictivos con IA enfatizando en la integridad académica
En economía, un proyecto empírico implica la realización de una investigación con información observable y verificable. Algunos ejemplos de proyectos empíricos pueden ser: 1) La evolución de la contaminación en la ciudad de Monterrey y la Ciudad de México en el periodo 1990-2022; 2) Co-movimientos en el precio del acero y el cobre a través del tiempo; o 3) Predicción del precio de la acción de una empresa en particular, por mencionar algunos. Esta información puede provenir de una base de datos, una encuesta o de un experimento. Dado que el curso implica series temporales, los datos son observaciones de una o más variables a través del tiempo,esta información es de utilidad para estudiar hechos a través del tiempo, hacer predicciones y elaborar políticas públicas a corto, mediano o largo plazo que permitan solucionar un problema en alguna región o país.
El proyecto de la clase consiste en realizar una investigación sobre un tema de economía, finanzas, socio-demografía o cuestiones ambientales en México o en cualquier otro país, que intente responder a una pregunta usando datos reales. La investigación se realiza en tres etapas siguiendo la estructura general descrita por Wooldridge (2015).
Fase 1. Se elige el tema, se define el problema a resolver y se plantea la pregunta de investigación.
Etapa empírica (fases 2 y 3). Las y los estudiantes utilizan un software econométrico para programar y así limpiar las bases de datos, crear variables, hacer estadísticas, así como estimar modelos econométricos o hacer predicciones.
Fase 3. Presentación de resultados.
El trabajo se realiza en equipo usando la metodología de aprendizajes por proyectos. Los estudiantes ponen en práctica conocimientos y técnicas aprendidas durante el semestre, comunicando los avances del proyecto con presentaciones y al cierre del semestre un reporte final de los resultados.
¿Cómo utilizar herramientas de IA en proyectos empíricos de economía?
Dado que el curso involucra aprendizajes para el procesamiento de datos, aplicación de técnicas estadísticas y econométricas, estimación de modelos y predicción de variables, es necesario el uso de programación a través de software econométricos. Durante el curso, se les enseña a los estudiantes a programar en un software específico (Stata). A lo largo del semestre, conocen diferentes códigos de programación que permiten ejecutar tareas como graficar, hacer estadísticas descriptivas, estimar un modelo, predecir variables, entre otros. Sin embargo, en el proceso de investigación los estudiantes se enfrentan a datos reales y encuentran retos que los llevan a necesitar otros códigos. La búsqueda de códigos de programación utilizando buscadores tradicionales podría llevar mucho tiempo y no siempre se encuentra la información requerida.
Quienes han programado en un software econométrico suelen tener dificultades en estas actividades debido a la naturaleza de los datos y la elección del modelo para estimar o predecir variables. Por ello, se pensó que utilizando herramientas de IA generativa podían solventar estas dificultades. IBM Education (2023) muestra los beneficios de usar IA generativa para programar. Observando este potencial y dada la problemática planteada, se sugirieron las siguientes herramientas. Algunas de ellas, proporcionan ventajas en la búsqueda de información, el ahorro de tiempo y la variedad de contenido que ofrecen al momento de editar y generar códigos.
Las herramientas propuestas fueron las siguientes:
Elicit: Es una herramienta de IA que sirve para buscar artículos científicos y analizarlos. Se puede usar para hacer revisión sobre estudios pertinentes al tema de estudio.
Perplexity: Es un chatbot para responder preguntas. Se utiliza para buscar información respecto a temas específicos, hacer resúmenes y códigos de programación.
ChatGPT: Al igual que Perplexity, es una herramienta de IA que sirve para responder preguntas, genera texto y además automatiza ciertas tareas.
AIciclopedya: Es un directorio de herramientas de IA que sugiere que herramientas de IA se pueden utilizar de acuerdo con las necesidades del usuario.
También, podrían utilizar otras herramientas de inteligencia artificial adicionales, siempre y cuando me lo hicieran saber.
Con el fin de observar la adopción de IA generativa de los estudiantes haciendo énfasis en la integridad académica, diseñé para mi clase, un formato de seguimiento de uso de herramientas de IA, ver Tabla 1. Si los estudiantes usaban IA generativa debían llenar el formato al entregar el manuscrito final.
