0
1
Metodología de la investigación
científica aplicada a la inteligencia
artificial y la ciencia de datos:
Enfoque general
Fernández López, Víctor Manuel; Ruiz
Alvarado, John Fernando; Sandoval Vilchez,
Juan; Zapillado Huanco, Oscar Adrian;
Panocca Orellana, Walter Jacinto; Patricio
Peralta, Walter Hernan
© Fernández López, Víctor Manuel; Ruiz
Alvarado, John Fernando; Sandoval Vilchez,
Juan; Zapillado Huanco, Oscar Adrian;
Panocca Orellana, Walter Jacinto; Patricio
Peralta, Walter Hernan , 2025
Primera edición (1ra. ed.): Diciembre, 2025
Editado por:
Editorial Mar Caribe ®
www.editorialmarcaribe.es
Av. Gral. Flores 547, 70000 Col. del
Sacramento, Departamento de Colonia,
Uruguay.
Diseño de caratula e ilustraciones: Isbelia
Salazar Morote
Libro electrónico disponible en:
https://editorialmarcaribe.es/ark:/10951/is
bn.9789915698540
Formato: Electrónico
ISBN: 978-9915-698-54-0
ARK: ark:/10951/isbn.9789915698540
Editorial Mar Caribe (OASPA): Como miembro de la
Open Access Scholarly Publishing Association,
apoyamos el acceso abierto de acuerdo con el código
de conducta, transparencia y mejores prácticas de
OASPA para la publicación de libros académicos y de
investigación. Estamos comprometidos con los más
altos estándares editoriales en ética y deontología,
bajo la premisa de «Ciencia Abierta en América
Latina y el Caribe»
Editorial Mar Caribe, firmante Nº 795 de 12.08.2024
de la Declaración de Berlín
"... Nos sentimos obligados a abordar los retos de Internet
como medio funcional emergente para la distribución del
conocimiento. Obviamente, estos avances pueden
modificar significativamente la naturaleza de la
publicación científica, así como el actual sistema de
garantía de calidad...." (Max Planck Society, ed. 2003.,
pp. 152-153).
CC BY-NC 4.0
Los autores pueden autorizar al público en general a
reutilizar sus obras únicamente con fines no
lucrativos, los lectores pueden utilizar una obra para
generar otra, siempre que se dé crédito a la
investigación, y conceden al editor el derecho a
publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
Editorial Mar Caribe se adhiere a la "Recomendación
relativa a la preservación del patrimonio documental,
comprendido el patrimonio digital, y el acceso al
mismo" de la UNESCO y a la Norma Internacional de
referencia para un sistema abierto de información
archivística (OAIS-ISO 14721). Este libro está
preservado digitalmente por ARAMEO.NET
2
Editorial Mar Caribe
Metodología de la investigación científica
aplicada a la inteligencia artificial y la ciencia de
datos: Enfoque general
Colonia, Uruguay
2025
3
Índice
Introducción .............................................................................................................. 7
Capítulo 1. ........................................................................................................... 10
El Imperativo Metodológico en la Era del Algoritmo ........................................... 10
1. El Cisma Epistemológico: ¿Ciencia o Ingeniería? .............................................. 11
1.1 La Distinción Teleológica y Procedimental ................................................. 11
Tabla 1: Contrastación Metodológica entre Ciencia e Ingeniería en el Contexto
de la IA ............................................................................................................ 12
1.2 El Debate de la "Alquimia" y la Madurez del Campo .................................. 13
2. La Crisis de Reproducibilidad: Anatomía de un Fallo Sistémico ...................... 14
2.1 Magnitud Cuantitativa del Problema .......................................................... 15
2.2 Dimensiones de la Reproducibilidad en IA ................................................. 15
2.3 El Factor Oculto: Sensibilidad a la Semilla Aleatoria ................................... 16
2.4 La Respuesta Institucional: Listas de Verificación y Código Obligatorio ..... 17
3. Formulación del Problema y Diseño Experimental ........................................... 18
3.1 De la Optimización a la Hipótesis ............................................................... 18
3.2 El Control de Variables y los Estudios de Ablación ..................................... 19
4. El Sustrato de los Datos: Documentación y Gobernanza ................................... 19
4.1 "Garbage In, Garbage Out" y la Fuga de Datos ............................................ 20
4.2 Datasheets for Datasets: Estandarización de la Transparencia ..................... 20
5. Métricas y Evaluación: Más Allá de la Precisión ............................................... 21
5.1 Taxonomía de Métricas y sus Implicaciones Metodológicas ........................ 21
Tabla 2: Análisis Metodológico de Métricas de Evaluación .............................. 22
5.2 La Ley de Goodhart y el "Hacking" de Métricas .......................................... 23
5.3 Significancia Estadística .............................................................................. 24
6. Ética como Componente Metodológico ............................................................ 24
6.1 Auditoría de Sesgos y Evaluación Desagregada .......................................... 24
6.2 Model Cards: Documentación del Artefacto ............................................... 25
7. Instituciones y Reformas: Hacia una Ciencia Abierta y Pre-registrada ............. 25
4
7.1 El Problema de la Revisión por Pares y la "Mathiness" ................................ 25
7.2 Pre-registro (Preregistration) y Reportes Registrados .................................. 26
Capítulo 2. ........................................................................................................... 27
La Reconfiguración Epistemológica ..................................................................... 27
1. La Evolución de los Paradigmas Científicos y el Diluvio de Datos ................... 28
1.1 El Surgimiento del Cuarto Paradigma ......................................................... 28
1.2 El Debate sobre el "Fin de la Teoría" ............................................................ 29
1.3 Razonamiento Abductivo: La Síntesis Metodológica ................................... 30
Tabla 3: Síntesis metodológica .......................................................................... 30
2. Arquitecturas de Procesos y Ciclos de Vida en la Investigación ....................... 31
2.1 El Marco CRISP-DM: Estándar y Adaptación.............................................. 31
Tabla 4: El Marco CRISP-DM ........................................................................... 32
2.2 Alternativas Académicas: KDD y SEMMA ................................................. 33
2.3 Hacia un Modelo Híbrido: CRISP-DS y Agile ............................................. 33
3. La Crisis de Rigor y Reproducibilidad ............................................................. 34
3.1 Anatomía del Fracaso: Fuga de Datos (Data Leakage) ................................. 34
3.2 Listas de Verificación de Reproducibilidad (Checklists) .............................. 35
4. Documentación como Metodología Científica .................................................. 36
4.1 Datasheets for Datasets (Hojas de Datos para Conjuntos de Datos) ............. 36
4.2 Model Cards for Model Reporting (Tarjetas de Modelo) ............................. 37
5. La IA Co-Científica y Métodos Generativos ..................................................... 38
5.1 Generación Automatizada de Hipótesis ...................................................... 38
5.2 Riesgos de los LLMs en la Investigación ..................................................... 39
6. Ética, Gobernanza y el Nuevo Marco Regulatorio ............................................ 39
6.1 La Declaración de Impacto Amplio (Broader Impact Statement) ................. 40
6.2 Marcos Regulatorios como Restricciones Metodológicas ............................. 40
6.3 Ciclos de Vida de IA Responsable ............................................................... 41
Capítulo 3. ............................................................................................................... 43
Prolegómenos: La Crisis Epistemológica del Cuarto Paradigma .............................. 43
1. Rigor metodológico de la inteligencia artificial ................................................. 43
5
1.1. La Evolución de la Indagación Científica ................................................... 44
Tabla 5: Paradigmas de Jim Gray ..................................................................... 44
1.2. La Falsa Equivalencia: Ingeniería vs. Investigación .................................... 45
Tabla 6: Divergencias Metodológicas Fundamentales 8 ..................................... 46
2. La Anatomía de la Crisis de Reproducibilidad ................................................. 47
2.1. Los Pecados Capitales de la Investigación en IA ........................................ 48
2.2. La Respuesta Institucional: Listas de Verificación y Retractaciones ............ 49
3. El Marco Metodológico Propuesto: El Modelo Anidado y el Diseño
Experimental ....................................................................................................... 50
3.1. Las Cuatro Capas de Validación ................................................................ 50
3.2. Diseño de Experimentos (DoE) en el Silicio ................................................ 51
Tabla 7: Estrategias de Validación Experimental 19 ........................................... 52
4. Estructura de un Plan de Estudios de Posgrado en Investigación con IA (ejes
temáticos ............................................................................................................. 53
Semestre I: Fundamentos y Filosofía ................................................................ 53
Semestre II: Diseño y Preparación .................................................................... 53
Semestre III: Experimentación y Modelado (El Núcleo Técnico) ....................... 54
Semestre IV: Análisis y Comunicación ............................................................. 54
5. El Factor Humano: Consejos para el Investigador Novel .................................. 54
5.1. La Elección del Problema y la Ventaja Competitiva .................................... 54
5.2. La Responsabilidad Ética y el Uso de IA Generativa .................................. 55
Capítulo 4. ............................................................................................................... 56
La epistemología de lo artificial: un marco integral para la metodología de la
investigación científica en inteligencia artificial y ciencia de datos .......................... 56
1. La convergencia entre computación y empirismo ............................................ 56
1.1 La tensión entre predicción y explicación .................................................... 56
1.2 El estado epistémico de la investigación basada en datos ............................ 57
2. Modelos de procesos estructurados: desde los estándares industriales hasta el
rigor científico ..................................................................................................... 58
2.1 Crítica de los modelos industriales estándar ............................................... 58
2.2 El proceso de Ciencia de Datos en Equipo (TDSP) y adaptaciones modernas
6
......................................................................................................................... 59
2.3 Hacia un modelo de procesos científicos: GCRISP-DS y más allá ................ 59
2.4 Análisis comparativo de marcos metodológicos.......................................... 59
Tabla 8: Características de métodos de investigación tradicionales y con IA .... 60
3. Generación de hipótesis y sesgo inductivo ....................................................... 60
3.1 Sesgo inductivo como hipótesis .................................................................. 60
3.2 IA generativa y generación automatizada de hipótesis ............................... 61
3.3 El ciclo de hipótesis basadas en datos ......................................................... 61
4. Diseño experimental en el laboratorio computacional ...................................... 62
4.1 La necesidad de líneas base ......................................................................... 62
4.2 Variables de control y estudios de ablación ................................................. 63
4.3 Fuga de datos: El factor de confusión de la validez ..................................... 63
4.4 Datos sintéticos como control experimental ................................................ 64
5. Rigor estadístico y evaluación del modelo ........................................................ 64
5.1 Pruebas de hipótesis para la comparación de modelos ................................ 64
5.2 Intervalos de confianza (IC) ........................................................................ 65
5.3 Pruebas de Esfuerzo Adversariales ............................................................. 65
Tabla 9: Métodos de evaluación estadística ...................................................... 66
6. Reproducibilidad, transparencia y pre-registro ................................................ 66
6.1 La Lista de Verificación de Reproducibilidad .............................................. 67
6.2 Pre-registro de la investigación ................................................................... 67
6.3 Control de versiones para datos (DVC) ....................................................... 67
7. Causalidad y explicación: más allá de la correlación ........................................ 68
7.1 Inferencia causal vs. modelado predictivo .................................................. 68
7.2 IA explicable (XAI) como falsificación científica .......................................... 68
Tabla 10: Recomendaciones metodológicas clave para investigadores en IA .... 69
Conclusión .............................................................................................................. 71
Bibliografía.............................................................................................................. 73
7
Introducción
La sinergia entre la ciencia de datos, la inteligencia artificial (IA) y la
investigación académica ha precipitado una transformación radical en los modos de
producción de conocimiento. Nos encontramos ante una disciplina que, aunque
heredera de la estadística clásica y las ciencias de la computación, ha evolucionado
hacia una entidad autónoma con dinámicas propias, desafíos inéditos y, críticamente,
una fragilidad metodológica alarmante. La premisa fundamental que motiva la
elaboración del libro "Metodología de la investigación científica aplicada a la inteligencia
artificial y la ciencia de datos" no es la carencia de avances técnicos —los cuales se
producen a un ritmo vertiginoso— sino la ausencia de un marco normativo unificado
que garantice que dichos avances sean robustos, reproducibles y éticamente
sostenibles.
La investigación en IA ha transitado de ser una curiosidad académica a
convertirse en el motor de infraestructuras críticas en salud, finanzas y
gobernanza. Sin embargo, este despliegue ha ocurrido a menudo bajo una lógica de
"ingeniería de software" —donde lo importante es que el sistema funcione— en
detrimento de la lógica científica, que exige comprender por qué funciona y bajo qué
condiciones dejaría de hacerlo. Esta tensión entre la predicción empírica y la
explicación teórica ha generado lo que algunos autores denominan una "crisis de
adolescencia" de la disciplina, caracterizada por una confusión terminológica
generalizada, prácticas de evaluación inconsistentes y una deuda técnica y ética que
amenaza con socavar la confianza pública en los sistemas inteligentes.
El presente libro despliega un análisis exhaustivo para fundamentar el
planteamiento del problema y definir el alcance de esta obra propuesta. A través de
una revisión profunda del estado del arte, se evidencia que la comunidad científica se
8
enfrenta a barreras procedimentales y técnicas que van desde la gestión de semillas
aleatorias en redes neuronales profundas hasta la contaminación de datos en grandes
modelos de lenguaje (LLMs). La obra propuesta busca llenar este vacío, no como un
manual más de programación en Python o R, sino como un tratado sobre el diseño,
ejecución y comunicación de la ciencia en la era de los algoritmos de caja negra. Se
postula aquí una integración de las "Ciencias de lo Artificial" de Herbert Simon con
las metodologías modernas de Design Science Research (DSR), estableciendo un puente
necesario entre la creación de artefactos tecnológicos y la generación de teoría
científica válida.
El problema central que este libro aborda es la desconexión sistémica entre la
capacidad técnica de modelado y el rigor metodológico necesario para validar dichos
modelos como conocimiento científico. Esta desconexión no es un fallo puntual, sino
una patología estructural que se manifiesta en múltiples dimensiones, desde la
formulación de hipótesis hasta la revisión por pares. A continuación, se diseccionan
las facetas críticas de esta problemática.
La reproducibilidad es el sine qua non del método científico; sin ella, la
acumulación de conocimiento es imposible. Sin embargo, la investigación en IA y
aprendizaje automático (Machine Learning - ML) enfrenta una crisis severa en este
aspecto. Investigaciones recientes sugieren que una fracción significativa de los
resultados publicados en conferencias de primer nivel (NeurIPS, ICML, AAAI) no
pueden ser replicados por terceros, e incluso presentan dificultades para los propios
autores originales tiempo después de la publicación.
En síntesis, se discierne sobre la fricción fundamental entre la estadística
tradicional y la ciencia de datos moderna. Históricamente, el método científico se ha
basado en la formulación de hipótesis a priori y el uso de modelos estadísticos
parsimoniosos para inferir relaciones causales o correlacionales en una población. La
9
ciencia de datos, por el contrario, ha priorizado la capacidad predictiva sobre datos
no vistos, a menudo sacrificando la interpretabilidad y la parsimonia en favor de
modelos de alta complejidad.
10
Capítulo 1.
El Imperativo Metodológico en la Era del
Algoritmo
La inteligencia artificial (IA) y la ciencia de datos han transitado, en un lapso
sorprendentemente breve, de ser curiosidades académicas y subdisciplinas de las
ciencias de la computación a convertirse en los motores fundamentales de la
transformación industrial, social y científica del siglo XXI. Sin embargo, este ascenso
vertiginoso ha traído consigo una crisis de identidad epistemológica. A medida que
los modelos de aprendizaje automático (Machine Learning, ML) y aprendizaje
profundo (Deep Learning, DL) alcanzan capacidades sobrehumanas en tareas
específicas —desde el diagnóstico médico hasta la generación de lenguaje natural—,
la comunidad científica se enfrenta a una paradoja inquietante: nuestra capacidad
para construir sistemas inteligentes ha superado nuestra capacidad para entenderlos y
evaluarlos con rigor científico.1
Este libro, titulado "Metodología de investigación científica aplicada a la
inteligencia artificial y la ciencia de datos: Enfoque general", nace de la necesidad
urgente de cerrar la brecha entre la ingeniería de software pragmática y la
investigación científica rigurosa. La literatura actual sugiere que gran parte de la
producción académica en IA, a pesar de su volumen y velocidad, adolece de
deficiencias metodológicas graves que amenazan la validez de sus hallazgos, la
reproducibilidad de sus experimentos y la seguridad de sus aplicaciones. 2,3 Nos
encontramos en un momento que algunos teóricos han calificado como una era de
"alquimia", donde la intuición y el ensayo y error predominan sobre la teoría
11
fundamentada y el diseño experimental controlado. 4,5
El propósito de esta obra es sistematizar los fundamentos de la investigación
científica aplicados específicamente al contexto estocástico, basado en datos y
computacionalmente intensivo de la IA moderna. No se trata simplemente de aplicar
el método científico tradicional, sino de adaptarlo a un dominio donde el "objeto de
estudio" es un artefacto digital que cambia dinámicamente, y donde los datos actúan
simultáneamente como el instrumento de observación y el sujeto del experimento.6 A
través de un análisis exhaustivo de la literatura reciente, las directrices de las
principales conferencias (NeurIPS, ICML, ICLR) y los debates teóricos más relevantes,
esta introducción establece el marco conceptual para una nueva praxis científica en la
inteligencia artificial.
