Indiscutiblemente la Inteligencia Artificial (IA) viene revolucionando el mundo de manera positiva, siendo especialmente importante en un mundo cada vez más interconectado como el actual, en el que la investigación en un campo a menudo se beneficia de los conocimientos de otro, un entorno donde las herramientas basadas en IA pueden identificar conexiones entre campos que, de otro modo, los investigadores que trabajan en bases de datos tradicionales específicas de un campo podrían pasar por alto; sin embargo, a pesar de sus ventajas, estas herramientas también presentan ciertas limitaciones que merecen una cuidadosa consideración.
A pesar de sus ventajas, los motores de búsqueda académica basados en IA como Consensus no están exentos de dificultades, y una limitación importante es la calidad y fiabilidad de los resultados generados por la IA, porque aunque los sistemas de IA pueden identificar patrones y conexiones en grandes conjuntos de datos, su comprensión del contexto sigue siendo limitada, lo que podría llevar a la inclusión de estudios irrelevantes o a la exclusión de otros esenciales, especialmente cuando se trata de temas matizados o muy especializados, además, en algunos casos, los motores basados en IA pueden simplificar en exceso consultas académicas complejas, ofreciendo resultados que no captan toda la profundidad del problema de investigación (Pellissier, 2020).
Otro problema es el posible sesgo de los algoritmos de IA, ya que aunque los sistemas de IA son tan buenos como los datos con los que se entrenan, es importante considerar si el conjunto de datos subyacente contiene sesgos, ya sea debido a la sobrerrepresentación de determinados tipos de investigación o a sesgos inherentes al sistema de publicación académica, estos sesgos pueden reflejarse en los resultados de la búsqueda; por ejemplo, los académicos menos publicados o infrarrepresentados pueden tener dificultades para que sus trabajos destaquen en estos sistemas, lo que puede reducir las perspectivas académicas, inclusive estas herramientas suelen requerir el acceso a bases de datos o revistas por suscripción, que pueden no estar al alcance de todos los investigadores, puesto que, aunque el propio motor de IA sea avanzado, su eficacia está limitada por los recursos de que dispone, pudiéndose agravar la brecha existente entre los investigadores de instituciones bien financiadas con acceso a amplias bases de datos y los que carecen de tales recursos.
En resumidas cuentas, los motores de búsqueda académica potenciados por IA de Consensus ofrecen numerosas ventajas, como búsquedas más rápidas y eficientes, mejora de la investigación interdisciplinar y resultados personalizados, pero deben tenerse en cuenta sus limitaciones, como el posible sesgo y la dependencia de datos basados en suscripciones. A medida que estas herramientas sigan evolucionando, es probable que su papel en el mundo académico sea cada vez más central, ayudando a los investigadores a gestionar el abrumador volumen de información de la investigación moderna, y para maximizar sus beneficios, será esencial garantizar que los sistemas de IA se entrenen con diversos conjuntos de datos y que sigan siendo accesibles para una amplia gama de usuarios, democratizando así el acceso al conocimiento académico.
Referencias:
Pellissier Tanon, T., Suchanek, F., & Weikum, G. (2020). Knowledge representation and reasoning in AI-powered academic search engines: Challenges and opportunities. Journal of Web Semantics, 65, 100610. https://doi.org/10.1016/j.websem.2020.100610