Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional
Inteligencia Artificial para la revisión de la literatura de posgrado: desentrañando el camino de la automatización. Artículo de María Paula Espeche y Laura Colombo. Praxis educativa, Vol. 29, N° 2 mayo - agosto 2025. E -ISSN 2313-934X. pp.1-25.
https://dx.doi.org/10.19137/praxiseducativa-2025-290206
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional
DOSSIER
Inteligencia Artificial para la revisión de la literatura de posgrado: desentrañando el camino de la automatización
Artificial intelligence for postgraduate literature review: disentangling the path to automation
Inteligência artificial para revisão de literatura de pós-graduação: descobrindo o caminho para a automação
María Paula Espeche
Centro Investigaciones Cuyo, Consejo Nacional de Investigaciones Científicas y Técnicas, Argentina
ORCID 0000-0002-1393-8300
Laura Colombo
Instituto de Lingüística, Facultad de Filosofía y Letras de la Universidad de Buenos Aires
Consejo Nacional de Investigaciones Científicas y Técnicas, Argentina
ORCID 0000-0001-6026-4436
Recibido: 2025-01-31 | Revisado: 2025-04-25 | Aceptado: 2025-04-27
Resumen
El acceso al conjunto de conocimientos existentes sobre determinados temas ayuda a definir la originalidad y relevancia de la propia investigación al establecer relaciones con lo que ya se ha hecho. La búsqueda de material bibliográfico, lo que comúnmente se denomina «realizar una revisión de la literatura», puede ser una tarea compleja, sobre todo para los investigadores noveles. Existen herramientas que pueden ayudar a llevarla a cabo y, entre ellas, las mediadas por inteligencia artificial (IA) han ido cobrando protagonismo, principalmente porque prometen realizar la revisión de trabajos previos de forma más fácil y rápida, a veces incluso prometiendo que la herramienta realizará la tarea de forma autónoma. Este trabajo analiza tres herramientas mediadas por IA diseñadas para facilitar el proceso de revisión bibliográfica y discute los posibles pros y contras asociados a su utilización. Por un lado, esperamos destacar la relación entre determinados usos de las herramientas mediadas por IA y las prácticas de alfabetización académica. Por otro lado, queremos fomentar visiones críticas sobre la inclusión u omisión de estas herramientas en las prácticas relacionadas con la investigación y la enseñanza.
Palabras clave: revisión de la literatura, inteligencia artificial, educación de posgrado, escritura en investigación, herramientas digitales
Abstract
Exploring previous research is a fundamental step in any research project. Accessing the body of existing knowledge on certain topics helps to define the originality and relevance of one's own research by establishing relationships with what has already been done. The search for bibliographic material, commonly referred to as “conducting a literature review”, can be a complex task, especially for novice researchers. There are tools that can help in this task and, among them, those mediated by artificial intelligence (AI) have been gaining prominence, mainly because they promise to perform the review of previous work more easily and quickly, sometimes even promising that the tool will perform the task autonomously. This paper analyzes three AI-mediated tools that can facilitate the literature review process and discusses the possible pros and cons associated with their use. On the one hand, we hope to highlight the relationship between certain uses of AI-mediated tools and academic literacy practices. On the other hand, we want to encourage critical views on the inclusion or omission of these tools in research and teaching related practices
Keywords: literature review, artificial intelligence, graduate education, writing in research, digital tools
Resumo
O acesso ao conjunto de conhecimentos existentes sobre determinados tópicos ajuda a definir a originalidade e a relevância da pesquisa, estabelecendo relações com o que já foi feito. A busca por material bibliográfico, comumente chamada de “realização de uma revisão da literatura”, pode ser uma tarefa complexa, especialmente para pesquisadores novatos. Existem ferramentas que podem ajudar nessa tarefa e, entre elas, as mediadas por inteligência artificial (IA) vêm ganhando destaque, principalmente porque prometem tornar a revisão de trabalhos anteriores mais fácil e rápida, às vezes até prometendo que a ferramenta realizará a tarefa de forma autônoma. Este artigo analisa três ferramentas mediadas por IA que podem facilitar o processo de revisão da literatura e discute os possíveis prós e contras associados ao uso dessas ferramentas. Por um lado, esperamos destacar a relação entre determinados usos de ferramentas mediadas por IA e as práticas de letramento acadêmico. Por outro lado, queremos incentivar visões críticas sobre a inclusão ou omissão dessas ferramentas em práticas relacionadas à pesquisa e ao ensino.
Palavras-chave: revisão da literatura, inteligência artificial, educação de pós-graduação, alfabetização em pesquisa, ferramentas digitais
Introducción
Investigar implica producir conocimiento científico dentro de un campo disciplinar, proceso que se enriquece continuamente con nuevas investigaciones y avances conceptuales. Este conocimiento, en dinamismo, no solo se amplía, sino que también se transforma y diversifica, dado que cada estudio aporta formulaciones novedosas que permiten comprender, explicar, describir y analizar fenómenos desde perspectivas más actuales. En este marco, la revisión de literatura desempeña un papel clave, ya que orienta a los investigadores sobre los aportes previos, las lagunas en el conocimiento y los temas aún inexplorados. Así, la revisión de la literatura facilita una comprensión más integral del campo, al mismo tiempo que evita esfuerzos innecesarios, hecho que permite a los estudiosos construir sobre las bases establecidas por otros. Como señala Becker (2007), «evitar reinventar la rueda» es esencial para que la investigación avance de manera efectiva y significativa. Esta tarea de revisión ha cambiado sustancialmente con el tiempo. La frase «si he visto más allá es por estar a hombros de gigantes», popularmente atribuida a Isaac Newton (Feak y Swales, 2009), es hoy el lema de Google Académico, recordándonos que el acceso al conocimiento ya no depende únicamente de bibliotecas físicas, sino que está mediado por herramientas digitales.
Actualmente, existen múltiples recursos para almacenar, sistematizar y recuperar información durante una revisión bibliográfica. Un ejemplo de ello son los gestores de referencias, que permiten organizar y compartir fuentes provenientes de bases de datos, catálogos, repositorios y páginas web, facilitando así la construcción de una biblioteca personalizada.
Diferentes estudios evidencian un creciente interés y adopción de herramientas digitales para la escritura académica por parte de los estudiantes de posgrado (Crosta et al., 2024), tales como Youtube o Google Search. En el ámbito latinoamericano, Cuello y Alvarez (2024) se focalizan en cómo los estudiantes utilizan una multiplicidad de recursos digitales para enfrentar los desafíos de la escritura de la tesis. Destacan el uso de las TICS para la optimización del tiempo de trabajo, así como la flexibilidad en relación con el espacio donde se escribe; ejemplos de esto son el uso de plataformas de videoconferencia, así como el acceso a repositorios y bibliotecas digitales. Como aspectos negativos, señalan la sobreabundancia de recursos digitales, la falta de orientación sobre cuáles elegir, el tiempo que conlleva aprender a utilizar una herramienta nueva y el costo económico que puede implicar.
