¿Por qué utilizar IA en la búsqueda de bibliografía?

La Inteligencia Artificial está en auge. En los últimos años, su aplicación en diversos ámbitos profesionales se ha convertido en una tendencia generalizada. Para muchas empresas, parece imprescindible incorporar esta tecnología en sus nuevos productos y servicios. Sin embargo, más allá de esta popularidad, es importante reconocer que la IA tiene un impacto más significativo en algunos campos que en otros. Por eso, antes de detallar qué herramientas de IA utilizamos en Meisys para gestionar bibliografía científica, quiero mostrar por qué este ámbito es especialmente adecuado para aprovechar su potencial.

Búsquedas bibliográficas: Plataformas tradicionales vs. Inteligencia Artificial

El uso de plataformas tradicionales como PubMed, Scopus o Embase en la búsqueda de bibliografía científica presenta múltiples desafíos.

En primer lugar, requiere comprender las reglas específicas de cada plataforma para construir búsquedas eficaces. Esto incluye conocer qué operadores booleanos utilizan, qué filtros están disponibles y en qué campos de los metadatos se pueden aplicar los términos clave, entre otros aspectos.

Por otro lado, la construcción de un criterio de búsqueda completo implica una fase de investigación previa para identificar qué términos (keywords) se emplean en nuestros artículos de interés, así como sus sinónimos, ya que un mismo concepto puede expresarse de distintas maneras en diferentes estudios.

Procesamiento de Lenguaje Natural (PLN)

Aquí es donde la Inteligencia Artificial, a través del Procesamiento de Lenguaje Natural (PLN), se convierte en un aliado fundamental, pues permite que las herramientas de búsqueda comprendan qué información nos interesa a partir de una pregunta formulada en lenguaje natural.

Preguntamos a la “máquina” de la misma forma que lo haríamos a un compañero, y esta es capaz de entendernos y de generar una respuesta igualmente comprensible. Esto facilita que los investigadores formulen sus preguntas de manera intuitiva, sin necesidad de dominar las complejidades técnicas de las plataformas tradicionales.

Sin embargo, en el ámbito científico, una característica fundamental es que ninguna afirmación tiene validez si no está respaldada por investigación previa. Y este es uno de los principales temores que plantea el uso de los modelos de lenguaje: ¿de dónde obtiene la información que nos devuelve? ¿Es una fuente fiable? ¿Está actualizada?

Técnica Retrieval-Augmented Generation (RAG)

Aunque el PLN ha mejorado la comprensión de las consultas, el verdadero salto cualitativo se ha dado con la incorporación de la técnica Retrieval-Augmented Generation (RAG), que podría traducirse como “Generación Aumentada con Recuperación”.

A diferencia de los modelos tradicionales, que generan respuestas basadas únicamente en los datos con los que fueron entrenados, RAG permite que los modelos de IA se conecten dinámicamente a bases de datos externas, extrayendo información actualizada y específica para generar respuestas más precisas y contextualizadas. Este enfoque reduce significativamente las «alucinaciones» de la IA, ya que las respuestas están fundamentadas en fuentes verificables.

Además, RAG permite que las herramientas de IA se mantengan actualizadas de manera continua, ya que acceden en tiempo real a fuentes externas que se renuevan constantemente. Esta capacidad de integrar nueva información a medida que se publica garantiza que, en el contexto de la producción científica —donde el volumen de investigaciones crece de forma exponencial—, las búsquedas bibliográficas no solo sean más eficientes, sino también alineadas con los avances más recientes.

En resumen, la búsqueda de bibliografía científica es un terreno ideal para la aplicación de la IA: el PLN facilita la comprensión de la pregunta de investigación, el RAG permite acceder a información actualizada y respaldada por fuentes científicas verificables, y la IAG (Inteligencia Artificial Generativa) genera respuestas originales basadas en esos textos.

¿Qué herramientas potenciadas por IA trabajan con bibliografía científica?

Búsquedas en lenguaje natural y extracción rápida de información

Existen muchas herramientas en este contexto, y sus enfoques son muy variados. Algunas plataformas, como Elicit, SciSpace o Consensus, permiten realizar búsquedas bibliográficas utilizando lenguaje natural, simplemente escribiendo nuestra consulta en la caja de búsqueda. Cabe destacar, además, que Elicit ha añadido recientemente Research Reports, una función que genera informes automatizados basados en revisiones rápidas de literatura. Los usuarios pueden verificar fuentes, examinar datos extraídos y formular preguntas para profundizar en la información.

Como mencionamos anteriormente, esto elimina la necesidad de invertir tiempo en la construcción de complejas búsquedas con operadores booleanos y combinaciones de términos clave, ya que las herramientas se encargan de conectar automáticamente los conceptos relevantes.

