Investigando la investigación

Enlaces comentados: https://arxiv.org/abs/2204.05095 https://www.nature.com/articles/s43588-022-00281-6 Los métodos de aprendizaje automático (AA) han experimentado un crecimiento acelerado, redefiniendo muchas aplicaciones en áreas como la visión por computadora, la biología, la medicina, la contabilidad y el análisis de textos. La disponibilidad de grandes volúmenes de datos, a menudo con etiquetas, ha sido clave para impulsar este avance. Sin embargo, la incorporación de estos métodos en las disciplinas de las ciencias físicas ha sido más lenta debido a las diferencias fundamentales entre los enfoques de AA basados en correlaciones y el enfoque hipotético y causal de las ciencias físicas. Desafíos en los modelos de AA Además, es esencial abordar ciertas anomalías y limitaciones en los modelos tradicionales de AA, incluyendo problemas de explicabilidad y equidad. Es interesante notar que la adopción del aprendizaje profundo en varias disciplinas científicas ha seguido un patrón, comenzando con la medicina y la biología, seguido de la química teórica, y finalmente la física. Este patrón refleja el creciente nivel de complejidad en descriptores, limitaciones y estructuras causales que se pueden incorporar en las arquitecturas de AA. La física como nueva fuente de datos Sugerimos que en la próxima década, la física se convertirá en un nuevo campo para la obtención de datos, continuando la evolución desde la computación científica de los años 90, pasando por los macrodatos de la primera década de los 2000, el aprendizaje profundo de la segunda década, hasta llegar a la física potenciada por el AA. Redes neuronales y aprendizaje automático Las redes neuronales y el aprendizaje automático se conocen desde los primeros estudios sobre perceptrones en los años 50. La aparición del algoritmo de retropropagación en los 80 cimentó las bases del AA contemporáneo. Sin embargo, la falta de capacidades computacionales y la escasez de grandes conjuntos de datos etiquetados restringieron su aplicación a redes relativamente simples, usadas en simulaciones de dinámica molecular, coincidencia de teoría y experimento, y análisis de datos experimentales. Auge del aprendizaje profundo El panorama comenzó a cambiar radicalmente después del 2000, con la disponibilidad de capacidades de computación de alto rendimiento que permitieron la creación de grandes modelos computacionales y la demostración de las primeras aplicaciones experimentales de redes neuronales. El crecimiento de las tecnologías de Internet, incluyendo motores de búsqueda y redes sociales, propició un entorno propicio para la recolección y exploración de grandes conjuntos de datos, marcando el inicio de la revolución del aprendizaje profundo. Problemas con el aprendizaje profundo Paralelamente, estos avances pusieron de relieve los problemas inherentes a los métodos de aprendizaje supervisado basados en datos. Hay muchas facetas de estos problemas, desde ataques adversarios hasta cuestiones de equidad y explicabilidad, todas ellas derivadas del hecho de que los enfoques puramente basados en datos son intrínsecamente limitados para capturar la complejidad del mundo real. Hacia un aprendizaje hipotético Una alternativa viable es sustituir un modelo preentrenado en un conjunto de datos estático por uno que interactúe de forma activa con un proceso de generación de datos. Por ejemplo, en el aprendizaje activo, un modelo sustituto, como un proceso gaussiano o una red neuronal bayesiana, utiliza los datos medidos (aunque sean escasos). Y aquí te suscribes a la newsletter para recibir consejos sobre cómo mejorar tus procesos de investigación ---> https://horacio-ps.com/newsletter