En este contexto, las herramientas basadas en inteligencia artificial (IA) han cobrado protagonismo en la escritura de posgrado, con un uso y un interés en constante aumento. Krumsvik (2024), por ejemplo, realizó un estudio de caso sobre el uso de un chatbot de sinopsis basado en GPT-4 que funciona como compañero de entrenamiento para los estudiantes de doctorado en Noruega, mostrando potencial para complementar la tarea de supervisión de tesis. Por otro lado, López Gil y Moreno Mosquera (2025) desarrollaron una investigación exploratoria en la que compararon las retroalimentaciones escritas proporcionadas por tesistas pares en un grupo de escritura frente a las dadas por ChatGPT. Las autoras sugieren que este último puede fomentar el aprendizaje de la escritura académica al complementar la retroalimentación recibida por parte de pares.
Si bien hay estudios que comunican un incipiente uso de herramientas potenciadas por IA para la revisión de la literatura en estudiantes de posgrado en Latinoamérica (Alvarez, 2024), no hemos identificado investigaciones que analicen en profundidad el desarrollo de estas tecnologías para el ámbito académico en estas latitudes, así como los usos y desafíos que implica su adopción en nuestro contexto.
Centrándonos en herramientas potenciadas por IA para la revisión de la literatura, específicamente destinadas para un uso académico, buscamos abordar tanto las ventajas como los retos que presentan, en especial para investigadores noveles hispanohablantes. Las herramientas sobre las cuales haremos foco son las siguientes: (1) Elicit, que emplea modelos lingüísticos para ayudar a responder preguntas de investigaciones a través de la presentación de palabras clave, resúmenes y clasificación de textos; (2) Litmaps, que genera mapas semánticos en torno a un tema principal; y (3) ChatPDF, una herramienta que permite leer bibliografía como si el usuario estuviera «chateando» con el documento.
Este artículo se estructura de la siguiente manera: primero, abordamos el proceso de revisión de la literatura, sus tipos, sus etapas y sus particularidades cuando es llevado a cabo por estudiantes de posgrado. Luego, analizamos su relación con las herramientas mediadas por inteligencia artificial. Posteriormente, describimos la metodología utilizada para examinar tres herramientas específicas, seguido de un análisis detallado de cada una. Finalmente, cerramos con una reflexión sobre los hallazgos y sus implicaciones. Este trabajo busca enriquecer nuestra investigación sobre la revisión de la literatura con IA (Espeche y Colombo, 2023), explorando de manera clara los beneficios y desafíos de algunas herramientas actuales.
Revisión de la literatura en el posgrado
A nivel discursivo, la revisión bibliográfica constituye un género complejo dado que, dependiendo de las intenciones del autor y del objetivo de la revisión, puede encuadrarse en diferentes categorías (Feak y Swales, 2009). Así, por ejemplo, una de tipo narrativo selecciona y sintetiza trabajos previos relevantes a partir de criterios previamente establecidos. Por otro lado, una revisión sistemática de la literatura sigue métodos rigurosos y explícitos para seleccionar y analizar materiales a fin de minimizar los sesgos, por lo que brinda una representación más completa y precisa del campo. A su vez, un metaanálisis permite determinar cuantitativamente cómo se han estudiado determinados fenómenos y las dimensiones exploradas. Este transforma en una métrica común los resultados de diferentes estudios para llevar a cabo un análisis exhaustivo, ya sea para combinarlos o compararlos (Sánchez-Meca, 1999). Por último, una revisión focalizada se orienta a buscar y analizar materiales bibliográficos centrándose en uno o varios aspectos, por ejemplo, el enfoque metodológico de investigaciones previas.
Además de los distintos tipos de revisión, es importante tener en cuenta las diferentes etapas de este proceso (Wagner et al., 2022). Primero, la formulación del problema, en la que se definen las preguntas de investigación y se verifica la existencia de brechas en el conocimiento. Segundo, la búsqueda de literatura, que implica la recopilación de fuentes relevantes mediante estrategias de búsqueda estructuradas en bases de datos y otros repositorios. Tercero, la selección de las publicaciones pertinentes a partir de criterios predefinidos, lo que usualmente se realiza en dos fases: una primera basada en títulos y resúmenes, y una segunda que analiza los textos completos. Cuarto, la evaluación de calidad, en la que se analizan los estudios incluidos según su rigor metodológico. Quinto, la extracción de datos, en la que se sistematiza la información clave de los materiales seleccionados. Finalmente, el análisis e interpretación de datos es la etapa en la que se sintetizan los hallazgos y se establecen conexiones conceptuales y teóricas.
Sumado a las etapas de la revisión de la literatura y a su clasificación, es necesario advertir que su complejidad y extensión variarán en función del tipo de escrito de investigación. Es decir, el trabajo con la bibliografía no se realizará de la misma manera cuando se escribe un artículo científico, un proyecto de investigación o una conferencia. En esta investigación, nos centraremos en la revisión de la literatura que efectúan los estudiantes al redactar una tesis de posgrado.
Si bien informar sobre investigaciones previas es importante, es tan solo la superficie de la revisión de la literatura, ya que este texto también brinda información sobre el linaje académico de los autores, su posicionamiento teórico y su autoridad autoral (Badenhorst, 2018). Por lo tanto, al reportar publicaciones previas sobre su tema de investigación, los estudiantes de posgrado no solo tienen que demostrar que conocen y entienden las conversaciones disciplinarias sobre su objeto de estudio, sino también deben posicionar su investigación y a sí mismos en el campo (Kamler y Thomson, 2006). Esta relación emergente entre los estudiantes de posgrado y el territorio académico en el que intentan adentrarse conlleva un trabajo de identidad bastante desafiante (Paré et al., 2012): los investigadores noveles tienen que involucrarse en las conversaciones disciplinarias en curso y eso implica inevitablemente lidiar con diferencias de poder, así como negociar y discutir con lo que se ha investigado. En definitiva, el alcance de una revisión de la literatura es, muchas veces, un asunto complejo y velado que va más allá de encontrar e informar sobre materiales, especialmente para los investigadores en formación.
Inteligencia Artificial en la revisión de la literatura en el posgrado
La IA es un sistema de combinaciones lógicas que procesa grandes bloques de información para realizar tareas y/o resolver problemas que suelen requerir cognición humana (Battro, 2017; Díez et al., 2001). En relación con el hecho de llamarla «inteligencia», se afirma que el sistema avanza más allá de las combinaciones lineales para proyectar gigantescas redes que le permiten avanzar en articulaciones originales y generar nuevos productos, tareas y acciones que no estaban programadas de antemano. Según algunos investigadores, la IA tiene la capacidad de razonar, aprender, crear y planificar acciones que, hasta ahora, estaban restringidas a la cognición humana (Rouhiainen, 2018). Sin embargo, otros autores afirman que, a pesar de su potencial generativo, los sistemas fueron entrenados con el lenguaje y logran aprender sus regularidades y codificarlo de una manera que solo recientemente se hizo viable. La IA no puede producir nada completamente nuevo que vaya más allá de los límites de lo posible. Es decir, no crea ni inventa nuevas relaciones (Vladisauskas et al., 2022).
