INTRODUCCIÓN

Es difícil estimar el tamaño total de internet debido a su constante crecimiento y la naturaleza distribuida de su infraestructura. Sin embargo, estudios señalan una cifra cercana a los 50 zettabytes (50 mil millones de terabytes) hasta 2022¹. Este tamaño abrumador se debe en gran medida a la cantidad de contenido generado por los usuarios, plataformas en línea y servicios digitales en todo el mundo. Así mismo, se calcula que una gran proporción del contenido en internet está compuesta por texto, ya sea en forma de código con lo que se generan las páginas web y ciertas aplicaciones, como correo electrónico o como documentos de texto. En el caso de material bibliográfico, se estima una tasa de crecimiento de 1 millón de publicaciones al año, lo que representa que cada 30 segundos un nuevo trabajo es añadido a las filas del internet².

El gran interés en la inteligencia artificial (IA) para transformar las economías se refleja en la escala del gasto global donde la Corporación Internacional de Datos predice casi $98 mil millones de dólares en 2023, más del doble de lo que se invirtió en 2019³. A pesar de que la IA ofrece numerosos beneficios, su adopción en el campo educativo es más lenta en comparación con otros campos como la medicina, las finanzas y la industria tecnológica⁴. Sin embargo, en los últimos años, en el periodo comprendido entre 2018 a 2022, el interés de adoptar esta disciplina para la educación ha crecido un 48%⁵, lo cual se refleja en el informe Horizon-2018 con un estimado de tiempo para la adopción de importantes desarrollos tecnológicos educativos de alrededor de tres años⁶.

Entre las principales aplicaciones de la IA en el ámbito educativo se encuentran el modelado predictivo en la analítica del aprendizaje, la tecnología de asistencia (como los sistemas de tutoría o asistentes de aprendizaje) y el análisis automático de contenido⁷; esta última herramienta ayuda a extraer y procesar información de grandes volúmenes de datos de manera eficiente, precisa y automatizada, facilitando la presentación de resultados contextualizados y personalizados con lo que se mejora también la productividad de quienes lo usan.

En este sentido, el panorama complicado que enfrenta la comunidad investigadora y docente en las tareas tradicionales de revisión de la literatura al navegar en un océano de datos que poseen un nivel de aportación poco relevante a sus trabajos, puede verse impulsado por el uso de las nuevas tecnologías basadas en IA, ya que en los procesos de revisiones sistemáticas su uso ha mostrado gran utilidad, cuando se emplean correctamente a través de herramientas de procesamiento inteligente de la información, lo que convierte a la IA en un aliado potencial en la optimización de los recursos invertidos en esta tarea⁸.

LOS MAYORES DESAFÍOS

Efectuar un proceso de revisión de la literatura académica implica abordar varios elementos reproducibles, como la identificación de todas las publicaciones relevantes de una manera estandarizada, la extracción de datos y la síntesis de los resultados. Dicho proceso tradicionalmente se realiza de forma manual, lo que conlleva recolectar una cantidad excesiva de documentos y supone un desafío para las capacidades cognitivas humanas al procesar grandes volúmenes de información en un tiempo corto asociado a la duración de una investigación. El trabajo de Wallace y cols.⁹, señala que incluso para un académico experimentado, la tarea de lectura y etiquetado de un abstract puede tomar hasta 7 minutos y dado que la información relevante se encuentra en una proporción menor al 5% de la información extraída, es sin duda un problema complejo al que es difícil encontrar un balance.

Es de suma importancia notar que la búsqueda de material bibliográfico incluso sobre un tema en específico puede arrojar resultados que exceden los 10,000 artículos¹⁰, lo que representa también un reto en la integración de criterios de selección y filtrado para los usuarios e incluso para los mismos sistemas de adquisición de información, permitiendo un riesgo notable de excluir un estudio potencialmente útil cuando se realizan las llamadas búsquedas rápidas o estrechas.

