Estudios métricos en el ecosistema de la Inteligencia Artificial (IA)

Resumen

La finalidad de las revistas científicas radica en constituir un canal de comunicación para contribuir a resolver los problemas sociales desde el enfoque de la ciencia y la tecnología; por este motivo, los artículos basados en análisis métricos deben presentar investigaciones cuantitativas sobre producción académica, redes de colaboración, impacto de revistas o tendencias temáticas, mediante la utilización de indicadores válidos, por ejemplo, las citaciones, el índice h, las almetrías, entre  otros, (González, 2025); .

Estos estudios se privilegian a través del rigor en el proceso relacionado con la implementación de la metodología en la selección de datos, que son accesibles desde prestigiosas bases de datos como Scopus, WoS, Dimensiones; la originalidad que se concreta en el eficiente análisis de dominios del conocimiento o nichos que han sido explorados; así como problemáticas poco representadas en la literatura que sirve de base a las nuevas investigaciones con vistas a su posterior aplicabilidad académica o política científica en los diferentes contextos regionales, López et al., (2021).

Como toda obra del quehacer humano los resultados de los estudios métricos están sujeto a errores en las diferentes etapas del análisis de información, que pueden comprometer su credibilidad, tales como errores en la recolección de datos que se expresa en el sesgo de las bases de datos, donde los autores se enfocan en la consulta de una fuente, por ejemplo, WoS o Scopus procediendo a la exclusión de revistas regionales, preprints o disciplinas menos representadas como las Ciencias Sociales o las Humanidades; los criterios de búsqueda mal definidos por medio de la utilización de palabras clave demasiado amplias o estrechas, los filtros temporales que no son adecuados porque existen investigaciones que mantienen su vigencia sobrepasando los cinco años de publicadas; la duplicación de registros cuando en el informe se incluye diversas versiones de un mismo trabajo sin una previa consolidación de los publicado en modalidad de preprint, versión final, traducciones, ponencias, entre otros; no debemos pasar por alto el uso indiscriminado del Factor de impacto (JIF) que se utiliza para evaluar a los investigadores individuales con métricas diseñadas para revistas; otro error consiste en ignorar el contexto de las diferentes disciplinas mediante la comparación de los índices h o citas entre áreas del conocimiento con dinámicas distintas; la sobrerrepresentación de métricas tradicionales obviando las alternativas como Altmetric; la malinterpretación de los percentiles, las autocitas no controladas; la normalización incorrecta comparando conteos brutos de citas sin ajustar por la antigüedad del documento o tamaño del campo; confundir correlación con causalidad; las generalizaciones indebidas que se manifiestan en la extrapolación de un subcampo a toda una disciplina; los errores éticos como la manipulación de datos que no convienen o inflar métricas con autocitas coordinadas; publicar en las denominadas revistas depredadoras; entre otras malas prácticas que están saliendo a la luz producto a la implementación de herramientas de IA en función de los Comité Editoriales y Científicos de las revistas a nivel internacional, (González, 2025). Los procedimientos vigentes para reducir el índice de rechazo de los manuscritos están en documentar todo, la triangulación mediante la utilización de diferentes bases de datos y la adecuada contextualización, López et al., (2021). Del mismo modo que la creciente implementación de las herramientas de IA están exigiendo a la comunidad científica la implementación de procedimientos enfocados al análisis de la información generada por estas poderosas herramientas. Para el bien general, se recomienda una lista de herramientas gratuitas para estudios métricos; se debe tener presente la dinámica del mercado de la información cuyas aplicaciones pasan por diferentes etapas de promoción y comercialización, por tanto algunas herramientas requieren de registro o tienen ciertas limitaciones en la versión gratuita; asi como para el acceso a datos avanzados de Web of Science o Scopus que son las mas populares, un creciente número de instituciones académicas ofrecen acceso bajo suscripción a herramientas que no son totalmente gratuitas, aspecto este que revela la importancia del diseño e implementación de proyectos internacionales de colaboración científica:

• VOSviewer que está diseñada con el fin de construir y visualizar redes bibliométricas (co-citación, co-autoría, acoplamiento bibliográfico, etcétera). Incluye la minería de datos o datamining para el análisis de términos clave en la literatura científica y académica.
• Bibliometrix consistente en un Paquete de R que ofrece la posibilidad de importar datos de Scopus,Web of Sciencem PubMed y otras bases de datos. Es de código abierto.
•  BibExcel es una herramienta para el análisis de datos bibliográficos y la generación de archivos que son compatibles con Excel. Es de mucha utilidad para el estudio de citas y colaboración entre autores e instituciones.
• CitNetExplorer permite la visualización y el análisis de citaciones científicas, importar datosdirectamente desde Web of Science y la exploración de clusters de publicaciones.
• Google Scholar Citations es un servicio gratuito que permite rastrear citas de artículos, tesis y libros. Es ideal para el estudio de los perfiles de los autores individuales.

Entre las herramientas Almétricas gratuitas podemos mencionar:

• ImpactStory que agrega alternativas (redes sociales, menciones de blogs, entre otros) que están estrechamente vinculadas a los perfiles de los investigadores a través de ORCID y DOI, que son gratuitos para los usuarios que estan registrados.
•  Almetric.com (versión básica) la cual ofrece un disco multicolor que visualiza el impacto de los artículos que son objeto de estudio en redes sociales y medios masivos de comunicación. Hay que tener en cuenta que la API y bookmarklet son gratuitos, aunque la versión completa es de pago.
• PlumX Metrics. Está integrado a Scopus; aunque es propiedad de la empresa Elsevier algunas de las métricas como las menciones en las redes sociales es posible acceder a ellas.
• Crossref Even Data proporciona a los investigadores datos crudos de eventos altmétricos.

Recordar que las IA, según el criterio de expertos López et al., (2021); Calle et al., (2025); Amézquita, et al., (2026), se están revolucionando los estudios métricos contribuyendo al perfeccionamiento sistemático en todas sus implementaciones como el procesamiento de grandes volúmenes de datos (millones de trabajos científicos procesados en segundos) con la consiguiente identificación de patrones que serían imposibles de detectar por los métodos tradicionales; la aplicabilidad de las técnicas alternativas y su implicación en la mejora de la evaluación del impacto científico de las publicaciones; la detección de colaboraciones y potenciales nuevas redes de colaboración; la predicción de tendencia mediante la utilización de las redes neuronales; la automatización de los procesos relacionados con las revisiones sisteméticas, y sobre todo la detección de potenciales fraudes y sesgos; este último con el riesgo que a la vez constituye un gran reto el cual ha quedado como tarea, consistente en que algunos modelos de IA son una especie de cajas negras (black boxes) que dificulta a los autores de los artículos la posibilidad de entender para la futura descripción en sus manuscritos del modo en que llegan a las conclusiones para la toma de decisiones, lo que puede complejizar el proceso de reproducibilidad de los resultados de las investigaciones y la consiguiente credibilidad por parte de la comunidad científica, (López et al., (2021); Calle et al., (2025); Amézquita, et al., (2026),

A modo de resumen, las IA están haciendo un llamado a enfatizar en procedimientos del pasado reciente relacionados con las redes de colaboración científica como son comparación de nuestros resultados con criterios de expertos, las auditorias independientes consistente en la localización de terceros que analicen el modelo escogido para la identificación de los sesgos con vistas a la reducción del porciento de incertidumbre, con vistas a la credibilidad de los resultados científicos que serán objeto de comunicación.