1. El Cisma Epistemológico: ¿Ciencia o Ingeniería?
Para abordar la metodología de investigación en IA, primero debemos
desentrañar la tensión fundamental que subyace en la disciplina: la dicotomía entre el
enfoque científico y el enfoque de ingeniería. Aunque ambos comparten herramientas
y entornos, sus objetivos teleológicos son divergentes, y la confusión entre ambos es
la fuente de numerosos errores metodológicos en la literatura contemporánea.
1.1 La Distinción Teleológica y Procedimental
La ciencia, en su definición clásica, busca la generación de conocimiento a
través de la comprensión de fenómenos naturales o artificiales. El método científico es
un proceso recursivo de análisis y síntesis destinado a reducir la incertidumbre sobre
cómo funciona el mundo. Sus fases —observación, formulación de hipótesis,
experimentación y análisis— están diseñadas para validar o refutar teorías
12
explicativas.6 En este contexto, un resultado negativo (la refutación de una hipótesis)
es tan valioso como uno positivo, pues ambos aportan información sobre la realidad
subyacente.2,7
Por el contrario, la ingeniería se centra en la utilidad. El proceso de diseño en
ingeniería busca la creación de soluciones a problemas específicos bajo restricciones
dadas. Su ciclo implica definir requisitos, prototipar, probar y rediseñar hasta alcanzar
un desempeño satisfactorio.8 El éxito se mide por la funcionalidad del artefacto, no
necesariamente por la comprensión profunda de sus principios operativos.
El problema actual en la investigación de IA es que gran parte de los trabajos
publicados siguen estructuralmente un proceso de ingeniería (optimizar una métrica
de rendimiento en un benchmark) pero se presentan retóricamente como ciencia
(descubrir propiedades fundamentales del aprendizaje). Esto conduce a lo que Lipton
y Steinhardt han denominado "tendencias preocupantes" en la erudición del ML,
donde la explicación se confunde con la especulación y las ganancias empíricas se
atribuyen erróneamente a novedades teóricas sin la debida evidencia causal (ver Tabla
1).4,9
Tabla 1: Contrastación Metodológica entre Ciencia e Ingeniería
en el Contexto de la IA
Dimensión
Método Científico
Enfoque de
Ingeniería/Diseño
Práctica Común en
Investigación de IA
(El Problema)
Objetivo Primario
Comprensión /
Explicación (¿Por qué
Solución / Producto
(¿Funciona?)
Estado del Arte
(SOTA) /
Maximización de
13
funciona?)
Métricas
Punto de Partida
Pregunta de
investigación /
Hipótesis falsable
Definición del
problema / Requisitos
del usuario
Conjunto de datos de
referencia
(Benchmark)
Rol de los Datos
Evidencia para probar
la hipótesis
Insumo para entrenar
la solución
El terreno de
competencia
Valor del Fallo
Alto (Refutación de
teoría, avance del
conocimiento)
Bajo (El prototipo no
sirve, se descarta)
Nulo (Resultados no
publicables, sesgo de
publicación)
Validación
Reproducibilidad y
control de variables
Pruebas de aceptación
y rendimiento en
producción
Superar al modelo
anterior en la tabla de
clasificación
1.2 El Debate de la "Alquimia" y la Madurez del Campo
Esta tensión alcanzó su punto álgido en el famoso debate sobre la "alquimia"
en el aprendizaje automático. Ali Rahimi, en su discurso de aceptación del premio
"Test of Time" en NIPS 2017, argumentó que el aprendizaje automático se había
convertido en una forma de alquimia moderna.5,10 Al igual que los alquimistas
medievales descubrieron técnicas útiles (metalurgia, tintes) mediante el ensayo y error
sin una teoría química subyacente, los investigadores de IA actuales combinan
arquitecturas de redes neuronales, funciones de activación y optimizadores basándose
en la intuición y la "sabiduría popular" más que en una comprensión teórica rigurosa.5
Yann LeCun y otros defensores del enfoque empírico contraargumentaron que
la ingeniería a menudo precede a la ciencia teórica (la máquina de vapor existió antes
14
que la termodinámica). 11,12 Sin embargo, la crítica de la alquimia resalta riesgos
metodológicos graves:
● Fragilidad de los Sistemas: Sin entender los mecanismos causales, es difícil
predecir cuándo y cómo fallarán los modelos, especialmente ante datos fuera de
la distribución (OOD).5
● Opacidad y Falta de Interpretabilidad: La complejidad de los modelos de "caja
negra" impide distinguir si un sistema funciona por razones legítimas o porque
ha aprendido correlaciones espurias (como detectar un barco solo si hay agua
alrededor).5
● Deuda Técnica: La acumulación de trucos y "parches" algorítmicos sin
fundamento teórico crea sistemas difíciles de mantener y mejorar
sistemáticamente.
La transición de la IA hacia una ciencia madura requiere, por tanto, adoptar
metodologías que prioricen la explicabilidad, la hipótesis falsable y la validación
robusta por encima de la mera optimización de métricas.1
2. La Crisis de Reproducibilidad: Anatomía de un
Fallo Sistémico
La piedra angular de la ciencia es la reproducibilidad. Si un hallazgo no puede
ser replicado por un investigador independiente bajo condiciones similares, no
constituye conocimiento científico válido. En la última década, la ciencia en general
ha enfrentado una "crisis de reproducibilidad", y la IA no ha sido inmune; de hecho,
en muchos aspectos, es el epicentro de una nueva variante de esta crisis.3
15
2.1 Magnitud Cuantitativa del Problema
Estudios sistemáticos recientes arrojan cifras alarmantes. Un estudio de
replicación de 2024, que analizó 30 estudios de IA altamente citados, encontró que
solo el 50% de los artículos pudieron ser reproducidos total o parcialmente.3 Aún más
revelador es el análisis de los factores que determinan el éxito:
● La disponibilidad de código y datos es el predictor más fuerte de
reproducibilidad. El 86% de los artículos que compartían ambos pudieron ser
reproducidos.
● Cuando solo se compartían los datos (sin el código), la tasa de éxito caía
dramáticamente al 33%.3,13
● Sorprendentemente, la calidad de la documentación del código (si está limpio,
comentado o versionado) resultó ser menos crítica que su mera existencia. El
código, incluso si es desordenado, actúa como la especificación exacta del
experimento, capturando detalles que las descripciones en lenguaje natural del
"paper" omiten.3,14
2.2 Dimensiones de la Reproducibilidad en IA
Para abordar esta crisis, es necesario desambiguar el término
"reproducibilidad", que a menudo se usa de manera laxa. 15,16 Un marco reciente
propone una taxonomía clara para estandarizar los esfuerzos de validación 17:
1. Repetibilidad (Repeatability): El mismo equipo, usando el mismo código y
entorno experimental, puede obtener el mismo resultado. Esto verifica la
estabilidad básica del código.
2. Reproducibilidad (Reproducibility): Un equipo diferente, usando el mismo
código y datos originales, obtiene el mismo resultado. Esto verifica que los
16
hallazgos no dependen del artífice original.
3. Replicabilidad (Replicability): Un equipo diferente, escribiendo su propio
código basado en la descripción del método y recolectando nuevos datos, llega a
conclusiones científicas similares. Esto valida la robustez de la teoría o el método
más allá de una implementación específica.
La mayoría de los fallos actuales ocurren en los niveles de reproducibilidad y
replicabilidad, impulsados por la falta de transparencia y la sensibilidad extrema de
los algoritmos de optimización no convexa.
2.3 El Factor Oculto: Sensibilidad a la Semilla Aleatoria
Uno de los hallazgos metodológicos más inquietantes es la extrema
sensibilidad de los modelos de aprendizaje profundo a la inicialización aleatoria
(random seeds). Las redes neuronales se inicializan con pesos aleatorios, y el orden en
que se presentan los datos durante el entrenamiento (Stochastic Gradient Descent)
también es aleatorio.
Investigaciones han demostrado que cambiar únicamente la semilla aleatoria
puede alterar drásticamente el rendimiento del modelo. En un caso documentado con
la arquitectura LeNet5, la precisión varió entre 8.6% y 99.0% a través de 16 ejecuciones
idénticas, una diferencia del 90.4% atribuible puramente al azar.18 Aunque este es un
caso extremo, en modelos modernos de Procesamiento de Lenguaje Natural (NLP)
como BERT o RoBERTa, la varianza inducida por la semilla es a menudo mayor que
la mejora marginal que los investigadores reportan como "nuevo estado del arte". 18,19
Esta realidad ha fomentado una mala práctica conocida como "seed hacking"
o "p-hacking computacional": los investigadores ejecutan su modelo con docenas de
semillas diferentes y reportan solo la mejor ejecución, presentándola como
17
representativa del método. 20,21 Una metodología rigurosa exige, por el contrario,
reportar la media y la desviación estándar de múltiples ejecuciones (k \ge 5 o 10) y
realizar pruebas de significancia estadística para confirmar que la mejora no es ruido
estocástico. 22,23
2.4 La Respuesta Institucional: Listas de Verificación y Código
Obligatorio
Ante la evidencia de esta crisis, las principales conferencias (NeurIPS, ICML)
han implementado intervenciones estructurales. La introducción de la Lista de
Verificación de Reproducibilidad de NeurIPS (Reproducibility Checklist) marcó un
hito en la gobernanza de la investigación.25 Este instrumento obliga a los autores a
declarar explícitamente:
● Si se incluye el código y los datos.
● La especificación de las dependencias y el entorno de computación.
● El número de ejecuciones y las semillas utilizadas.
● Las barras de error y las pruebas de significancia estadística.
Los análisis de impacto muestran que estas políticas funcionan. La
disponibilidad de código en NeurIPS aumentó de menos del 50% a casi el 75% tras la
implementación de estas medidas.25 Además, se observó que los revisores asignan
puntuaciones más altas a los trabajos que incluyen código y listas de verificación
completas, creando un incentivo virtuoso hacia la transparencia.25 Sin embargo,
persisten desafíos, especialmente con los Grandes Modelos de Lenguaje (LLMs)
propietarios, donde la falta de acceso a los datos de entrenamiento y al código fuente
hace que la investigación sea esencialmente irreproducible por diseño, un problema
que amenaza con bifurcar el campo entre la "ciencia abierta" académica y la "ciencia
18
cerrada" corporativa. 3,24
3. Formulación del Problema y Diseño
Experimental
La metodología científica comienza mucho antes de escribir la primera línea
de código; comienza con la formulación del problema. En la IA, la transición de una
mentalidad de ingeniería a una científica requiere redefinir cómo se plantean las
preguntas de investigación.
3.1 De la Optimización a la Hipótesis
Tradicionalmente, un "paper" de IA se estructura en torno a una afirmación de
rendimiento: "Proponemos la arquitectura X que mejora la precisión en la tarea Y en un
Z%". Esto es una formulación de ingeniería. Una formulación científica, en cambio,
debe basarse en una hipótesis explicativa: "Hipótesis: La incorporación del mecanismo de
atención A permite al modelo capturar dependencias de largo alcance que son invisibles para
la convolución B, lo cual debería resultar en una mejora específica en subconjuntos de datos
con alta complejidad sintáctica". 2,25,26
Esta distinción es crucial porque dicta el diseño experimental. Si el objetivo es
solo optimizar, cualquier "truco" es válido. Si el objetivo es entender, el diseño debe
aislar variables 27,28. El uso de Métodos Formales para especificar propiedades
deseadas (como robustez o seguridad) antes de la implementación empírica es una
práctica emergente que añade rigor matemático a la formulación del problema,
permitiendo verificar no solo si el modelo acierta, sino si cumple con garantías lógicas
predefinidas.29
19
3.2 El Control de Variables y los Estudios de Ablación
Un error metodológico omnipresente en la literatura de IA es la falta de
controles adecuados, lo que lleva a identificar erróneamente la fuente de las mejoras
empíricas.4,30 A menudo, los investigadores proponen un modelo complejo con
múltiples componentes nuevos y lo comparan con una línea base (baseline) débil o
mal ajustada.
Para combatir esto, la metodología rigurosa exige:
1. Líneas Base Fuertes: Los modelos de comparación deben recibir el mismo nivel
de ajuste de hiperparámetros (hyperparameter tuning) que el modelo propuesto.
31 Se ha demostrado repetidamente que modelos simples (como regresión
logística o LSTMs básicos) pueden igualar a modelos complejos "SOTA" si se
ajustan correctamente.10
2. Estudios de Ablación (Ablation Studies): Si un nuevo modelo introduce tres
cambios (A, B y C), el investigador debe evaluar el modelo con todas las
combinaciones posibles (solo A, A+B, B+C, etc.) para determinar la contribución
marginal de cada componente. Sin ablación, es imposible saber si la mejora se
debe a la innovadora arquitectura neuronal o simplemente a una mejor técnica
de preprocesamiento de datos. 2, 32
4. El Sustrato de los Datos: Documentación y
Gobernanza
En la ciencia impulsada por datos, el conjunto de datos (dataset) no es un mero
insumo pasivo; es el instrumento de observación y el árbitro de la verdad. Un conjunto
de datos sesgado, ruidoso o mal documentado invalida cualquier conclusión extraída
20
de él, independientemente de la sofisticación del algoritmo. 33,34 Por ello, la gestión de
datos debe elevarse a la categoría de disciplina metodológica primaria.
4.1 "Garbage In, Garbage Out" y la Fuga de Datos
El fenómeno de "Basura entra, basura sale" es bien conocido, pero en la
investigación moderna se manifiesta de formas sutiles y perniciosas, principalmente
a través de la fuga de datos (data leakage). La fuga ocurre cuando información del
conjunto de prueba (test set) se filtra inadvertidamente en el conjunto de
entrenamiento, permitiendo al modelo "hacer trampa" y memorizar respuestas en
lugar de generalizar patrones.14
Un análisis exhaustivo de Kapoor y Narayanan reveló que la fuga de datos es
responsable de una gran cantidad de resultados irreproducibles en la literatura, donde
modelos complejos parecían superar a los tradicionales solo porque, por ejemplo, se
realizaba la selección de características o la normalización de datos antes de separar
los conjuntos de entrenamiento y prueba.14,35 La metodología estricta dicta que el
conjunto de prueba debe mantenerse en una "bóveda", inaccesible para cualquier
proceso de decisión, ajuste o preprocesamiento hasta la evaluación final.
4.2 Datasheets for Datasets: Estandarización de la Transparencia
Para mitigar los problemas de calidad y sesgo en los datos, la comunidad ha
adoptado el marco de "Datasheets for Datasets" (Hojas de Datos para Conjuntos de
Datos), propuesto por Gebru et al..32,36 Inspirado en la industria electrónica, donde
cada componente viene con una hoja de especificaciones detallada, este marco exige
que cada conjunto de datos público vaya acompañado de documentación que
responda preguntas críticas:
21
● Motivación: ¿Para qué propósito fue creado el conjunto de datos?
● Composición: ¿Qué representan las instancias? ¿Hay subgrupos demográficos?
¿Hay datos confidenciales?
● Proceso de Recolección: ¿Cómo se obtuvieron los datos? ¿Se obtuvo
consentimiento ético?
● Preprocesamiento: ¿Qué limpieza, filtrado o aumento de datos se realizó?
● Usos Recomendados y No Recomendados: ¿Para qué tareas es adecuado y para
cuáles no?
Esta documentación permite realizar auditorías de datos y ayuda a los
investigadores a evaluar si un conjunto de datos es apropiado para su hipótesis
específica, evitando el uso ciego de benchmarks que pueden contener sesgos ocultos.
34,37
5. Métricas y Evaluación: Más Allá de la Precisión
La elección de la métrica de evaluación es una decisión epistemológica que
define qué constituye el "éxito". En la práctica actual, existe una dependencia excesiva
de métricas simplistas como la precisión global (accuracy), que a menudo ocultan
fallos críticos del modelo.
5.1 Taxonomía de Métricas y sus Implicaciones Metodológicas
Una metodología rigurosa requiere seleccionar métricas alineadas con la
naturaleza del problema y los costos de los errores. A continuación se presenta una
síntesis de las métricas clave y sus contextos de aplicación apropiados (ver Tabla 2).36
22
Tabla 2: Análisis Metodológico de Métricas de Evaluación
Categoría
Métrica
Ventaja
Metodológica
Riesgo/Limitaci
ón (El "Pecado"
Metodológico)
Contexto Ideal
Clasificación
Accuracy
(Exactitud)
Intuitiva y fácil
de comunicar.
Engañosa en
datos
desbalanceados
(Paradoja de la
exactitud).
Clases
perfectamente
balanceadas.
Precision &
Recall
Desglosa el tipo
de error (Falsos
Positivos vs
Falsos
Negativos).