El funcionamiento de la IA se basa en modelos matemáticos y estadísticos que generan patrones a partir de datos, combinaciones que se desarrollan gracias a una técnica específica de aprendizaje automático conocida como «deep learning» o «aprendizaje profundo» (Ferrante et al., 2022) y que reflejan un gran salto tecnológico. Originalmente, en cada avance tecnológico, los expertos en computación indicaban las reglas que se debían seguir para obtener resultados. En cambio, los sistemas actuales importan reglas y patrones que se interconectan entre sí en el análisis, sin necesidad de un experto que lo controle.
Como puede observarse, el campo de la IA combina la informática y grandes conjuntos de datos para resolver problemas concretos. En virtud de esta combinación, se sostiene la hipótesis de que los dispositivos informáticos son capaces de llevar a cabo una amplia gama de tareas mediante la generación de diversos procesos con la información introducida y la producción autónoma de resultados.
La IA y su rápido desarrollo ha generado ansiedades o miedos, tales como el temor a la violación de nuestra privacidad, la posibilidad de ser reemplazados a nivel laboral, así como la opacidad o falta de transparencia que tienen las IA al momento de tomar decisiones (Li y Huang, 2020). Muchos autores advierten que esta nueva tecnología, a diferencia de otras, ya no pretende funcionar como accesorio o prótesis de lo que carecemos, sino que está transitando un camino antropomórfico a través del cual se le confiere la carga de aletheia o de verdad, es decir, le otorgamos la carga de autoridad sobre nosotros para decisiones tanto pequeñas, como sugerencias de compra en línea, hasta grandes, como a quién contratar o no según cierto perfil (Sadin, 2020).
A nivel educativo, si bien hay autores que se enfocan en los beneficios del uso de la IA, tales como la mejora de la eficiencia y la generación de un aprendizaje personalizado/adaptado (Chen et al., 2020), otros se muestran más escépticos. En efecto, existe preocupación acerca de cómo la IA puede acrecentar el riesgo de deshonestidad de parte de los estudiantes que presentan como propios textos elaborados por IA, así como sobre el desafío que puede conllevar su uso excesivo en la promoción del pensamiento crítico y del aprendizaje.
Mustafa y colegas (2024), en su revisión sistemática de revisiones de la literatura sobre IA en educación, informan trabajos que destacan la necesidad de explorar estrategias eficaces para integrar la alfabetización crítica en IA en los planes de estudios y los programas de formación profesional. Dicha alfabetización debería contener aspectos tales como la promoción de la equidad, la igualdad y la inclusión en diversos entornos educativos y profesionales que utilizan estas herramientas. También mencionan estudios que resaltan la importancia de la alienación de las IA con los valores educativos. Por “alienación” se entiende la búsqueda de que esta tecnología no brinde únicamente una mayor eficiencia o un rédito económico, sino que se adecue a principios pedagógicos sensatos, personalizados e inclusivos que propicien la creatividad, el pensamiento crítico y la resolución de problemas.
Las revisiones de la literatura potenciadas con IA realizan este proceso con la ayuda de esta tecnología para uno o varios pasos de la de revisión, ya sea para la formulación del problema, la búsqueda bibliográfica, la selección de material para la inclusión, la evaluación de la calidad, la extracción de datos o su análisis e interpretación (Wagner et al., 2022). Si bien varios estudios concuerdan en el potencial de las IA para asistir en las tareas más mecánicas y repetitivas de la revisión, numerosos trabajos advierten sobre la necesidad de emplearla de manera responsable y crítica por parte de la comunidad académica, para así garantizar resultados transparentes, válidos y replicables (De La Torre-López et al., 2023; Ngwenyama et al., 2024; Wagner et al., 2022).
En resumen, el uso de IA en la revisión bibliográfica ha despertado tanto entusiasmo como escepticismo. Mientras que su capacidad para automatizar tareas mecánicas promete agilizar el proceso de investigación, persisten interrogantes sobre la transparencia, la validez y la replicabilidad de los resultados obtenidos con estas herramientas. Para comprender mejor sus implicaciones en la práctica, a continuación, presentamos la metodología utilizada en este estudio.
Metodología
Esta investigación se enmarca dentro de un enfoque descriptivo (Hernández Sampieri et al., 2014) y analiza tres herramientas potenciadas por inteligencia artificial especializadas en escritura académica: Elicit, Litmaps y ChatPDF. Para cada una, identificamos sus características principales y presentamos ejemplos de uso, centrándonos en su utilidad para las distintas etapas y tipos de revisión. Asimismo, examinamos posibles variaciones en su desempeño según el idioma en el que se utilicen, comparando sus resultados en inglés y en español.
El análisis se llevó a cabo en dos momentos: una primera exploración en julio de 2023 y una segunda en enero de 2025. Esta decisión responde a la naturaleza dinámica de estas herramientas, que, al estar en constante actualización, pueden generar resultados variables con el tiempo. De hecho, las observaciones realizadas en cada instancia evidencian ciertas discrepancias en su funcionamiento, como se detallará más adelante.
Por último, es importante señalar que la perspectiva adoptada sobre la revisión de la literatura está influida por nuestro rol como investigadores en Humanidades y Ciencias Sociales, lo que delimita el alcance del análisis efectuado. Las conclusiones obtenidas deben considerarse en el contexto de esta área del conocimiento y no necesariamente extrapolarse a otras disciplinas.
Herramientas mediadas por IA para la revisión de la literatura
Elicit: responde a una pregunta de investigación
Elicit (https://elicit.org/) es una herramienta potenciada por IA para la escritura académica que permite buscar artículos científicos para responder a una pregunta de investigación planteada por el usuario. En la pantalla inicial, se introduce una pregunta y la página web ofrece una lista de artículos de investigación que, según la herramienta, son los más relevantes. Además, Elicit extrae aquellos fragmentos que son pertinentes para responder a la pregunta de investigación y elabora un párrafo que sintetiza las cuatro primeras fuentes. Su objetivo es automatizar algunas partes del proceso de investigación para hacer de la revisión bibliográfica una tarea más sencilla.
En su estudio, Aktay (2024) brinda una reseña positiva de esta herramienta, ya que destaca su capacidad para procesar, analizar y sintetizar datos de forma rápida y eficaz a partir de una amplia base de datos de recursos académicos. Menciona, además, que Elicit es capaz de producir contenidos adecuadamente adaptados a temas específicos y también puede generar títulos pertinentes para revisiones bibliográficas.