Tabla 1. Resumen del formato de Seguimiento de uso de herramientas de Inteligencia Artificial. Fuente: Elaboración propia (2023).
Además del formato de seguimiento, diseñé tres materiales educativos para indicar a los estudiantes qué se esperaba en cada entregable e introducir el uso de herramientas de inteligencia artificial.
En el primer material educativo, les muestro a los estudiantes cómo plantear una pregunta de investigación con y sin las herramientas. También, doy indicaciones de cómo buscar un tema de investigación. Usando Perplexity ai, se le pregunta “¿Qué se puede investigar en México usando técnicas de series temporales?” La herramienta dio una serie de resultados y a partir de allí, los estudiantes fueron orientando su búsqueda de acuerdo con sus intereses.
En el segundo material educativo, les presento a los estudiantes un ejemplo de cómo se escribe la metodología de un proyecto empírico y adicionalmente, para ampliar su comprensión, buscan en ChatGPT o Perplexity AI cómo escribir la metodología de un proyecto empírico relacionado a series de tiempo.
En el tercer material educativo, les muestro cómo buscar y editar códigos de programación en ChatGPT y Perplexity AI. Esto permitió una minimización en los tiempos de búsqueda y una mejora en el tipo de información requerida.
Resultados
De un total de siete grupos, cinco adoptaron distintas herramientas de IA generativas en al menos una fase del proyecto empírico. Una vez adoptadas las herramientas y al final del curso, las y los estudiantes se mostraron con apertura, pero al mismo tiempo con precaución al uso que daban a las mismas.Ciertos equipos mencionaron que, si bien les ayudaban, tenían que mantener un pensamiento crítico en su uso. Algunos equipos manifestaron que se motivaron a buscar información confiable.
Por otro lado, las herramientas de inteligencia artificial sugirieron a los estudiantes algunos artículos para revisión de la literatura que no se encontraban en herramientas de búsqueda tradicionales.Estas sugerencias, los llevó a buscar los artículos en las bases de datos de la biblioteca de la universidad en la que estudian. Podemos observar que las herramientas de IA pueden motivar a las y los estudiantes a mejorar sus búsquedas de información usando fuentes confiables aumentando de esa forma la calidad de la revisión de la literatura y la discusión de los resultados. De igual forma, manifestaron que no pudieron acceder dentro de las mismas herramientas a los artículos sugeridos porque “muchos papers eran privados” y por lo tanto tuvieron que buscarlos en biblioteca. En cuanto a los códigos de programación, indicaron que el uso de la IA les ahorró tiempo y resolvió varias inquietudes que tenían.
A continuación, les comparto un resumen con las respuestas dadas por los equipos en el formato de seguimiento de uso de herramientas de IA:
Usos de las herramientas de IA por estudiantes
“Perplexity se utilizó para buscar papers con temas similares a lo que nosotros queríamos abordar, en algunos casos, solo nos daba los títulos y nosotros complementamos la búsqueda en la Biblioteca”.
“Usamos ChatGPT para la revisión de literatura, le preguntamos qué elementos nos recomendaría abordar, aunque al final nosotros modificamos su sugerencia y la adaptamos a nuestro proyecto”.
“Para saber qué decían los errores que nos aparecían en el software al momento de correr los comandos”.
“Conocer qué es lo que debe de incluir en una buena introducción, una buena revisión de la literatura y una buena conclusión”.
“La utilizamos para saber cómo redactar una metodología para nuestro trabajo. Su respuesta nos sirvió como guía para poder escribir los datos de nuestro trabajo de forma más ordenada, y brindando una descripción de las variables”.
“Realizamos las siguientes preguntas: 1) ¿cómo escribir la metodología de un proyecto empírico? y 2 ¿dónde puedo obtener datos de la producción industrial de Mex y USA?”.
“La IA nos ayudó a conocer los códigos de programación necesarios para poder elaborar nuestro trabajo en Stata. Por ejemplo, nos indicó cómo crear una variable (Num) que nos permita separar nuestras variables en los dos periodos de tiempo que analizamos”.
