Investigando la investigación

En este episodio he querido reflexionar sobre algo que muchos de nosotros, quienes trabajamos en la elaboración de artículos científicos, conocemos bien: la sección de metodología. Tradicionalmente, esa parte del artículo recoge con todo detalle cómo se ha llevado a cabo una investigación, desde los materiales utilizados hasta los pasos seguidos para obtener los resultados. Es una parte clave para asegurar la reproducibilidad del trabajo y para dar transparencia al proceso científico.Pero me pregunto, en esta nueva etapa en la que la inteligencia artificial generativa empieza a formar parte habitual de nuestro flujo de trabajo, ¿qué hacemos con esa parte metodológica? ¿La estamos adaptando? ¿Deberíamos reflejar también cómo usamos herramientas como ChatGPT, por ejemplo, para reescribir, corregir o sintetizar partes del texto? Cada vez más revistas científicas están pidiendo que se incluyan los prompts o interacciones con estas herramientas, del mismo modo que en informática llevamos años compartiendo código fuente o datasets.El problema es que, en muchos casos, estas interacciones con inteligencia artificial no están organizadas ni documentadas. Son usos esporádicos, a veces dispersos, que no siempre quedan registrados. Esto puede suponer una carga de trabajo adicional si queremos luego reconstruir ese proceso para compartirlo. Pero también es una invitación a repensar cómo trabajamos y organizamos nuestra creatividad apoyada por IA.Me parece interesante imaginar un futuro próximo en el que existan sistemas automáticos que supervisen y documenten el uso que hacemos de estas herramientas. Algo así como un registro continuo de los pasos que seguimos, para que luego podamos explicar de forma precisa cómo se ha generado un determinado texto. Sería algo similar a lo que ya ocurre cuando se deposita el código en un repositorio junto con el artículo.Aun así, no podemos perder de vista lo esencial. Por ahora, seguimos siendo nosotros quienes decidimos qué queremos decir, qué camino tomar, cuál es la idea de fondo. Las herramientas nos ayudan a articularlo, a darle forma, a corregirlo o embellecerlo, pero la chispa inicial sigue viniendo de nosotros. Por eso me parece importante distinguir bien entre lo que la IA ha contribuido a generar y lo que hemos aportado como humanos.Puse como ejemplo un caso muy cotidiano: escribir un texto a mano en una libreta, en soledad, sin conexión digital. Después, llevar ese texto al ordenador mediante escaneo, reconocimiento de caracteres, corrección ortográfica, e incluso aplicar alguna herramienta que nos sugiera mejoras o nos ayude a reescribir. En ese proceso se mezclan muchas capas, y documentarlas todas puede ser complejo, pero también enriquecedor.Al final, creo que vale la pena preguntarse cuánto del proceso queremos hacer visible y qué valor tiene esa visibilidad. Más allá de la transparencia científica, hay también una dimensión estética. Hay autores que no se centran solo en la obra terminada, sino que encuentran belleza en mostrar cómo se ha llegado hasta ella. Y creo que esto abre puertas muy sugerentes, tanto en el ámbito del arte como en el de la divulgación.Por cierto, este episodio lo he grabado directamente desde el móvil, sin micrófono externo, así que es posible que notéis algo de ruido. Pero me pareció coherente dejarlo así, como una muestra más del proceso tal cual es, sin retoques. Si os apetece seguir conversando sobre este tema, podéis uniros a nuestra comunidad en WhatsApp a través de la web:https://horacio-ps.com/comunidadPD: estas notas del programa las he creado a través de la transcripción del audio del episodio y mediante el uso de ChatGPT y 3 interacciones con prompts y ediciones menores.PD2: https://x.com/horacio_ps/status/1904421075435356549

En este episodio hablo de algo que hacía tiempo que no tocaba en el podcast: la programación. En concreto, comento cómo me he reencontrado con el código gracias a las nuevas herramientas de inteligencia artificial generativa, que permiten crear aplicaciones complejas a partir de simples instrucciones en lenguaje natural.Comparto mi experiencia reciente utilizando Lovable, una de estas plataformas, para generar aplicaciones web completas sin apenas escribir código. Cuento cómo construí dos apps: una para transcribir audios y generar esquemas a partir de ellos, y otra para generar exámenes tipo test a partir de capturas de libros, pensada para mis hijos. Explico los puntos fuertes y también las muchas limitaciones que he encontrado, sobre todo cuando se trata de hacer algo más allá de lo muy básico.Además, desarrollo una idea más teórica: la posibilidad de combinar programación evolutiva con modelos de lenguaje para automatizar la generación de software de manera no interactiva, como si fueran versiones de código que van evolucionando a través de filtros y evaluaciones automáticas.Termino hablando del curso gratuito que tengo activo sobre herramientas de inteligencia artificial para investigación, que ya ha comenzado pero al que todavía te puedes apuntar si te interesa, tienes el enlace en las notas del programa del episodio anterior.Si te apetece probar alguna de las aplicaciones que he mencionado, puedes escribirme y te paso el enlace.Además, te invito a unirte a nuestra comunidad gratuita de investigadores en WhatsApp:⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠⁠donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Me encantaría saber qué piensas y recibir tus comentarios para seguir mejorando.Gracias por escuchar y nos vemos en el próximo episodio.