Los Manuales de Frascati, publicados desde 1963 por la OCDE, establecieron la definición estándar de I+D y directrices para medirla. Han promovido la armonización de métricas de I+D, se actualizan periódicamente y son utilizados por más de 60 países. Facilitan el análisis comparado de I+D global, fundamentales para entender la innovación y las políticas que la fomentan. Son un punto de referencia para indicadores internacionales de ciencia y tecnología. Relevancia de la calificación de I+D Conocer los criterios de Frascati para identificar actividades de I+D es importante por varias razones: 1. Permite determinar si un proyecto puede ser considerado como I+D y, por lo tanto, acceder a beneficios asociados como financiamiento, deducciones impositivas u otros incentivos a la innovación que suelen estar dirigidos a proyectos de este tipo. Ejemplo de cumplimiento: Un proyecto universitario para desarrollar una nueva terapia contra el cáncer. Ejemplo de no cumplimiento: La compra de equipamiento productivo para una fábrica. 2. Ayuda a distinguir la I+D de otras actividades como producción, servicios, etc. La I+D tiene características particulares que la diferencian, como la generación de nuevo conocimiento, los resultados inciertos, la sistematicidad, etc. Conocer estas características permite clasificar correctamente una actividad. Ejemplo de cumplimiento: Un proyecto para crear un nuevo algoritmo de inteligencia artificial. Ejemplo de no cumplimiento: La operación rutinaria de un call center de atención al cliente. 3. Facilita la medición y el seguimiento de indicadores de I+D. Al poder identificar qué actividades califican como I+D y cuáles no, se pueden construir métricas más precisas sobre inversión, recursos humanos, productos, etc. dedicados a estas actividades. Ejemplo de cumplimiento: La contabilización del gasto en personal dedicado a proyectos de investigación en una empresa. Ejemplo de no cumplimiento: La contabilización del gasto en personal de limpieza como gasto en I+D. 4. Promueve la estandarización y comparabilidad. Los criterios de Frascati son utilizados a nivel internacional, lo que permite comparar indicadores de I+D entre países, instituciones y empresas. De lo contrario, cada uno tendría su propia definición, dificultando cualquier análisis comparativo. Ejemplo de cumplimiento: La comparación del gasto en I+D como % del PIB entre países de la OCDE. Ejemplo de no cumplimiento: La comparación de indicadores de I+D entre países que utilizan definiciones completamente diferentes de qué constituye una actividad de I+D. 5. Otorga transparencia. El uso de criterios claros y explícitos para definir qué es I+D brinda transparencia sobre qué se está midiendo y cómo. Esto es importante para evaluadores, financiadores, investigadores y público en general. Ejemplo de cumplimiento: Un informe detallando la metodología utilizada para construir indicadores de I+D de acuerdo con los criterios de Frascati. Ejemplo de no cumplimiento: Un informe de indicadores de I+D sin precisar cómo se definieron y midieron las actividades de I+D. Para que una actividad sea una actividad de I+D, debe satisfacer cinco criterios principales. La actividad debe ser: ● novedosa ● creativa ● incierta ● sistemática ● transferible y/o reproducible Se deben cumplir los cinco criterios, al menos en principio, cada vez que se realiza una actividad de I+D, ya sea de forma continua u ocasional. La definición de I+D dada es coherente con la definición de I+D utilizada en las ediciones anteriores del Manual Frascati y cubre el mismo rango de actividades. Si quieres saber más, suscríbete a la newsletter para recibir consejos sobre cómo mejorar tus procesos de investigación ---> https://horacio-ps.com/newsletter

https://twitter.com/andrewwhite01/status/1657068838121242635?s=20 Y aquí te suscribes a la newsletter para recibir consejos sobre cómo mejorar tus procesos de investigación ---> https://horacio-ps.com/newsletter

Hoy traigo la pregunta de Roberto Santa Cruz, gracias por compartir tu situación y tu inquietud sobre cómo desarrollar tu carrera después de haber obtenido tu doctorado. Entiendo que te encuentras en un punto crucial y que tienes muchas responsabilidades familiares. Uno de los caminos que podrías explorar es buscar becas o fondos para investigadores. A veces, universidades, fundaciones o empresas ofrecen estas oportunidades y puedes continuar tus investigaciones mientras recibes una compensación económica. Estas becas pueden provenir tanto de entidades nacionales como internacionales. También podrías considerar colaborar con investigadores o institutos de otros países. Aunque los sueldos de CONICET puedan ser bajos, en otros países pueden ser más altos, y podrías trabajar de forma remota o pasar temporadas en esos países. Otra opción sería explorar las oportunidades en la industria privada. Algunas empresas farmacéuticas o de tecnología médica buscan personas con doctorado y experiencia clínica para puestos de investigación y desarrollo. Además, el trabajo de consultor puede ser rentable y permitirte utilizar tus habilidades de investigación. Podrías ofrecer tus servicios a empresas de salud, hospitales, universidades u otras instituciones que necesiten ayuda para diseñar estudios, analizar datos o escribir publicaciones. Adicionalmente, puedes considerar las siguientes posibilidades: Instituciones internacionales: Organizaciones como la Organización Mundial de la Salud (OMS) o Médicos Sin Fronteras podrían tener oportunidades de investigación y desarrollo. Publicaciones y revisión por pares: Muchas revistas pagan a los revisores por su tiempo y conocimientos. También podrías explorar oportunidades para convertirte en editor o colaborar en la creación de nuevas revistas en tu campo de especialidad. Freelancing y asesoría: Las empresas, los institutos de investigación y los académicos a menudo necesitan ayuda con el análisis de datos, la redacción de propuestas de subvenciones o la presentación de resultados de investigación. Cargos académicos a tiempo parcial: Algunas universidades pueden tener posiciones académicas a tiempo parcial que te permitirían continuar con tu práctica médica y dedicar parte de tu tiempo a la investigación. Iniciativas de colaboración: Podrías formar o unirte a un grupo de investigadores con intereses similares y solicitar fondos como colectivo. Investigación basada en la comunidad: Este tipo de investigación a menudo se realiza en colaboración con organizaciones sin fines de lucro y puede ser una forma gratificante de combinar la investigación con el impacto directo en la comunidad. Espero que estas sugerencias te ayuden a encontrar una ruta que te permita continuar con tu pasión por la investigación mientras mantienes tus responsabilidades financieras. Te animo a que sigas explorando y buscando hasta que encuentres una solución que se adapte a ti. Un saludo y mucho éxito. Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/