Requiere
analizar dos
números o elegir
un compromiso.
Problemas de
"aguja en un
pajar" (fraude,
diagnóstico).
F1 Score
Media armónica,
penaliza valores
extremos de P o
R.
Puede ocultar el
compromiso
específico P/R.
Comparación
general en datos
desbalanceados.
AUC-ROC
Independiente
del umbral de
decisión. Mide
discriminabilida
d pura.
Puede ser
optimista si los
Falsos Positivos
son muy raros.
Evaluar la
calidad del
modelo antes de
definir el punto
de operación.
Regresión
MSE / RMSE
Penaliza
fuertemente los
grandes errores
(cuadrático).
Muy sensible a
valores atípicos
(outliers).
Cuando un error
grande es
catastrófico.
23
MAE
Robusto a
outliers,
interpretación
directa en
unidades de la
variable.
Gradientes
constantes
dificultan
optimización
fina.
Cuando el costo
del error es
lineal.
Clustering
Silhouette Score
Mide cohesión y
separación sin
necesitar
etiquetas
(intrínseco).
Costoso
computacionalm
ente O(N^2).
Validación de
estructura
interna de datos.
5.2 La Ley de Goodhart y el "Hacking" de Métricas
Un fenómeno crítico en la evaluación de IA es la Ley de Goodhart: "Cuando
una medida se convierte en un objetivo, deja de ser una buena medida".40 En el aprendizaje
automático, esto se manifiesta como Reward Hacking (hackeo de recompensa). Si
entrenamos un agente para "minimizar errores en un videojuego", el agente podría
aprender a pausar el juego indefinidamente para evitar perder, cumpliendo la métrica
pero violando el espíritu de la tarea. 38,42
Para contrarrestar la Ley de Goodhart, la metodología de investigación debe incluir:
● Métricas Proxy vs. Métricas Reales: Reconocer explícitamente que la función de
pérdida es solo un proxy del objetivo real. 39
● Evaluación Multidimensional: Nunca optimizar una sola métrica. Reportar un
conjunto de indicadores (trade-offs).40
● Evaluación Humana: En tareas generativas (traducción, resumen), las métricas
automáticas (BLEU, ROUGE) son insuficientes y a menudo no correlacionan con
la calidad percibida. 41,42 La validación humana sigue siendo el "gold standard".43
24
5.3 Significancia Estadística
Finalmente, es imperativo reintroducir las pruebas de hipótesis estadística en
la comparación de modelos. Afirmar que el Modelo A es mejor que el Modelo B
porque su exactitud es 94.5% vs 94.2% carece de rigor si no se acompaña de una
prueba estadística (como el Test de McNemar para clasificación o t-tests para
regresión) que demuestre que la diferencia no es producto del azar.23 La ausencia de
estas pruebas es una de las causas principales de la proliferación de resultados
espurios en la literatura.15
6. Ética como Componente Metodológico
Históricamente, la ética se consideraba un control externo a la investigación
científica (comités de ética). En la IA, la ética es intrínseca a la metodología técnica. 44
Un modelo sesgado no es solo "injusto"; es científicamente defectuoso porque ha
fallado en aprender la verdadera distribución invariante del fenómeno y se ha
sobreajustado a correlaciones espurias o prejuicios históricos presentes en los datos de
entrenamiento.45
6.1 Auditoría de Sesgos y Evaluación Desagregada
La metodología estándar de reportar una única cifra de rendimiento global
(e.g., "90% de precisión") oculta fallos sistemáticos en subgrupos minoritarios. Esto se
conoce como sesgo de agregación. Una investigación rigurosa debe emplear
evaluación desagregada: reportar el rendimiento del modelo desglosado por variables
sensibles (género, raza, edad, ubicación geográfica). 46,47
Por ejemplo, un sistema de reconocimiento facial puede tener una precisión
25
global del 99%, pero una precisión del 60% en mujeres de piel oscura. Sin evaluación
desagregada, este fallo catastrófico permanece invisible metodológicamente hasta que
el sistema causa daño en el mundo real.45,48
6.2 Model Cards: Documentación del Artefacto
Así como los Datasheets documentan los datos, los Model Cards (Tarjetas de
Modelo), propuestos por Mitchell et al., documentan el modelo resultante.47,49 Un
Model Card es un requisito metodológico para la publicación responsable que detalla:
● Uso Previsto: ¿Para qué fue diseñado el modelo?
● Limitaciones y Fuera de Alcance: ¿En qué contextos NO debe usarse el modelo?
(e.g., "No usar para diagnóstico clínico autónomo").
● Métricas de Equidad: Resultados de la evaluación desagregada.
● Factores Ambientales: Impacto de carbono del entrenamiento.50
La adopción de Model Cards transforma el modelo de una "caja negra" mágica
a una herramienta de ingeniería con especificaciones de seguridad definidas,
permitiendo a usuarios y reguladores evaluar su idoneidad y riesgo.51
7. Instituciones y Reformas: Hacia una Ciencia
Abierta y Pre-registrada
La metodología no existe en el vacío; es moldeada por las instituciones que
publican y financian la investigación. Las conferencias de IA (NeurIPS, ICML, ICLR)
actúan como guardianes (gatekeepers) de la calidad científica.
7.1 El Problema de la Revisión por Pares y la "Mathiness"
26
El crecimiento exponencial de envíos a conferencias (miles de papers por
evento) ha saturado el sistema de revisión por pares, resultando en revisiones ruidosas
y de calidad variable.52 Esto incentiva la "mathiness": el uso de matemáticas densas y
complejas para impresionar a los revisores y ocultar la falta de sustancia empírica o
teórica.4,52 Los revisores, a menudo abrumados y sin experiencia profunda en el
subnicho específico, pueden asumir que las ecuaciones son correctas en lugar de
verificarlas, un fenómeno que erosiona la confianza en la literatura.
7.2 Pre-registro (Preregistration) y Reportes Registrados
Para combatir el sesgo de publicación y el "HARKing" (Hipocresía de formular
la hipótesis después de conocer los resultados), la comunidad de IA está comenzando
a experimentar con Reportes Registrados (Registered Reports). 53,54
En este modelo, los investigadores envían su introducción y metodología antes
de realizar los experimentos. Si el diseño es sólido y la pregunta relevante, el paper es
"aceptado en principio", independientemente de si los resultados son positivos o
negativos. Esto tiene ventajas profundas:
● Elimina el incentivo de "hackear" resultados: Ya no es necesario obtener un
"SOTA" para publicar.
● Valoriza los resultados negativos: Saber que un método prometedor no funciona
es tan valioso como saber que sí. 55
● Mejora el diseño: La revisión por pares ocurre cuando todavía se puede corregir
la metodología, no cuando el trabajo ya está hecho.56,57
Aunque su adopción en IA es incipiente en comparación con la psicología o la
medicina, su implementación en talleres y tracks especiales de conferencias señala un
cambio cultural hacia la integridad metodológica sobre la novedad sensacionalista.58
27
Capítulo 2.
La Reconfiguración Epistemológica
La historia de la ciencia es, en gran medida, la historia de las herramientas que
utilizamos para observar el universo. Desde el telescopio de Galileo hasta el
microscopio electrónico, cada avance instrumental ha redefinido los límites de lo
observable y, por ende, de lo conocible. En el siglo XXI, el instrumento científico por
excelencia ha dejado de ser puramente físico para convertirse en computacional y
algorítmico. La Inteligencia Artificial (IA) y la Ciencia de Datos han trascendido su rol
inicial como objetos de estudio para convertirse en los mecanismos mismos de la
indagación científica. Esta transición representa una transformación fundamental en
el método científico, desafiando las normas epistemológicas establecidas y ofreciendo
capacidades sin precedentes para comprender fenómenos de complejidad
irreductible.
Al situarnos en el precipicio de lo que Jim Gray denominó el "Cuarto
Paradigma" de la ciencia —el descubrimiento intensivo de datos—, resulta imperativo
formalizar los métodos mediante los cuales extraemos conocimiento veraz de los
exabytes de información generados diariamente.1 Este informe delinea el enfoque
general de la metodología de investigación científica en IA, trazando el terreno desde
la generación de hipótesis asistida por máquinas hasta el despliegue de modelos y la
evaluación de su impacto social bajo nuevos marcos regulatorios.
28
1. La Evolución de los Paradigmas Científicos y el
Diluvio de Datos
1.1 El Surgimiento del Cuarto Paradigma
Durante siglos, el método científico osciló pendularmente entre dos modos
primarios: el empírico, dedicado a la descripción de fenómenos naturales (como la
taxonomía de Linneo), y el teórico, enfocado en el uso de modelos y generalizaciones
matemáticas (como las leyes de Newton) para predecir comportamientos.59 A
mediados del siglo XX, la llegada de los ordenadores digitales introdujo un tercer
paradigma: la ciencia computacional, que permitió simular fenómenos complejos —
desde explosiones nucleares hasta la dinámica de fluidos— que eran analíticamente
irresolubles.3
Hoy, sin embargo, confrontamos el Cuarto Paradigma: el descubrimiento
científico intensivo en datos. En este nuevo estadio, la velocidad, el volumen y la
variedad de los datos exceden la capacidad cognitiva humana para su procesamiento
directo. El científico ya no mira a través del telescopio; el "telescopio" es un sensor
digital que captura petabytes de datos, los cuales son almacenados en bases de datos
distribuidas y minados por algoritmos. 3,60 El rol del investigador se desplaza de ser
un observador directo a convertirse en un curador y analista de salidas
computacionales.
Esta transición implica un cambio ontológico profundo. Grandes cantidades
de datos experimentales fluyen desde fuentes masivas como el Gran Colisionador de
Hadrones (LHC) en el CERN o secuenciadores genéticos de última generación,
generando exabytes de información anualmente.1 Extraer "insights" científicos de
29
estos datos es el desafío central, y para ello, los desarrollos más recientes en IA se
vuelven esenciales. La metodología, por tanto, ya no trata solo de probar una hipótesis
aislada, sino de gestionar el ciclo de vida completo de los datos, desde su captura y
curación hasta su análisis y diseminación federada.5,61
1.2 El Debate sobre el "Fin de la Teoría"
Un cisma metodológico crítico en la ciencia de datos moderna fue encendido
por la provocadora afirmación de Chris Anderson en 2008, quien declaró que "el
diluvio de datos hace obsoleto el método científico".6,62 Anderson argumentó que, con
suficientes datos, la correlación suplanta a la causalidad, y que la ciencia puede
avanzar sin modelos coherentes o explicaciones mecanicistas unificadas. Esta
perspectiva del "Fin de la Teoría" sugiere una ruptura radical con la investigación
impulsada por hipótesis que ha definido la era post-Ilustración.
Bajo esta visión, en la era de la información de petabytes y la
supercomputación, el método científico tradicional —basado en formular una
hipótesis, diseñar un experimento y validarlo— se volvería anacrónico. En su lugar,
lo que contaría serían los algoritmos sofisticados y las herramientas estadísticas
capaces de cribar cantidades masivas de datos para encontrar patrones que pudieran
transformarse en conocimiento.6
1.2.1 Crítica Epistemológica al Empirismo Ingenuo
Sin embargo, un análisis riguroso revela que el "Big Data" no reemplaza la
hipótesis, sino que cambia su génesis y ciclo de vida. Los enfoques puramente
impulsados por los datos —a menudo descritos como "expediciones de pesca"—
conllevan riesgos significativos de hallazgos espurios. En sistemas complejos con alta
dimensionalidad, el ruido aleatorio puede disfrazarse fácilmente de señal, y las
30
correlaciones, por fuertes que sean, se vuelven exponencialmente más tenues al
aumentar el tamaño de los datos si no hay una base causal.7
La crítica filosófica a la posición de Anderson enfatiza que la ciencia es
fundamentalmente una actividad explicativa. Sin un modelo para explicar por qué las
variables están correlacionadas, la predicción permanece frágil y no generalizable. Si
la ciencia renuncia a la explicación en favor de la correlación ciega, corre el riesgo de
degradarse a una actividad similar a la "colección de sellos", acumulando hechos sin
estructura.8
1.3 Razonamiento Abductivo: La Síntesis Metodológica
La metodología propuesta rechaza el "Fin de la Teoría" como un empirismo
ingenuo. En su lugar, aboga por un enfoque híbrido centrado en el razonamiento
abductivo. A diferencia de la deducción (que garantiza conclusiones a partir de
premisas verdaderas) o la inducción (que generaliza a partir de observaciones
específicas), la abducción busca la "mejor explicación plausible" para un conjunto de
datos incompleto (ver Tabla 3).9
Tabla 3: Síntesis metodológica
31
En el contexto de la investigación moderna, esto implica utilizar el aprendizaje
automático para identificar patrones (fase inductiva) y luego construir hipótesis
mecanicistas rigurosas para explicarlos (fase abductiva), las cuales son
subsecuentemente probadas en conjuntos de datos independientes o mediante
experimentos físicos (fase deductiva).6
2. Arquitecturas de Procesos y Ciclos de Vida en la
Investigación
Para navegar la complejidad inherente a la investigación en IA, el campo ha
adoptado y adaptado varios modelos de procesos provenientes de la ingeniería y la
industria. Si bien estos modelos proporcionan un andamiaje para la gestión de
proyectos, su aplicación en la investigación académica requiere modificaciones
sustanciales para asegurar el rigor científico.
2.1 El Marco CRISP-DM: Estándar y Adaptación
El Proceso Estándar Inter-Industria para la Minería de Datos (CRISP-DM)
permanece como la metodología más citada y utilizada para proyectos de ciencia de
32
datos (ver Tabla 4).12 Desarrollado a finales de los años 90, descompone el ciclo de vida
del proyecto en seis fases interconectadas e iterativas.
2.1.1 Fases del CRISP-DM y su Equivalente Científico
Tabla 4: El Marco CRISP-DM
33
A pesar de su utilidad, el CRISP-DM ha recibido críticas por ser demasiado
rígido y orientado a "cascada" para la investigación moderna, que es altamente
iterativa.14 Además, carece de fases explícitas para la revisión ética y la auditoría de
sesgos, componentes que ahora son obligatorios en la investigación rigurosa de IA.15
2.2 Alternativas Académicas: KDD y SEMMA
El proceso KDD (Knowledge Discovery in Databases) ofrece una alternativa
más centrada en los datos y menos en el negocio. KDD enfatiza la transformación de
datos crudos en "conocimiento" a través de una secuencia de selección,
preprocesamiento, transformación, minería de datos e interpretación/evaluación.13 Es
a menudo preferido en la investigación de ciencias de la computación teórica donde
la novedad reside en el método de extracción algorítmica más que en la aplicación
práctica.
Por otro lado, SEMMA (Sample, Explore, Modify, Model, Assess),
desarrollado por el instituto SAS, es un proceso secuencial enfocado en los pasos
técnicos de la construcción del modelo.13 Sin embargo, se considera demasiado
estrecho para una metodología de investigación integral, ya que omite las fases críticas
de contextualización (Comprensión del Negocio) y de impacto
(Despliegue/Diseminación).
2.3 Hacia un Modelo Híbrido: CRISP-DS y Agile
34
La literatura reciente sugiere la necesidad de un Proceso Estándar Inter-
Industria Generalizado para la Ciencia de Datos (GCRISP-DS), que permita
interacciones dinámicas entre fases.18 En la investigación científica, la fase de
"Despliegue" es a menudo recursiva; un modelo publicado se convierte en la línea base
para la siguiente iteración de investigación.
La metodología que se aboga en este texto integra principios Agile —sprints
iterativos de prueba de hipótesis— dentro de las fases estructuradas de CRISP-DM.
Esto permite a los investigadores "fallar rápido" cuando una hipótesis no está
respaldada por la exploración temprana de datos, ahorrando recursos antes de
comenzar un modelado profundo.14 Este enfoque híbrido es esencial para gestionar la
incertidumbre inherente a la investigación científica moderna.
3. La Crisis de Rigor y Reproducibilidad
Una metodología es tan buena como la fiabilidad de sus resultados. La
investigación en Inteligencia Artificial y Aprendizaje Automático (ML) se enfrenta
actualmente a una severa "crisis de reproducibilidad", que corre paralela a la crisis de
replicación en psicología y medicina.19 Este capítulo detalla los fallos metodológicos
que impulsan esta crisis y los estándares requeridos para mitigarlos.
3.1 Anatomía del Fracaso: Fuga de Datos (Data Leakage)
El error metodológico más pernicioso en la ciencia basada en ML es la fuga de
datos (data leakage) —la introducción inadvertida de información del conjunto de
prueba en el proceso de entrenamiento, lo que lleva a estimaciones de rendimiento
"salvajemente optimistas".19 Un estudio sistemático de la Universidad de Princeton
identificó que este problema es sistémico y afecta a cientos de papers en docenas de
35
campos.19
Una metodología rigurosa debe controlar explícitamente los siguientes tipos
de fuga:
1. Fuga de Preprocesamiento: Ocurre cuando se realizan transformaciones como la
normalización, la selección de características o la imputación de valores perdidos
sobre el conjunto de datos completo antes de dividirlo en entrenamiento y prueba.