Aquí puedes acceder al curso:https://docs.google.com/document/d/12eqtmDQxZTBI5gJFYErCNjZoyoMGUw1cbOBrndFSz-8/edit?usp=sharing

Formulario de registro para el curso: https://forms.gle/Yy58zByGZgSQXT3b9

Hoy exploramos un tema que cada vez genera más debate en la academia y la investigación: ¿Las herramientas de inteligencia artificial han alcanzado un punto en el que realmente aportan valor o seguimos en una fase experimental?Para abordar esta cuestión, contamos con la participación de varios expertos que han estado probando diferentes herramientas de IA en sus áreas de trabajo. Nos acompañan Rosario Gámez Sánchez, bibliotecaria de Universidad Privada y asesora en procesos de acreditación y publicación, quien se centra en "Necesidades de investigadores en herramientas IA". Javier González Iglesias, cirujano ortopédico y traumatólogo deportivo, doctor en Medicina, que presenta "Estrategias de formación en IA", entre muchos otros temas. Alejandro S. Ghersin, del CONICET-ITBA, aporta su experiencia en el uso de IA en investigación. Archibaldo Bravo comparte su visión sobre la automatización en la investigación, mientras que Eva Sayba reflexiona sobre la accesibilidad y ética de la IA en el ámbito académico.Durante la conversación exploramos ejemplos concretos en los que la IA ha facilitado tareas repetitivas o tediosas en la investigación, así como casos en los que aún no está a la altura de las expectativas y sigue generando errores o resultados poco confiables. También discutimos el impacto en la escritura académica, cuestionándonos si la IA realmente ayuda a mejorar la claridad de los textos o simplemente introduce más ruido. Además, abordamos cuestiones epistemológicas y cómo cambia la forma en que pensamos la investigación cuando dependemos de herramientas que automatizan ciertos procesos.Al final del episodio, reflexionamos sobre hacia dónde nos dirigimos. ¿Estamos ante un cambio de paradigma en la investigación o simplemente ante una moda pasajera? ¿Cómo podemos aprovechar la IA sin caer en sus trampas?Como siempre, espero vuestros comentarios y experiencias con estas herramientas. ¿Las habéis utilizado en vuestra investigación? ¿Os han facilitado la vida o añadido más problemas?Si os ha gustado el episodio, no olvidéis compartirlo y dejar vuestra opinión en la plataforma donde lo escucháis. Además, te invitamos a unirte a nuestra comunidad gratuita de investigadores en WhatsApp:⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠⁠donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando.Gracias por escuchar y nos vemos en el próximo episodio.

Este episodio ha sido grabado por IAcademia (https://www.iacademia.es/). En esta entrevista que me ha hecho Eva Pérez, comparto una conversación sobre el impacto de la inteligencia artificial y la bioinformática en la investigación y la atención sanitaria. Hablamos sobre cómo estas tecnologías disruptivas están revolucionando la forma en que predecimos fenómenos biológicos y analizamos datos médicos para mejorar los tratamientos y optimizar la toma de decisiones.Uno de los temas centrales ha sido la capacidad de la inteligencia artificial para predecir fenómenos biológicos y analizar datos sanitarios. Explico cómo la bioinformática y la supercomputación permiten desarrollar modelos que ayudan a predecir la evolución de enfermedades, diseñar nuevos fármacos y mejorar la gestión hospitalaria. También profundizo en un proyecto innovador que busca predecir la probabilidad de recaídas en pacientes atendidos en urgencias, una herramienta que puede transformar la eficiencia del sistema sanitario.Otro punto clave de la conversación ha sido la importancia de la investigación interdisciplinaria. La colaboración entre profesionales de distintas áreas es esencial para abordar los desafíos actuales en biomedicina. Además, exploramos el potencial de la computación cuántica en la investigación de salud y los retos que plantea la implementación de modelos de inteligencia artificial explicables y regulados dentro del sector.Entre los proyectos mencionados en este episodio destacan el modelo de IA explicable para predecir recaídas en urgencias (episodio 331 del podcast), el proyecto europeo sobre cáncer colorrectal que utiliza inteligencia artificial para mejorar tratamientos (https://www.revert-project.eu/) y la herramienta OBE-DB (https://bio-hpc.ucam.edu/obe-db/), diseñada para evaluar el potencial terapéutico de compuestos en el tratamiento de la obesidad.Si te ha interesado, y quieres comentar sobre el episodio, te invito a unirte a nuestra comunidad gratuita en WhatsApp:⁠⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠⁠donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando.Gracias por escuchar y nos vemos en el próximo episodio.

