PCTI 242-SC-Inteligencia artificial generativa en los ámbitos científicos y educativos
Roberto Carlos Morales-Hernández,
Autor de Correspondencia
Dr. Héctor Nolasco Soria
Editor
17/02/2025
Fecha de Aprobación
Ingenierías
Categoría
Autores
Roberto Carlos Morales-Hernández, Joaquín Gutiérrez
Centro de Investigaciones Biológicas del Noroeste S.C., rcmorales@cibnor.mx
Algoritmo: Serie de instrucciones o pasos lógicos diseñados para resolver un problema o realizar una tarea específica (Yanofsky 2010).
ChatGPT: Interfaz de conversación basada en un modelo de lenguaje Generative Pre-trained Transformer (GPT) desarrollado por OpenAI, capaz de generar texto coherente y relevante en respuesta a instrucciones en lenguaje natural (DeVon 2023).
Inteligencia Artificial (IA): campo de la informática enfocado en crear sistemas capaces de realizar tareas que típicamente requieren inteligencia humana, como el razonamiento, el aprendizaje, la resolución de problemas, la percepción y el procesamiento del lenguaje natural (Russell et al. 2021).
Modelo: Representación matemática o computacional entrenada en un conjunto de datos para realizar tareas específicas como predicción, clasificación o toma de decisiones (Goodfellow et al. 2016).
Pre-entrenamiento: Fase inicial en el desarrollo de modelos de inteligencia artificial, especialmente en modelos de aprendizaje profundo, en la que el modelo se entrena utilizando grandes volúmenes de datos genéricos para aprender características generales, patrones y representaciones útiles (Devlin et al. 2019).
Prompt: En IA Generativa, es una entrada, que puede ser texto, imagen, audio u otro medio, que es usada para guiar su salida o tarea a realizar (Schulhoff et al. 2024)
Red Neuronal Artificial: Modelo computacional inspirado en la estructura y función del cerebro humano, compuesto por capas de nodos interconectados (neuronas artificiales) (Goodfellow et al. 2016)
Transformador (Transformer): Arquitectura de red neuronal diseñada para procesar datos secuenciales, como texto, que ha revolucionado el procesamiento del lenguaje natural. Es la base de modelos como GPT (Vaswani et al. 2017).
La inteligencia artificial ha emergido como una de las tecnologías más transformadoras del siglo XXI. La Inteligencia Artificial Generativa, es capaz de crear contenido original como texto, imágenes y video mediante modelos avanzados de aprendizaje automático.
Abstract
This article explores the transformative potential of Generative Artificial Intelligence in scientific research and education. It examines the implications of integrating this technology into scientific practices across various disciplines, highlighting its ability to streamline processes, improve efficiency, and facilitate collaboration among researchers. Additionally, it discusses implementing these tools in the educational sector to enhance teaching and learning processes by fostering critical skills and digital literacy. The article also addresses the ethical and technical challenges of adopting AI in these areas, advocating for a balanced approach that maximizes benefits while mitigating risks.
Keywords: Artificial Intelligence, Generative AI, scientific research, education, ChatGPT
Resumen
Este artículo explora el potencial transformador de la Inteligencia Artificial Generativa en la investigación científica y la educación. Se examinan las implicaciones de integrar esta tecnología en las prácticas científicas en diversas disciplinas, destacando su capacidad para agilizar procesos, mejorar la eficiencia y facilitar la colaboración entre investigadores. Asimismo, la implementación de estas herramientas en el sector educativo donde mejora en el proceso de enseñanza y aprendizaje, desarrollando competencias críticas y de alfabetización digital. También aborda los desafíos éticos y técnicos asociados con la adopción de la IA en este ámbito, abogando por un enfoque equilibrado que maximice los beneficios mientras mitiga los riesgos.
Palabras clave: Inteligencia Artificial, IA Generativa, investigación científica, educación, ChatGPT
Problemática
Usuarios
Proyecto
La inteligencia artificial (IA) ha emergido como una de las tecnologías más transformadoras del siglo XXI (ver Tabla 1), destacando particularmente la Inteligencia Artificial Generativa (IA Gen), capaz de crear contenido original como texto, imágenes y video mediante modelos avanzados de aprendizaje automático (Jumper et al. 2021, McCarthy et al. 1955). Herramientas como ChatGPT están revolucionando la investigación científica y la educación, permitiendo desde la generación de hipótesis hasta la personalización de métodos pedagógicos (Panda y Kaur 2024, Saúde et al. 2024). Estas tecnologías están redefiniendo cómo se gestiona el conocimiento y cómo se facilitan los procesos de enseñanza, destacando su capacidad para transformar dinámicas educativas y científicas a través de una interacción más adaptativa y creativa. Sin embargo, la adopción masiva de la IA Gen también plantea desafíos técnicos, éticos y ambientales que deben abordarse para garantizar un uso responsable (Aljbour et al. 2024). Entre estos retos destacan la privacidad de los datos, el sesgo en los modelos y el alto consumo energético de los sistemas. Este artículo explora las capacidades transformadoras de la IA Gen, sus aplicaciones actuales y los retos asociados a su implementación.