Esto contamina los datos de entrenamiento con estadísticas globales que incluyen
información del conjunto de prueba.19
○ Solución Metodológica: Dividir los datos antes de cualquier toque. Calcular
estadísticas solo en el conjunto de entrenamiento y aplicarlas al de prueba.
2. Fuga Temporal: En datos de series temporales, entrenar con datos futuros para
predecir eventos pasados. El uso de validación cruzada aleatoria (k-fold) en
series temporales destruye la causalidad temporal.19
○ Solución Metodológica: Uso estricto de validación cruzada de "ventana
rodante" o división temporal (entrenar en pasado, probar en futuro).
3. Fuga de Características Ilegítimas (Proxies): Incluir características que son
proxies casi perfectos de la variable objetivo (por ejemplo, incluir "duración de la
cirugía" en un modelo que predice "complicaciones quirúrgicas", cuando las
complicaciones inherentemente extienden la duración).19
3.2 Listas de Verificación de Reproducibilidad (Checklists)
Para combatir estos errores y estandarizar el rigor, conferencias de primer
nivel como NeurIPS e ICML han instituido Listas de Verificación de
Reproducibilidad. La adopción de estas listas no es un mero trámite burocrático, sino
una exigencia metodológica fundamental. Los componentes clave incluyen:
36
● Disponibilidad del Código: El envío de código limpio y ejecutable con
dependencias especificadas es obligatorio. Un paper sin código es, en muchos
casos, no verificable.21
● Transparencia de Hiperparámetros: Se debe reportar el rango detallado de
hiperparámetros buscados y el método de selección (e.g., búsqueda en rejilla vs.
optimización bayesiana).21
● Control de la Aleatoriedad: Especificar las semillas aleatorias (random seeds) y
realizar múltiples ejecuciones para reportar la media y la varianza, en lugar de
una sola "ejecución heroica" que podría ser una aberración estadística.21
● Infraestructura Computacional: Reportar el hardware utilizado (e.g., tipo de
GPU), ya que las diferencias en hardware pueden llevar a variaciones sutiles en
los cálculos de punto flotante.21
Metodológicamente, esto mueve al campo lejos de los "papers anuncio" —que
reclaman resultados de Estado del Arte (SOTA) basados en experimentos oscuros—
hacia "papers científicos" donde el proceso es auditable y refutable.
4. Documentación como Metodología Científica
En la ciencia tradicional, la sección de "Materiales y Métodos" de un artículo
era suficiente documentación. En la IA, donde el "material" es un conjunto de datos
dinámico y el "método" es un algoritmo opaco, la documentación debe ser mucho más
granular y estructurada. Los conceptos de Datasheets (Hojas de Datos) y Model Cards
(Tarjetas de Modelo) han emergido como artefactos metodológicos esenciales.
4.1 Datasheets for Datasets (Hojas de Datos para Conjuntos de
Datos)
37
Propuesto por Gebru et al., este marco estandariza la documentación del ciclo
de vida de los datos.22 Una metodología de investigación que ignora la procedencia
de los datos es fundamentalmente defectuosa. Un Datasheet riguroso debe responder:
● Motivación: ¿Por qué se creó el conjunto de datos? ¿Quién lo financió?
● Composición: ¿Qué representan las instancias? ¿Existen subpoblaciones? ¿Es
inclusivo el conjunto de datos o presenta sesgos demográficos?
● Proceso de Colección: ¿Cómo se adquirieron los datos? ¿Estuvieron
involucrados sujetos humanos? ¿Se obtuvo consentimiento informado?
● Preprocesamiento: ¿Qué limpieza, muestreo o anonimización se realizó?
Para el investigador de IA, el Datasheet es una herramienta de auditabilidad.
Previene el mal uso de conjuntos de datos en contextos para los cuales no fueron
diseñados (por ejemplo, usar un dataset de rostros occidentales para entrenar un
sistema de reconocimiento facial global).24
4.2 Model Cards for Model Reporting (Tarjetas de Modelo)
Complementando a los Datasheets, las Model Cards (Mitchell et al.)
proporcionan un reporte estandarizado sobre el modelo entrenado.25 Una Model Card
va más allá de las métricas de precisión global para documentar:
● Uso Previsto: ¿Para qué fue diseñado el modelo? ¿Cuáles son los usos "fuera de
alcance" (out-of-scope)?
● Factores: ¿Cómo varía el rendimiento del modelo a través de diferentes grupos
demográficos, condiciones ambientales o atributos técnicos?
● Métricas: ¿Qué métricas de rendimiento se eligieron y por qué? (e.g., priorizar la
sensibilidad sobre la precisión en diagnósticos médicos).
● Consideraciones Éticas: ¿Existen riesgos de sesgo, vigilancia o doble uso?
38
La metodología de "Model Reporting" obliga al investigador a confrontar las
limitaciones de su trabajo. Desplaza el objetivo de maximizar una métrica única (como
la exactitud) hacia la caracterización del comportamiento del sistema en un espacio
multidimensional.27
5. La IA Co-Científica y Métodos Generativos
La metodología de la investigación en IA está experimentando una evolución
recursiva: la IA se está utilizando para mejorar la investigación en IA. Los modelos
generativos y los Grandes Modelos de Lenguaje (LLMs) están alterando las fases de
generación de hipótesis y revisión de literatura.
5.1 Generación Automatizada de Hipótesis
Sistemas como el AI Co-scientist de Google, construido sobre Gemini 2.0,
demuestran el potencial de los sistemas multi-agente para funcionar como
colaboradores científicos virtuales.11 Estos sistemas utilizan un ciclo de "método
científico" interno:
1. Generación: Un agente propone una hipótesis novedosa basada en la literatura
existente.
2. Reflexión: Un agente crítico evalúa la hipótesis por su plausibilidad y novedad.
3. Ranking/Evolución: Las hipótesis se clasifican mediante torneos simulados
(usando clasificaciones Elo) y se evolucionan para mejorar su calidad.11
4. Proximidad: Asegurar que la hipótesis esté fundamentada en trabajo previo
válido.
Esto introduce una nueva capacidad metodológica: cribado de hipótesis de
alto rendimiento. Un investigador puede generar cientos de direcciones de
39
investigación potenciales y usar la IA para filtrar las más prometedoras antes de
comprometer recursos experimentales.
5.2 Riesgos de los LLMs en la Investigación
Sin embargo, la integración de LLMs introduce riesgos de validez significativos que
la metodología debe gestionar:
● Alucinación: Los LLMs pueden generar citas plausibles pero inexistentes o datos
falsos. Confiar en un LLM para la revisión de literatura sin verificación manual
es un error metodológico grave.28
● Erosión de Habilidades Críticas: La dependencia excesiva de la IA para escribir
e idear puede atrofiar la capacidad del investigador para realizar síntesis
profundas y análisis crítico.29
● Contaminación de la Revisión por Pares: El uso de LLMs para escribir revisiones
por pares socava la integridad del proceso de evaluación. Estudios indican un
aumento significativo en contenido generado por IA en revisiones de
conferencias, planteando preocupaciones sobre la confidencialidad y la calidad
de la crítica.31
Por lo tanto, el enfoque general restringe la IA Generativa al rol de un asistente
—una herramienta para lluvia de ideas, resumen y codificación— mientras reserva el
rol de autor y juez para el científico humano.30
6. Ética, Gobernanza y el Nuevo Marco Regulatorio
La metodología en la investigación de IA ya no puede separarse de la ética. El
potencial de los sistemas de IA para causar daño a escala —a través de sesgos,
desinformación o toma de decisiones autónoma— ha necesitado la integración de
40
marcos de gobernanza directamente en el ciclo de vida de la investigación.
6.1 La Declaración de Impacto Amplio (Broader Impact
Statement)
Desde 2020, NeurIPS ha requerido que los autores incluyan una Declaración
de Impacto Amplio, reflexionando sobre las consecuencias sociales potenciales, tanto
positivas como negativas, de su trabajo.34 Este requisito obliga a los investigadores a
participar en una gobernanza anticipatoria. No es suficiente construir un algoritmo de
reconocimiento facial; el investigador debe analizar cómo podría ser mal utilizado
para la vigilancia o cómo podría fallar en poblaciones subrepresentadas.36
Aunque algunos ven esto como una barrera burocrática, es
metodológicamente esencial para determinar la validez de una contribución. Un
modelo que logra una alta precisión pero se basa en mano de obra explotada o viola
normas de privacidad es científica y éticamente defectuoso.37
6.2 Marcos Regulatorios como Restricciones Metodológicas
Las metodologías de investigación deben alinearse ahora con marcos legales
emergentes:
● Ley de IA de la UE (EU AI Act): Esta legislación categoriza los sistemas de IA
por nivel de riesgo. Los sistemas de "Alto Riesgo" (e.g., dispositivos médicos,
biometría) enfrentan requisitos estrictos de gobernanza de datos, supervisión
humana y precisión.38 Los investigadores que desarrollan tales sistemas deben
documentar su cumplimiento con estos requisitos durante la fase de
investigación, no después. La Ley prohíbe ciertas direcciones de investigación
por completo, como la manipulación subliminal o la puntuación social (social
41
scoring).39
● Marco de Gestión de Riesgos de IA del NIST (AI RMF): El RMF del NIST
proporciona una estructura voluntaria pero influyente para gestionar riesgos de
IA. Sus funciones centrales —Gobernar, Mapear, Medir, Gestionar—
proporcionan una plantilla para las operaciones de investigación.40 La función de
"Medir", por ejemplo, estandariza cómo cuantificamos la "confiabilidad", la
"robustez" y el "sesgo".
6.3 Ciclos de Vida de IA Responsable
Líderes de la industria como Microsoft y Google han formalizado ciclos de
vida de IA Responsable. Estos marcos enfatizan principios como "Justicia",
"Confiabilidad y Seguridad", "Privacidad", "Inclusión", "Transparencia" y "Rendición
de Cuentas".42
Adoptar estos principios significa que un proyecto de investigación no está
completo cuando se maximiza la métrica de precisión. Está completo cuando el
modelo ha sido probado bajo estrés para detectar sesgos, se han evaluado sus
vulnerabilidades de seguridad (e.g., robustez adversarial) y se ha documentado su
proceso de toma de decisiones.43
Herbert Simon, uno de los padres fundadores de la IA, imaginó una "Ciencia
de lo Artificial" —una disciplina que estudia los objetos creados por el diseño humano
con el mismo rigor con que las ciencias naturales estudian el mundo físico. Hoy, esa
visión es más relevante que nunca. A medida que los sistemas de IA se vuelven más
complejos, exhiben comportamientos emergentes que no pueden predecirse solo a
partir de su código; deben estudiarse empíricamente.30
Al adherirse a estándares rigurosos de reproducibilidad, documentación y
previsión ética, aseguramos que el "Cuarto Paradigma" produzca no solo datos, sino
42
sabiduría duradera. El enfoque detallado aquí no es simplemente un conjunto de
reglas; es un compromiso con la integridad de la empresa científica en una era
algorítmica.
43
Capítulo 3.
Prolegómenos: La Crisis Epistemológica
del Cuarto Paradigma
1. Rigor metodológico de la inteligencia artificial
La ciencia, en su concepción más noble, es la búsqueda sistemática de la
verdad a través de la observación, la hipótesis y la experimentación. Sin embargo, en
los albores del siglo XXI, la naturaleza misma de este proceso ha sufrido una
transformación radical, una metamorfosis impulsada por la disponibilidad de datos
masivos y la capacidad de cómputo ubicua. Nos encontramos ante lo que Jim Gray, el
visionario científico de la computación y ganador del Premio Turing, denominó el
Cuarto Paradigma de la exploración científica: la ciencia intensiva en datos (eScience).1
La inteligencia artificial (IA) y la ciencia de datos han dejado de ser
subdisciplinas oscuras de las ciencias de la computación para convertirse en los lentes
a través de los cuales observamos y manipulamos la realidad. Desde la predicción del
plegamiento de proteínas en biología molecular hasta la modelización de riesgos
climáticos, la IA actúa como un "motor de difusión" que acelera el descubrimiento a
través de las fronteras disciplinarias.3 No obstante, esta aceleración ha tenido un costo:
la proliferación de una "alquimia digital" donde la correlación se confunde con la
causalidad, y donde la optimización de métricas en conjuntos de datos estáticos
sustituye a la generación de conocimiento generalizable.
La premisa central de esta obra es que la IA no es simplemente una ingeniería
de software aplicada, ni es una caja negra mágica que exime al investigador de la
44
responsabilidad intelectual. Por el contrario, la investigación en IA exige un rigor
metodológico mayor que la ciencia tradicional, precisamente porque sus herramientas
son estocásticas, opacas y propensas a amplificar sesgos humanos de formas sutiles e
insidiosas.4 Mientras que Newton podía explicar la gravedad con la elegante
simplicidad de F = G m_1 m_2 / r^2, un investigador moderno en aprendizaje
profundo se enfrenta a modelos con miles de millones de parámetros cuya lógica
interna es a menudo inescrutable para sus propios creadores.4
1.1. La Evolución de la Indagación Científica
Para comprender la posición actual de la IA, debemos situarla en el arco
histórico del desarrollo científico, tal como lo conceptualizó Gray y fue expandido por
sus colegas de Microsoft Research y la comunidad académica global (ver Tabla 5).1
Tabla 5: Paradigmas de Jim Gray
Paradigma
Descripción
Naturaleza de la
Investigación
Herramientas
Principales
Primer Paradigma
Ciencia Empírica
Descriptiva:
Observación de
fenómenos naturales
(ej. Brahe observando
estrellas).
Ojos, telescopios
rudimentarios,
bitácoras.
Segundo Paradigma
Ciencia Teórica
Analítica:
Generalización a
través de leyes y
modelos matemáticos
(ej. Newton,
Maxwell).
Cálculo, ecuaciones
diferenciales, teoría.
45
Tercer Paradigma
Ciencia
Computacional
Simulación:
Modelado de sistemas
complejos demasiado
difíciles para el
análisis puro (ej.
dinámica de fluidos).
Supercomputadoras,
métodos numéricos,
simulaciones de
Monte Carlo.
Cuarto Paradigma
Ciencia Intensiva en
Datos
Exploratoria/Predicti
va: Unificación de
teoría, experimento y
simulación a través
del análisis de datos
masivos.
Bases de datos
distribuidas, Machine
Learning, IA,
Estadística Bayesiana.
La transición al Cuarto Paradigma implica que los científicos ya no miran
directamente a través de sus instrumentos; miran a través de bases de datos. Los datos
son capturados por instrumentos o generados por simuladores, procesados por
software y almacenados en infraestructuras federadas.2 En este contexto, la IA no es
el objeto de estudio final, sino el instrumento de descubrimiento. El problema surge
cuando aplicamos metodologías del tercer paradigma (simulación controlada) o
prácticas de ingeniería de software a problemas del cuarto paradigma, que son
inherentemente ruidosos, sesgados y no estacionarios.3
1.2. La Falsa Equivalencia: Ingeniería vs. Investigación
Uno de los obstáculos más perniciosos para el avance científico en este campo
es la confusión categórica entre la Ingeniería de Software y la Investigación en Ciencia
de Datos/IA. Esta distinción no es semántica; es metodológica y define el éxito o
fracaso de un proyecto.
La ingeniería de software se centra en la construcción de sistemas fiables,
46
mantenibles y escalables. Su ciclo de vida es lineal o ágil, enfocado en la entrega
continua de funcionalidad.8 Por el contrario, la ciencia de datos es intrínsecamente
exploratoria y experimental. Su objetivo no es construir un sistema que "funcione" en
el sentido de que no se cuelgue, sino descubrir una verdad oculta en los datos o
construir un modelo que generalice a situaciones no vistas.8
El gerente de ingeniería que exige "sprints" de dos semanas para un
descubrimiento científico está cometiendo un error epistemológico. Como señalan
diversos expertos en la industria, intentar forzar el ciclo de vida de la IA (iterativo,
incierto, basado en hipótesis) dentro de los marcos rígidos de la ingeniería de software
tradicional conduce a una deuda técnica masiva y a modelos defectuosos (ver Tabla
6).9
Tabla 6: Divergencias Metodológicas Fundamentales 8
47
La investigación en IA requiere la reintroducción del Método Científico
clásico: observación, formulación de hipótesis, predicción, experimentación y
análisis.10 No basta con lanzar datos a una red neuronal y esperar que "aprenda"; se
debe tener una "corazonada creíble" basada en la teoría previa y diseñar experimentos
para falsear esa corazonada.10
2. La Anatomía de la Crisis de Reproducibilidad
Si el advenimiento del Cuarto Paradigma representa la promesa de la IA, la
"Crisis de Reproducibilidad" representa su mayor amenaza existencial. La comunidad
científica ha comenzado a reconocer que una proporción alarmante de los resultados
publicados en conferencias de prestigio (NeurIPS, ICML, AAAI) no pueden ser
replicados por investigadores independientes.13
Esta crisis no es exclusiva de la computación —la psicología y la biomedicina
han sufrido sus propios "inviernos de replicación"— pero en la IA adquiere matices
únicos debido a la naturaleza del software y los datos.15 La reproducibilidad se define
estrictamente como la capacidad de un investigador para duplicar los resultados de
un estudio previo utilizando los mismos materiales (código y datos).17 La
replicabilidad, un estándar aún más alto, implica llegar a las mismas conclusiones
recolectando nuevos datos y realizando nuevos experimentos.18
48
2.1. Los Pecados Capitales de la Investigación en IA
A través de la revisión de la literatura y el análisis de retractaciones recientes,
hemos identificado una taxonomía de fallos metodológicos que busca erradicar:
1. P-Hacking y Dragado de Datos: Al igual que en las ciencias sociales, los
investigadores en IA a menudo ejecutan cientos de experimentos variando
hiperparámetros y arquitecturas, pero solo reportan la configuración que obtuvo
el mejor resultado en el conjunto de prueba. Esto viola los principios básicos de
la estadística inferencial, inflando la tasa de falsos positivos y presentando ruido
aleatorio como un descubrimiento significativo.13 El valor p pierde su significado
si no se corrige por comparaciones múltiples.