Una vez que leí las respuestas en el formato de seguimiento y revisé los proyectos, pude notar la transparencia de los estudiantes al notificar como habían usado las herramientas e incluso reportar herramientas que no habían sido sugeridas. Esto puede indicar que, si le damos seguimiento al uso de las herramientas de IA generativas en clase, es probable que las faltas a la integridad académica sean disminuidas. En los proyectos entregados, no detecté deshonestidad académica, por tanto, considero que sí es posible que los estudiantes actúen con honradez al usar inteligencia artificial. Por otra parte, noté que los estudiantes refuerzan lo aprendido en clase con las herramientas de IA al no conformarse con los materiales y orientaciones dadas en el aula y aprovechar estas herramientas para perfeccionar lo aprendido, es decir, usan las herramientas como complemento al aprendizaje obtenido en clase.
En cuanto a la calidad de la información en la presentación del proyecto fue bastante alta. Las y los estudiantes manifestaron encontrar a través de herramientas de IA nuevas formas de presentar gráficamente la información de sus datos impactando la calidad visual del proyecto. De igual forma, se observó que lograron resolver problemas durante el proceso de elaboración del proyecto, adquiriendo esta competencia.
Lograron solventar sus dudas e inquietudes a través de las herramientas de IA que habrían sido difícil de responder usando herramientas de búsqueda tradicionales. Esto les permitió mejorar la precisión de la información y de las afirmaciones realizadas. En general, más allá de los resultados académicos, es mi percepción que, se disminuyó la ansiedad de las y los estudiantes en la búsqueda de códigos de programación que les permitiese trabajar de forma particular con sus datos. Hubo una disminución en los errores de programación y en los tiempos de búsqueda.
Reflexión
Para finalizar, no dejo de pensar que la adopción de herramientas de IA en las aulas nos presenta muchos retos, pasando desde la integridad académica hasta los cuestionamientos de privacidad de los datos y de la veracidad de la información. Su incorporación en algunas asignaturas debe pasar por la reflexión previa del profesorado, ponderando los riesgos y las ganancias en su adopción. Introducir y permitir el uso de herramientas de IA en la realización de los proyectos empíricos estudiantiles de uno de mis cursos no fue una decisión fácil; sin embargo, luego de analizar cómo podía incorporarlas minimizando la probabilidad de las faltas de honestidad académica y basándome en un enfoque formativo de la integridad, tomé la decisión de que los estudiantes las pudiesen adoptar de forma opcional.
La experiencia narrada tiene por supuesto sus limitaciones, existen oportunidades de mejora en su incorporación y por supuesto riesgos inherentes al uso de las herramientas de IA generativa. Las afirmaciones dadas en este artículo son muy específicas y están referidas a una sola experiencia con el formato y los materiales educativos creados exclusivamente para el proyecto empírico descrito previamente. Considero que debemos seguir investigando sobre las prácticas de aprendizajes con IA y así ponderar retos y beneficios de forma sistemática. La invitación es también a buscar protocolos que permitan afrontar los retos a los que nos enfrentamos cuando se implementa IA generativa en clase.
Acerca de la autora
Rosa María Morales Valera (rosa.moralesv@udem.edu) es académica de la Escuela de Negocios de la Universidad de Monterrey (UDEM), PhD en Economía por Claremont Graduate University (California, USA) y miembro del Sistema Nacional de Investigadores (SNI) de México. La autora es integrante del Consejo de Honor de la UDEM.
Referencias
Currie, G. M. (2023, May). Academic integrity and artificial intelligence: is ChatGPT hype, hero, or heresy? In Seminars in Nuclear Medicine. WB Saunders. https://doi.org/10.1053/j.semnuclmed.2023.04.00
IBM Education (2023). AI code-generation software: What it is and how it works. https://www.ibm.com/blog/ai-code-generation/
Moya, B., Eaton, S. E., Pethrick, H., Hayden, K. A., Brennan, R., Wiens, J., McDermott, B., & Lesage, J. (2023). Academic Integrity and Artificial Intelligence in Higher Education Contexts: A Rapid Scoping Review Protocol. Canadian Perspectives on Academic Integrity, 5(2), 59–75. https://journalhosting.ucalgary.ca/index.php/ai/article/view/75990.