Objetivos
Explorar las capacidades transformadoras de la IA Gen dentro de los dominios de la investigación científica y las prácticas pedagógicas.
Materiales y métodos
Se realizó una búsqueda exhaustiva de literatura académica, principalmente a través de Google Scholar, analizando las tendencias actuales y los resultados obtenidos en la implementación de IA Gen en entornos educativos y de investigación.
Resultados y Discusión
Se identificaron aplicaciones exitosas de AI Gen que optimizan el proceso educativo y permiten a investigadores acceder a herramientas avanzadas para el análisis de datos y la generación de contenido innovador, las cuales representa una herramienta para transformar la academia y la investigación, siempre que su integración sea ética y sostenible.
Evolución de la IA Gen
En 2017, la arquitectura Transformer revolucionó el procesamiento del lenguaje natural (Natural Language Processing) y el desarrollo de modelos como GPT (Generative Pre-trained Transformer). En 2020, GPT-3 mostró su capacidad para generar texto coherente, lo que permitió el lanzamiento al público de ChatGPT a finales de noviembre de 2022, superando el millón de usuarios en cinco días (DeVon 2023). La IA Gen es una tecnología que genera contenido de forma automática en respuesta a instrucciones (prompt) en lenguaje natural. A diferencia de otros tipos de modelos de IA que se limitan a analizar o clasificar datos, la IA Gen tiene la capacidad de producir resultados creativos y novedosos mediante dos etapas principales: Entrenamiento y Generación (Fig. 1). En la primera etapa, los algoritmos son entrenados con millones de textos, imágenes, audios y videos, empleando diferentes fuentes de datos para crear contenido coherente y relevante. Una vez entrenada, la IA Gen interactúa con los usuarios a través de un prompt, procesa la solicitud y utiliza el conocimiento adquirido en la etapa de entrenamiento para generar el contenido requerido en texto, imágenes, código de programación, audio o video.
Figura 1. Funcionamiento de una IA Generativa
IA Generativa como herramienta educativa
En la educación superior, la IA Gen está transformando las dinámicas de aprendizaje y enseñanza. Su implementación se extiende desde la evaluación académica hasta la personalización de experiencias educativas, adaptándose a las necesidades individuales de los estudiantes (Xia et al. 2024). Estas herramientas mejoran la retroalimentación en el aprendizaje y desarrollan competencias críticas y de alfabetización digital (Saúde et al. 2024). Además, la IA Gen contribuye a la inclusión y la equidad educativa al mitigar barreras lingüísticas y fomentar la colaboración entre estudiantes. Este enfoque anima la innovación y transforma los métodos pedagógicos tradicionales hacia prácticas más interactivas, promoviendo resultados académicos de mayor calidad mediante la generación de contenido, mejora del lenguaje y visualización de conceptos complejos (Panda y Kaur 2024).
IA Generativa como propulsor de conocimiento, tecnología e innovación
En la investigación científica, la IA Gen está revolucionando la manera en que se analiza y produce conocimiento al facilitar el análisis masivo de textos científicos, la exploración de datos y la redacción de artículos. Herramientas como AlphaFold están transformando disciplinas específicas, permitiendo predecir estructuras proteicas y diseñar nuevos fármacos (Jumper et al. 2021). Los modelos predictivos basados en IA Gen simulan la evolución de poblaciones y ecosistemas, ayudando a los científicos a anticipar cambios y diseñar estrategias de conservación (Miller et al. 2024). Así mismo, herramientas como difusores y transformadores de visión optimizan recursos agrícolas y pronostican el crecimiento de cultivos, promoviendo prácticas más sostenibles y eficientes (Majumder et al. 2024). Además, asistentes académicos como JuluisAI, Scispace y Researchrabbit (Tabla 2), optimizan el acceso a información relevante y la generación de trabajos académicos. Estas aplicaciones personalizan la interacción con los datos, permitiendo identificar tendencias emergentes y promoviendo la colaboración interdisciplinaria, impulsando así el avance del conocimiento científico.
