Implicaciones de la inteligencia artificial en la metodología de investigación
DOI:
https://doi.org/10.36825/RITI.12.26.003Palabras clave:
Inteligencia Artificial, Metodología de Investigación, Ética, Sesgos Algorítmicos, Protección de DatosResumen
Esta revisión sistemática explora cómo las tecnologías avanzadas de análisis de datos están transformando la metodología de investigación científica. Se examinaron fuentes que describen la transformación de diversas etapas del proceso investigativo por estas herramientas, desde la generación de hipótesis hasta la interpretación de resultados. Estas tecnologías ofrecen posibilidades sin precedentes para potenciar la investigación. Permiten identificar patrones complejos, como tendencias sutiles en datos genómicos o correlaciones inesperadas en estudios sociológicos, que podrían pasar desapercibidas con métodos tradicionales. Además, automatizan tareas repetitivas, liberando tiempo para análisis más profundos. Se destacan importantes retos éticos y prácticos. Los sesgos algorítmicos, por ejemplo, podrían perpetuar prejuicios existentes en los datos de entrenamiento, afectando la validez de los resultados en campos como la investigación médica o socioeconómica. También surgen preocupaciones sobre la privacidad de los participantes en estudios y el riesgo de exclusión de grupos subrepresentados en los datos. Se concluye que es imperativo adoptar un enfoque holístico y responsable. En la práctica, esto implica desarrollar marcos éticos sólidos, fomentar la colaboración entre disciplinas como la informática, la ética y las ciencias sociales, invertir en educación especializada, promover la transparencia en los procesos algorítmicos, y fortalecer la cooperación global mediante el intercambio responsable de datos y el desarrollo de estándares comunes de investigación.
Citas
Cetina, K. (1999). La fabricación del conocimiento: Un ensayo sobre el carácter constructivista y contextual de la ciencia. Prensa de la Universidad de Pergamon.
Dunjko, V., Briegel, H. J. (2018). Aprendizaje automático de propósitos: fuerza de entrenamiento de las ciencias. Nature Reviews Physics, 1 (2), 109-122.
Kitchin, R. (2014). La revolución de los datos: grandes datos, código abierto y algoritmos de redes. SAGE Publications.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., Floridi, L. (2016). La ética de los algoritmos: Cartografiando la cuestión ética. Big Data & Society, 3 (2), 1-21. https://doi.org/10.1177/2053951716679679
Fazelpour, S., Liaskos, S. (2020). Interpretabilidad y explicación en sistemas de IA para el aprendizaje automático: Un estudio de la literatura. 52ª Conferencia Anual de la IEEE sobre Sistemas Inteligentes, 9827-9831.
Bostrom, N. (2014). Superinteligencia: Caminos, peligros, estrategias. Oxford University Press.
Zeng, Y. (2018). Ética IA: impacto en investigación y diseño de política inteligentes. Inteligencia Artificial, 262, 92-98.
Ruiz Muñoz, G. (2024). Exploración del impacto del metaverso y la inteligencia artificial en la educación superior. Identidad Bolivariana, 8 (2), 32-45. https://doi.org/10.37611/IB8ol232-45
King, R. D., Rowland, J., Oliver, S. G., Young, M., Aubrey, W., Byrne, E., Liakata, M., Markham, M., Pir, P., Soldatova, L. N., Sparkes, A., Whelan, K., Clare, A. (2009). The automation of science. Science, 324 (5923), 85-89. https://doi.org/10.1126/science.1165620
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542 (7639), 115-118. https://doi.org/10.1038/nature21056
Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., Kim, R., Raman, R., Nelson, P. C., Mega, J. L., Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316 (22), 2402-2410. https://doi.org/10.1001/jama.2016.17216
Ching, T., Himmelstein, D. S., Beaulieu-Jones, B. K., Kalinin, A. A., Do, B. T., Way, G. P., Ferrero, E., Agapow, P. M., Zietz, M., Hoffman, M. M., Xie, W., Rosen, G. L., Lengerich, B. J., Israeli, J., Lanchantin, J., Woloszynek, S., Carpenter, A. E., Shrikumar, A., Xu, J., Cofer, E. M., Lavander, C. A., Turaga, S. C., Alexandari, A. M., Lu, Z., Harris, D. J., DeCaprio, D., Qi, Y., Kundaje, A., Peng, Y., Wiley, L. K., Segler, M., Boca, S., M., Swamidass, J., Huang, A., Gitter, A., Greene, C. S. (2018). Opportunities and obstacles for deep learning in biology and medicine. Journal of The Royal Society Interface, 15 (141), 20170387. https://doi.org/10.1098/rsif.2017.0387
Athey, S. (2018). The impact of machine learning on economics. En A. Agrawal, J. Gans, A. Goldfarb (Eds.), The Economics of Artificial Intelligence: An Agenda (pp. 507-547). University of Chicago Press.