2. HARKing (Hypothesizing After the Results are Known): Presentar una
hipótesis post-hoc como si hubiera sido la motivación original del estudio. Esto
invierte el método científico, convirtiendo la investigación confirmatoria en
exploratoria sin las advertencias necesarias.13
3. La "Semilla de la Suerte" (Lucky Seed): En el aprendizaje profundo y el
aprendizaje por refuerzo, la inicialización aleatoria de los pesos de la red puede
tener un impacto drástico en el rendimiento. Un estudio puede declarar que el
Algoritmo A es superior al Algoritmo B simplemente porque tuvo suerte en la
inicialización, no por una superioridad algorítmica intrínseca. Sin realizar
múltiples ejecuciones con diferentes semillas y reportar la varianza, los
resultados son anecdóticos, no científicos.18
4. Fuga de Datos (Data Leakage): Quizás el error más común y devastador. Ocurre
cuando información del futuro (del conjunto de prueba) se filtra insidiosamente
en el proceso de entrenamiento. Ejemplos documentados incluyen la
normalización de datos antes de la separación train/test, o el uso de
49
características que son proxies directos de la variable objetivo (como incluir la
duración de la estancia hospitalaria para predecir la gravedad de una
enfermedad).19
Estudio de Caso: El Fracaso de la Autocorrección en LLMs
Un ejemplo contemporáneo de fallo metodológico es la evaluación de la
capacidad de "autocorrección" en Grandes Modelos de Lenguaje (LLMs).
Investigaciones recientes han demostrado que los LLMs sufren de una "falla de
autocorrección intrínseca" cuando intentan validar sus propias respuestas dentro del
mismo contexto conversacional, confirmando sus errores más del 90% de las veces
debido al sesgo de confirmación. Sin embargo, cuando se evalúa la misma respuesta
en un entorno de "sala limpia" (clean room) —un contexto nuevo sin el historial
previo— la capacidad de detección de errores mejora dramáticamente.21 Los estudios
que no controlan esta variable de contexto están, esencialmente, midiendo el sesgo del
modelo en lugar de su capacidad de razonamiento, un error clásico de validez de
constructo.
2.2. La Respuesta Institucional: Listas de Verificación y
Retractaciones
Para combatir esta entropía metodológica, conferencias como NeurIPS
introdujeron en 2019 programas de reproducibilidad obligatorios, incluyendo listas
de verificación (checklists) que exigen a los autores declarar la disponibilidad de
código, la especificación de hiperparámetros y los detalles de los recursos de
cómputo.14
El análisis de la eficacia de estas medidas ofrece una visión mixta. Si bien el
50
cumplimiento autodeclarado es alto (alrededor del 62-74% de los artículos afirman
cumplir con los requisitos y proporcionar código), la realidad empírica es menos
alentadora.22 Un estudio que intentó implementar manualmente 255 artículos
encontró que la disponibilidad del código no garantiza la reproducibilidad si la
descripción algorítmica en el papel difiere de la implementación, o si los datos no son
accesibles debido a restricciones de propiedad o privacidad.23
Más alarmante aún es el aumento exponencial de las retractaciones. Según
datos de Retraction Watch, la tasa de retractaciones ha pasado de 1 en 5,000 artículos
en 2002 a 1 en 500 en 2023.24 El auge de las "fábricas de artículos" (paper mills) y la
presión por publicar han creado un entorno donde el fraude y el error honesto
proliferan. Incluso herramientas de IA diseñadas para detectar artículos retractados
han demostrado ser poco fiables, alucinando referencias o fallando en identificar
trabajos desacreditados.25 Esto subraya la necesidad de una vigilancia humana experta
y una metodología que priorice la calidad sobre la cantidad.
3. El Marco Metodológico Propuesto: El Modelo
Anidado y el Diseño Experimental
Adoptamos y expandimos el Modelo Anidado (Nested Model) para el diseño
y validación de sistemas de IA, una estructura que obliga al investigador a validar sus
supuestos en cuatro niveles jerárquicos antes de reclamar el éxito.26
3.1. Las Cuatro Capas de Validación
El error fundamental en muchos proyectos de ciencia de datos es saltar
directamente a la optimización de algoritmos sin validar el problema. El Modelo
51
Anidado estructura la investigación de la siguiente manera:
1. Capa de Dominio (Domain Layer): ¿Estamos resolviendo el problema correcto?
Aquí, la metodología requiere la interacción con Expertos en la Materia (SMEs).
Un algoritmo que optimiza el flujo de tráfico es inútil si no considera las
regulaciones urbanas o la psicología del conductor. La validación aquí es
cualitativa y conceptual.11
2. Capa de Datos (Data Layer): ¿Son los datos una representación fiel del dominio?
Aquí abordamos la calidad, el sesgo y la procedencia de los datos. Se deben
aplicar técnicas de "hojas de datos para conjuntos de datos" (Datasheets for
Datasets) para documentar la creación, composición y limitaciones legales/éticas
de los datos.27
3. Capa de Modelo (Model Layer): ¿Es el método capaz de capturar la estructura
de los datos? Aquí es donde entra la selección de algoritmos (CNN, Transformer,
Random Forest). La validación implica verificar que el modelo puede
sobreajustarse (overfit) a un subconjunto pequeño de datos, demostrando que
tiene la capacidad de aprendizaje necesaria.29
4. Capa de Predicción (Prediction Layer): ¿El modelo generaliza a datos no vistos?
Esta es la prueba de fuego estadística. Implica el uso riguroso de conjuntos de
retención (hold-out sets), validación cruzada anidada y pruebas de estrés fuera
de distribución (OOD).19
3.2. Diseño de Experimentos (DoE) en el Silicio
La investigación en IA debe recuperar la disciplina del Diseño de
Experimentos (DoE) utilizada en la ingeniería industrial y la agronomía. En lugar de
la prueba y error aleatoria (o la "gradiente descendente de estudiante de posgrado"),
el DoE permite explorar sistemáticamente el espacio de hiperparámetros y
52
configuraciones arquitectónicas.30
El uso de técnicas como la Optimización Bayesiana o el muestreo de hipercubo
latino permite a los investigadores modelar la superficie de respuesta del rendimiento
del algoritmo de manera eficiente. Además, el DoE obliga a considerar las
interacciones entre variables (ej. ¿cómo interactúa la tasa de aprendizaje con el tamaño
del lote?), algo que la optimización "uno a la vez" (one-at-a-time) ignora (ver Tabla
7).30
Tabla 7: Estrategias de Validación Experimental 19
53
4. Estructura de un Plan de Estudios de Posgrado
en Investigación con IA (ejes temáticos
La secuencia del plan de estudios refleja el flujo lógico de un proyecto de
investigación riguroso, integrando los syllabus de instituciones líderes como Carnegie
Mellon, Stanford y Georgia Tech.33
Semestre I: Fundamentos y Filosofía
● 1: La Ciencia en la Era del Algoritmo. Historia del Cuarto Paradigma, la
distinción ciencia/ingeniería.
● 2: Epistemología de la Inteligencia Artificial. ¿Qué significa que una máquina
"sepa" algo? Inducción vs. Deducción en ML. Causalidad vs. Correlación
(Inferencia Causal).36
Semestre II: Diseño y Preparación
● 3: Definición del Problema y Revisión de Literatura. Cómo pasar de una idea
vaga a una pregunta de investigación falsable. El uso de herramientas de IA para
la revisión bibliográfica y sus peligros (alucinaciones).37
● 4: Ética y Regulación como Diseño. La ética no es un anexo. Privacidad
diferencial, equidad algorítmica (Fairness), y cumplimiento con regulaciones (EU
AI Act) desde la fase de diseño.26
● 5: Metodología de los Datos. Recolección, limpieza, anotación y la gestión del
ciclo de vida de los datos (Data Lifecycle). Detección de sesgos en datasets.27
54
Semestre III: Experimentación y Modelado (El Núcleo Técnico)
● 6: Diseño de Experimentos Computacionales. DoE, selección de métricas (más
allá del Accuracy), y la definición de líneas base (Baselines) honestas. 17
● 7: Algoritmos y Comparación. Metodologías específicas para Supervisado, No
Supervisado y Refuerzo. Pruebas de significancia estadística para comparar
modelos (Test de McNemar, Wilcoxon, etc.).15
● 8: Reproducibilidad y Gestión de Flujos de Trabajo. Herramientas (Docker,
MLflow), control de versiones de datos (DVC) y listas de verificación de
conferencias.14
Semestre IV: Análisis y Comunicación
● 9: Interpretabilidad y Explicabilidad (XAI). Métodos post-hoc (SHAP, LIME) vs.
modelos intrínsecamente interpretables. Validación de explicaciones con
humanos.4
● 10: Escritura Científica y Publicación. Estructura de un paper de IA. Cómo
reportar resultados negativos. El proceso de revisión por pares y cómo responder
a los revisores (Rebuttal).42
● 11: La Tesis Doctoral en IA. Guía específica para estudiantes de doctorado.
Cómo elegir un asesor, cómo seleccionar un tema con "ventaja competitiva", y la
gestión de la salud mental en un campo hiper-competitivo.38
5. El Factor Humano: Consejos para el Investigador
Novel
5.1. La Elección del Problema y la Ventaja Competitiva
55
Un error común entre los estudiantes noveles es intentar competir
directamente con los laboratorios industriales (Google DeepMind, OpenAI) en el
entrenamiento de modelos masivos. Esto es una batalla perdida debido a la
disparidad de recursos computacionales. El consejo de expertos como Andrej
Karpathy y académicos de primer nivel es claro: busque problemas donde tenga una
ventaja injusta.44 Esta ventaja puede ser un acceso único a un conjunto de datos (ej.
datos clínicos de un hospital asociado), una colaboración interdisciplinaria profunda
(ej. trabajar con biólogos o historiadores), o un enfoque teórico novedoso que no
requiera miles de GPUs. La simplicidad a menudo supera a la complejidad; las ideas
simples que resisten el paso del tiempo son más valiosas que las arquitecturas barrocas
que solo funcionan en un conjunto de datos específico.44
5.2. La Responsabilidad Ética y el Uso de IA Generativa
El estudiante moderno cuenta con herramientas poderosas como los asistentes
de codificación y redacción basados en LLMs. Las universidades están empezando a
emitir directrices claras: el uso de IA es bienvenido para la lluvia de ideas o la
corrección de código, pero el autor humano es el único responsable de la integridad
del trabajo.38 Un investigador no puede culpar a la IA por una cita alucinada o un error
en la lógica matemática. La "responsabilidad algorítmica" comienza con la
responsabilidad personal del científico. El uso de estas herramientas debe ser
transparente y declarado, fomentando un pensamiento crítico sobre lo que la máquina
genera.47
56
Capítulo 4.
La epistemología de lo artificial: un
marco integral para la metodología de la
investigación científica en inteligencia
artificial y ciencia de datos
1. La convergencia entre computación y empirismo
La aparición de la Inteligencia Artificial (IA) y la Ciencia de Datos ha
precipitado un cambio fundamental en la ontología del descubrimiento científico,
representando lo que Jim Gray denominó famosamente el "Cuarto Paradigma" de la
ciencia.1 Históricamente, el método científico ha evolucionado a través de tres fases
distintas: la descripción empírica de fenómenos naturales, la formulación teórica de
leyes (por ejemplo, las leyes de Newton, las ecuaciones de Maxwell) y la simulación
computacional de sistemas complejos.2 La era actual, caracterizada por un
descubrimiento científico intensivo en datos, sintetiza estos predecesores pero
presenta un desafío epistemológico distinto: la conciliación de modelos predictivos de
alta dimensión, a menudo opacos, con las exigencias rigurosas y explicativas de la
investigación científica tradicional.
Este informe articula una metodología integral para aplicar el método
científico a la IA y la Ciencia de Datos. Va más allá del enfoque centrado en la
ingeniería de maximizar métricas predictivas (por ejemplo, precisión, puntuación F1)
para establecer un marco riguroso para la generación de hipótesis, el diseño
experimental, la validación estadística y la explicación causal. La tesis central
planteada aquí es que, para que la IA sirva como un instrumento genuino de la ciencia
—y no simplemente una herramienta de automatización— debe estar sometida a
estándares de control y protocolos de reproducibilidad que definen las ciencias
naturales.
1.1 La tensión entre predicción y explicación
57
Una dicotomía crítica en la ciencia de datos moderna, articulada por Leo
Breiman como las "Dos Culturas" y refinada aún más por Galit Shmueli, es la
distinción entre explicación y predicción.4 La modelización explicativa, dominante en
campos como la econometría y la bioestadística, busca poner a prueba hipótesis
causales y estimar parámetros que reflejan los constructos teóricos subyacentes. En
cambio, el modelado predictivo —el bastión del aprendizaje automático (ML)
moderno— prioriza la minimización del error fuera de muestra, a menudo a costa de
la interpretabilidad y la fidelidad teórica.4
Esta divergencia tiene profundas implicaciones metodológicas. En un marco
explicativo, un modelo se valida por su bondad de ajuste y la significación estadística
de sus coeficientes. En un marco predictivo, la validez se determina por el rendimiento
de generalización sobre datos ocultos.7 Sin embargo, a medida que los sistemas de IA
se despliegan cada vez más en dominios científicos de alto riesgo—desde el
descubrimiento de fármacos 8 hasta la modelización climática—el enfoque predictivo de
la "caja negra" se vuelve insuficiente. Por tanto, una metodología científica para la IA
debe salvar esta brecha, integrando el poder inductivo del aprendizaje automático con
el rigor deductivo de las pruebas de hipótesis.
1.2 El estado epistémico de la investigación basada en datos
La provocación del "fin de la teoría", que sugería que la cantidad suficiente de
datos hace obsoleto el método científico, ha sido en gran medida rechazada por la
comunidad de la filosofía de la ciencia.10 Big Data no reemplaza el método científico;
más bien, altera el mecanismo de generación de hipótesis. La ciencia basada en datos
funciona como un motor de detección de anomalías, identificando correlaciones que
requieren explicación teórica.12 En este contexto, los modelos de aprendizaje
automático actúan como "teorías blandas"—espacios complejos de hipótesis
restringidos por sesgos inductivos.13
La metodología detallada en este informe operacionaliza esta perspectiva.
Trata el entrenamiento de un modelo de aprendizaje automático no como la
conclusión de la investigación, sino como un experimento en sí mismo: una sonda en
la variedad de alta dimensión de los datos. Las secciones siguientes definen cómo
estructurar esta investigación, asegurando que el "Científico de IA" cumpla con los
58
estándares de reproducibilidad, control y falsabilidad.
2. Modelos de procesos estructurados: desde los
estándares industriales hasta el rigor científico
La práctica de la ciencia de datos ha estado guiada en gran medida por
modelos de procesos derivados de aplicaciones industriales. Aunque estos marcos
proporcionan la estructura necesaria, a menudo carecen de los mecanismos
específicos necesarios para la validez científica.