Apropiación de la IA Gen
La IA Gen está transformando la academia y la investigación, pero su integración plantea desafíos éticos clave, como la privacidad de los datos, el sesgo y la rendición de cuentas. Además, los modelos de IA Gen, como ChatGPT, consumen hasta 10 veces más electricidad que una consulta en buscadores como Google (Aljbour et al. 2024), lo que resalta la necesidad de desarrollar soluciones sostenibles para minimizar su huella ambiental. En este contexto, en la incorporación de las tecnologías a los planes de estudio y a las prácticas científicas se deben incluir lineamientos claros para el uso responsable, promoviendo competencias en estudiantes, docentes e investigadores. Si bien existen riesgos, el potencial de AI Gen para impulsar la innovación es significativo, siempre que se implemente con principios de equidad, transparencia y confianza.
Conclusiones
La Inteligencia Artificial Generativa en los ámbitos científicos y educativos, representa un punto de inflexión al optimizar procesos de investigación, generar contenidos creativos y adaptar la enseñanza a las necesidades individuales; sin embargo, su adopción requiere una gestión responsable que aborde retos éticos, técnicos y ambientales.
Impacto Socioeconómico
La integración de la IA Gen en entornos académicos y de investigación podría crear nuevas avenidas para la educación personalizada y el trabajo en equipo interdisciplinario. Estas oportunidades no solo transforman la manera en que se adquiere el conocimiento, sino que también pueden contribuir a una mayor inclusión y accesibilidad para diversos grupos de estudiantes, permitiendo que todos tengan acceso a recursos educativos adaptados a sus necesidades individuales.
Referencias
Aljbour J, Wilson T, y Patel P (2024). Powering Intelligence: Analyzing Artificial Intelligence and Data Center Energy Consumption. Electric Power Research Institute (EPRI). www.epri.com
Devlin J, Chang MW, Lee K, y Toutanova K (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. Proceedings of the 2019 Conference of the North, 4171–4186. https://doi.org/10.18653/v1/N19-1423
DeVon C (2023, November 30). On ChatGPT’s one-year anniversary, it has more than 1.7 billion users—Here’s what it may do next. CNBC. https://www.cnbc.com/2023/11/30/chatgpts-one-year-anniversary-how-the-viral-ai-chatbot-has-changed.html
Goodfellow I, Bengio Y, y Courville A (2016). Deep learning. The MIT press.
Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, Tunyasuvunakool K, Bates R, Žídek A, Potapenko A, Bridgland A, Meyer C, Kohl SAA, Ballard AJ, Cowie A, Romera-Paredes B, Nikolov S, Jain R, Adler J, Hassabis D (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. https://doi.org/10.1038/s41586-021-03819-2
Majumder S, Khandelwal Y, y Krishnan, S. (2024). Computer vision and Generative AI for yield prediction in Digital Agriculture. 2024 2nd International Conference on Networking and Communications (ICNWC), 1–6. https://doi.org/10.1109/ICNWC60771.2024.10537337
McCarthy J, Minsky ML, Rochester N, y Shannon CE (1955). A proposal for the Dartmouth summer research project on artificial intelligence. https://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html
Miller, T., Durlik, I., Łobodzińska, A., & Kostecka, E. (2024). Generative ai: a tool for addressing data scarcity in scientific research. Grail of Science, 43, 301–307. https://doi.org/10.36074/grail-of-science.06.09.2024.039
Panda S, y Kaur N (2024). Exploring the role of generative AI in academia: Opportunities and challenges. IP Indian Journal of Library Science and Information Technology, 9(1), 12–23. https://doi.org/10.18231/j.ijlsit.2024.003
Russell, Stuart J. y Norvig, Peter. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Saúde S, Barros J P, y Almeida I (2024). Impacts of Generative Artificial Intelligence in Higher Education: Research Trends and Students’ Perceptions. Social Sciences, 13(8), Article 8. https://doi.org/10.3390/socsci13080410
Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., Li, Y., Gupta, A., Han, H., Schulhoff, S., Dulepet, P. S., Vidyadhara, S., Ki, D., Agrawal, S., Pham, C., Kroiz, G., Li, F., Tao, H., Srivastava, A., … Resnik, P. (2024). The Prompt Report: A Systematic Survey of Prompting Techniques (arXiv:2406.06608). arXiv. https://doi.org/10.48550/arXiv.2406.06608
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, Kaiser L, y Polosukhin I. (2017). Attention Is All You Need (arXiv:1706.03762). arXiv. https://doi.org/10.48550/arXiv.1706.03762
Xia Q, Weng X, Ouyang F, Lin TJ, y Chiu TKF (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(1), 40. https://doi.org/10.1186/s41239-024-00468-z
Yanofsky N (2010). Towards a Definition of an Algorithm (arXiv:math/0602053). arXiv. https://doi.org/10.48550/arXiv.math/0602053