💻 computer science

What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

Esta revisión rápida de 40 artículos seleccionados identifica ocho competencias esenciales para investigadores alfabetizados en LLM, enfatizando que el uso eficaz y responsable de la IA en la ciencia depende más de la pericia en el dominio, la supervisión crítica y la responsabilidad ética que del conocimiento técnico por sí solo.

Autores originales: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Publicado 2026-07-20

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el mundo de la ciencia como una biblioteca enorme y bulliciosa donde los investigadores son los bibliotecarios. Durante décadas, estos bibliotecarios han tenido un libro de reglas estricto: deben encontrar libros, leerlos cuidadosamente, verificar los hechos y escribir sus propios informes basados en lo que han aprendido. Pero recientemente, un asistente robótico increíblemente rápido y hablador ha llegado a la biblioteca. Este robot, impulsado por algo llamado "Modelo de Lenguaje de Gran Escala" (o LLM, por sus siglas en inglés), puede leer millones de libros en un segundo, resumirlos, redactar borradores e incluso ayudar a resolver acertijos complejos. Es como tener un pasante superinteligente que nunca duerme.

Sin embargo, hay un truco. Este robot es un poco embaucador. A veces dice la verdad, pero otras veces inventa hechos con total confianza (un error que los investigadores llaman "alucinación") o copia ideas sin dar crédito. Debido a esto, la gran pregunta no es solo "¿Puede el robot ayudarnos?", sino "¿Qué habilidades necesitan los bibliotecarios humanos para mantener al robot bajo control?". Si los bibliotecarios no conocen lo suficiente sobre los libros que están organizando, podrían dejar que el robot escriba todo el informe, lo que llevaría a una biblioteca llena de mentiras. Este artículo profundiza exactamente en qué habilidades necesitan los investigadores para usar estos robots de IA de manera responsable sin perder su propia cordura o la verdad.

La Gran Búsqueda del Detective de la IA

Un equipo de investigadores decidió jugar a ser detectives para responder a una pregunta ardiente: ¿Qué se necesita realmente para ser un investigador que utiliza herramientas de IA de manera efectiva, crítica y responsable? No se limitaron a adivinar; realizaron una misión de revisión rápida, escaneando 194 artículos publicados entre 2022 y 2025. De esta montaña de papeleo, seleccionaron cuidadosamente 40 artículos que mostraban ejemplos de la vida real de personas utilizando la IA en su investigación. Luego, utilizaron una mezcla de cerebros humanos y una segunda herramienta de IA para filtrar estos artículos, buscando las "superpotencias" o competencias específicas que los investigadores exitosos parecían poseer.

Lo que encontraron fue una lista de ocho habilidades esenciales. Piensen en estas no como habilidades de programación informática, sino como los músculos mentales que un investigador necesita ejercitar.

1. El Ojo Experto (Pericia en el Dominio y Supervisión)
Esta fue la habilidad más común encontrada, apareciendo en 123 instancias a través de los estudios. Imaginen al robot de IA como un guía turístico muy rápido y muy seguro de sí mismo que sabe un poco de todo, pero no es experto en nada. Si tú no conoces el territorio por ti mismo, podrías creer al guía cuando señala una cascada falsa y dice: "¡Eso es real!". El artículo sugiere que los investigadores deben ser los verdaderos expertos en su campo. Deben conocer el tema lo suficientemente bien como para detectar cuándo la IA está mintiendo, inventando fuentes o dando una respuesta superficial. El robot puede hacer el trabajo pesado, pero el humano debe ser quien diga: "Espera, eso no suena bien", y verifique los hechos.

2. El Interruptor Inteligente (Metacognición y Toma de Decisiones)
Encontrada en 55 instancias, esta habilidad trata sobre saber cuándo usar al robot y cuándo apagarlo. Es como decidir si usar un taladro eléctrico para colgar un cuadro o simplemente usar un martillo. Los investigadores descubrieron que los mejores científicos no dejan que la IA se apodere de todo el trabajo. Deciden qué partes de la investigación son seguras para la IA (como organizar notas) y qué partes deben seguir siendo humanas (como extraer la conclusión final). Se trata de ser el capitán del barco, no solo un pasajero.