En nuestra primera revisión en julio de 2023, para probar la herramienta, como muestra la Imagen 1, formulamos una pregunta en inglés: «Why do students find thesis writing to be a difficult task?». En los resultados iniciales, obtuvimos más de 200 materiales relacionados con el tema con referencias y resúmenes, cuyo orden de presentación parece aleatorio. No obstante, el sistema provee algunas opciones para filtrar los resultados según determinados criterios.
Imagen 1
Interfaz inicial de Elicit con las preguntas de investigación y el acceso a opciones de filtrado
Fuente: https://elicit.org/ (julio de 2023).
En 2023, en Elicit existían tres posibilidades que, solas o combinadas, permitían a los usuarios afinar su búsqueda (véase Imagen 2). El primer filtro, palabras clave, habilita seleccionar términos para incluir o excluir materiales; el segundo filtro, fecha de publicación, restringe la selección a artículos publicados después de un determinado año; y el tercer filtro, tipo de estudio, posibilita escoger materiales según el tipo de investigación que se relata en los trabajos.
Imagen 2
Opciones de filtrado de Elicit
Fuente: https://elicit.org/ (julio de 2023).
En nuestra última revisión en 2025, advertimos que se ha añadido un filtro nuevo llamado “Journal Quality” en el cual se puede seleccionar el tipo de documento que aparece según si la revista es Q1, Q2, Q3 o Q4, teniendo en cuenta el ranking Scimago.
Por otro lado, al utilizar la herramienta para organizar los materiales por palabras clave, encontramos algunos problemas. En primer lugar, cabe mencionar que el sistema las busca en el resumen, pero no tiene en cuenta las proporcionadas en el artículo. Por lo tanto, Elicit puede ser útil en una fase inicial de exploración, pero podría no ser completamente funcional a la hora de realizar una búsqueda más detallada de los materiales. La posibilidad de relacionar los términos introducidos por el usuario con los resultados generados por el sistema permite mejorar el proceso de recuperación de artículos.
En segundo lugar, las palabras clave ofrecidas por el sistema se relacionan con las provistas por el usuario de forma general, teniendo en cuenta los títulos y resúmenes de los materiales hallados. Estas relaciones, entonces, no surgen del uso de tesauros especializados, sino de los usuarios. Es importante incluir estas listas en una herramienta de búsqueda bibliográfica para garantizar que se les brindarán resultados basados en el mismo significado. Por consiguiente, si se utiliza un tesauro especializado, se evitarían las confusiones basadas en homógrafos (palabras con la misma grafía pero distinto significado).
Como investigadoras y expertas en el tema, al utilizar Elicit nos dimos cuenta de que los resultados proporcionados por el sistema no se ajustaban completamente a los conceptos que introducíamos y eran bastante incompletos. Una posible explicación para dicho desajuste o imprecisión podría ser la ausencia de un tesauro especializado que organice las relaciones entre conceptos. Además, consideramos que los resultados eran bastante incompletos, no solo porque no se mencionaban textos escritos por autores reconocidos en la materia, sino también porque faltaban obras seminales.
En nuestra segunda revisión de 2025, notamos que, a pesar de haber formulado la misma pregunta, los resultados fueron diferentes. Aunque los criterios no son claros, la plataforma indica que los ordena por “relevancia”, dejando entrever la temida opacidad que suele haber detrás de las decisiones de este tipo de herramientas (Li y Huang, 2020). Vinculado con esto, nuestra evaluación de la herramienta difiere de la efectuada por Aktay (2024), quien sostiene que obtuvo resultados pertinentes y exhaustivos. Esta diferencia podría deberse a que su consulta versó sobre temas relacionados con la tecnología, un área en la que el repositorio que utiliza Elicit (Semantic Scholar) podría contar con más datos que sobre la escritura de la tesis.
Otro aspecto que exploramos, especialmente pensando en los usuarios hispanohablantes, fue, como mencionamos, el tema del idioma. Debido a las limitaciones que observamos en los resultados, pensamos que la búsqueda en inglés probablemente limitaba los hallazgos a textos publicados en ese idioma (véase Imagen 3).
Imagen 3
Resultados de la búsqueda realizada en inglés
Fuente: https://elicit.org/ (julio de 2023).
Por ello, planteamos la misma pregunta e introdujimos las mismas palabras clave en español. Sin embargo, los resultados parecían más incompletos y menos precisos que al efectuar la búsqueda en inglés (véase Imagen 4). Es probable que esta diferencia se deba a que el número de publicaciones en inglés es mayor. No obstante, por lo que sabemos, los trabajos iberoamericanos han aumentado en la última década y esto no se reflejó en los resultados. Esta tendencia se mantuvo en nuestra revisión de 2025. Asimismo, cabe mencionar que, tanto en nuestra revisión de 2023 como en la de 2025, incluso cuando los artículos listados en los resultados estaban en español, los resúmenes y los extractos de texto relacionados con la pregunta se mostraban en inglés. Esto, sumado a que la interfaz se encuentra en inglés, puede constituir una barrera lingüística para los usuarios hispanohablantes.
Imagen 4
Resultados de la búsqueda realizada en español
Fuente: https://elicit.org/ (julio de 2023).
Otra opción que ofrece Elicit es filtrar los resultados por año de publicación. El sistema organiza los materiales en distintos rangos temporales: de 1900 a 2023. Desde el año en curso hasta 2015, los usuarios pueden seleccionar los materiales por año, pero después de ese año las opciones se agrupan en intervalos de 5 años. Para el período comprendido entre 1990 y 1970, los rangos son de 10 años y, por último, las únicas opciones disponibles para fechas anteriores son 1950,1930 y 1900 (véase Imagen 5).
Imagen 5
Opciones de filtrado por año
Fuente: https://elicit.org/ (julio de 2023).
Como se muestra en la imagen 6, cuando aplicamos el filtro «Publicado después de 1900», el primer material listado data de 2006, seguido por un artículo de 2013. A partir de ahí, se enumeran trabajos más recientes (2020, 2021, 2022 y 2023). Este ejemplo muestra que la cantidad de materiales disponibles sobre el tema ha aumentado en los últimos años, característica que se mantuvo en nuestra revisión de 2025.
Imagen 6
Resultados de la pregunta «Why do students find thesis writing to be a difficult task?» filtrados por año de publicación
Fuente: https://elicit.org/ (julio de 2023).
Al realizar una prueba similar con una pregunta diferente en inglés, Which actions do students take when they have the aim to write a postgraduate thesis?, los resultados son semejantes: el sistema arroja pocos trabajos correspondientes a 2002, 2015 y 2017, mientras que la cantidad de materiales aumenta significativamente a partir de 2020 (véase Imagen 7).