Por ejemplo, si solicitamos información sobre enfermedades cardiovasculares, las herramientas identificarán automáticamente términos relacionados, como insuficiencia cardíaca, cardiomiopatía o arritmia. De manera similar, si nos interesamos por agentes biológicos, entenderán que buscamos artículos sobre inmunoterapias o terapia génica. Seleccionarán entonces, entre sus artículos indexados, aquellos que mejor responden a nuestra pregunta de investigación, en función de sus avanzados algoritmos.

Al permitir que la IA interprete nuestras consultas y establezca conexiones entre conceptos relacionados, podemos enfocarnos más en analizar los resultados obtenidos que en ajustar manualmente las palabras clave, logrando así una búsqueda más rápida y eficiente.

Por otro lado, muchas de estas plataformas permiten extraer rápidamente la información relevante sin necesidad de leer los artículos completos. Algunas facilitan la creación de tablas con columnas personalizadas, que se rellenan automáticamente con la información solicitada, como resultados principales, metodología, diseño del estudio o número de participantes. Podemos dar instrucciones precisas sobre qué datos necesitamos y, lo mejor, es que aunque las respuestas generadas sean originales, siempre están basadas en frases concretas del artículo, señaladas por la herramienta para facilitar su verificación.

Ampliación de la colección de artículos

Otro proceso en el que estas herramientas pueden ayudar es en la expansión de nuestra colección de artículos. Herramientas como ResearchRabbit, Connected Papers o Litmaps pueden localizar trabajos similares a nuestros artículos “raíz”, estableciendo conexiones mediante mapas de nodos y flechas. No solo consideran co-citaciones, sino también la similitud semántica, lo que permite descubrir relaciones más profundas entre los estudios.

Asistentes especializados en información científica

Asimismo, herramientas como Consensus y Scite ofrecen un «Asistente», similar a ChatGPT, pero especializado en información científica. Estos pueden ayudar a redactar borradores de contenido científico, sintetizar evidencia, organizar un plan de investigación o localizar fuentes para referenciar información. Scite, además, evalúa las citaciones recibidas por los artículos, clasificándolas según si respaldan, contradicen o mencionan los resultados del artículo de interés.

Otras herramientas

Además de las herramientas ya mencionadas, existen otras, como Semantic Scholar y Dimensions, que también cuentan con sus propias bases de datos de artículos indexados. A esto se suma la búsqueda con enfoque académico de Perplexity, que, junto con su nuevo modo de Investigación Profunda (Deep Research), promete mejorar el acceso a información especializada.

Gemini también ha incorporado esta función en España, mientras que ChatGPT, por ahora, solo la ofrece en EE.UU. No obstante, se espera que pronto esté disponible en otros países.

Por otro lado, los GPTs personalizados, como Scholar GPT, SciSpace o Consensus, representan una alternativa valiosa para la exploración y el análisis especializado. Todo esto ocurre en un contexto en el que los modelos de razonamiento avanzados, como o1 y o3, están cobrando protagonismo. Gracias a estos se impulsa el desarrollo de herramientas cada vez más sofisticadas para la investigación y el acceso al conocimiento.

Conclusión

En definitiva, gracias a la Inteligencia Artificial, disponemos de una amplia variedad de recursos para gestionar la bibliografía científica de manera más eficiente. Además, el desarrollo de estas plataformas es continuo, con mejoras constantes que optimizan la localización, el análisis y la síntesis del conocimiento presente en millones de artículos científicos, facilitando el acceso a información clave en campos de investigación cada vez más saturados.

Adoptar estas herramientas tecnológicas no solo mejora nuestro trabajo con bibliografía científica, sino que también nos permite mantenernos a la vanguardia en un entorno de investigación en constante evolución.

Si quieres profundizar en estas herramientas y aprender a aplicarlas en tu trabajo diario, te invitamos a inscribirte a la 2ª edición de nuestro Curso Práctico en Herramientas de Inteligencia Artificial para Bibliografía Científica. A través de casos reales y ejercicios prácticos, descubrirás cómo utilizar la Inteligencia Artificial para optimizar la búsqueda y revisión de bibliografía científica.

Autor | Juan Francisco Márquez (Medical Information Project Manager en Meisys)

¿Quieres saber más sobre estas herramientas de IA?

La entrada Herramientas de Inteligencia Artificial para optimizar las Búsquedas Bibliográficas se publicó primero en Meisys.