Hoy te hablo de cómo han cambiado las herramientas para seguir la literatura en investigación. Pero no solo seguirla, sino también procesarla. Y antes de entrar en detalle, te cuento una historia de viejos (porque a veces toca).En 2001, cuando quería leer un artículo científico, tenía que ir a la hemeroteca, buscar el journal en papel, localizar el volumen correcto, sacar varios tomos en un carrito y fotocopiarlos. Ahora, con un móvil, lo tenemos todo en segundos. Pero esa evolución no solo ha sido cuestión de acceso: ha cambiado la forma en que decidimos qué leer y cómo procesamos lo que leemos.De 2004 a 2023, Google Scholar, Web of Science y Scopus dominaron la búsqueda de artículos. La gran revolución llegó con la inteligencia artificial generativa, y aquí entra en escena SciSpace.¿Qué hace esta herramienta? Tres cosas clave:Búsqueda semántica, mucho más potente que los buscadores clásicos. No se limita a palabras clave exactas, sino que entiende el significado detrás de la consulta.Resúmenes automáticos de cada paper, destacando lo esencial en segundos.Interacción con los papers, permitiéndote hacer preguntas sobre ellos y recibir respuestas en lenguaje natural.El impacto de esto no es solo práctico, sino también filosófico. ¿Estamos investigando mejor o solo produciendo más ruido? Antes profundizábamos en unos pocos artículos; ahora acumulamos cientos en Zotero sin leerlos. ¿Nos ayuda este mar de información o nos ahoga?Reflexiono sobre estas preguntas en el episodio. Y si quieres discutirlo conmigo y con otros investigadores, puedes unirte a nuestra comunidad en WhatsApp:⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠Que tengas un buen día, y recuerda: si estas herramientas te ahorran tiempo, úsalo bien. Sal a dar un paseo.

Hoy comparto un método de aprendizaje inspirado en los algoritmos de redes sociales. La idea es aprovechar cómo estas plataformas detectan lo que nos interesa y aplicarlo al estudio de cualquier materia. Combinando este enfoque con la repetición espaciada y las autoevaluaciones tipo test, se puede optimizar el proceso de aprendizaje de manera eficiente y personalizada. Primero, los algoritmos de redes sociales identifican lo que nos gusta y nos lo muestran con más frecuencia. En el aprendizaje, esto significa reconocer qué partes de un contenido dominamos y cuáles necesitan más repaso. Luego, la repetición espaciada permite ajustar la frecuencia de revisión según la dificultad que presenta cada concepto. Finalmente, las autoevaluaciones tipo test refuerzan la retención y ayudan a detectar puntos débiles. Para poner esto en práctica con herramientas de inteligencia artificial, basta con estructurar un sistema que presente fragmentos de contenido de forma aleatoria, los explique de manera sencilla y genere preguntas para evaluar la comprensión. Si las respuestas son correctas, ese contenido aparece menos veces; si hay errores, se repite con mayor frecuencia y reformulado de distintas maneras. Este método se puede aplicar con cualquier tema y herramienta de IA, como ChatGPT, cargando PDFs o utilizando información accesible en internet. Lo ideal es experimentar con los prompts hasta encontrar la mejor manera de automatizar el proceso y guardar un prompt maestro para reutilizarlo fácilmente en futuras sesiones. Además, te invito a unirte a nuestra comunidad gratuita en WhatsApp: ⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠ donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando. Gracias por escuchar y nos vemos en el próximo episodio.