3. La Brújula Moral (Ética, Privacidad e Integridad)
Con 53 menciones, esta habilidad trata de jugar limpio. Usar la IA no es solo obtener respuestas; es hacerlo sin robar, sin mentir y sin filtrar secretos. Los investigadores deben saber cómo proteger los datos privados, cómo admitir cuándo usaron un robot para escribir parte de su artículo y cómo asegurarse de no estar cometiendo plagio accidentalmente. Es la diferencia entre usar una calculadora para hacer matemáticas y hacer trampa en un examen haciendo que alguien más haga el trabajo por ti.

4. El Arte de Preguntar (Ingeniería de Prompts)
Esto apareció 38 veces. Si le haces al robot una pregunta vaga como "Háblame de la ciencia", obtendrás una respuesta vaga y aburrida. Pero si preguntas: "Explica la teoría de la relatividad a un niño de 12 años usando una analogía de pizza", obtendrás algo increíble. Esta habilidad consiste en aprender cómo hablarle a la IA. Es como ser un director dando instrucciones a un actor; cuanto mejor sea tu guion (el prompt), mejor será la actuación. Los investigadores descubrieron que refinar estas preguntas una y otra vez es clave para obtener resultados útiles.

5. El Rastro de Papel (Reproducibilidad y Reporte)
Encontrada en 29 instancias, esto trata de llevar un diario. Si utilizas una herramienta de IA para ayudarte a encontrar información, debes escribir exactamente qué le preguntaste, qué versión de la herramienta utilizaste y cómo verificaste su trabajo. ¿Por qué? Para que si alguien más quiere repetir tu experimento, pueda ver exactamente cómo lo hiciste. Es como dejar un rastro de migas de pan para que nadie se pierda en el bosque de tu investigación.

6. El Constructor de Planos (Diseño Metodológico y Experimental)
Esta habilidad, mencionada 20 veces, trata de planificar todo el proyecto antes de siquiera encender la IA. Es como un arquitecto dibujando un plano de construcción antes de colocar un solo ladrillo. Los investigadores deben diseñar sus estudios para que la IA encaje adecuadamente sin romper la estructura. Tienen que definir sus objetivos y límites claramente para que el robot no se desvíe y construya una casa sobre un pantano.

7. El Traductor Tecnológico (Alfabetización en IA y Conocimiento Técnico)
Curiosamente, esto se mencionó con menos frecuencia (solo 16 veces) y fue señalado como un riesgo si falta. Esto no significa que los investigadores deban ser ingenieros de software que puedan construir la IA desde cero. En cambio, deben entender cómo piensa el robot, cuáles son sus límites y qué tipo de errores tiende a cometer. Es como saber que un coche necesita gasolina y frenos, aunque no sepas cómo construir el motor. Sin este entendimiento básico, podrías confiar en que el coche se conduce solo cuando en realidad está roto.

8. El Detective de Datos (Análisis e Interpretación de Datos)
Encontrada en solo 7 instancias, esto trata de usar la IA para ayudar a procesar números o encontrar patrones en los datos. Pero el artículo es claro: el humano debe seguir siendo quien interprete lo que esos números significan. La IA puede encontrar un patrón, pero el humano tiene que decidir si ese patrón es importante o solo una coincidencia.

El Panorama General

Los autores sugieren que usar la IA en la investigación no es solo aprender una nueva herramienta; es convertirse en un pensador mejor y más crítico. La conclusión más importante es que el humano sigue siendo el jefe. La IA es un asistente poderoso, pero no puede reemplazar la necesidad del juicio, la pericia y la responsabilidad humana. Si un investigador no tiene el "Ojo Experto" o la "Brújula Moral", la IA podría desviarlo del camino.