Ta, R & D. West. (2023) Should schools ban or integrate generative AI in the classroom? The Brooking Institution. https://www.brookings.edu/articles/should-schools-ban-or-integrate-generative-ai-in-the-classroom/
Wooldridge, J. M. (2015). Introductory Econometrics: A Modern Approach. 6th ed.
"A medida que la Inteligencia Artificial (IA) se introduce rápidamente en las aulas, corremos el riesgo de confundir las respuestas rápidas y fáciles con el verdadero aprendizaje", afirma la emprendedora de educación con IA Priya Lakhani en reciente charla TED
Desde el año pasado, y en particular a partir del impacto que tuvo la difusión de una investigación del MIT , en la que se concluía que el chatGPT podría estar debilitando las habilidades de pensamiento crítico, existe en el ámbito de la educación, interrogantes acerca del impacto de la IA en los objetivos, los métodos, los contenidos de enseñanza, como también qué transformaciones debería experimentar la educación pero qué principios no debería cambiar.
En el libro Artificial, del año 2023, sus autores ya nos traían el concepto de sedentarismo cognitivo, en referencia a la incorporación de herramientas - básicamente digitales- que hemos hecho durante estos años durante estos años para facilitarnos nuestras vidas. Sin embargo, en algunos casos nos han hecho perder algunas habilidades, como por ejemplo la memoria, que es un pilar sustancial para la cognición y el desarrollo del pensamiento: “sin memoria no hay pensamiento ni inteligencia”.
En el video, Priya nos refuerza que la idea que el aprendizaje duradero no proviene de atajos, requiere de un esfuerzo cognitivo, de una lucha productiva, que es el esfuerzo mental que fomenta la comprensión.
Las experiencias y prácticas de uso que estamos registrando en las instituciones educativas, evidencian un mayor uso de parte de los estudiantes para “hacer todo el trabajo por ellos”. No utilizan la IA para ayudarlos a aprender, sino que utilizan la IA para “evitar” el aprendizaje.
El riesgo real, según la experta, es la ilusión de competencia. Cuando leemos un texto fluido generado por un chat de IA, creemos que aprendimos, pero la realidad es que nuestro cerebro no ha hecho el trabajo cognitivo necesario para aprender: confundimos la fluidez con el aprendizaje.
Para un aprendizaje duradero, Lakhani propone 4 (cuatro) técnicas basadas en las ciencias del aprendizaje, y que requieren de un esfuerzo cognitivo:
Recuperación (Retrieval): no basta con leer; hay que esforzarse por recordar la información de la memoria.
Espaciamiento (Spacing): distribuir el estudio en el tiempo para reforzar las conexiones neuronales.
Generación (Generation): intentar responder o crear la solución por uno mismo antes de ver la respuesta correcta.
Reflexión (Reflection): analizar cómo estamos aprendiendo y qué brechas nos faltan por cubrir.
Entonces, ¿cuál es el rol de la IA: ¿socio o sustituto?
Lakhani, como Sigman y Bilinkis (autores de Artificial), como tantos otros, entre los que me incluyo, no están en contra del uso de la IA. La IA identifica patrones a partir de datos complejos, y es algo que lo puede hacer mucho mejor que nosotros. Además, una IA bien diseñada puede resultar el mejor socio o copiloto: “Que una máquina pueda realizar una función no significa que tengamos que abandonarla”. En este sentido, la IA no nos va a reemplazar, nos amplifica, nos multiplica.
Una IA educativa nos potenciaría pero no dando la respuesta directamente, sino:
Induciendo al estudiante a generar una respuesta en lugar de rebelarse.
Prediciendo cuándo un estudiante está a punto de olvidar algo y recordárselo en el momento justo, ser un verdadero copiloto para el aprendizaje.
Contribuyendo en la reducción de la carga administrativa de los docentes para enfocarse en la enseñanza.
El esfuerzo, es la clave
El conocimiento humano trasciende la mera acumulación de datos e información, si dejamos que la IA sustituya las facultades del pensamiento y las capacidades de abstracción e imaginación, estaremos en serios problemas
Caldera Serrano, Jorge. “Potencialidades de la inteligencia artificial en la difusión de la ciencia a través de repositorios institucionales.” Métodos de Información 16, no. 31 (2025): 26–46. https://doi.org/10.5557/IIMEI16-N31-026046
El artículo analiza en profundidad el papel emergente de la inteligencia artificial (IA) en la transformación de los procesos de difusión del conocimiento científico, poniendo el foco en los repositorios institucionales como infraestructuras clave del acceso abierto.