Además, es común toparse con información bibliográfica ocluida, haciendo que los sistemas automáticos operen sobre datos débilmente estructurados, incompletos, difusos y confusos. La presencia de metadatos dañados inhibe directamente la precisión en las consultas, afectando directamente la calidad de los resultados. Superar este desafío implica la utilización de métodos de imputación de datos, técnicas de minería de texto y análisis de patrones, para inferir y completar la información faltante, lo que obliga a los usuarios a hacer uso de herramientas tecnológicas para mitigar los efectos de una navegación desorientada sobre las bases de datos.

EL IMPULSO DE LA IA

En general, los sistemas basados en IA, así como el enfoque que brinda la disciplina del procesamiento de lenguaje natural (PLN), utilizan mecanismos de aprendizaje con el propósito de entender y replicar las decisiones que los humanos ejercen para priorizar y ordenar la información por relevancia y utilidad. En el contexto del procesamiento de la información, los mecanismos de aprendizaje de máquina (aprendizaje supervisado, no supervisado, auto-supervisado y reforzado) juegan un papel fundamental al permitir el aprendizaje a partir de un conjunto de datos (etapa de entrenamiento) y mejorar su rendimiento a medida que se les proporciona más información, ofreciendo así adaptabilidad y personalización de acuerdo con el impacto de la aplicación y las necesidades de uso. La Figura 1, muestra la muy estrecha relación entre la disciplina del PLN y los enfoques de aprendizaje de máquina, cada campo posee su propia base teórica, sin embargo, todos ellas convergen al darle un sentido aplicado.

Figura 1 Esquema de las inmediaciones de la inteligencia artificial 

La disciplina del PLN ofrece ir más allá del tratamiento puramente correctivo del texto en la búsqueda de generar sistemas con la capacidad de abstraer y analizar el significado semántico y sintáctico de la información. El PLN es útil en una amplia gama de tareas, como el resumido automático de documentos, el etiquetado de texto, la interpretación de tópicos, tareas de generación de preguntas y respuestas, el reconocimiento de las partes de una oración (entidades nombradas, verbos, sustantivos, etc.), así como la llamada comprensión lectora de máquina encargada de entender el significado del contexto¹¹. Lograr plasmar estas características en un sistema de cómputo, permite realizar diferentes tareas asociadas al lenguaje por el hecho de exhibir una capacidad cognitiva similar a la del ser humano con mucho menor tiempo de procesamiento¹², esto abre la posibilidad de una exploración más efectiva de la información y desde una perspectiva más nítida.

PIPELINE DE UN MECANISMO INTELIGENTE PARA LA REVISIÓN

Las guías presentadas por Okoli y Collins y cols. relatan el proceso de revisiones sistemáticas aplicadas originalmente a la medicina, donde los métodos de revisión difieren conceptualmente de otras áreas. Sin embargo, los retos que enfrenta la investigación actualmente en sentido epistemológico han demandado una búsqueda que pueda generalizar las revisiones sistemáticas con cambios adaptables a cada disciplina, donde se logre un equilibrio en encontrar eficientemente las metodologías cuantitativas y cualitativas más representativas dentro de los sistemas de información. La calidad de una revisión depende del rigor en la planeación, selección, extracción y el análisis de la información. Se sabe que el objetivo principal de este proceso es hallar tantos trabajos como sea posible, capaces de responder nuestras preguntas de investigación y seguir los protocolos iniciales propuestos en una etapa de planeación.

Posteriormente, la capacidad de filtrar y seleccionar el contenido de acuerdo con criterios establecidos, propicia una reducción sustancial del material a revisar. Esta etapa reconoce la necesidad de lidiar con los retos derivados del problema del contenido exorbitante de datos. La información adquirida mediante una etapa de extracción obedece el propósito de establecer la medida en que una aportación es relevante para la investigación. La evaluación de la calidad suele ser subjetiva, por la dificultad de asignar un valor numérico en el sentido de utilidad. Finalmente, la síntesis y el análisis permiten organizar, comparar y discutir los elementos que infieren en la comprensión y realización de un estudio. Este desarrollo y sus componentes se pueden apreciar en la Figura 2.