Hoy exploraremos un tema que está marcando un antes y un después en la tecnología: la computación cuántica y el reciente avance de Google con su procesador Willow y publicado en Nature: https://www.nature.com/articles/s41586-024-08449-y https://blog.google/technology/research/google-willow-quantum-chip/ La computación cuántica es una tecnología que promete revolucionar nuestra forma de resolver problemas complejos. A diferencia de las computadoras clásicas, que trabajan con bits que solo pueden ser 0 o 1, las computadoras cuánticas utilizan qubits, que gracias a la superposición pueden ser 0 y 1 al mismo tiempo. Esto, junto con el entrelazamiento cuántico, permite procesar información de manera exponencialmente más eficiente. Sin embargo, hasta ahora, uno de los mayores retos ha sido la fragilidad de los qubits y la corrección de errores. Aquí es donde entra Willow, el nuevo procesador cuántico de Google, que ha logrado un avance histórico: superar el umbral crítico en la corrección de errores. Utilizando códigos de superficie con distancias 5 y 7, han reducido la tasa de error a un impresionante 0,143%. Además, han mejorado la memoria cuántica, logrando que los qubits lógicos tengan una duración de vida 2.4 veces mayor que los qubits físicos. Esto significa que estamos más cerca de construir sistemas cuánticos estables y fiables, un paso crucial hacia aplicaciones prácticas. Otro logro clave ha sido la implementación de un sistema de decodificación en tiempo real, capaz de corregir errores en tan solo 63 microsegundos. Este avance es fundamental para que los algoritmos cuánticos puedan ejecutarse de manera continua y eficiente. Aunque todavía hay retos, como la mitigación de errores raros, estos avances representan un cambio de paradigma en la computación cuántica. Este progreso no solo redefine los límites de lo posible, sino que también abre la puerta a aplicaciones revolucionarias en áreas como la salud, la criptografía y la inteligencia artificial. Sin embargo, aún queda mucho por hacer para escalar estos sistemas y llevarlos al mundo real. Episodios relacionados: 155, 187, 266 Además, te invitamos a unirte a nuestra comunidad gratuita de investigadores en WhatsApp: ⁠⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠⁠ donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando. Gracias por escuchar y nos vemos en el próximo episodio.

En este episodio exploramos las ideas más fascinantes de Linked: The New Science of Networks, el libro de Albert-László Barabási. Descubrimos cómo las redes están presentes en todos los aspectos de nuestra vida y cómo entenderlas puede cambiar nuestra perspectiva sobre el mundo. Desde Internet hasta las redes sociales, pasando por la biología y las telecomunicaciones, todo está conectado. Hablamos primero de qué son las redes, cómo se componen de nodos y enlaces, y cómo se manifiestan en ejemplos cotidianos como Internet, las redes sociales y los sistemas metabólicos. Después, profundizamos en las redes de escala libre, aquellas donde algunos nodos (los hubs) concentran la mayoría de las conexiones. Entendemos por qué surgen estas redes, gracias a factores como el crecimiento continuo y el crecimiento preferencial, y exploramos ejemplos prácticos que van desde la tecnología hasta la biología. También analizamos las propiedades de estas redes, como su resiliencia ante fallos aleatorios y su vulnerabilidad a ataques dirigidos, y cómo estos aspectos determinan su comportamiento. Nos adentramos en cómo la información, las ideas y las enfermedades se propagan a través de las redes y cómo los clusters y comunidades dentro de estas estructuras afectan la dinámica de la difusión. El episodio incluye aplicaciones prácticas en tecnología, como la optimización de Internet y las redes eléctricas, y en biología y medicina, donde el análisis de redes metabólicas y la identificación de nodos clave son esenciales para la investigación y las terapias dirigidas. También reflexionamos sobre cómo las empresas utilizan el análisis de redes para mejorar estrategias de marketing y el desarrollo de productos. Cerramos con una reflexión sobre el impacto del libro y cómo su visión de las redes puede ayudarnos a entender mejor nuestras propias conexiones. Si quieres profundizar más, te recomendamos leer el libro Linked: The New Science of Networks, disponible en numerosas plataformas. Explora el fascinante mundo de las redes y cómo moldean nuestra vida diaria en la página oficial de Albert-László Barabási: www.barabasilab.com. Además, te invitamos a unirte a nuestra comunidad gratuita en WhatsApp: ⁠⁠⁠⁠⁠https://chat.whatsapp.com/BIfSH9QFEiK9hiS83fw2am⁠ ⁠⁠⁠⁠ donde podrás interactuar con otros investigadores y compartir tus opiniones sobre el tema de este episodio. Nos encantaría saber qué piensas y recibir tus comentarios para seguir mejorando. Gracias por escuchar y nos vemos en el próximo episodio.