Imagen 7
Resultados para la pregunta «Which actions do students take when they have the aim to write a postgraduate thesis?»filtrados por año de publicación
Fuente: https://elicit.org/ (julio de 2023).
Elicit también brinda la opción de ordenar los resultados según determinados metadatos: título, resumen del “abstract”, indica si hay un pdf disponible, año de publicación y número de citas, como se muestra a continuación.
Imagen 8
Opciones de clasificación de los resultados
Fuente: https://elicit.org/ (julio de 2023).
Por último, como ilustra la imagen 9, el sistema también permite exportar los resultados en dos formatos: como archivo BIB o CSV.
Imagen 9
Opciones para exportar
Fuente: https://elicit.org/ (julio de 2023).
En la exploración de 2025, además de confirmar las tendencias ya mencionadas, notamos una mayor diferencia entre las funciones pagas (análisis de más artículos, posibilidad de “chatear” con más documentos, entre otras) que en el pasado. Asimismo, incorpora nuevas herramientas, como un chatbot (Imagen 10) y un repositorio personal (Imagen 11).
Imagen 10
Chatbot de Elicit
Fuente: https://elicit.org/ (enero de 2025).
Imagen 11
Biblioteca o repositorio personal de Elicit
Fuente: https://elicit.org/ (enero de 2025).
Según las etapas de la revisión de la literatura mencionadas anteriormente, esta herramienta podría ser útil en las iniciales, como la de formulación del problema y de la búsqueda de la literatura. Asimismo, teniendo en cuenta la tipología de revisiones desarrollada ut supra, creemos que Elicit puede ser un recurso valioso para un metaanálisis, ya que permite localizar artículos que satisfacen criterios específicos (por ejemplo, número de participantes, tipo de diseño de la investigación, etc.) mediante la función “Añadir información sobre artículos” y las opciones de filtrado.
No obstante, las funcionalidades disponibles parecen asumir que solo hay una forma de responder a una pregunta de investigación, sin considerar el trabajo de construcción identitaria de los investigadores (Calle-Arango et al., 2021). En efecto, las respuestas de Elicit sugieren que existe una única forma válida de abordar un problema de investigación, independientemente de la identidad o el punto de vista particular sobre el tema de quien la realiza. Además, para alguien que investiga en español y que necesita referenciar artículos en ese idioma, puede encontrar resultados limitados o incompletos, así como también el ya comentado desafío de navegar por una página completamente en inglés.
Por último, cabe señalar que, según la información facilitada por la página web, Elicit utiliza una IA similar a la de GPT3, por lo que podría presentar las mismas deficiencias: al no disponer de una base de datos en línea, está desactualizada desde hace unos años y depende exclusivamente de la información previamente cargada en el sistema. De igual modo, es probable que, si volvemos a formular alguna de las preguntas de investigación ya empleadas en el momento de la publicación de este artículo, los resultados no sean los mismos. Esto se debe a que la herramienta mejora su precisión a medida que se utiliza, una de sus características esenciales.
Litmaps: crea mapas semánticos sobre un tema
Litmaps (https://www.litmaps.com/) es otra herramienta potenciada por IA que puede utilizarse para la revisión de la literatura. Investigaciones previas destacan su potencial para facilitar metodologías de investigación dinámicas, fomentar un estudio más profundo y mejorar el compromiso de los estudiantes con el material académico (Michalak y Ellixson, 2024).
La plataforma utiliza un artículo como «semilla» (Imagen 12) para producir una representación gráfica de los trabajos relacionados con el introducido. Brinda diferentes tipos de visualización que permiten identificar los materiales relacionados con el artículo semilla. Los resultados se pueden ordenar por relevancia, número de citas y año, entre otros. En 2023, algunas funciones, como el modo “Descubrir” y la generación de un mapa gráfico, requerían una suscripción paga. En 2025, encontramos aún más limitaciones para la cuenta gratuita, las cuales iremos desarrollando en detalle.
Imagen 12
Interfaz de Litmaps
Fuente: https://www.litmaps.com/ (julio de 2023).
Como se observa en la imagen anterior, todos los gráficos generados se basan en el análisis de los patrones de citación de los artículos vinculados al documento semilla. Esta herramienta, por tanto, tiene la capacidad de revisar millones de publicaciones en segundos y seleccionar aquellas con mayor conexión con la semilla.
Así, analizando la información proporcionada por esta herramienta, los usuarios pueden identificar nuevos artículos y palabras clave relevantes para su investigación, incluidos aquellos publicados después del artículo semilla. Además, los resultados pueden guardarse en forma de gráfico, descargarse a un dispositivo o vincularse a un software de gestión de citas como Zotero o Mendeley.
En la revisión de 2025, encontramos nuevas opciones de filtrado, tales como la búsqueda por autor, fecha y tipo de revista académica (Imagen 13).
Imagen 13
Nuevas posibilidades de filtros en Litmaps
Fuente: https://www.litmaps.com/ (enero de 2025).
En la última revisión, observamos que ahora presenta un acceso a la información sobre cómo pueden usarse tres tipos de algoritmo según el criterio de búsqueda seleccionado: (1) citas y referencias en común, (2) autores clave en la disciplina o (3) textos similares que no necesariamente tienen un alto número de citas. Sin embargo, las últimas dos opciones solo están disponibles mediante una suscripción paga.
Imagen 14
Búsqueda según diversos algoritmos
Fuente: https://www.litmaps.com/ (enero de 2025).
Al hacer clic en la opción Read more about this search algorithm, encontramos que, al momento de esta publicación, la plataforma cuenta con un canal de Youtube donde se accede a tutoriales sobre cómo utilizar esta herramienta y cómo funciona, acción que parecería alinearse con la tendencia hacia una mayor alfabetización en IA (Mustafa et al., 2024) y con la intención de esclarecer los modos en los que estas tecnologías funcionan. Sin embargo, destacamos que todo el contenido se encuentra exclusivamente en inglés.
Al utilizar la herramienta, la mayoría de las visualizaciones nos parecieron claras y estéticamente agradables. Además, parecían útiles para obtener una visión general de los artículos vinculados a la información proporcionada. En la primera exploración de 2023, observamos que, a diferencia de Elicit, la calidad de los resultados fue la misma cuando se emplearon artículos semilla escritos en inglés o en español (Imagen 15). Vinculamos esta característica al hecho de que Litmaps opera con una base de datos en línea.
Imagen 15
Búsqueda en español
Fuente: https://www.litmaps.com/ (julio de 2023).
Sin embargo, en 2025, al repetir la misma búsqueda, nos sorprendió que encontramos menos artículos que antes (Imagen 16). Suponemos que esta reducción puede estar relacionada con la necesidad de contar con una cuenta paga para arribar a mejores resultados.
Imagen 16
Misma búsqueda en español en 2025
Fuente: https://www.litmaps.com/ (enero de 2025).