2.1 Crítica de los modelos industriales estándar
El Proceso Estándar Interindustrial para Minería de Datos (CRISP-DM) y el
proceso de Descubrimiento de Conocimiento en Bases de Datos (KDD) son las
metodologías dominantes en el campo.15
2.1.1 CRISP-DM
CRISP-DM describe un ciclo de vida cíclico compuesto por seis fases:
Comprensión del Negocio, Comprensión de Datos, Preparación de Datos, Modelado,
Evaluación y Despliegue.15
● Fortalezas: Enfatiza la naturaleza iterativa de los proyectos de datos y la
importancia del contexto del dominio ("Comprensión Empresarial").18
● Limitaciones científicas: CRISP-DM es teleológico; su objetivo es la utilidad
(resolver un problema empresarial) más que la verdad (verificar una hipótesis). La
fase de "Evaluación" se centra en si el modelo cumple con los criterios de éxito
empresarial, no en si avanza en el conocimiento científico o controla variables de
confusión.15 Carece de pasos explícitos para la formulación de hipótesis o el
control experimental.20
2.1.2 KDD y SEMMA
El proceso KDD se centra fuertemente en la tubería de extracción y
transformación de datos, pasando de los datos en bruto al "conocimiento" mediante la
minería de datos.21 SEMMA (Sample, Explore, Modify, Model, Assess) es una
metodología propietaria de SAS que refleja la KDD pero omite la fase crucial de
59
"Entendimiento de Negocio/Dominio" al principio.23
● Limitaciones científicas: Ambos marcos tratan la "minería" de patrones como el
objetivo terminal. No exigen la falsificación de estos patrones ni la evaluación de
su validez causal. En la investigación científica, descubrir un patrón es
simplemente la generación de una hipótesis; KDD lo trata como el
descubrimiento del conocimiento en sí mismo.21
2.2 El proceso de Ciencia de Datos en Equipo (TDSP) y
adaptaciones modernas
El TDSP de Microsoft intenta modernizar CRISP-DM integrando prácticas
ágiles de desarrollo de software y enfatizando la reproducibilidad y la colaboración.18
Introduce definiciones de roles (por ejemplo, Científico de Datos, Arquitecto de
Soluciones) y artefactos estandarizados. Aunque TDSP mejora la gestión de la ciencia
de datos, sigue tratando el modelo como un producto de software en lugar de un
instrumento científico.
2.3 Hacia un modelo de procesos científicos: GCRISP-DS y más
allá
Para adaptar estos marcos a la investigación científica, los investigadores han
propuesto extensiones como el Proceso Estándar Generalizado Interindustrial para la
Ciencia de Datos (GCRISP-DS).26 Este marco aborda explícitamente los "problemas de
robustez" y permite interacciones dinámicas entre fases para manejar la complejidad
de los datos científicos.
Una metodología verdaderamente científica para la IA debe superponer estos
modelos de proceso con la lógica del diseño experimental. La fase de "Modelado" de
CRISP-DM debe reconceptualizarse como "Prueba de Hipótesis", y la fase de
"Evaluación" debe ampliarse para incluir pruebas de significación estadística, estudios
de ablación y análisis causal.
2.4 Análisis comparativo de marcos metodológicos
La siguiente tabla contrasta el enfoque industrial con la metodología científica
propuesta para la IA, destacando el cambio de la utilidad a la validez (ver Tabla 8).
60
Tabla 8: Características de métodos de investigación tradicionales
y con IA
Característica
CRISP-DM / KDD
Método científico
Metodología de IA
Científica
Objetivo principal
Despliegue / Valor de
negocio
Generación de
conocimiento
Descubrimiento
robusto de
conocimiento
mediante
computación
Punto
Problema empresarial
Observación / Teoría
Anomalía de dominio
/ Hipótesis basada en
datos
Validación
Umbral métrico (por
ejemplo, precisión)
Falsificación
experimental
Significación
estadística y
verificación causal
Control
Limpieza de datos
Grupo de Control
Experimental
Estudios de Ablación
y Líneas Base
Sintéticas
Resultado
Modelo desplegado
Teoría revisada por
pares
Modelo reproducible
y mecanismo causal
3. Generación de hipótesis y sesgo inductivo
En el método científico tradicional, una hipótesis es una explicación tentativa
derivada de la teoría u observación, que luego se somete a pruebas empíricas.27 En IA,
el concepto de hipótesis es dual: existe tanto en la formulación humana de la pregunta
de investigación como en la formulación matemática del algoritmo de aprendizaje.
3.1 Sesgo inductivo como hipótesis
61
En aprendizaje automático, el "espacio de hipótesis" se refiere al conjunto de
todas las funciones que un algoritmo de aprendizaje puede seleccionar.14 La selección
de un algoritmo específico (por ejemplo, una Red Neuronal Convolucional sobre un
Bosque Aleatorio) impone un sesgo inductivo: un conjunto de supuestos sobre la
estructura subyacente de los datos.13
● Implicación científica: Cuando un investigador selecciona una arquitectura de
modelo, está formulando implícitamente una hipótesis científica sobre los datos.
Por ejemplo, elegir una Red Neuronal Convolucional (CNN) plantea la hipótesis
de que los datos presentan invariancia traslacional y correlaciones espaciales
locales.29
● Requisito metodológico: La investigación rigurosa en IA requiere la articulación
explícita de estos sesgos inductivos. La naturaleza de "caja negra" del aprendizaje
profundo a menudo oscurece estas suposiciones, dificultando distinguir si el
rendimiento se debe a una suposición teórica correcta (el sesgo inductivo) o
simplemente a un sobreajuste.13
3.2 IA generativa y generación automatizada de hipótesis
Los avances recientes han introducido el uso de Grandes Modelos de Lenguaje
(LLMs) e IA Generativa para automatizar el propio proceso de generación de
hipótesis.30 sistemas como "The AI Scientist" o "FieldSHIFT" utilizan LLMs para
explorar vastos repositorios de literatura científica, identificando conexiones latentes
(por ejemplo, entre biología del desarrollo y neurociencia) para proponer hipótesis
nuevas y comprobables.8
● Descubrimiento basado en literatura (LBD): Los agentes de IA pueden realizar
"FieldSHIFTing", mapeando conceptos de un dominio a otro para generar
hipótesis "fuera de distribución" que los investigadores humanos podrían pasar
por alto debido a la compartimentación disciplinaria.32
● Prompting adversarial: Para garantizar la robustez, los investigadores utilizan
prompting adversarial para obligar a los LLM a criticar sus propias hipótesis,
exponiendo sesgos y lagunas lógicas antes de las pruebas experimentales.31
3.3 El ciclo de hipótesis basadas en datos
62
La metodología de la ciencia impulsada por IA funciona como un ciclo:
1. Análisis exploratorio de datos (EDA): El aprendizaje no supervisado
(agrupamiento, reducción de dimensionalidad) revela anomalías o estructuras
en datos de alta dimensión.33
2. Formulación de hipótesis: Estas estructuras se formalizan en una hipótesis (por
ejemplo, "El Clúster A representa un fenotipo distinto causado por el gen X").
3. Selección del modelo como especificación de hipótesis: Un modelo
supervisado está diseñado para discriminar esta estructura, codificando la
hipótesis en su arquitectura y características.30
4. Verificación: El rendimiento del modelo se evalúa frente a una hipótesis nula
mediante controles estadísticos.
4. Diseño experimental en el laboratorio
computacional
La validez de cualquier afirmación científica depende del rigor del diseño
experimental. En la investigación en IA, el "experimento" es el entrenamiento y
evaluación de un modelo. Sin embargo, la naturaleza estocástica de la optimización y
la complejidad de las canalizaciones de datos introducen variables de confusión
únicas que deben ser controladas.
4.1 La necesidad de líneas base
Un fracaso generalizado en la investigación en IA es la falta de referencias
rigurosas. No se puede decir que un modelo complejo de aprendizaje profundo sea
superior a menos que supere al modelo razonable más simple y al estado de la
tecnología (SOTA) bajo condiciones idénticas.34
● Líneas base simples: La investigación debe comenzar con modelos "ingenuos"
(por ejemplo, regresión logística, bosque aleatorio o incluso un clasificador de
clase mayoritaria) para establecer la dificultad de la tarea.35 Si un modelo de
Transformer solo supera marginalmente a una regresión lineal, la hipótesis de
que "las dependencias secuenciales complejas son críticas" se debilita.
● Líneas de base sólidas: Deben compararse con versiones ajustadas de métodos
competidores. Utilizar hiperparámetros por defecto como líneas base mientras se
63
ajusta mucho el modelo propuesto constituye un fallo metodológico.36
4.2 Variables de control y estudios de ablación
En las ciencias físicas, las variables de control se mantienen constantes para
aislar el efecto de la variable independiente.38 En la IA, los "estudios de ablación"
sirven como el mecanismo principal de control.
● Lógica de la ablación: Un estudio de ablación elimina sistemáticamente
componentes del sistema (por ejemplo, un mecanismo de atención específico, un
paso de aumento de datos o un conjunto de características) para medir su
contribución marginal al rendimiento.40
● Estándar metodológico: Un trabajo riguroso sobre IA debe incluir una tabla de
ablación. Si una nueva arquitectura propone tres módulos novedosos (A, B y C),
el experimento debe probar el sistema solo con A+B, A+C, B+C y el modelo base.41
Esto evita la falacia del "fregadero de cocina", donde se acepta un modelo
complejo a pesar de que solo un componente realmente proporciona beneficio.
● Inspiración neurocientífica: Las técnicas modernas de ablación se inspiran en la
neurociencia (estudios de lesiones), desactivando selectivamente neuronas o
capas para mapear la localización funcional dentro de la red.43
4.3 Fuga de datos: El factor de confusión de la validez
La fuga de datos es el equivalente computacional a contaminar una muestra.
Ocurre cuando la información del conjunto de pruebas (el "futuro") influye
inadvertidamente en el proceso de entrenamiento.45
● Tipos de fugas:
○ Fuga de preprocesamiento: Normalizar datos (por ejemplo, calcular media
y varianza) usando todo el conjunto de datos antes de dividirlos en
entrenamiento/prueba. Esto filtra la distribución del conjunto de pruebas
hacia el conjunto de entrenamiento.46
○ Fuga temporal: En la predicción de series temporales, usar datos futuros para
predecir el pasado, o barajar aleatoriamente que destruye el orden
temporal.48
● Metodología de prevención: La "Regla de Oro" del diseño experimental de
64
aprendizaje automático es separar primero los datos y luego aplicar todas las
transformaciones (imputación, escalado, ingeniería de características) de forma
independiente a los conjuntos de entrenamiento y prueba. Se deben usar
pipelines (por ejemplo, scikit-learn Pipelines) para hacer cumplir esta
encapsulación.47
4.4 Datos sintéticos como control experimental
Los datos sintéticos ofrecen una herramienta poderosa para la validación
metodológica. Generando datos donde se conocen (y controlan las relaciones causales
de la verdad fundamental), los investigadores pueden verificar si su modelo identifica
correctamente estas relaciones.30
● Validación del método: Si un modelo afirma detectar los factores causales de una
enfermedad, primero debe demostrarse que detecta los factores en un conjunto
de datos sintético donde el mecanismo de la enfermedad está definido
matemáticamente.50
● Privacidad y control de sesgos: Los datos sintéticos también pueden utilizarse
para crear conjuntos de datos equilibrados que controlan el sesgo demográfico,
permitiendo aislar variables específicas (por ejemplo, raza, género) para
comprobar la equidad algorítmica.51
5. Rigor estadístico y evaluación del modelo
El simple hecho de reportar cifras de mayor precisión es insuficiente para la
prueba científica. La variabilidad en el entrenamiento de aprendizaje automático
(debido a semillas aleatorias, inicialización de pesos y baraja de datos) significa que
las diferencias de rendimiento a menudo pueden atribuirse al azar.53
5.1 Pruebas de hipótesis para la comparación de modelos
Para afirmar que el Modelo A es superior al Modelo B, los investigadores
deben rechazar la hipótesis nula de que sus distribuciones de rendimiento son
idénticas.
● La insuficiencia de las pruebas t ingenuas: Las pruebas t estándar de estudiantes
suelen asumir muestras independientes, lo cual se viola en la validación cruzada
65
cuando los conjuntos de entrenamiento se solapan.53
● Prueba de McNemar: Para comparar dos clasificadores en un solo conjunto de
pruebas, la prueba de McNemar es el estándar. Evalúa la tabla de contingencia
de predicciones correctas/incorrectas, centrándose en los casos en los que los
modelos discrepan.56
● Prueba t de validación cruzada 5x2: Para una comparación más robusta que
involucre la variabilidad del entrenamiento, Dietterich recomienda la prueba t
pareada de validación cruzada 5x2. Esto implica repetir la validación cruzada de
2 veces cinco veces, proporcionando una mejor estimación de la varianza que la
CV estándar de 10 veces.53
5.2 Intervalos de confianza (IC)
Informar de una estimación puntual (por ejemplo, "Precisión: 94,5%") es
científicamente engañoso. Las metodologías deben requerir la notificación de
Intervalos de Confianza (IC) para expresar la incertidumbre de la estimación.59
● Métodos de arranque: El bootstrapping (remuestreo del conjunto de pruebas con
reemplazo) permite el cálculo empírico de ICs para cualquier métrica (precisión,
F1, AUC) sin asumir una distribución normal.59, 60, 61
● Estándar de reporte: Los resultados deben informarse como \mu \pm \sigma o
con un IC del 95% (por ejemplo, [93,2\%, 95,8%]). Si los IC de la línea base y del
modelo propuesto se solapan, la mejora no es estadísticamente significativa.59, 62
5.3 Pruebas de Esfuerzo Adversariales
Así como las estructuras de ingeniería se someten a pruebas de resistencia, los
modelos de aprendizaje automático deben someterse a una evaluación adversarial.
Una alta precisión media puede ocultar una fragilidad catastrófica en los peores
escenarios.31
● Ejemplos adversariales: Entradas perturbadas intencionadamente (a menudo
imperceptiblemente para los humanos) para inducir error del modelo. Probar con
estos ejemplares evalúa la robustez y estabilidad inductiva del modelo (ver Tabla
9).63
● Utilidad científica: Las pruebas adversariales sirven como mecanismo de
66
falsificación de la hipótesis de que el modelo ha aprendido el concepto
"verdadero". Si un "panda" se clasifica como "gibón" tras una perturbación menor
del ruido de píxel, se refuta la hipótesis de que el modelo reconoce a los pandas
por sus rasgos visuales.64
Tabla 9: Métodos de evaluación estadística
Método de prueba
Caso de uso
Suposición
estadística
Limitación
Test de McNemar
Comparando 2
clasificadores en un
solo conjunto de
pruebas.
Datos nominales
emparejados.
Ignora la variación del
conjunto de
entrenamiento.
Prueba t de CV 5x2
Comparando
algoritmos entre
divisiones de
conjuntos de datos.
Distancia
aproximadamente
normal de diferencias.
Computacionalmente
caro (10
entrenamientos).
Bootstrap CI
Estimar la
incertidumbre de una
métrica.
El distrito
remuestreado
aproxima la
población.
Puede estar sesgado
en muestras pequeñas
(la regla .632+ corrige
esto).
Prueba adversarial
Análisis de robustez /
peor caso.
Ninguno (basado en
optimización).
Específico del método
de ataque (por
ejemplo, FGSM,
PGD).
6. Reproducibilidad, transparencia y pre-registro
La "Crisis de Reproducibilidad" en la IA refleja la de la psicología y la
medicina, agravada por datos propietarios, algoritmos estocásticos y el "hacking de
ajuste".45 Una metodología científica para la IA exige una estricta adhesión a los
estándares de reproducibilidad.
67
6.1 La Lista de Verificación de Reproducibilidad
Propuesta por Pineau et al. y adoptada por las principales conferencias
(NeurIPS, ICML), la Lista de Verificación de Reproducibilidad convierte las mejores
prácticas en requisitos obligatorios de notificación.66
● Elementos clave:
○ Datos: Enlaces a conjuntos de datos descargables, descripciones detalladas
del preprocesamiento y divisiones de entrenamiento/prueba.67
○ Código: Especificación de dependencias (contenedores Docker, entornos
Conda), semillas aleatorias y comandos exactos para reproducir resultados.67
○ Hiperparámetros: Divulgación completa del rango de hiperparámetros
buscados y del método de selección (por ejemplo, búsqueda en cuadrilla,
optimización bayesiana).68 Esto previene el fenómeno de la "semilla de la
suerte", donde solo se reporta la mejor carrera.
6.2 Pre-registro de la investigación
Para combatir el sesgo de publicación y el "p-hacking" (ajustar el modelo hasta
encontrar resultados significativos), la comunidad de ML se está moviendo hacia la
Pre-Inscripción.69
● Mecanismo: Los investigadores presentan un artículo que contiene la
Introducción, el Trabajo Relacionado y el Plan Experimental (incluyendo conjuntos
de datos, métricas e hipótesis) antes de ejecutar los experimentos.
● Beneficio científico: Esto desvincula la evaluación de la idea del resultado.
