AI in Practice: A Multilingual Survey of 2025 BioHackathon Participants

Este artículo presenta un conjunto de datos multilingüe de 105 respuestas de la BioHackathon 2025 en Japón que analiza el uso, las aplicaciones, los obstáculos y las preocupaciones de la comunidad científica sobre la inteligencia artificial, ofreciendo tanto respuestas crudas anonimizadas como una versión limpia en inglés lista para su análisis cuantitativo.

Lo esencial

Imagina que el mundo de la biología y la genética es como una gigantesca cocina internacional. En esta cocina, los chefs (los científicos) están intentando crear nuevos platos (descubrimientos científicos) a una velocidad increíble.

Hace poco, en el año 2025, se celebró un evento llamado "BioHackathon" en Japón. Fue como un festival de cocina donde chefs de todo el mundo se reunieron para cocinar juntos. Pero había un ingrediente nuevo y muy potente en la despensa: la Inteligencia Artificial (IA).

Este documento es como un reporte de una encuesta que hicieron los organizadores para preguntar a los chefs: "¿Cómo están usando este nuevo ingrediente? ¿Les ayuda o les da miedo?".

Aquí te explico los puntos clave con analogías sencillas:

1. ¿De qué trata la encuesta? (El Menú)

Los organizadores hicieron una pregunta simple a 105 personas (chefs, ayudantes y dueños de restaurantes) en tres idiomas: inglés, japonés y tailandés.

• La pregunta: ¿Usan la IA? ¿Para qué? ¿Les da miedo que la comida salga mal?
• El resultado: Tienen una lista de respuestas que muestran si la gente usa la IA para solo "ayudar a pelar patatas" (tareas pequeñas), para "escribir el primer borrador del menú" (crear ideas) o para "cocinar el plato entero sin ayuda" (automatización total).

2. El Gran Reto: Hablar diferentes idiomas (La Traducción)

Como los participantes venían de muchos países, la encuesta estaba en tres idiomas. Imagina que tienes 105 personas diciendo "tengo hambre", pero unas lo dicen en inglés, otras en japonés y otras en tailandés.

• El trabajo de los autores: Fueron como traductores y ordenadores. Tomaron todas esas respuestas diferentes y las convirtieron en un solo "idioma" (inglés limpio) para poder contarlas y analizarlas.
• El secreto: Crearon un "diccionario mágico" (tabla de traducción) para asegurarse de que cuando alguien en Japón decía "preocupado" y alguien en Tailandia decía "temeroso", el sistema entendiera que significaban lo mismo.

3. La Privacidad: El "Anonimato" (La Máscara)

Nadie quería que los chefs se sintieran vigilados. Por eso, antes de publicar los resultados, los autores pusieron máscaras a los datos.

• Lo que quitaron: Borraron nombres, enlaces a sus webs personales y cualquier cosa que pudiera decir "Este plato lo cocinó Juan Pérez".
• El resultado: Ahora tenemos un montón de datos sobre qué piensan los chefs, pero no sabemos quiénes son exactamente. Es como ver las huellas dactilares de la cocina, pero sin saber a quién pertenecen las manos.

4. ¿Qué descubrieron? (El Sabor de la Comida)

Aunque el documento es técnico, la historia que cuenta es clara:

• La IA está aquí: Muchos la usan para escribir código, buscar información o traducir textos.
• El miedo: Algunos tienen miedo de que la IA invente cosas falsas (alucinaciones) o que robe sus recetas (derechos de autor).
• La ayuda: A otros les encanta porque les ahorra tiempo, pero sienten que sus jefes (las instituciones) no les dan suficiente apoyo o herramientas para usarla bien.

5. ¿Por qué es útil esto? (El Recetario para el Futuro)

Este documento no es solo un informe aburrido; es como un recetario abierto para el futuro.