Figura 2 Pipeline de un proceso de revisión de la literatura académica  

El concepto de aprendizaje activo (del inglés active learning) se inspira en un pipeline generalizado y pretende simular los procesos cognitivos del humano, al plantear un modelo autónomo para el procesado de la información mediante diversas etapas. Como primera medida, se establece una etapa capaz de elegir un conjunto de datos provenientes de una búsqueda automática a partir de criterios establecidos. Segundo, la etapa de selección contribuye a definir el conjunto de elementos técnicos relacionados con el sistema de IA, dentro de los más relevantes están la elección de un modelo y el ajuste inicial de sus parámetros. Posteriormente, la etapa de entrenamiento logra encontrar diferencias significativas reduciendo drásticamente el número de registros para llevar a cabo un primer cribado y etiquetado. Una característica notable de estos sistemas es que sus procesos van más allá de solo analizar los registros relevantes de una búsqueda por título, palabras clave y resumen, sino que también considera necesario aprender una gama complementaria de conceptos como campo y perfil del usuario, especialidad, referencias bibliográficas, etc., lo que provee de robustez, flexibilidad y precisión en el enfoque del clasificado de documentos personalizado, como se muestra en el esquema de la Figura 3.

Figura 3 Pipeline del aprendizaje activo inspirado en el método de revisiones sistemáticas 

La aplicación del aprendizaje activo a la revisión sistemática se le conoce como RITL, del inglés Researcher-In-The-Loop¹⁵, y es utilizada por algunas aplicaciones enfocadas a resolver prioritariamente algunas cuestiones del manejo de información. Principalmente, esta metodología es utilizada en el proyecto ASReview que ofrece un ecosistema donde incluye detección asistida por IA, infraestructura para personalizar los modelos, así como opciones para ejecutar sistemas de simulación para beneficiar principalmente el screening¹⁶. Una herramienta similar es Rayyan¹⁷, una plataforma que ofrece un sistema que promete aprender de las decisiones que toman los usuarios para la selección del material, además de ofrecer portabilidad y un ambiente colaborativo. Otra más es Elicit, un asistente de investigación parcialmente impulsado por IA que le permite automatizar varios procesos de revisión al hacer desde búsquedas de similitud semántica con resumido textual hasta metaanálisis¹⁸. Este potencial se ha obtenido gracias a los recientes avances de los grandes modelos de lenguaje (del inglés Large Language Models) y en específico de GPT (del inglés Generative Pretrained Transformer). La Tabla 1 muestra algunas de las herramientas más utilizadas en la actualidad y su aportación significativa en alguna etapa interna del proceso de revisión.

Los grandes modelos de lenguaje (LLMs) marcan un importante ciclo en la revolución de la IA de los últimos años para efectuar y perfeccionar las tareas en las que se enfoca el PLN¹⁹. Son básicamente algoritmos de aprendizaje profundo aplicados al lenguaje humano, con un conocimiento previo obtenido a través de un proceso de entrenamiento con un conjunto masivo de datos. El uso efectivo de los LLMs implica diseñar estrategias de instrucciones (prompt engineering) con el fin de generar respuestas precisas, relevantes y coherentes, así como evitar un comportamiento incongruente o ficticio del tipo alucinaciones²⁰. Dentro del gran abanico de los LLMs, se encuentra el modelo GPT en su versión más reciente (GPT4) el cual produce la herramienta ChatGPT de gran popularidad y aplicación para casi todas las áreas del lenguaje natural²¹. Un modelo similar es el llamado BERT (del inglés Bidirectional Encoder Representation from Transformer), que ha sido desarrollado y lanzado como herramienta de código abierto con la intención de ser personalizable por la comunidad²². Su versión SciBERT aprovecha un conjunto masivo de información científica de múltiples dominios para mejorar el rendimiento precisamente en tareas del PLN con enfoque científico²³. Tal es el caso de la herramienta Scite que, con este modelo en particular, afronta la cuestión de evaluación de referencias basado en el diseño de una métrica para contextualizar la información²⁴. Con ello se busca proporcionar evidencia de apoyo a la etapa de screening.