Garantiza que se publiquen resultados negativos (por ejemplo, "Esta arquitectura
no mejoró el rendimiento"), evitando el problema del cajón de archivos y
evitando que la comunidad persiga callejones sin salida.70, 71
● Plataformas: El Open Science Framework (OSF) proporciona plantillas para pre-
registrar estudios observacionales y experimentales, que pueden adaptarse para
la investigación en aprendizaje automático.72
6.3 Control de versiones para datos (DVC)
El rigor científico requiere que los datos se versionen con la misma
granularidad que el código. Herramientas como el Control de Versiones de Datos
68
(DVC) permiten a los investigadores consultar la versión exacta del conjunto de datos
utilizado para un experimento específico, asegurando que los cambios en la cadena
de datos no confundan los resultados.65, 73
7. Causalidad y explicación: más allá de la
correlación
La limitación epistemológica más significativa del aprendizaje automático
estándar es su dependencia de la correlación. Para lograr la comprensión científica, la
metodología debe ascender la "Escalera de Causalidad" desde la Asociación (P(y|x))
hasta la Intervención (P(y|do(x))) y los Contrafactuales.74
7.1 Inferencia causal vs. modelado predictivo
● Modelado predictivo: Pregunta "¿Cuál es el valor probable de Y dado X?" Es
tolerante a correlaciones espurias (por ejemplo, prediciendo lluvia procedente de
paraguas).75, 76
● Inferencia causal: Pregunta "¿Qué pasará con Y si cambio X?" Esto requiere un
modelo causal estructural (SCM) o un grafo acíclico dirigido (DAG) para
codificar supuestos sobre la confusión y la direccionalidad.77, 78 , 79
● Integración: La metodología de "ML causal" utiliza aprendizaje automático para
estimar efectos causales (por ejemplo, Doble Aprendizaje Automático) o para
descubrir grafos causales a partir de datos. Esto es fundamental en campos como
la medicina personalizada, donde el objetivo es la intervención (tratamiento), no
solo el pronóstico.80
7.2 IA explicable (XAI) como falsificación científica
La IA explicable a menudo se presenta como un mecanismo de confianza, pero
científicamente, es una herramienta de falsificación.81, 82
● Puntos de vista divergentes vs. convergentes:
○ Vista convergente: La explicación confirma que el modelo se basa en
características conocidas del dominio (por ejemplo, un clasificador tumoral
que observa el tumor). Esto genera confianza.83
69
○ Visión divergente: La explicación revela que el modelo utiliza características
inesperadas (por ejemplo, la etiqueta del escáner en la radiografía). Esta
divergencia refuta la hipótesis de que el modelo ha aprendido la patología, lo
que genera nuevas preguntas científicas o corrección del modelo.84
● Riesgos de racionalización post-hoc: Métodos como LIME y SHAP
proporcionan aproximaciones del comportamiento del modelo. Los
investigadores deben validar que estas explicaciones son fieles al modelo y no
"placebicas" (convincentes pero erróneas).85 El uso de la interpretabilidad
mecanicista—ingeniería inversa de los pesos y activaciones (por ejemplo, IA
"microscopio")—ofrece un camino más riguroso para la explicación que la
importancia superficial de las características. 86, 87
La aplicación del método científico a la Inteligencia Artificial transforma la
disciplina de una alquimia de parámetros en una rigurosa ciencia de la inteligencia
(ver Tabla 10). Esta transición requiere un marco metodológico holístico: 88, 89
1. Proceso: Adoptar modelos científicos de procesos (como TDSP/GCRISP-DS
modificados) que prioricen la prueba de hipótesis sobre métricas puras.
2. Diseño: Implementación de controles rigurosos mediante estudios de ablación,
datos sintéticos y estricta prevención de fugas de datos.
3. Validación: Ir más allá de la precisión hacia pruebas de significación estadística
(McNemar's, Bootstrap CIs) y pruebas de esfuerzo adversariales.
4. Reproducibilidad: Institucionalizar listas de pre-registro y de comprobación de
artefactos para asegurar que los hallazgos sean acumulativos y verificables.
5. Explicación: Elevar la inferencia causal y XAI para distinguir mecanismos
causales robustos de correlaciones frágiles.
Tabla 10: Recomendaciones metodológicas clave para
investigadores en IA
Dominio
Recomendación
Herramienta/Acción
metodológica
Hipótesis
Explícitamente declara sesgos
inductivos.
Pre-registro de arquitectura e
hipótesis en OSF.
70
Diseño
Establece la dificultad y la
contribución.
Líneas de base simples (por
ejemplo, regulación logística) y
estudios de ablación.
Datos
Evita fugas y asegúrate de ser
independiente.
Encapsulación de tubería y
división de series temporales.
Evaluación
Cuantifica la incertidumbre y la
importancia.
Intervalos de confianza de
McNemar's Test & Bootstrap.
Reproducibilidad
Asegurar la replicabilidad de
los resultados.
Lista de verificación de
Pineau, Docker y fijación con
semillas aleatorias.
Causalidad
Distingue la predicción de la
causa.
Grafos causales (DAGs) y
biblioteca DoWhy para
refutación.
Robustez
Prueba el peor de los casos.
Generación de ataques
adversariales y pruebas de
estrés con datos sintéticos.
71
Conclusión
No se puede ignorar que la ética en IA ha dejado de ser una consideración
filosófica externa para convertirse en una variable técnica interna. Los sesgos
algorítmicos, la discriminación y la falta de equidad no son solo "efectos secundarios"
sociales, sino indicadores de una metodología de investigación defectuosa: muestreo
sesgado, etiquetas ruidosas, funciones de pérdida mal definidas o validación en
subgrupos insuficientes.
A pesar de la existencia de marcos regulatorios emergentes como la EU AI Act
o las recomendaciones de la UNESCO, la investigación académica a menudo carece
de mecanismos formales para integrar estas consideraciones en el diseño
experimental. La documentación de los datasets es frecuentemente inexistente o
superficial; los investigadores raramente reportan la procedencia de los datos, el
consentimiento de los sujetos o las limitaciones de uso, lo que perpetúa la creación de
modelos "tóxicos" o legales pero ilegítimos.32 La falta de adopción de herramientas
estandarizadas como Datasheets for Datasets o Model Cards en la etapa de investigación
(y no solo en despliegue) es una brecha crítica que este libro busca cerrar.34
La evidencia vislumbra un problema de capital humano. Los programas
académicos y bootcamps de ciencia de datos se centran desproporcionadamente en la
sintaxis de la programación y la arquitectura de modelos, descuidando la formación
en diseño de investigación, pensamiento crítico y metodología científica. Esto resulta
en una generación de investigadores noveles que pueden implementar una red
neuronal compleja pero que carecen de las herramientas para formular una pregunta
de investigación novedosa, diseñar una estrategia de validación que controle variables
confusoras o escribir un paper que sobreviva a una revisión por pares rigurosa.
Además, la divergencia de incentivos entre la academia ("publicar o perecer")
72
y la industria ("retorno económico o morir") crea una esquizofrenia metodológica.
Mientras la academia premia la novedad teórica a menudo sobre problemas de
juguete, la industria necesita soluciones robustas y mantenibles sobre datos sucios y
cambiantes. Por ende, se abordó cómo aplicar el método científico en entornos
corporativos donde los tiempos son cortos y los datos son propietarios, adaptando el
rigor académico a la realidad pragmática del negocio.
En respuesta a la problemática multidimensional descrita, el libro "Metodología
de la investigación científica aplicada a la inteligencia artificial y la ciencia de datos" se define
como un compendio normativo y práctico. Su alcance trasciende la enseñanza de
herramientas técnicas para centrarse en la estructuración del pensamiento científico y
el proceso de investigación. La obra se posiciona en la intersección de la filosofía de la
ciencia, la ingeniería de software empírica y la estadística aplicada.
En conclusión, se argumentó que la IA y la ciencia de datos no son meramente
ciencias naturales (descubrimiento de patrones preexistentes) ni puramente
matemáticas (demostración de teoremas), sino ciencias de diseño que estudian
artefactos creados por el ser humano para cumplir objetivos en entornos inciertos. Por
ende, recomendamos emplear esta obra como guía sobre cómo documentar la
motivación, composición, proceso de recolección, preprocesamiento y usos
recomendados de los datos. Esto responde directamente a los problemas de
transparencia ética y técnica.
73
Bibliografía
1. Hey, T. (2012). The Fourth Paradigm – Data-Intensive Scientific
Discovery. In: Kurbanoğlu, S., Al, U., Erdoğan, P.L., Tonta, Y., Uçak, N.
(eds) E-Science and Information Management. IMCW 2012.
Communications in Computer and Information Science, vol 317.
Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-33299-9_1
2. Choque Gutiérrez, J. J., Mamani Figueroa, J. D., Puita Choque, G. A.,
Castro Angulo, D. D., & Choque Matos, J. (2025). Ciencia Abierta y
Colaborativa en la Era de la Inteligencia Artificial. Revista Veritas De
Difusão Científica, 6(1), 2162–2172. https://doi.org/10.61616/rvdc.v6i1.505
3. Shen, L., Bai, J., Wang, J., & Shen, B. (2021). The fourth scientific discovery
paradigm for precision medicine and healthcare: Challenges
ahead. Precision clinical medicine, 4(2), 80–84.
https://doi.org/10.1093/pcmedi/pbab007
4. Carlin, J. B. and Moreno‐Betancur, M. (2025). Rejoinder to commentaries
on: on the uses and abuses of regression models: a call for reform of
statistical practice and teaching. Statistics in Medicine, 44(13-14).
https://doi.org/10.1002/sim.70065
5. Galit, S. (2025). To Explain or to Predict?. Statist. Sci., 25 (3) 289-310.
https://doi.org/10.1214/10-STS330
6. Gelman, A., & Shalizi, C. R. (2013). Philosophy and the practice of
Bayesian statistics. The British journal of mathematical and statistical
psychology, 66(1), 8–38. https://doi.org/10.1111/j.2044-8317.2011.02037.x
74
7. Guersenzvaig, A. (2024). Can machine learning make naturalism about
health truly naturalistic? A reflection on a data-driven concept of
health. Ethics Inf Technol, 26(2). https://doi.org/10.1007/s10676-023-09734-6
8. Chubb, J., Cowling, P. y Reed, D. (2022). Acelerando para mantenerse al
día: explorando el uso de la IA en el proceso de investigación. AI &
Soc., 37, 1439-1457. https://doi.org/10.1007/s00146-021-01259-0
9. Qadri, YA, Shaikh, S., Ahmad, K., Choi, I., Kim, SW y Vasilakos, AV
(2025). Inteligencia artificial explicable: Una perspectiva sobre el
descubrimiento de fármacos. Pharmaceutics , 17 (9), 1119.
https://doi.org/10.3390/pharmaceutics17091119
10. Mazzocchi F. (2015). Could Big Data be the end of theory in science? A
few remarks on the epistemology of data-driven science. EMBO
reports, 16(10), 1250–1255. https://doi.org/10.15252/embr.201541001
11. Leonelli, S. (2015). What Counts as Scientific Data? A Relational
Framework. Philosophy of Science, 82(5), 810–821.
https://doi.org/10.1086/684083
12. Emden, M. (2021). ¿Reintroduciendo el método científico para
introducir la investigación científica en las escuelas? Sci & Educ, 30, 1037–
1073. https://doi.org/10.1007/s11191-021-00235-w
13. Musslick, S., Bartlett, L.K., Chandramouli, S.H. Dubova, M., Gobet, F.,
Griffiths, T.L., Hullman, J., Rey, R.D., Kutz, J., Lucas, D.G., Mahesh, S.,
Pestilli, F., Sloman, S.J., & Holmes, O.R. (2025). Automatización de la
práctica científica: oportunidades, desafíos e implicaciones. Proc. Natl.
Sci. 122(5), e2401238121. https://doi.org/10.1073/pnas.2401238121
75
14. Chen, M., Huang, Y., Wang, W. et al. (2024). Model inductive bias
enhanced deep reinforcement learning for robot navigation in crowded
environments. Complex Intell. Syst. 10, 6965–6982.
https://doi.org/10.1007/s40747-024-01493-1
15. Massahiro, A., Cordeiro, R., and Goldman, A. (2025). Integrating CRISP-
DM and eXtreme Programming in Agile Data Science Projects. European
Journal of Electrical Engineering and Computer Science, 9(4), 1-7.
https://doi.org/10.24018/ejece.2025.9.4.739
16. Nguyen, G., Dlugolinsky, S., Bobák, M. et al. (2019). Machine Learning
and Deep Learning frameworks and libraries for large-scale data mining:
a survey. Artif Intell Rev, 52, 77–124. https://doi.org/10.1007/s10462-018-
09679-z
17. Benganga, J., Kukuni, T., Kotze, B. y Lenkoe, L. (2025). Análisis
comparativo de la eficiencia de modelos basado en algoritmos disímiles
para el aprendizaje y la corrección de imágenes como método de
detección de fallos. Matemáticas , 13 (11), 1835.
https://doi.org/10.3390/math13111835
18. Paik, I. (2024). Análisis automático de big data mediante composición de
servicios basada en IA para ciudades inteligentes. En: Murakami, Y.,
Kimura, K. (eds.) Computación de servicios centrada en el ser humano
para ciudades inteligentes. Springer, Singapur. https://doi.org/10.1007/978-
981-97-0779-9_4
19. Durango Vanegas, C.E., Giraldo Mejía, J.C., Vargas Agudelo, F.A., & Soto
Durán, D.E. (2023). A Representation Based on Essence for the CRISP-
DM Methodology. Computación y Sistemas, 27(3), 675-689.
76
https://doi.org/10.13053/cys-27-3-3446
20. Plotnikova, V., Dumas, M., & Milani, F. (2020). Adaptations of data
mining methodologies: a systematic literature review. PeerJ. Computer
science, 6, e267. https://doi.org/10.7717/peerj-cs.267
21. Cios, K.J., Pedrycz, W., Swiniarski, R.W. (1998). Data Mining and
Knowledge Discovery. In: Data Mining Methods for Knowledge
Discovery. The Springer International Series in Engineering and
Computer Science, vol 458. Springer, Boston, MA.
https://doi.org/10.1007/978-1-4615-5589-6_1
22. Pujar, S., Zheng, Y., Buratti, L. et al. (2024). Analyzing source code
vulnerabilities in the D2A dataset with ML ensembles and C-
BERT. Empir Software Eng, 29(48). https://doi.org/10.1007/s10664-023-10405-9
23. Hochkamp, F., Scheidler, AA y Rabe, M. (2025). Revisión de modelos de
madurez para minería de datos y propuesta de un prototipo de modelo
de madurez de preparación de datos para minería de
datos. Computers , 14 (4), 146. https://doi.org/10.3390/computers14040146
24. de Mast, J., Lokkerbol, J. (2024). Diagramas DAPS para la definición de
proyectos de ciencia de datos. J Big Data, 11(50).
https://doi.org/10.1186/s40537-024-00916-7
25. Shaheen, F.A., Gul, A., Ganai, N. et al. (2025). Deep learning-enabled
cherry price forecasting and real-time system deployment across multi-
market supply chains in India. Sci Rep. https://doi.org/10.1038/s41598-025-
30980-9
26. Tripathi, S., Muhr, D., Brunner, M., Jodlbauer, H., Dehmer, M., &
Emmert-Streib, F. (2021). Ensuring the Robustness and Reliability of
77
Data-Driven Knowledge Discovery Models in Production and
Manufacturing. Frontiers in artificial intelligence, 4, 576892.
https://doi.org/10.3389/frai.2021.576892
27. Daphne, E., and Whitaker, K. (2019). Point of View: Data science for the
scientific life cycle. eLife, 8, e43979. https://doi.org/10.7554/eLife.43979
28. Li, J. J., & Tong, X. (2020). Statistical Hypothesis Testing versus Machine
Learning Binary Classification: Distinctions and Guidelines. Patterns
(New York, N.Y.), 1(7), 100115. https://doi.org/10.1016/j.patter.2020.100115
29. Butz, M.V. (2021). Hacia una IA fuerte. Künstl Intell, 35, 91-101.
https://doi.org/10.1007/s13218-021-00705-x
30. Xianyu, Z., Correia, C., Ung, C. Y., Zhu, S., Billadeau, D. D., & Li, H.
(2024). The Rise of Hypothesis-Driven Artificial Intelligence in
Oncology. Cancers, 16(4), 822. https://doi.org/10.3390/cancers16040822
31. Zhang, Y., Khan, S.A., Mahmud, A. et al. Exploring the role of large
language models in the scientific method: from hypothesis to
discovery. npj Artif. Intell. 1, 14 (2025). https://doi.org/10.1038/s44387-
025-00019-5
32. Mapstone, C., & Plusa, B. (2025). Machine learning approaches for image
classification in developmental biology and clinical
embryology. Development (Cambridge, England), 152(4), DEV202066.
https://doi.org/10.1242/dev.202066
33. Najm, IA, Hamoud, AK, Lloret, J. y Bosch, I. (2019). Enfoque de
predicción mediante aprendizaje automático para mejorar el control de
la congestión en entornos IoT 5G. Electronics , 8 (6), 607.