Consideramos que la principal ventaja de esta herramienta es que agiliza los procesos repetitivos que son parte de una revisión de la literatura. En este sentido, puede ser muy útil para la metodología de «bola de nieve», facilitando la etapa en la que se buscan referencias para un estudio. Si identificamos un artículo relevante para nuestra investigación, con Litmaps podemos encontrar más eficientemente trabajos relacionados y organizar nuestras lecturas. Así, nos permite adoptar un punto de vista personal sobre la búsqueda, ya que es el investigador quien decide qué artículo es la «semilla» para generar las conexiones. Por otra parte, la cantidad y la relevancia de los resultados obtenidos nos parecieron más apropiadas para la revisión bibliográfica de una tesis, en contraste con la concisión de Elicit para la misma tarea.
Sin embargo, además de las limitaciones antes mencionadas, es importante tener en cuenta que esta herramienta no vincula los artículos con nuestro propio proyecto de investigación, sino que simplemente permite conectar uno que consideramos relevante con otros semánticamente cercanos. A esto se suma que, en una búsqueda bibliográfica manual, los resultados pueden variar en función de la base de datos utilizada. No obstante, al emplear Litmaps, desconocemos cómo se está realizando la búsqueda y de dónde se extrae la información. Nos encontramos así con una especie de «caja negra» respecto a cómo se generan los resultados, ya que la herramienta no proporciona esta información.
Chat PDF: un diálogo con la bibliografía
ChatPDF (https://www.chatpdf.com/) es una herramienta potenciada por IA que pretende facilitar la lectura de materiales bibliográficos mediante una especie de «diálogo» entre el lector y el texto. Está diseñada para que el usuario tenga la sensación de estar intercambiando mensajes instantáneos con el artículo o documento que se sube a la plataforma en formato PDF.
Esta herramienta pareciera presentar ciertas ventajas en comparación con otros lectores de PDF (Panda, 2023), dado que permite una interacción bidireccional con los archivos, lo que habilita «conversaciones» en tiempo real sobre su contenido. Gracias a su integración con la API de ChatGPT, ofrece generación automática de resúmenes, que destacan la información esencial en un formato conciso, y proporciona recomendaciones de contenido, resaltando los aspectos más relevantes del texto.
Estas funciones optimizan el tiempo de consulta, ya que los usuarios pueden navegar directamente por los temas de su interés sin necesidad de leer el documento en su totalidad. Además, su compatibilidad multilingüe permite acceder al contenido en diversos idiomas, mejorando la experiencia del usuario.
ChatPDF también incorpora asistencia con inteligencia artificial, lo que posibilita formular preguntas sobre el contenido y recibir respuestas precisas y contextualizadas. A esto se suma su compatibilidad multiplataforma que garantiza un acceso versátil desde los principales navegadores web y sistemas operativos.
Como muestra la imagen 17, la interfaz de ChatPDF es sencilla: a la izquierda se encuentra la sección de carga de archivos, en el centro se visualiza el documento subido, y a la derecha se dispone de un espacio para «chatear» con la herramienta.
Imagen 17
Interfaz inicial de ChatPDF
Fuente: https://www.chatpdf.com/es (julio de 2023).
Cuando los usuarios suben un documento para «chatear» con él, la aplicación despliega una pantalla con un mensaje de bienvenida, un resumen del documento y tres preguntas sugeridas para iniciar el diálogo. En la web se explica cómo funciona ChatPDF. Primero, en la etapa de análisis, crea una indexación semántica de todos los párrafos del texto, es decir, compara estadísticamente las similitudes a nivel de significado entre segmentos de información textual compuestos por lexemas (Cortez Vásquez, 2018). Luego, al responder una pregunta, identifica los párrafos más relevantes para generar la respuesta.
La imagen 18 muestra cómo ChatPDF responde una de las preguntas indicando, al final de la respuesta, un pequeño número que señala la página del documento donde se encuentra la información. Además, este número es un hipervínculo que, si se pulsa, no solo nos lleva a esa página, sino que también resalta la sección que responde a la pregunta.
Por otro lado, esta misma imagen también pone en evidencia una de las principales limitaciones de esta herramienta: las respuestas se restringen a la información contenida en el documento cargado sin posibilidad de buscar más allá de sus páginas.
Imagen 18
Secciones resaltadas y limitaciones
Fuente: https://www.chatpdf.com/es (julio de 2023).
Además de la limitación mencionada, en algunos casos detectamos errores en las respuestas proporcionadas por ChatPDF. Un problema que observamos al trabajar con diferentes documentos es la dificultad de la herramienta para reconocer la lista de referencias de un artículo científico: o bien no la identifica y resalta secciones incorrectas del texto, o bien la encuentra pero solo marca partes de ella. Otros estudios han destacado la dificultad de esta herramienta para extraer información no textual de los documentos (Infante et al., 2024). Asimismo, como muestra la imagen 19, ChatPDF también parece tener dificultades para reconocer si se cita a algún autor en el texto.
Imagen 19
Algunos errores
Fuente: https://www.chatpdf.com/es (julio de 2023).
En nuestra exploración de enero de 2025, estos errores aún no han sido corregidos. Como se observa en la siguiente imagen, al repetir la misma pregunta sobre la misma autora en el mismo texto, si bien inicialmente pareciera reconocer la cita, luego no puede encontrarla.
Imagen 20
ChatPDF continúa con errores
Fuente: https://www.chatpdf.com/es (enero de 2025).
Un aspecto interesante de ChatPDF consiste en la posibilidad de cargar un documento en un idioma y «chatear» con la herramienta en otro. Esta opción es importante, ya que puede ayudar a los hispanohablantes a leer textos en inglés, como se muestra en la imagen 21.
Imagen 21
Posibilidad de “chatear” en español
Fuente: https://www.chatpdf.com/es (julio de 2023).
En términos generales, ChatPDF podría ser útil en la etapa de selección de los documentos en una revisión de la literatura, dado que ayuda a realizar preguntas específicas sobre los documentos y así descartarlos o no para una investigación. En efecto, esta herramienta exhibe una capacidad de respuesta clara a las consultas de los usuarios, fundamentada en la información contenida en el documento cargado. Su utilidad es particularmente importante en los estadios iniciales de la investigación, ya que facilita la lectura panorámica o exploratoria de los materiales. Esta práctica es común entre los investigadores, quienes la emplean para determinar la relevancia e interés de los materiales encontrados en el contexto de su estudio. No obstante, en concordancia con lo mencionado por Infante y colegas (2024), resulta imperativo señalar que esta herramienta no reemplaza la lectura exhaustiva de los textos, un proceso indispensable para que los tesistas puedan defender sus propuestas. Si bien una lectura exploratoria es beneficiosa para un primer acercamiento, confiar únicamente en ella les podría generar dificultades para sostener sus argumentos.