INTELIGENCIA ARTIFICIAL RESPONSABLE Y EXPLICABLE

Las herramientas existentes que facilitan los procesos de revisión actualmente tienen tres inconvenientes principales:

Se sabe que la ciencia abierta tiene el potencial de generar avances significativos en diversos campos, esto conlleva responsabilidades referentes al manejo de la información. Se pretende que los sistemas de IA adquieran un sentido de responsabilidad social y humana, eviten el sesgo y la discriminación garantizando la equidad, promuevan la colaboración y apertura, todo esto con el propósito de hacer válidos los principios éticos con los que se apuesta a desarrollar las nuevas tecnologías²⁹. Un punto medular para afrontar la concientización de la IA responsable es la transparencia algorítmica, la cual tiene como objetivo fomentar la confianza y seguridad al proporcionar la explicabilidad necesaria sobre la autonomía de estos sistemas, además de encontrar un equilibrio entre la protección de los datos y el derecho de acceso a la información para todos los usuarios.

Es evidente que la autonomía juega un papel importante cuando se habla de contextualizar los elementos de información que se transmiten a medida que se ocupa la IA dentro de un proceso de adquisición de datos, como lo son las revisiones de la literatura académica. La capacidad de resaltar la relevancia de ciertas situaciones en la interacción máquinahumano para generar juicios y tomar decisiones, obedece a un nivel mayúsculo en la autoconciencia y la comprensión del entorno. De esta forma, es posible concebir una IA más general (del inglés AGI, Artificial General Intelligence) cuyas características de aprendizaje, razonamiento, comunicación, creatividad y conciencia son comparables, en teoría, a las capacidades humanas.

Se espera que las futuras investigaciones logren abordar las preguntas clave sobre ¿cómo dar transparencia y explicabilidad a un sistema autónomo? Pues el hecho de hablar de una AGI tangible es sinónimo de complejidad, con miras a un proyecto a largo plazo por el hecho de ser un desafío que involucra a un campo interdisciplinario de estudio. Hasta que estas preguntas logren responderse con cierto grado de satisfacción, es probable que los dilemas éticos con implicaciones en lo social y la educación continúen siendo una interrogante persistente, incluso en los procesos de revisión de literatura.

CONCLUSIONES

El proceso de revisión de la literatura académica involucra tanto tareas creativas como mecánicas, lo que abre la posibilidad para que herramientas basadas en IA emerjan, con el fin de reducir los esfuerzos que los usuarios emplean en las tareas repetitivas de este complejo proceso. El objetivo de estas herramientas va más allá de optimizar los procesos, considerando también liberar tiempo para dedicarlo a las tareas que requieren de la interpretación humana, intuición, creatividad y la experiencia académica, por lo que se convierten en un aliado potencial con miras al continuo crecimiento de la información y el conocimiento

Se prevé un escenario donde la IA siga mejorando su eficiencia en las tareas tradicionales de revisión, en comparación con otras metodologías más creativas. Al mismo tiempo, se necesita un discurso bien informado para identificar las áreas de aplicación apropiadas, así como para abordar los desafíos asociados al uso responsable de estos sistemas, lo que da lugar a la necesidad de generar un marco teórico que analice los efectos de la autonomía, la explicabilidad, la privacidad, así como sus implicaciones. Finalmente, la aceptación y normalización por parte de la comunidad académica es esencial para brindar un impulso sobresaliente en la investigación y docencia al mantenerse a la vanguardia tecnológica y adquirir las habilidades de innovación demandadas hoy en día en el ámbito educativo.