Existen varias plataformas en las que los científicos pueden ofrecer sus servicios como freelancers, ya sea después de dejar la academia o incluso si su actual empleador lo permite. Aquí te presento algunas: Kolabtree: Esta es una plataforma diseñada específicamente para que expertos con doctorado ofrezcan sus servicios en una variedad de campos. Es un excelente lugar para que los científicos encuentren trabajo freelance. Upwork: Esta es una de las plataformas de freelancing más grandes e incluye categorías para trabajos relacionados con la ciencia, como análisis de datos, investigación y redacción técnica. Freelancer: Esta plataforma también tiene una amplia gama de categorías e incluye trabajos para científicos, como análisis estadístico, investigación científica y más. Fiverr: Conocida por trabajos que originalmente costaban $5, esta plataforma ha crecido para incluir una amplia gama de servicios y precios, incluyendo servicios científicos y de investigación. Toptal: Esta plataforma es para el 3% superior de talento freelance, e incluye categorías para desarrolladores, diseñadores, expertos en finanzas, gestores de proyectos y gestores de productos. Los científicos, especialmente aquellos con habilidades de análisis de datos, pueden encontrar oportunidades aquí. Guru: Esta es otra plataforma de freelancing general donde los científicos pueden ofrecer sus servicios. PeoplePerHour: Esta plataforma está basada en el Reino Unido e incluye trabajos para científicos. La clave del éxito en estas plataformas es crear un perfil sólido que muestre tu experiencia y habilidades. También es importante escribir una propuesta convincente para cada trabajo al que te postules, ya que la competencia puede ser intensa. Kolabtree es una plataforma que conecta a empresas e investigadores con expertos con doctorado para trabajos remotos a corto plazo. Es un gran recurso para los científicos que quieren ofrecer sus servicios como freelancers. Aquí te presento tres posibles escenarios de aplicación: Análisis e Interpretación de Datos: Una pequeña startup de biotecnología ha recopilado una gran cantidad de datos de su último experimento pero carece de la experiencia interna para analizarlos. Podrían contratar a un científico freelance en Kolabtree que se especializa en análisis de datos en el campo de la biotecnología. El científico podría ayudar a la startup a entender sus datos, identificar tendencias clave e incluso ayudar a escribir un informe detallando los hallazgos. Revisión de Literatura e Investigación: Una empresa farmacéutica está desarrollando un nuevo medicamento y necesita una revisión exhaustiva de la literatura existente sobre una condición médica específica. Un científico con experiencia en esa área podría ser contratado en Kolabtree para realizar esta revisión. Buscarían en las bases de datos relevantes, identificarían artículos clave y escribirían un resumen del estado actual del conocimiento. Redacción de Subvenciones: Una organización sin fines de lucro está solicitando una subvención científica pero no tiene a nadie en el personal que tenga experiencia en este tipo de redacción. Podrían contratar a un científico en Kolabtree que ha solicitado con éxito subvenciones en el pasado. El científico podría ayudar a la organización a escribir una propuesta de subvención convincente, aumentando sus posibilidades de recibir financiación. Estos son solo algunos ejemplos de cómo los científicos pueden usar Kolabtree. La plataforma ofrece una amplia gama de categorías, incluyendo consultoría estadística, redacción científica, desarrollo de productos y más. Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/