• Si eres un desarrollador de software, puedes leerlo para saber qué "sabores" le faltan a tu herramienta.
• Si eres un jefe de cocina (director de un laboratorio), puedes ver qué preocupan a tu equipo y cómo ayudarles.
• Si eres un investigador, puedes comparar cómo usan la IA los chefs de Japón con los de Tailandia o EE. UU.

En resumen

Este papel es como una fotografía en movimiento de un momento histórico. Nos muestra cómo un grupo de científicos de diferentes culturas está aprendiendo a cocinar con el ingrediente más nuevo de la tecnología: la Inteligencia Artificial. Nos dice que, aunque todos están probando el mismo ingrediente, cada uno lo usa de una forma distinta, con diferentes miedos y diferentes esperanzas.

Y lo mejor de todo: ¡El "recetario" (los datos) está disponible para que cualquiera pueda ir a su cocina, probarlo y sacar sus propias conclusiones!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: AI in Practice: A Multilingual Survey of 2025 BioHackathon Participants

1. Problema y Contexto

A pesar del rápido avance de la Inteligencia Artificial (IA) en la ciencia, existe una falta de datos empíricos y estandarizados sobre cómo se adoptan y utilizan estas herramientas en la práctica diaria dentro de comunidades técnicas específicas, como la bioinformática y la genómica. La comunidad del BioHackathon (un evento de hackatón científico) representa un grupo diverso de investigadores, desarrolladores y académicos. Sin embargo, no se disponía de una visión integral sobre:

• La frecuencia y los patrones de uso de herramientas de IA (desde la asistencia hasta la generación completa de tareas).
• Las barreras institucionales y técnicas que enfrentan los usuarios.
• Las preocupaciones éticas y de seguridad (sesgos, privacidad, propiedad intelectual) en un contexto multilingüe y multicultural.
• La necesidad de datos estructurados y anonimizados que permitan análisis cuantitativos y cualitativos sobre la adopción de IA en la ciencia.

2. Metodología

El estudio se basó en el diseño, implementación y análisis de una encuesta multilingüe dirigida a los participantes y miembros de la comunidad del BioHackathon 2025 en Japón.

• Diseño de la Encuesta:

  • Plataforma y Alcance: Implementada en Google Forms entre el 16 y el 18 de septiembre de 2025, distribuida a través de canales Slack y códigos QR.
  • Idiomas: Disponible en inglés, japonés y tailandés para capturar una diversidad geográfica y lingüística real.
  • Estructura: La encuesta cubrió seis dominios principales:
    1. Demografía: Tipo de institución, país de trabajo, campo de interés y rol.
    2. Uso General: Frecuencia y estilo de uso (usuario diario, investigador de IA, etc.).
    3. Aplicaciones: Herramientas específicas y uso por tarea (codificación, investigación, redacción, enseñanza, traducción). Se clasificó el uso en cuatro niveles: "Asistir", "Borrador", "Completar" o "No usar".
    4. Desafíos y Satisfacción: Obstáculos encontrados y nivel de satisfacción.
    5. Soporte Institucional y Daños: Percepción de apoyo institucional y preocupaciones sobre daños potenciales (sesgo algorítmico, privacidad, desinformación, impacto ambiental).
    6. Narrativas Abiertas: Historias de éxito/fracaso y comentarios finales.
  • Diseño Ético: Solo dos preguntas eran obligatorias (idioma y nivel de uso) para reducir la presión y el sesgo de selección; el resto era opcional.

• Procesamiento de Datos y Anonimización:

  • Recopilación: Se obtuvieron 105 respuestas finalizadas.
  • Anonimización (Guías Safe Harbor/HIPAA): Se eliminaron identificadores directos (nombres, afiliaciones, IPs). Las direcciones de correo electrónico opcionales y los enlaces a trabajos personales fueron excluidos completamente.
  • Limpieza de Texto Libre: Se revisaron las respuestas de texto abierto para redactar URLs (marcadas como [URL redacted]) y cualquier texto que pudiera identificar a un individuo.
  • Estandarización (Conjunto de Datos Limpiado):
    • Traducción y alineación de respuestas de japonés y tailandés al inglés mediante una tabla de búsqueda de traducción.
    • Normalización de nombres de herramientas de IA (ej. "chatGTP" $\rightarrow$ "ChatGPT").
    • Estandarización de países y manejo de valores faltantes (conversión de "Prefer not to answer" a valores nulos).
    • Eliminación de narrativas largas en la versión limpia para reducir el riesgo de re-identificación, manteniendo las variables estructuradas.

