Diagnosing event dependence in computer-generated-content retraction metadata, 2010–2025
Este estudio demuestra que el aumento abrupto en los metadatos de retractación etiquetados como contenido generado por computadora desde 2010 hasta 2025 está impulsado primordialmente por los programas de limpieza de unos pocos editores más que por reflejar la prevalencia real de la IA en los manuscritos, lo que hace que estos recuentos sean inadecuados para inferir efectos causales de la IA generativa.
Artículo original bajo licencia CC BY 4.0 (https://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
En el mundo de la publicación académica, una retractación es una admisión pública de que un artículo publicado no puede ser de confianza. Es una corrección, una señal de que algo salió mal, ya sea por un error honesto, un trabajo incompleto o un fraude deliberado. Durante décadas, investigadores y bibliotecarios han utilizado el número de retractaciones como un indicador aproximado de la integridad de la investigación, asumiendo que un aumento en la cuenta significa que se está publicando más ciencia de mala calidad. Sin embargo, este supuesto pasa por alto un detalle crucial: una retractación no es solo un registro de un error; también es un registro de un descubrimiento. Un alto número de retractaciones puede significar que una revista se ha vuelto mejor para encontrar y corregir problemas, no solo que está publicando más de ellos. Esta distinción se vuelve especialmente complicada cuando se trata de contenido generado por computadora, donde los algoritmos crean artículos falsos que parecen reales pero contienen disparates. Cuando estos artículos son detectados, a menudo son eliminados en grandes lotes por los editores, creando picos repentinos en los datos que pueden parecer una inundación de nuevo fraude, pero que en realidad podrían ser una única operación de limpieza.
Un estudio reciente de Anton Sokolov, del Instituto Tyche, investiga exactamente este fenómeno, centrándose en los años 2010 hasta 2025. El investigador examinó una instantánea congelada de la base de datos Retraction Watch, una colección curada de avisos de retractación de todo el mundo. De un total de casi 61,000 retractaciones, el estudio aisló 9,102 registros que estaban específicamente etiquetados como contenido "asistido por computadora" o "generado por computadora". Estas etiquetas cubren una amplia gama de problemas, desde los primeros sistemas que generaban galimatías aleatorias hasta las herramientas modernas de inteligencia artificial que escriben artículos enteros. El objetivo no era contar cuántos artículos falsos existen en el mundo, sino comprender qué representan realmente los números de las retractaciones. Al observar de cerca quién emitió las retractaciones, cuándo ocurrieron y cómo se agruparon, el estudio revela que el aumento dramático en estos números es impulsado casi por completo por programas de limpieza específicos y a gran escala realizados por unos pocos editores principales, en lugar de ser un aumento constante y generalizado del fraude generado por IA en toda la ciencia.
Los datos muestran un cambio claro en el panorama durante la última década. Entre 2010 y 2019, el contenido generado por computadora representaba una fracción minúscula de las retractaciones, apareciendo en menos del uno por ciento de los casos cada año. La situación cambió rápidamente a partir de 2020. Para 2023, la proporción de retractaciones etiquetadas por contenido generado por computadora había aumentado a casi el 42 por ciento. En los años siguientes, 2024 y 2025, la proporción se mantuvo alta, aproximadamente en un 23 y 24 por ciento respectivamente. A primera vista, estos números sugieren una explosión masiva y global de artículos generados por IA inundando la literatura científica. Sin embargo, cuando el investigador profundizó en quién era responsable de eliminar estos artículos, surgió una historia diferente. Los números altos no fueron el resultado de muchos editores diferentes encontrando problemas de forma independiente. En cambio, fueron el resultado de unos pocos editores específicos lanzando esfuerzos masivos y coordinados para eliminar miles de artículos a la vez.
En 2023, por ejemplo, un solo linaje de editor suministró el 98 por ciento de todas las retractaciones de contenido generado por computadora. En 2024 y 2025, esa cifra se mantuvo por encima del 80 por ciento, impulsada por dos grupos de editores diferentes en años distintos. Cuando el estudio eliminó los registros de estos editores líderes del cálculo, la proporción anual de contenido generado por computadora cayó drásticamente. En 2023, la cifra descendió del 41 por ciento a solo el 0.32 por ciento. En 2024 y 2025, las proporciones restantes fueron similaresmente pequeñas, situándose alrededor del 0.6 por ciento y el 1.4 por ciento. Este patrón indica que las cifras de los titulares no son una medida de cuánta mala ciencia se está escribiendo cada año, sino una medida de cuántos artículos decidió retirar un editor específico en un año determinado. El estudio encontró que estos eventos a menudo se concentraron en una sola revista o incluso en un solo día de entrada de metadatos, confirmando aún más que eran campañas de limpieza organizadas en lugar de un problema difuso y sistémico.
La investigación también comparó estas retractaciones de contenido generado por computadora con otras razones comunes para retirar artículos, como el plagio, los artículos duplicados o la revisión por pares comprometida. Incluso entre estas otras categorías, que son conocidas por concentrarse en ciertas áreas, las etiquetas de contenido generado por computadora estaban mucho más agrupadas. Mientras que otros tipos de retractaciones estaban repartidos entre muchos editores y revistas diferentes, las etiquetas de contenido generado por computadora estaban abrumadoramente dominadas por uno o dos editores en cualquier año dado. Esta concentración extrema sugiere que los datos están reflejando las acciones administrativas de unas pocas organizaciones grandes en lugar de la prevalencia subyacente del texto generado por IA en toda la comunidad científica. El estudio señala que las razones específicas dadas para las retractaciones también cambiaron dependiendo de qué editor estuviera realizando la limpieza, con algunos años mostrando altas tasas de etiquetas de "fábrica de artículos" (paper mill) y otros mostrando etiquetas diferentes, vinculando aún más los datos a estrategias de edición específicas en lugar de una tendencia global uniforme.
En última instancia, el estudio conclce que estos números de retractación deben interpretarse con cautela. Son excelentes registros de aplicación y limpieza, mostrando dónde los editores han identificado y eliminado con éxito el trabajo problemático. Sin embargo, no son una medición directa de la frecuencia con la que los autores utilizan la inteligencia artificial para escribir artículos, ni prueban que la tasa de tal conducta indebida esté aumentando en todas partes. Un alto número de retractaciones en un solo año puede significar simplemente que un editor finalmente se ha puesto al día con un rezago de investigaciones o que ha decidido retirar miles de artículos a la vez. Para entender el verdadero estado de la integridad de la investigación, uno debe mirar más allá de los totales brutos y considerar quién está haciendo el conteo, cómo están agrupando los datos y si los picos representan una nueva ola de fraude o una ola exitosa de corrección. Los hallazgos nos recuerdan que, en el mundo de las métricas científicas, un número grande no siempre significa un gran problema; a veces, simplemente significa una gran limpieza.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.