El autor parte de la premisa de que, en el contexto actual de sobreabundancia informativa, los sistemas tradicionales de organización, recuperación y visibilidad de la producción científica resultan insuficientes, lo que abre la puerta a la incorporación de tecnologías inteligentes capaces de optimizar estos procesos. En este sentido, la IA se presenta como una herramienta estratégica que permite no solo gestionar grandes volúmenes de información, sino también mejorar la accesibilidad, la relevancia y la personalización de los contenidos científicos.
A lo largo del trabajo se describen diversas aplicaciones concretas de la inteligencia artificial en los repositorios institucionales. Entre ellas destacan los algoritmos de recomendación, que facilitan la localización de documentos relevantes para los usuarios; las técnicas de procesamiento del lenguaje natural, que permiten enriquecer los metadatos y mejorar la indexación; y los sistemas de análisis automatizado que contribuyen a identificar tendencias, patrones de uso y áreas emergentes de investigación. Estas funcionalidades no solo incrementan la visibilidad de la producción científica, sino que también favorecen una circulación más eficiente del conocimiento dentro de la comunidad académica y hacia la sociedad en general.
El autor también reflexiona sobre el impacto que estas tecnologías pueden tener en la democratización del acceso a la ciencia. La IA, aplicada de manera adecuada, puede reducir barreras de acceso, facilitar la reutilización de la información y contribuir a una mayor equidad en la difusión del conocimiento. Sin embargo, el artículo no adopta una postura exclusivamente optimista, sino que incorpora una mirada crítica sobre los desafíos que conlleva la implementación de estas herramientas. Entre los principales riesgos se mencionan la opacidad de los algoritmos, los posibles sesgos en la selección y recomendación de contenidos, así como las implicaciones éticas relacionadas con la privacidad de los datos y la gobernanza de la información.
Asimismo, se subraya la necesidad de que los profesionales de la información —bibliotecarios, documentalistas y gestores de repositorios— adquieran nuevas competencias tecnológicas que les permitan integrar y supervisar estos sistemas de inteligencia artificial. La formación continua y la colaboración interdisciplinar se presentan como elementos esenciales para garantizar una implementación responsable y eficaz de la IA en el ámbito de la comunicación científica. En este contexto, los repositorios institucionales no solo evolucionan como herramientas técnicas, sino como espacios estratégicos donde se redefine el papel de la mediación informativa.
En conclusión, el artículo plantea que la inteligencia artificial tiene un enorme potencial para revolucionar la difusión de la ciencia, siempre que su desarrollo e implementación se realicen desde una perspectiva ética, transparente y centrada en el usuario. Lejos de sustituir a los profesionales de la información, la IA se configura como un complemento que amplifica sus capacidades, permitiendo avanzar hacia un ecosistema científico más accesible, eficiente e inclusivo.
eXeLearning es un programa de software libre para crear recursos educativos. Nos permite añadir texto, imágenes, audio, vídeo y dispone de un completo conjunto de recursos interactivos. Además, podemos insertar cualquier recurso creado fuera de eXeLearning gracias a su gestor de archivos, capaz de albergar cualquier objeto digital, y a la capacidad que tiene eXeLearning para insertarlos, aunque estén fuera del propio recurso.
Los proyectos (nombre que se da a los archivos creados con eXe, que tienen extensión ELPX) se pueden también exportar como página web (nos dará un archivo ZIP con la web en su interior), SCORM 1.2 (utilizado por programas educativos como Moodle), ePub (para libros electrónicos) y también como página única (todo el proyecto en una única página).
Hemos hecho tres aplicaciones que ofrecen apoyo al programa:
EdEX es un editor de estilos que permite utilizar diversas fuentes:
Por defecto, aparece un ejemplo cargado con el estilo base de eXeLearning. Podemos empezar a modificarlo o seleccionar cualquiera del resto de estilos que vienen con eXeLearning.
Cargar un estilo en formato ZIP de cualquier versión.
Cargar un archivo ELPX y trabajar directamente con él y el estilo que lleva incorporado. Podremos extraer el estilo por separado y volver a guardar el ELPX que lo incorporará.