Por último, es crucial recordar que ChatPDF opera a través de la API de ChatGPT, lo que implica que la información que proporciona puede no estar actualizada. Además, en caso de no conocer la respuesta a una pregunta, es probable que la genere de manera automática, proporcionando información sin fundamento. Por ello, se insta a los usuarios a ejercer cautela al utilizar los datos obtenidos.
Reflexiones finales
Los análisis presentados en las secciones anteriores pretenden contribuir a la reflexión sobre el uso de herramientas basadas en IA en los procesos de escritura académica. Estos diálogos son esenciales para fomentar los usos críticos de dichas herramientas no solo por parte de quienes investigan, sino también de quienes enseñan a investigar.
En este sentido, creemos que las herramientas potenciadas por IA implican tanto ventajas como inconvenientes, dependiendo del uso que se haga de ellas. Por un lado, pueden facilitar el proceso de revisión bibliográfica mejorando la búsqueda, agilizando los tiempos de lectura exploratoria y ayudando a ordenar mejor las ideas sobre un tema determinado. Por otro lado, como se ha detallado, las herramientas exploradas evidencian limitaciones y, sobre todo, su empleo acrítico puede conllevar una serie de riesgos a la hora de escribir una tesis de posgrado. En primer lugar, la información que presentan no siempre es la más relevante ni necesariamente la más actualizada. Asimismo, para brindar una respuesta precisa, estas herramientas requieren que el usuario sepa consultar adecuadamente. Las capacidades de interacción discursiva, por tanto, juegan un papel clave para disminuir el riesgo de resultados erróneos.
En la línea de investigaciones previas, resaltamos la necesidad de protocolos o guías que orienten sobre su uso apropiado, especialmente en investigadores noveles (Christou, 2023; Ngwenyama et al., 2024). Sin un entrenamiento adecuado, los menos experimentados podrían aceptar resultados de IA sin cuestionarlos, lo que comprometería la calidad de su revisión (Atkinson, 2024).
Más allá del usuario y su experiencia, la IA en sí conlleva un enorme riesgo de sesgo y, aunque se están haciendo algunos esfuerzos para abordarlo, hasta ahora van con retraso y son en gran medida ineficaces: la cantidad de datos con los que se entrena a las IA generativas no son representativos de todos los contextos (Mustafa et al., 2024).
En cuanto al carácter actualizado de las respuestas, la falta de transparencia sobre las bases de datos que utilizan las herramientas exploradas, el tratamiento de la información parece tener lugar en una especie de «caja negra». Por lo tanto, los usuarios no pueden determinar qué criterios o procedimientos de búsqueda se han empleado. A la hora de investigar, conocer estos criterios y procedimientos no es una cuestión menor, ya que determinan la intencionalidad con la que se exploran determinados campos del conocimiento, lo que en última instancia contribuirá a la construcción del propio nicho de investigación. Teniendo en cuenta las amenazas y potenciales riesgos de un uso acrítico de las IA, coincidimos con quienes destacan la importancia de un marco regulatorio robusto para garantizar un comportamiento responsable por parte de las organizaciones que desarrollan y emplean tales sistemas (Clarke, 2019). Un avance en esta dirección es, por ejemplo, la Guía para el uso de IA generativa en educación e investigación (UNESCO, 2023).
Otro aspecto relevante son las potenciales implicaciones que tiene para los investigadores latinoamericanos el hecho de que estas herramientas funcionen óptimamente en inglés pero no en español. De hecho, es probable que esta situación profundice aún más el monopolio del inglés en el ámbito de la escritura científico-académica y las desigualdades que ello conlleva (Navarro et al., 2022). Además, dado que a algunas funciones solo se accede en las versiones pagas, el uso óptimo y ventajoso de este tipo de herramientas se limita a los que puedan costearlas.
Todas las cuestiones aquí detalladas son principalmente relevantes para quienes acompañan a los investigadores que inician su carrera, ya que probablemente sean los investigadores noveles los más propensos a utilizar estas herramientas de forma indiscriminada, sin una mirada crítica sobre hasta qué punto estos programas mediados por IA pueden ser de ayuda. También es una oportunidad para empezar a pensar desde nuestras instituciones en cómo podemos promover herramientas potenciadas por IA que tengan en cuenta el contexto de nuestros estudiantes e investigadores latinoamericanos.
En conclusión, aunque en muchos casos nos sorprendan sus capacidades e incluso nos asusten, es evidente que las herramientas mediadas por IA están aquí para quedarse, y lo mejor que podemos hacer es explorarlas. Solo así podremos definir lo que pueden y no pueden aportarnos como investigadores y mentores de la investigación. Para cerrar, recuperamos las palabras del filósofo francés Éric Sadin (2020):
Mientras que los evangelistas de la automatización del mundo no dejan de emprender distintas acciones y de verse apoyados y celebrados en todo lugar, nos vamos deslizando hacia formas de la apatía; hemos renunciado a utilizar nuestro poder de actuar. Un movimiento contrario, que haga valer otros principios, ya no puede limitarse a la mera crítica, por más sustentada y argumentada que sea esta, sino que exige la expresión en acto de nuestras divergencias y de nuestra oposición. (Sadin, 2020, p. 38)
S/T, collagraph. Marta Arangoa
Referencias bibliográficas
Aktay, S. (2024). AI in academia: Analysis of Elicit AI tool. Proceedings of the 8th International Conference on Scientific Researches, 399-404.
Alvarez, G. (2024). Tecnologías digitales en lecturas y escrituras exploratorias de estudiantes doctorales en Ciencias Sociales y Humanas. Anales de Lingüística, 13, 25-49. https://doi.org/10.48162/rev.57.001
Atkinson, C. F. (2024). Cheap, Quick, and Rigorous: Artificial Intelligence and the Systematic Literature Review. Social Science Computer Review, 42(2), 376-393. https://doi.org/10.1177/08944393231196281
Battro, A. (2017). Aportes de la ciencia cognitiva y la neurociencia al desarrollo de las TIC. En S. J. Lipina, M. Sigman, y D. F. Slezak (Eds.), Pensar las TIC desde la ciencia cognitiva y la neurociencia (pp. 15-32). Gedisa.
Badenhorst, C. M. (2018). Graduate student writing: Complexity in literature reviews. Studies in Graduate and Postdoctoral Education, 9(1), 58-74. https://doi.org/10.1108/SGPE-D-17-00031
Becker, H. S. (2007). Writing for social scientists: How to start and finish your thesis, book, or article (2nd ed.). University of Chicago Press.