3. Contribuciones Clave

El principal aporte de este trabajo no es solo el análisis preliminar, sino la liberación de un conjunto de datos público y bien documentado que incluye:

1. Datos Anonimizados Crudos: Respuestas en los idiomas originales (inglés, japonés, tailandés) con URLs redactadas.
2. Datos Traducidos: Una versión en inglés de los datos crudos.
3. Datos Limpios (Listos para Análisis): Una tabla estructurada en inglés, con variables estandarizadas, nombres de columnas en snake_case y valores faltantes normalizados, ideal para análisis cuantitativo.
4. Documentación Completa:
   • Un codebook (diccionario de datos) detallado con 33 variables.
   • La encuesta original en PDF con lógica de salto.
   • Una tabla de mapeo de traducciones para armonizar categorías entre idiomas.
5. Metadatos de Procesamiento: Descripción detallada de los pasos de limpieza y las decisiones tomadas para la anonimización.

4. Resultados y Hallazgos (Basados en la Descripción del Dataset)

Aunque el artículo se centra en la descripción del dataset, los resultados preliminares y la estructura de los datos revelan:

• Adopción Diversa: El dataset captura un espectro de usuarios, desde aquellos que no usan IA hasta desarrolladores de IA, permitiendo análisis de adopción por país y tipo de institución.
• Patrones de Uso por Tarea: Se identificó la capacidad de los usuarios para distinguir entre usar IA para "asistir" (ayuda parcial), "borrar" (generar borradores) o "completar" (finalizar tareas sin edición), lo cual es crucial para entender la madurez de la integración de IA en flujos de trabajo científicos.
• Preocupaciones Globales: Los datos muestran niveles de preocupación (escala 1-5) sobre temas como el sesgo algorítmico, la privacidad de datos, la propiedad intelectual y el impacto ambiental, permitiendo comparaciones transnacionales.
• Desafíos de Datos Faltantes: El estudio documenta explícitamente cómo el diseño de la encuesta (preguntas opcionales y lógica de salto) genera tasas altas de datos faltantes, proporcionando una guía sobre cómo interpretar estos vacíos (ej. falta de respuesta vs. no aplicable).

5. Significancia e Impacto

Este trabajo es fundamental para la comunidad de investigación en bioinformática y ciencias de la vida por varias razones:

• Reutilización y Meta-investigación: Proporciona una base de datos estandarizada para estudios comparativos sobre la adopción de IA, permitiendo a los investigadores analizar diferencias culturales, lingüísticas e institucionales.
• Diseño de Herramientas: Los datos sobre "puntos de dolor" y áreas de mejora pueden guiar a los desarrolladores de herramientas de IA científica para crear productos que se alineen mejor con las necesidades reales de los investigadores.
• Política y Gobernanza: Ofrece evidencia empírica para que las instituciones y gobiernos formulen políticas sobre el uso ético de la IA, la protección de datos y el apoyo institucional.
• Transparencia y Reproducibilidad: Al publicar tanto los datos crudos como los limpios, junto con el código de procesamiento y el diccionario de datos, el estudio establece un estándar de transparencia para la investigación basada en encuestas en comunidades científicas técnicas.

En resumen, este artículo transforma una encuesta de evento en un recurso de datos de investigación duradero, facilitando el entendimiento profundo de cómo la IA se está integrando (o no) en la práctica científica moderna a nivel global.