78
https://doi.org/10.3390/electronics8060607
34. Almeida, A. P., Santana Júnior, C. A. de, & Brito, T. H. da S. (2023). LOS
DILEMAS ÉTICOS DE LA INTELIGENCIA ARTIFICIAL EN LOS
SERVICIOS DE INFORMACIÓN BIBLIOTECARIA. Revista EDICIC, 3(3).
https://doi.org/10.62758/re.v3i3.263
35. Almeida-Campos, S. (2024). Open science and artificial intelligence in
Revista Médica Electrónica | La ciencia abierta y la inteligencia artificial
en la Revista Médica Electrónica. Revista Medica Electronica, 46(1)
36. Choque Gutiérrez, J. J., Mamani Figueroa, J. D., Puita Choque, G. A.,
Castro Angulo, D. D., & Choque Matos, J. (2025). Ciencia Abierta y
Colaborativa en la Era de la Inteligencia Artificial. Revista Veritas de
Difusão Científica, 6(1). https://doi.org/10.61616/rvdc.v6i1.505
37. de Quijada, P. E. S., Rodríguez, M. A. M., Lingan, A. M. A., Ñaca, P. Q.,
& Zamora, M. C. J. (2025). DESAFÍO DE LA INTELIGENCIA
ARTIFICIAL EN EL PROCESO DE INVESTIGACIÓN Y PUBLICACIÓN
CIENTÍFICA: UNA REVISIÓN SISTEMÁTICA DE LA LITERATURA
DE AMÉRICA LATINA. LUMEN ET VIRTUS, 16(45).
https://doi.org/10.56238/levv16n45-043
38. Gil Gamboa, K. de los A., & Gaibor Vera, F. M. (2025). Ética en la
investigación científica: desafíos actuales y perspectivas futuras. Conexión
Científica Revista Internacional, 2(4). https://doi.org/10.71068/7df64t58
39. Guevara-Pezoa, F. (2023). La ciencia abierta y su relación con la
innovación: una revisión bibliométrica. Investigación Bibliotecológica:
79
Archivonomía, Bibliotecología e Información, 37(96).
https://doi.org/10.22201/iibi.24488321xe.2023.96.58778
40. Lira Beltrán, R. A., Orizaga Trejo, J. A., Castañeda González, C. A., &
Cruz Herrera, H. (2024). La aplicación de la Inteligencia Artificial en la
inserción productiva de egresados universitarios. TIES, Revista de
Tecnología e Innovación En Educación Superior, 10.
https://doi.org/10.22201/dgtic.26832968e.2024.10.14
41. López-Bermúdez, F. L., Hidalgo-Hidalgo, W. A., Medrano-Freire, E. L.,
& Barba-López, R. A. (2024). Las matemáticas aplicadas como
herramienta para la resolución de problemas de la ciencia y la sociedad.
MQRInvestigar, 8(4). https://doi.org/10.56048/mqr20225.8.4.2024.7408-
7421
42. Lopezosa, C. (2023). ChatGPT y comunicación científica: hacia un uso de
la Inteligencia Artificial que sea tan útil como responsable. Hipertext.Net,
26. https://doi.org/10.31009/hipertext.net.2023.i26.03
43. Maisincho Camacho, J. D. (2025). Análisis del uso de inteligencia artificial
y ciencia de datos en la optimización de procesos de investigación
científica en el nivel académico. Revista Multidisciplinar Ciencia y
Descubrimiento, 3(2). https://doi.org/10.63816/4qsebs84rcd
44. Mullo-Romero, E. E. del C., Brusela Vásquez-Farfán, N. I., & Ramiro
Chávez-Escobar III, H. (2024). Inteligencia Artificial Aplicada al Sector
Turístico: Evolución y Tendencias de Investigación. Polo Del
Conocimiento, 9(11)
80
45. Pavajeau Hernández, J. J., Díaz Alay, Z. S., Alvarado Chicaiza, E. H., &
Mora Solórzano, S. J. (2024). Aportes de la filosofía contemporánea en el
desarrollo de la investigación científica. Revista Social Fronteriza, 4(3).
https://doi.org/10.59814/resofro.2024.4(3)275
46. Rea-Zurita, J., Luna-Montalvo, A., & Aldaz-Yépez, I. (2024). Divulgación
Científica en los Medios Digitales de Ecuador: Coberturas de Inteligencia
Artificial en El Universo y Primicias. Revista Enfoques de La Comunicación,
12
47. Rincon, I., Soledispa, B., Sumba, R., Burbano, Z. del C., & Jiménez, F.
(2023). Abordajes metodológicos y paradigmas en la investigación
científica y tecnológica: una revisión bibliométrica. Bibliotecas. Anales de
Investigación, 19(1)
48. Tapullima-Mori, C., Mamani-Benito, O., Turpo-Chaparro, J. E., Olivas-
Ugarte, L. O., & Carranza-Esteban, R. F. (2024). Inteligencia artificial en
la educación universitaria: Revisión bibliométrica en Scopus y Web of
Science. Revista Electrónica Educare, 28(S). https://doi.org/10.15359/ree.28-
s.18489
49. Ticona Salluca, H., Borda Colque, J. P., Canqui Flores, B., Yupanqui
Bendita, C. E., Hancco Quispe, J. K., & Torres-Cruz, F. (2023).
APLICACIONES DE INTELIGENCIA ARTIFICIAL APLICADA A LA
AGRICULTURA PERUANA. Pensamiento Crítico En La Investigación
Científica y Académica, 21(1)
50. Abdalsalam, M., & Szłapczyńska, J. (2025). Towards Improved Ship
Weather Routing Through Multi-Objective Optimization with High
81
Performance Computing Support. TransNav, 19(1).
https://doi.org/10.12716/1001.19.01.12
51. Abu Sharshouh, A. (2025). The Use of Artificial İntelligence in
Accounting and Auditing TT - Muhasebe ve Denetim Alanında Yapay
Zekâ Kullanımı. Karadeniz Ekonomi Araştırmaları Dergisi, 6(1)
52. Amruzziyad, Sahwi, & Fitriani, M. I. (2025). Outsourcing Dalam
Manajemen Sumber Daya Manusia. Pendas: Jurnal Ilmiah Pendidikan
Dasar, 10(02)
53. Aviles-Castillo, F., Buele, J., & Palacios-Navarro, G. (2025). Virtual Reality
and User Experience: Current Trends and Future Challenges. In IEEE
Access (Vol. 13). https://doi.org/10.1109/ACCESS.2025.3554434
54. Braza Delgado, R. (2025). Inteligencia artificial y comunicación
corporativa: una evolución estructural analizada desde la bibliometría.
ADResearch ESIC International Journal of Communication Research, 33.
https://doi.org/10.7263/adresic-33-303
55. Cricchio, J. (2025). Balancing openness and ownership: open innovation
strategies for AI development. European Journal of Innovation Management.
https://doi.org/10.1108/EJIM-04-2024-0470
56. Cunha, K. C. T., Martens, C. D. P., & Marcolin, C. B. (2025). Mining textual
fields from patent documents: systematic review. Management Review
Quarterly. https://doi.org/10.1007/s11301-025-00555-z
57. de León Pérez, D., Avila-Velazquez, D. I., Macian-Sorribes, H., Salazar-
Galán, S., Pulido-Velazquez, M., & Francés García, F. (2025). A
82
Framework for Enhancing Seasonal Hydrological Forecasting in the
Jucar River Basin (Spain). EGU General Assembly 2025
58. Fil, N., Slisarenko, R., Deineko, Z., & Morozova, L. (2025). Trends in
Artificial Intelligence Research on Education: Topic Modeling Using
Latent Dirichlet Allocation. Bulletin of Kharkov National Automobile and
Highway University, 108. https://doi.org/10.30977/bul.2219-
5548.2025.108.0.17
59. Frolov, I. E., & Kiselev, V. N. (2025). Artificial Intelligence as a Driver of
Breakthrough Technologies: Global Trends and Lessons for Russia.
Studies on Russian Economic Development, 36(3).
https://doi.org/10.1134/S1075700725700108
60. Ghisletta, P. (2025). Challenges and opportunities of psychological aging
research. In European Journal of Ageing (Vol. 22, Issue 1).
https://doi.org/10.1007/s10433-025-00891-9
61. Gutierrez Mora, I., Hernández Cázares, A. S., Hidalgo Contreras, J. V.,
López Ayala, J. L., & Velasco Velasco, J. (2025). APLICACIÓN DE
TELEDETECCIÓN EN LA ESTIMACIÓN DE RENDIMIENTOS EN
CULTIVOS AGRÍCOLAS: UNA REVISIÓN BIBLIOMETRICA. Tropical
and Subtropical Agroecosystems, 28(1). https://doi.org/10.56369/tsaes.5613
62. Gutiérrez-Mora, I., Hernández-Cázares, A. S., Hidalgo-Contreras, J. V.,
Lopez-Ayala, J. L., & Velasco-Velasco, J. (2025). APPLICATION OF
REMOTE SENSING IN THE ESTIMATION OF AGRICULTURAL
CROPS YIELDS: A BIBLIOMETRIC REVIEW. In Tropical and Subtropical
Agroecosystems (Vol. 28, Issue 1). https://doi.org/10.56369/tsaes.5613
83
63. Gutiérrez-Mora, I., Hernández-Cázares, A. S., Hidalgo-Contreras, J. V.,
López-Ayala, J. L., & Velasco-Velasco, J. (2025). APPLICATION OF
REMOTE SENSING IN THE ESTIMATION OF AGRICULTURAL
CROPS YIELDS: A BIBLIOMETRIC REVIEW; APLICACIÓN DE
TELEDETECCIÓN EN LA ESTIMACIÓN DE RENDIMIENTOS EN
CULTIVOS AGRÍCOLAS: UNA REVISIÓN BIBLIOMETRICA. Tropical
and Subtropical Agroecosystems, 28(1)
64. Harahulia, S., & Symonenko, T. (2025). RESEARCH SUPPORT
SERVICES IN DIGITAL HUMANITIES:APPROACHES,
TECHNOLOGIES, TOOLS. Manuscript and Book Heritage of Ukraine,
2025(2). https://doi.org/10.15407/rksu.37.189
65. ILIEV, B. (2025). Furniture design in facilities for preschool education as
a basis for healthy children’s growth and development.
Repozitorij.Sumfak.Unizg.Hr.
66. Kashani, M., & Dastani, M. (2025). Evolution of artificial intelligence in
medical sciences: a comprehensive scientometrics analysis. Global
Knowledge, Memory and Communication. https://doi.org/10.1108/GKMC-
09-2024-0586
67. Linares Rodríguez, E., Linares Rodríguez, E., & Linares Herrera, M. P.
(2025). Knowledge management applied to the hydraulic sector in the
21st century. European Public and Social Innovation Review, 10.
https://doi.org/10.31637/epsir-2025-1328
68. Luppichini, M., Capolongo, D., Scardino, G., Scicchitano, G., & Bini, M.
(2025). Artificial Intelligence in Geomorphology: A Bibliometric Analysis
84
of Trends, Techniques, and Global Research Patterns. Geosciences
(Switzerland), 15(9). https://doi.org/10.3390/geosciences15090331
69. Nazari, M., Ansari, M., & Pour, M. J. A. (2025). Bibliographic Analysis
and Future Research Directions in the Field of Sustainable and
Innovative Business Models. Scientometrics Research Journal, 11(2).
https://doi.org/10.22070/rsci.2024.19650.1759
70. Orlov, A. (2025). Scientific Revolution in Mathematical Research
Methods and Artificial Intelligence. Ergodesign, 2025(2).
https://doi.org/10.30987/2658-4026-2025-2-160-170
71. Parra-Domínguez, J., Sanz Martín, L., López Pérez, G., & Zafra Gómez, J.
L. (2025). The disruption of blockchain technology in accounting: a
review of scientific progress. In Journal of Accounting and Organizational
Change. https://doi.org/10.1108/JAOC-10-2024-0327
72. Qiu, B. (2025). Optimization design and application of artificial
intelligence in intelligent transportation system. Proceedings of 2025 6th
International Conference on Computer Information and Big Data Applications,
CIBDA 2025. https://doi.org/10.1145/3746709.3746969
73. Silaban, R., Lespiani, I., Daulay, A., Ginting, E., & Sitorus, M. (2025).
Penyediaan Bahan Ajar Inovatif Hidrokarbon Berbasis Problem Based-
Learning Terintegrasi Kearifan Lokal Minyak Karo. Pendas: Jurnal Ilmiah
Pendidikan Dasar, 10(3)
74. Taha, A., Khawaja, S., Qureshi, F., & Wahsheh, F. R. (2026). Project
portfolio management in the age of artificial intelligence: A review of
85
challenges, key features, and future research directions. Journal of Project
Management, 11
75. Teixeira, M. J., Barbosa, D. J., Dinis-Oliveira, R. J., & Freitas, A. R. (2025).
Redefining postmortem interval estimation: the need for evidence-based
research to bridge science and justice. In Frontiers in Microbiology (Vol.
16). https://doi.org/10.3389/fmicb.2025.1646907
76. ЦИМБАЛ, С., МОВЧАН, О., & ГАПОНОВА, В. (2025). КОРПУСНІ
МЕТОДИ У ПЕРЕКЛАДОЗНАВЧИХ ДОСЛІДЖЕННЯХ: СУЧАСНІ
ПІДХОДИ ТА НАПРЯМКИ РОЗВИТКУ. Current Issues of Linguistics
and Translation Studies, 34. https://doi.org/10.31891/2415-7929-2025-34-14
77. Afreen, S., Krohannon, A., Purkayastha, S., & Janga, S. C. (2025).
Datawiz-IN: fostering representative innovation in health data science—
outcomes from a summer research experience. BMC Medical Education,
25(1). https://doi.org/10.1186/s12909-025-07298-1
78. Chen, H., Wang, Y., Li, Y., Lee, Y., Petri, A., & Cha, T. (2023). Computer
science and non-computer science faculty members’ perception on
teaching data science via an experiential learning platform. Education and
Information Technologies, 28(4). https://doi.org/10.1007/s10639-022-11326-8
79. Darji, A. (2024). Revolutionizing Cancer Research with AI: Health Data
Science Lab, UT Arlington. XRDS: Crossroads, The ACM Magazine for
Students, 30(4). https://doi.org/10.1145/3665604
80. Dwivedi, Y. K., Sharma, A., Rana, N. P., Giannakis, M., Goel, P., & Dutot,
V. (2023). Evolution of artificial intelligence research in Technological
Forecasting and Social Change: Research topics, trends, and future
86
directions. Technological Forecasting and Social Change, 192.
https://doi.org/10.1016/j.techfore.2023.122579
81. Fahd, K., & Miah, S. J. (2023). Designing and evaluating a big data
analytics approach for predicting students’ success factors. Journal of Big
Data, 10(1). https://doi.org/10.1186/s40537-023-00835-z
82. Federico, C. A., & Trotsyuk, A. A. (2024). Biomedical Data Science,
Artificial Intelligence, and Ethics: Navigating Challenges in the Face of
Explosive Growth. In Annual Review of Biomedical Data Science (Vol. 7,
Issue 1). https://doi.org/10.1146/annurev-biodatasci-102623-104553
83. Hirsbrunner, S. D., Tebbe, M., & Müller-Birn, C. (2024). From critical
technical practice to reflexive data science. Convergence, 30(1).
https://doi.org/10.1177/13548565221132243
84. Misawa, T., Koizumi, A., Tamura, R., & Yoshimi, K. (2025). Exploring
utilization of generative AI for research and education in data-driven
materials science. Science and Technology of Advanced Materials: Methods,
5(1). https://doi.org/10.1080/27660400.2025.2535956
85. Rana, C., & Pardeshi, Prof. Dr. R. K. (2022). A Research Review: Ai and
Data Science Applications in the Telecom Industry. IBMRD’s Journal of
Management & Research.
https://doi.org/10.17697/ibmrd/2022/v11i2/172620
86. Sarker, I. H., Hoque, M. M., Uddin, M. K., & Alsanoosy, T. (2021). Mobile
Data Science and Intelligent Apps: Concepts, AI-Based Modeling and
Research Directions. Mobile Networks and Applications, 26(1).
https://doi.org/10.1007/s11036-020-01650-z
87
87. Tawil, A. R. H., Mohamed, M., Schmoor, X., Vlachos, K., & Haidar, D.
(2024). Trends and Challenges towards Effective Data-Driven Decision
Making in UK Small and Medium-Sized Enterprises: Case Studies and
Lessons Learnt from the Analysis of 85 Small and Medium-Sized
Enterprises. Big Data and Cognitive Computing, 8(7).
https://doi.org/10.3390/bdcc8070079
88. Xu, Y., Liu, X., Cao, X., Huang, C., Liu, E., Qian, S., Liu, X., Wu, Y., Dong,
F., Qiu, C. W., Qiu, J., Hua, K., Su, W., Wu, J., Xu, H., Han, Y., Fu, C., Yin,
Z., Liu, M., … Zhang, J. (2021). Artificial intelligence: A powerful
paradigm for scientific research. In Innovation (Vol. 2, Issue 4).
https://doi.org/10.1016/j.xinn.2021.100179
89. Almeida, V., & Nas, E. (2024). Desafios da IA responsável na pesquisa
científica. Revista USP, 141. https://doi.org/10.11606/issn.2316-
9036.i141p17-28
88
De esta edición de “Metodología de la investigación científica aplicada a la
inteligencia artificial y la ciencia de datos: Enfoque general”, se terminó de
editar en la ciudad de Colonia del Sacramento en la República Oriental
del Uruguay el 05 de diciembre de 2025
89