El artículo concluye que las escuelas y los programas de formación deben enseñar estas ocho habilidades en conjunto. No basta con solo mostrar a los estudiantes cómo escribir un prompt; necesitan aprender cómo cuestionar las respuestas, cómo mantenerse éticos y cómo mantener al humano en el proceso. En un mundo donde los robots pueden escribir ensayos y analizar datos, la habilidad más valiosa que un investigador puede tener es la sabiduría para saber cuándo confiar en el robot y cuándo confiar en su propio cerebro.

Resumen Técnico: Competencias para Investigadores con Alfabetización en LLM

Planteamiento del Problema
La rápida integración de los Modelos de Lenguaje Extensos (LLM, por sus siglas en inglés) en la investigación científica ha creado una brecha crítica en la comprensión de las competencias específicas que los investigadores y estudiantes de posgrado requieren para utilizar estas herramientas de manera efectiva, crítica y responsable. Si bien la literatura existente aborda la alfabetización en IA, la integridad de la investigación y la ingeniería de prompts de forma aislada, existe una falta de evidencia consolidada respecto a la intersección de estos dominios dentro del ciclo de vida de la investigación. Específicamente, no está claro cómo las competencias de investigación tradicionales (p. ej., el rigor metodológico, la conducta ética) se intersectan con las nuevas habilidades específicas de la IA para asegurar la producción de conocimiento confiable en entornos asistidos por IA.

Metodología
Los autores realizaron una revisión rápida de la literatura publicada entre 2022 y 2025 para identificar y consolidar las competencias requeridas. El estudio siguió un proceso de cuatro fases:

Identificación de Estudios: Se recuperaron 194 artículos de Elicit (utilizando búsqueda semántica asistida por IA) y Google Scholar (primeras 10 páginas de resultados). Los autores priorizaron la recuperación oportuna sobre la cobertura exhaustiva, optando por estas fuentes en lugar de bases de datos curadas como Scopus o IEEE Xplore.
Selección de Estudios: Dos grupos independientes de investigadores filtraron títulos y resúmenes, seguidos de un análisis de texto completo, basándose en cinco criterios de inclusión (p. ej., documentación de prácticas de investigación científica mediadas por IA generativa, publicación entre 2022–2025). Este proceso arrojó 40 artículos para la extracción final de datos. La confiabilidad inter-evaluador se evaluó mediante Gwet's AC1 (0.76–0.83), lo que indica un acuerdo sustancial a casi perfecto.
Extracción y Análisis de Datos: Los autores emplearon un enfoque dual de análisis temático:
- Análisis Manual: Se analizaron 40 artículos para extraer 147 instancias de competencia, las cuales fueron codificadas iterativamente en 26 códigos y consolidadas en 7 temas.
- Análisis Asistido por IA: Un LLM analizó de forma independiente 17 artículos (seleccionados mediante un proceso de validación paralelo) para extraer 199 ocurrencias y generar 9 temas.
- Síntesis: Los investigadores fusionaron los temas manuales y los generados por IA basados en la equivalencia conceptual, resultando en 8 competencias consolidadas.
Amenazas a la Validez: Los autores reconocen limitaciones, incluyendo la exclusión de bases de datos revisadas por pares (lo que podría reducir la cobertura), la naturaleza cualitativa de la codificación y el hecho de que los recuentos de frecuencia ( $\Sigma n$ ) representan la saliencia relativa en lugar de la prevalencia precisa debido al agrupamiento no de-duplicado de los análisis manuales y de IA.

Contribuciones Clave
El artículo realiza tres contribcciones primarias:

Síntesis de Evidencia Empírica: Consolida cómo se utilizan actualmente los LLM a lo largo del ciclo de vida de la investigación, desde la exploración de la literatura hasta el análisis de datos.
Marco de Competencias: Identifica y define ocho competencias específicas requeridas para la investigación asistida por IA, yendo más allá de la instrucción técnica para incluir dimensiones epistémicas, éticas y metodológicas.
Implicaciones para la Educación y la Práctica: Proporciona una base para diseñar programas de posgrado e iniciativas de alfabetización en IA que preparen a los investigadores para una integración responsable de la IA.