Alipanahi, B., Delong, A., Weirauch, M. T., Frey, B. J. (2015). Predicting the sequence specificities of DNA-and RNA-binding proteins by deep learning. Nature Biotechnology, 33 (8), 831-838. https://doi.org/10.1038/nbt.3300
Shaheed, N., Eldridge, K., Wang, T., Wagner, S., Olsen, A., Gao, Y. (2019). SciBERT: Pretrained contextualized embeddings for scientific text. arXiv preprint. https://doi.org/10.48550/arXiv.1903.10676.
Westergaard, D., Stærfeldt, H. H., Tønsberg, C., Jensen, L. J., Brunak, S. (2018). A comprehensive and quantitative comparison of text-mining in 15 million full-text articles versus their corresponding abstracts. PLoS Computational Biology, 14 (2), 1-16. https://doi.org/10.1371/journal.pcbi.1005962
Dhamdhere, K., McCurley, K., Nahmias, R., Sundararajan, M., Yan, Q. (2017). Analyza: Exploring data with conversation. Proceedings of the 22nd International Conference on Intelligent User Interfaces, Limassol, Cyprus.
Bender, E. M., Gebru, T., McMillan-Major, A., Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Virtual Event Canada. https://doi.org/10.1145/3442188.3445922
Zou, J., Huss, M., Abid, A., Mohammadi, P., Torkamani, A., Telenti, A. (2019). A primer on deep learning in genomics. Nature genetics, 51 (1), 12-18. https://doi.org/10.1038/s41588-018-0295-5
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., Vayena, E. (2018). AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines, 28 (4), 689-707. https://doi.org/10.1007/s11023-018-9482-5
Gómez-González, E., Gómez, E. (2020). Artificial Intelligence in Medicine and Healthcare: applications, availability and societal impact. Publications Office of the European Union. https://doi.org/10.2760/047666
Long, D., Magerko, B. (2020). What is AI Literacy? Competencies and Design Considerations. Proceedings of the CHI Conference on Human Factors in Computing Systems, Honolulu, USA. https://doi.org/10.1145/3313831.3376727
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1 (5), 206-215. https://doi.org/10.1038/s42256-019-0048-x
Dignum, V. (2019). Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Springer International Publishing. https://doi.org/10.1007/978-3-030-30371-6
West, S. M., Whittaker, M., Crawford, K. (2019). Discriminating Systems: Gender, Race and Power in AI. AI Now Institute. https://ainowinstitute.org/publication/discriminating-systems-gender-race-and-power-in-ai-2
Cath, C., Wachter, S., Mittelstadt, B., Taddeo, M., Floridi, L. (2018). Artificial Intelligence and the 'Good Society': the US, EU, and UK approach. Science and Engineering Ethics, 24 (2), 505-528. https://doi.org/10.1007/s11948-017-9901-7
Comisión Europea. (2019). Ethics guidelines for trustworthy AI. https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines-trustworthy-ai
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