Tradicionalmente, el factor de impacto (FI) ha sido la métrica más utilizada para medir la relevancia y el impacto de las publicaciones científicas. Mide la frecuencia con la que los artículos de una revista son citados en otras publicaciones científicas en un periodo de tiempo determinado, por lo que solo se aplica a revistas y no a artículos concretos¹. Además, se calcula teniendo en cuenta solo las publicaciones indexadas en bases de datos específicas como Web of Science o Scopus.

Aunque el FI es una métrica ampliamente usada para valorar la calidad de las revistas científicas, tiene ciertas limitaciones, ya que además de basarse en un número limitado de citas, no tiene en cuenta factores importantes como la calidad y la originalidad de los trabajos y puede estar sesgado en favor de áreas de investigación más populares².

Ahora se puede acceder y compartir la información científica a través de otros medios alternativos a las publicaciones, por lo que parece insuficiente valorar el impacto de una publicación basándose únicamente en las citas de revistas científicas.

Existen alternativas al FI que buscan ser más exactas como el Scopus CiteScore, que es una medida similar, pero emplea un conjunto más amplio de publicaciones y tiene en cuenta la calidad y la relevancia de los trabajos, no exclusivamente los más citados. Sin embargo, al igual que el FI, esta métrica sigue teniendo limitaciones (no valora el impacto de las publicaciones de manera individual y puede estar sesgado)³.

Además, la irrupción de las redes sociales está cambiando la forma en la que se desarrolla la actividad investigadora. Ahora se puede acceder y compartir la información científica a través de otros medios alternativos a las publicaciones, por lo que parece insuficiente valorar el impacto de una publicación basándose únicamente en las citas de revistas científicas. Por ello, en los últimos años han surgido nuevas métricas y herramientas alternativas que buscan proporcionar una imagen más completa del impacto real de las publicaciones científicas^4–6.

Estas nuevas métricas, como Altmetrics o PlumX, tienen en cuenta el impacto y alcance de las publicaciones en medios sociales (menciones, descargas, visitas o comentarios en redes sociales, blogs u otros medios de comunicación), además de evaluar su impacto de modo tradicional^4,7,8. Algunas editoriales ya han incorporado estas nuevas métricas y herramientas alternativas que podrían complementar al FI tradicional y proporcionar una imagen más completa del impacto real de una publicación⁹.

Conocer las nuevas métricas y herramientas disponibles te permitirá hacer una evaluación más completa del alcance e influencia de los trabajos científicos. Si quieres conocer bien cómo medir el impacto en las publicaciones científicas, puedes pedir a Meisys que organice una formación adaptada a las necesidades de tu compañía:

Autor | Cristina Benito Muñoz (Medical Advisor en Meisys)

Referencias:

1. Universidad Autónoma de Madrid [Internet]. Factor de Impacto. Disponible en:  https://biblioguias.uam.es/tutoriales/JCR/Factor_Impacto. Fecha de acceso: abril 2023

2. Vanclay, F. Impact factor: outdated artefact or stepping-stone to journal certification? Scientometrics. 2012;92(2):211-238. doi: 10.1007/s11192-011-0561-0

3. El Sevier [Internet]. CiteScore: a new metric to help you track journal performance and make decisions. Disponible en: https://www.elsevier.com/connect/editors-update/citescore-a-new-metric-to-help-you-choose-the-right-journal. Fecha de acceso: abril 2023.

4. Fabry G, Fischer MR. Beyond the Impact Factor – What do alternative metrics have to offer? GMS J Med Educ. 2017;34(2):Doc27. doi: 10.3205/zma001104.

5. Gasparyan AY, Nurmashev B, Yessirkepov M, Udovik EE, Baryshnikov AA, Kitas GD. The Journal Impact Factor: Moving Toward an Alternative and Combined Scientometric Approach. J Korean Med Sci. 2017;32(2):173-179. doi: 10.3346/jkms.2017.32.2.173.

6. Bornmann L, Haunschild R. Do altmetrics correlate with the quality of papers? A large-scale empirical study based on F1000Prime data. PLoS One. 2018 May 23;13(5):e0197133. doi: 10.1371/journal.pone.0197133.

7. The University of Western Australia [Internet]. Citations, Altmetrics and Researcher Profiles: Measure research performance. Disponible en: https://guides.library.uwa.edu.au/researchmetrics. Fecha de acceso: abril 2023

8. Plum Analytics [Internet]. About PlumX Metrics. Disponible en: https://plumanalytics.com/learn/about-metrics/. Fecha de acceso: abril 2023

9. Scopus [Internet]. Altmetric for Scopus. Disponible en: https://www.elsevier.com/connect/authors-update/altmetric-for-scopus. Fecha de acceso: abril 2023

La entrada ¿Cómo medir el impacto de las publicaciones científicas? se publicó primero en Meisys.