Una vez que comencemos a modificarlo, podremos hacerlo a través de las pestañas que hay en el panel izquierdo o pulsando el botón para cambiar a modo edición por clic (el botón que hay en la esquina superior derecha).
eXeConvert
eXeConvert permite convertir entre diferentes formatos, donde el ELPX es el formato central.
ELP. Es el formato de las versiones anteriores. Cualquier ELP cargado en el programa es automáticamente convertido en ELPX que podremos guardar en el ordenador o convertirlo en DOCX, MD o PDF.
DOCX. Podemos exportar el ELPX hacia DOCX, pero también importar el DOCX para generar un ELPX. Los diferentes niveles de encabezados definen las páginas, subpáginas y los iDevices.
En el caso ELPX -> DOCX, se crearán los encabezados siguiendo la pauta: Los títulos de las páginas se convertirán en encabezado 1, los de las subpáginas en encabezado 2, las subpáginas de las subpáginas, encabezado 3, etc. Los títulos de los iDevices serán los próximos encabezados no usados (el 2, 3, …). Los encabezados propios que ya lleven los iDevices se adaptan a esta estructura descendente, hasta un máximo de 6 niveles.
Para el caso opuesto DOCX -> ELPX se sigue el mismo proceso, pero el usuario decide cuántos niveles de páginas habrá.
MD. Corresponde al formato Markdown. Se pueden insertar las imágenes, o no, en el texto, aunque no es aconsejable sin un motivo concreto, ya que se codifican en base64 y el archivo quedará lleno de caracteres no legibles. Exportar en este formato es muy útil para extraer únicamente el texto con un formato bien definido. Se siguen las mismas reglas de importación/exportación con encabezados que en el formato DOCX.
PDF. El ELPX se puede guardar en formato PDF.
Cuando exportemos a DOCX, MD o PDF, podremos elegir qué páginas queremos exportar: todas o solo alguna.
Infografía: Formatos con los que trabaja eXeConvert
Sugerencia: Podemos crear la estructura de un recurso en Markdown utilizando una IA y diciéndole que utilice encabezados para los diferentes niveles del índice. Al convertir en ELPX este archivo, obtendremos la estructura completa de páginas y subpáginas de una forma muy sencilla.
Visor Web-ZIP
Visor Web-ZIP es un programa que nos permite publicar y compartir un ELPX o un proyecto exportado en ZIP (de cualquier versión de eXeLearning) simplemente subiendo a Drive, Dropbox, Nextcloud, Box.com o un sistema similar el archivo.
Para publicar un ELPX o un proyecto exportado como página web en ZIP, únicamente necesitamos:
Subir el archivo a un sistema de almacenamiento en la nube y compartirlo para que todos puedan verlo (Google Drive solo permite archivos de unos 25MB, si nuestro recurso ocupa más, habrá que utilizar otro servicio).
Pegar el enlace para compartir que hemos obtenido en la nube en la sección 2 del programa y copiar el enlace que nos proporciona. Con ese enlace cualquiera podrá ver en su navegador nuestro proyecto.
Se pueden poner fechas de apertura y cierre de visualización del recurso. Véase el artículo anterior para saber cómo hacerlo.
En la siguiente presentación se explica con más detalle el proceso, incluyendo los límites de distintos servicios y cómo subir archivos de hasta 2GB para compartir.
ELPX Translator Desktop
A diferencia del resto de programas, este no es una página web, sino una aplicación que debe ser instalada en el ordenador local. El motivo es que, al hacer uso de un modelo de traducción de IA, los requerimientos de cálculo son demasiado exigentes para ser llevados a cabo por un navegador.
Hay dos versiones para Linux (una para derivados de Debian y una AppImage), una para Windows y otra para macOS.
El funcionamiento es bien sencillo. Se indica qué archivo ELPX se quiere traducir, se elige el idioma al que se traducirá y se pulsa el botón Traducir.
Se utilizan modelos de código abierto que se ejecutan en local, por lo tanto, no se envían datos a ningún lado. M2M100 418M de Meta para todos los idiomas, excepto euskera y OPUS-MT, que es de la Universidad de Helsinki (Helsinki-NLP), para euskera.