El libro "Hackers & Painters" de Paul Graham ofrece valiosas reflexiones sobre el mundo de las startups y la tecnología. Aquí te presento algunos puntos clave: Las startups como compresión de la vida laboral: Graham sostiene que una startup es una forma de comprimir toda tu vida laboral en unos pocos años. Trabajas intensamente durante un corto período, lo que resulta especialmente rentable en tecnología debido a la prima por el trabajo rápido. Esta idea se refleja en la famosa cita de Elon Musk: "Si trabajas cada despertar, puedes hacer en cuatro meses lo que demorarías un año en hacer". Fuente Las startups no son fáciles: Si iniciar una startup fuera fácil, todo el mundo lo estaría haciendo. Esta realidad se refleja en las palabras de Reid Hoffman, cofundador de LinkedIn, quien dijo: "Si no estás avergonzado de la primera versión de tu producto, lo has lanzado demasiado tarde". Fuente Crear riqueza es directo: Solo necesitas proporcionar algo que la gente quiera. Como dijo Steve Jobs: "La gente no sabe lo que quiere hasta que se lo muestras". Fuente La Falacia del Pastel: Es la creencia infantil de que hay una cantidad fija de riqueza en el mundo. Si planeas iniciar una startup, estás planeando desmentir esta falacia. Como dijo Mark Zuckerberg: "El mayor riesgo es no correr ningún riesgo". Fuente Crear riqueza sin empobrecer a otros: Al restaurar tu viejo coche, te haces más rico sin hacer a nadie más pobre. Este principio se aplica a la creación de riqueza en general. El programador como creador de riqueza: Un programador puede crear riqueza sentándose frente a un ordenador. Sin embargo, en una empresa, tu trabajo se promedia con el de los demás, lo que puede ralentizarte. Riqueza y apalancamiento: Para hacerte rico, necesitas estar en una situación donde tu rendimiento pueda ser medido y tus decisiones tengan un gran efecto. Esto se llama apalancamiento. Como dijo Bill Gates: "La mayoría de las personas sobreestiman lo que pueden hacer en un año y subestiman lo que pueden hacer en diez años". Fuente Riesgo y recompensa: Si estás en un trabajo que parece seguro, no te vas a hacer rico. Las startups son inherentemente arriesgadas, pero también ofrecen la posibilidad de altas recompensas. Pequeñas empresas, grandes problemas: Las pequeñas empresas están más preparadas para resolver problemas difíciles porque no tienen capas de burocracia que las ralentizan. Esta idea se refleja en la famosa cita de Mark Zuckerberg: "Mueve rápido y rompe cosas. A menos que estés rompiendo cosas, no te estás moviendo lo suficientemente rápido". Fuente Startups: Todo o nada: Las startups, como los mosquitos, tienden a ser una propuesta de todo o nada. Generalmente no sabes cuál de las dos vas a obtener hasta el último minuto. Como dijo Jeff Bezos: "Si decides que vas a hacer solo las cosas que sabes que funcionarán, vas a dejar un montón de oportunidades sobre la mesa". Fuente Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/ Si quieres discutir sobre el episodio, te unes a nuestra comunidad en whatsapp ---> https://horacio-ps.com/comunidad

Andrea Calute es una lingüista rumana que vive en Nueva Zelanda y estudia patrones lingüísticos usando técnicas computacionales y grandes conjuntos de datos, especialmente de redes sociales. Ha trabajado con Twitter pero le interesan otras plataformas como Instagram. Compara las situaciones de Nueva Zelanda y Australia. Nueva Zelanda busca ser bicultural y bilingüe, incorporando palabras de la lengua indígena maorí al inglés neozelandés. Australia está más atrasada en esa tendencia, con algunas palabras aborígenes en el inglés australiano pero no en la misma escala. Son casos distintos. Donde existe multilingüismo, como en conversaciones bilingües, hay “cambio de código”: mezcla de idiomas. Esto ahora se ve en redes sociales, facilitando estudiar esos patrones. La gente se adapta según plataforma y audiencia: interactúa diferente en LinkedIn, con lenguaje más formal, que en TikTok o Instagram. Las redes sociales muestran interesantes y desafiantes casos de mezcla de inglés con otros idiomas como urdu, griego, alemán o turco. Andrea trabaja en equipos donde colaboradores aplican aprendizaje automático para obtener y limpiar datos. Ella no los ejecuta pero los entiende para saber qué obtienen y qué significa. Usa estadística en R para encontrar patrones, integrando aspectos cuantitativos, computacionales y de análisis lingüístico. Un proyecto analiza hashtags: qué son, cómo se forman, qué procesos de formación de palabras involucran. Otro estudió cómo hablantes de inglés de Nueva Zelanda usan Twitter y mezclan idiomas, encontrando que incorporan mucho vocabulario maorí, inusual dada la relación de poder entre idiomas. Esto muestra el impulso de Nueva Zelanda por ser bicultural y bilingüe. En resumen, Andrea Calute usa grandes datos y técnicas computacionales para el análisis lingüístico, estudiando redes sociales y comparando situaciones entre países. Explora patrones como préstamo de palabras entre idiomas y “cambio de código” entre bilingües, adaptación de lenguaje según plataforma, y formación de nuevos elementos como hashtags Aquí su web: https://www.calude.net/andreea/#/home Y su artículo sobre el que versa este episodio: https://www.sciencedirect.com/science/article/pii/S0378216622001266 Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/ Si quieres discutir sobre el episodio, te unes a nuestra comunidad en whatsapp ---> https://horacio-ps.com/comunidad