Calle-Arango, L., Reyes, N. Á., y Meneses, A. (2021). “Es un poco cobarde mi tipo de escritura”: Formas de citación y negociaciones identitarias de doctorantes en Educación. DELTA: Documentação de Estudos em Lingüística Teórica e Aplicada, 37(3), e202153355. https://doi.org/10.1590/1678-460x202153355
Chen, L., Chen, P., y Lin, Z. (2020). Artificial Intelligence in Education: A Review. IEEE Access, 8, 75264-75278. https://doi.org/10.1109/ACCESS.2020.2988510
Christou, P. (2023). Ηow to Use Artificial Intelligence (AI) as a Resource, Methodological and Analysis Tool in Qualitative Research? The Qualitative Report, 28(7), 968-1980. https://doi.org/10.46743/2160-3715/2023.6406
Clarke, R. (2019). Why the world wants controls over Artificial Intelligence. Computer Law y Security Review, 35(4), 423-433. https://doi.org/10.1016/j.clsr.2019.04.006
Cortez Vásquez, A. (2018). Clasificación de textos informáticos mediante indexación semántica latente. Perfiles de Ingeniería, 13(13), 109-122. https://doi.org/10.31381/perfiles_ingenieria.v13i13.1467
Crosta, L., Edwards, A., y Reis-Jorge, J. (2024). Use of Social Media and Artificial Intelligence Tools by Online Doctoral Students: Skills Needed and Challenges. GILE Journal of Skills Development, 4(2), 19-36. https://doi.org/10.52398/gjsd.2024.v4.i2.pp19-36
Cuello, E., y Alvarez, G. (2024). TIC y escritura de tesis de posgrado: Entre viejos problemas y nuevas oportunidades. Revista Colombiana de Educación, 91, 168-188. https://doi.org/10.17227/rce.num91-16884
De La Torre-López, J., Ramírez, A., y Romero, J. R. (2023). Artificial intelligence to automate the systematic review of scientific literature. Computing, 105(10), 2171-2194. https://doi.org/10.1007/s00607-023-01181-x
Díez, R. P., Gómez, A. G., y de Abajo Martínez, N. (2001). Introducción a la inteligencia artificial: sistemas expertos, redes neuronales artificiales y computación evolutiva. Universidad de Oviedo.
Espeche, M. P., y Colombo, L. (2023). Revisar la literatura dialogando con inteligencias artificiales: ¿pesadilla o tesoro? XV Congreso Internacional de Investigación y Práctica Profesional en Psicología. Memorias 2023: Virtualidad, redes sociales y tecnologías digitales, 28-31.
Feak, C. B., y Swales, J. M. (2009). Telling a Research Story: Writing a Literature Review. The University of Michigan Press.
Ferrante, E., Fernández Slezak, D., Ferrer, L., Milone, D. H., Stegmayer, G., y Alonso Alemany, L., y (2022). ¿Aprendizaje automágico?: Un viaje al corazón de la inteligencia artificial contemporánea. Vera Cartonera.
Hernández Sampieri, R., Fernández Collado, C., y Baptista Lucio, P. (2014). Metodología de la investigación (6a ed.). Mc Graw Hill.
Infante, A., Guerri, G., Ciello, A. D., Gullì, C., Chiloiro, S., Vizio, S. D., Ruscelli, L., Merlino, B., Natale, L., Sala, E., y Gaudino, S. (2024). Would ChatPDF be advantageous for expediting the interpretation of imaging and clinical articles in PDF format? Journal of Medical Artificial Intelligence, 8(0). https://jmai.amegroups.org/article/view/9451
Kamler, B., y Thomson, P. (2006). Helping doctoral students write: Pedagogies for supervision. Routledge.
Krumsvik, R. J. (2024). Chatbots and academic writing for doctoral students. Education and Information Technologies. https://doi.org/10.1007/s10639-024-13177-x
Li, J., y Huang, J.-S. (2020). Dimensions of artificial intelligence anxiety based on the integrated fear acquisition theory. Technology in Society, 63, 101410.https://doi.org/10.1016/j.techsoc.2020.101410
López Gil, K., y Moreno Mosquera, E. (2025). Retroalimentación formativa en la escritura de tesis en posgrado: Comparación entre ChatGPT y revisores pares en un círculo de escritura. Revista Virtual Universidad Católica del Norte, 74, 123-160. https://doi.org/10.35575/rvucn.n74a6
Michalak, R., y Ellixson, D. (2024). AI-Driven Discovery: How Litmaps Shapes Research and Teaching y Learning. The Serials Librarian, 85(5–6), 117-129. https://doi.org/10.1080/0361526X.2024.2433255
Mustafa, M. Y., Tlili, A., Lampropoulos, G., Huang, R., Jandrić, P., Zhao, J., Salha, S., Xu, L., Panda, S., Kinshuk, K., López-Pernas, S., y Saqr, M. (2024). A systematic review of literature reviews on artificial intelligence in education (AIED): A roadmap to a future research agenda. Smart Learning Environments, 11(1), 59. https://doi.org/10.1186/s40561-024-00350-5
Navarro, F., Lillis, T., Donahue, T., Curry, M. J., Ávila Reyes, N., y Gustafsson, M. (2022). Rethinking English as a lingua franca in scientific-academic contexts. A position statement. Journal of English for Research Publication Purposes, 3(1), 143-153. https://benjamins.com/catalog/jerpp.21012.nav
Ngwenyama, O., y Rowe, F. (2024). Should We Collaborate with AI to Conduct Literature Reviews? Changing Epistemic Values in a Flattening World. Journal of the Association for Information Systems, 25(1), 122-136. https://doi.org/10.17705/1jais.00869
Panda, S. (2023). Enhancing PDF interaction for a more engaging user experience in library: Introducing ChatPDF. IP Indian Journal of Library Science and Information Technology, 8(1), 20-25. https://doi.org/10.18231/j.ijlsit.2023.004
Paré, A., Starke-Meyerring, D., y McAlpine, L. (2012). Knowledge and identity work in the supervision of doctoral student writing: Shaping rhetorical subjects. En D. Starke-Meyerring, A. Paré, N. Artemeva, M. Horne, y L. Yousoubova (Eds.), Writing in knowledge societies (pp. 215-236). The WAC Clearinghouse/Parlor Press.
Rouhiainen, L. (2018). Inteligencia artificial. Alienta Editorial.
Sánchez-Meca, J. (1999). Metaanálisis para la investigación científica. En F. J. Sarabia Sánchez (Coord.), Metodología para la Investigación en Marketing y Dirección de Empresas (pp. 173-201). Ediciones Pirámide.
Sadin, É. (2020). La inteligencia artificial o el desafío del siglo: Anatomía de un antihumanismo radical. Caja negra.
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación. https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-educacion-e-investigacion
Vladisauskas, M., Belloli, L. M. L., Fernández Slezak, D., y Goldin, A.P. (2022). Machine Learning Approach to Personalize Computerized Cognitive Training Interventions. Frontiers in Artificial Intelligence, 5, Article 788605. https://doi.org/10.3389/frai.2022.788605
Wagner, G., Lukyanenko, R., y Paré, G. (2022). Artificial intelligence and the conduct of literature reviews. Journal of Information Technology, 37(2), 209-226. https://doi.org/10.1177/02683962211048201