Resultados: Ocho Competencias Identificadas
El análisis identificó ocho competencias, clasificadas por su prevalencia en la literatura ( $\Sigma n$ ):

Experiencia en el Dominio y Supervisión de los Resultados de la IA ( $\Sigma n = 123$ ): La competencia más prevalente. Implica la capacidad de evaluar críticamente el contenido generado por IA, verificar fuentes, detectar alucinaciones y retener la responsabilidad última sobre las conclusiones de la investigación. La literatura enfatiza que el conocimiento del dominio es un prerrequisito para una evaluación crítica significativa.
Metacognición y Toma de Decisiones Respecto al Uso de la IA ( $\Sigma n = 55$ ): La capacidad de determinar cuándo, dónde y cómo desplegar la IA. Esto incluye juzgar la idoneidad de la tarea, mantener el control de "humano en el bucle" (human-in-the-loop) y decidir qué tareas requieren experiencia humana directa frente a la aumentación por IA.
Ética, Privacidad e Integridad Académica ( $\Sigma n = 53$ ): Abarca el manejo responsable de datos, la transparencia respecto a la participación de la IA, la atribución adecuada, la prevención del plagio y la conciencia de las implicaciones legales/sociales a lo largo del proceso de investigación.
Ingeniería de Prompts para la Investigación ( $\Sigma n = 38$ ): La habilidad de formular, refinar y contextualizar instrucciones para guiar a los sistemas de IA hacia resultados confiables. Esto incluye el refinamiento iterativo y la especificación de contexto y objetivos.
Reproducibilidad y Reporte del Uso de la IA ( $\Sigma n = 29$ ): La práctica de documentar prompts, versiones de modelos, configuraciones y procedimientos de validación para asegurar la transparencia y permitir la replicación de los pasos asistidos por IA.
Diseño Metodológico y Experimental con IA ( $\Sigma n = 20$ ): La capacidad de integrar la IA en la planificación de la investigación, definiendo restricciones, flujos de trabajo y procedimientos de validación que tengan en cuenta las fortalezas y limitaciones de la IA.
Alfabetización en IA y Conocimiento Técnico ( $\Sigma n = 16$ ): Comprensión de las capacidades, limitaciones, riesgos y características técnicas de la IA. El artículo señala que esto se identifica explícitamente como un factor de riesgo cuando está ausente, pero es menos prevalente que la supervisión específica del dominio.
Análisis e Interpretación de Datos con IA ( $\Sigma n = 7$ ): Uso de la IA para apoyar el análisis cuantitativo/cualitativo (p. ej., generación de código, reconocimiento de patrones) preservando la responsabilidad humana en la interpretación de los resultados y la validación de la calidad analítica.

Significancia y Reivindicaciones
Los autores sostienen que preparar a los investigadores para los LLM requiere más que entrenamiento técnico; demanda un conjunto integrado de competencias epistémicas, éticas y metodológicas centradas en la responsabilidad humana.

Cambio Epistémico: Los hallazgos sugieren que los LLM no alteran los fundamentos epistémicos de la investigación. En lugar de transferir la responsabilidad a la IA, los investigadores deben ejercer el juicio respecto a cuándo usar la IA, cómo validar los resultados y bajo qué condiciones incorporar el contenido generado.
Redistribución de la Experiencia: El desafío no es obtener resultados, sino gobernar e integrar dichos resultados. La prominencia de la experiencia en el dominio y la supervisión indica que el rigor de la investigación tradicional sigue siendo la principal salvaguarda contra los errores de la IA (p. ej., alucinaciones, sesgos).
Implicaciones Educativas: El artículo argumenta que la educación de posgrado debe evolucionar para incluir estas competencias de manera explícita. La formación debe ir más allá del uso de herramientas para centrarse en la evaluación crítica, la toma de decisiones éticas y el mantenimiento de la integridad científica en los flujos de trabajo mediados por IA.

El estudio concluye haciendo un llamado a la investigación futura para investigar cómo estas competencias se manifiestan en diferentes disciplinas y cómo pueden ser evaluadas y apoyadas mediante la guía institucional.

Más como este