Si eres investigador en España, merece la pena considerar el trabajo como consultor independiente. Aunque tendrás que registrarte como autónomo y hacer frente a una burocracia compleja, potencialmente puedes ganar más dinero que en la academia o la industria, donde los sueldos suelen tener techos fijos. Como consultor, tus ingresos dependen de tus esfuerzos para encontrar clientes y proyectos, lo que permite un crecimiento ilimitado para los más ambiciosos e incansables. Sin jefes ni límites, puedes aprovechar tus conocimientos especializados para ayudar a grupos de investigación, empresas y otros clientes.Claro que la incertidumbre y la inestabilidad son mayores. Hay que saber venderse, encontrar work, firmar contratos, emitir facturas, pagar cuotas de autónomos y declarar impuestos. Además, aunque se pueda ganar muy bien, el modelo de negocio como consultor tiene la desventaja de no ser escalable, ya que depende directamente de las horas que puedas trabajar. Algunos de los consultores más exitosos generan también productos digitales, como cursos online, que les permiten obtener ingresos complementarios y alcanzar a más clientes potenciales.En resumen, ser consultor no es para todos, pero para investigadores ambiciosos e incansables puede ser una opción atractiva que ofrece más libertad y menos limitaciones que los caminos tradicionales. Eso sí, ojo con Hacienda y prepárate para trabajar duro encontrando y atendiendo clientes. La recompensa está en tus manos Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/ Si quieres discutir sobre el episodio, te unes a nuestra comunidad en whatsapp ---> https://horacio-ps.com/comunidad

Cómo aplicar el principio de la ruta del mínimo esfuerzo en el trabajo diario para aumentar significativamente la cantidad de tareas realizadas: La idea detrás del principio de la ruta del mínimo esfuerzo consiste en elegir, entre varias opciones, aquellas tareas que requieren menos esfuerzo pero generan un mayor impacto. La estrategia se basa en dividir el día en ciclos, en lugar de tener una lista lineal de tareas a realizar. El proceso es el siguiente: 1. Comienza con la primera tarea y trabaja en ella hasta que te encuentres con un obstáculo o te atasques. 2. Pasa a la siguiente tarea en la lista y continúa trabajando en ella hasta que te atasques o la completes. 3. Repite este proceso hasta que completes un ciclo, es decir, hasta que hayas trabajado en todas las tareas al menos una vez. 4. Vuelve al inicio de la lista y comienza un segundo ciclo, retomando las tareas en las que te quedaste atascado durante el primer ciclo. 5. Continúa repitiendo estos ciclos hasta que completes todas las tareas o hasta que alcances el límite de tiempo que tenías planeado para ese día. Esta estrategia te permite mantener la fluidez en el trabajo, ya que evita que te quedes atrapado en una tarea específica durante demasiado tiempo. Al seguir la ruta del mínimo esfuerzo, podrás aumentar la cantidad de trabajo que realices y, en última instancia, mejorar tu productividad. Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/ Si quieres discutir sobre el episodio, te unes a nuestra comunidad en whatsapp ---> https://horacio-ps.com/comunidad

Si quieres saber más, te apuntas aquí la newsletter ---> https://horacio-ps.com/newsletter/ Si quieres discutir sobre el episodio, te unes a nuestra comunidad en whatsapp ---> https://horacio-ps.com/comunidad