Marco Arellano Toledo^[1]

La inteligencia artificial, que en décadas pasadas había estado confinada a las páginas de la ciencia ficción, el cine, los videojuegos o a visiones distópicas en el mundo literario, ha irrumpido en nuestra realidad con la fuerza de un tsunami. Lo que ayer era un sueño futurista, una visión exagerada del funcionamiento de las máquinas, hoy es una herramienta que está redefiniendo los límites de lo posible y, en muchos sentidos, de lo humano. Al parecer, la inteligencia artificial no es una tecnología más que irrumpe en el escenario global y que al cabo de un cierto tiempo pasará de moda, por el contrario, las capacidades que ha mostrado, su versatilidad, pero sobre todo su involucramiento en la vida cotidiana de las personas son y serán un catalizador de cambios profundos y acelerados que transformará a la sociedad en sus cimientos. Desde la economía, la medicina, la guerra, la seguridad, hasta la cultura, pasando por la política, la huella de la inteligencia artificial es cada vez más evidente y profunda (Capdeferro, 2020; Rodríguez, Palomino y Moncada, 2017; Rouhiainen, 2018).

La ciencia política, como disciplina encargada de estudiar el poder, la autoridad y las relaciones políticas, no debe ser ajena a esta revolución tecnológica. La IA está reconfigurando los métodos de investigación, los modelos teóricos y las prácticas políticas. También está irrumpiendo en el sistema social; puede ser una herramienta que participe en la regulación de espacios públicos y privados y que, de tener un crecimiento exponencial como hasta ahora, se constituya en un poder que demanda regulación, observancia y estricto control por parte de los Estados modernos.

En este capítulo se explorará cómo la inteligencia artificial está reconfigurando las distintas formas en las que se estudia, enseña, investiga y teoriza la ciencia política. Nuestros estudiantes no solo utilizan cada vez más la IA para realizar tareas, investigar, indagar y pensar la política, sino que, en el mundo profesional donde se desarrollarán, la IA estará presente en los contornos de su actuar. En este trabajo se plantea que la IA está reconfigurando las relaciones de poder, transformando las estructuras políticas y sociales y, por tanto, desafiando los paradigmas tradicionales de la ciencia política, tanto en su práctica como en su enseñanza (Salvador, 2021; Innerarity, 2020; Castellanos, 2019; Scasserra, 2021; Morandín-Ahuerma, 2023).

El avance de la IA confrontará los contextos sociales, políticos, culturales y económicos en los que estamos acostumbrados a vivir en sociedad. La IA se convertirá en un poder que les disputará a los Estados nacionales el control de ciertos aspectos de la vida cotidiana, que habían sido garantizados en el contrato social, el Estado de derecho y los derechos humanos en las democracias modernas. Es por tal razón que la ciencia política debe ocuparse de la problematización que implica el avance de la IA en los sistemas sociales, pero también de revisar cómo está impactando a nuestra disciplina en sus saberes, en sus enseñanzas y en la forma en que las y los politólogos la están utilizando como herramienta de trabajo y descuidando como objeto de estudio.

Al ser este un capítulo de temas selectos de ciencia política no busca problematizar en todos los campos vinculados con la IA y dicha disciplina, por el contrario, la intención es señalarlos, enlistarlos, orientando la discusión y preparando a nuestros profesores, investigadores, estudiantes y egresados de la carrera en ciencia política para que tengan un punto de partida sobre el impacto de la IA en nuestra disciplina.

Se proponen diversos apartados para sistematizar el análisis en torno al surgimiento de este nuevo poder. En el primer apartado, se revisarán los fundamentos de la inteligencia artificial, desde sus orígenes hasta los avances más recientes. Se propondrá una definición mínima de IA, para que sea fácilmente utilizada en este texto. Se señalarán los conceptos clave y las tecnologías subyacentes que han impulsado su desarrollo exponencial, como el aprendizaje automático y las redes neuronales. Además, se identificarán los factores tecnológicos clave que han acelerado su evolución, como las GPU, los grandes modelos de lenguaje y el acceso a grandes volúmenes de datos.

En un siguiente apartado, se estudiará cómo se está dando la convergencia entre la inteligencia artificial y la ciencia política. Se explorará cómo la IA está revolucionando los métodos de investigación, desde la recopilación y análisis de datos hasta la construcción de modelos y simulaciones. Se examinará cómo se estará transformando la manera en que enseñamos y aprendemos ciencia política. Se busca evaluar cuál es el potencial real de la IA para facilitar la colaboración entre estudiantes y profesores, y para promover el desarrollo de habilidades politológicas como el pensamiento crítico y la resolución de problemas.

Guía básica para entender la IA

Definición

La inteligencia artificial es un campo multidisciplinario de la informática que se centra en el desarrollo de sistemas y algoritmos capaces de realizar tareas muy similares a las que ejecuta la inteligencia humana. Estas tareas incluyen las siguientes, si bien no se limitan a ellas: el aprendizaje automático, el procesamiento del lenguaje natural, la visión por computadora y la toma de decisiones autónoma. La IA busca emular la capacidad humana de interpretar datos complejos, aprender de experiencias pasadas y adaptarse a nuevas situaciones mediante la implementación de modelos computacionales avanzados (Hardy, 2021, pp. 12-13). Para poder empezar a reflexionar acerca del gran impacto que la IA tendrá en nuestra vida, conviene saber que las tecnologías de IA han comenzado a desarrollar como nunca la capacidad de ver (visión artificial), oír (reconocimiento de voz) y entender (procesamiento del lenguaje natural) (Rouhiainen, 2018, p. 23).

La IA ha logrado avances significativos en diversas áreas, entre las cuales destaca el aprendizaje automático ‒machine learning‒, el cual se basa en la creación de algoritmos que permiten a las máquinas aprender datos. El big data es el combustible de la IA. En lugar de ser programadas con instrucciones específicas, las máquinas usan estos algoritmos para identificar patrones y tomar decisiones basadas en datos históricos. Existen varios tipos de aprendizaje automático, incluyendo el aprendizaje supervisado, en el cual el algoritmo es entrenado con datos etiquetados, donde el resultado deseado es conocido; también el aprendizaje no supervisado, en el cual el algoritmo encuentra patrones en datos no etiquetados, es decir, el propio sistema identifica datos que considera necesarios para lograr un resultado; finalmente, el aprendizaje por refuerzo, en el cual el algoritmo aprende a tomar decisiones mediante ensayo y error, recibiendo recompensas o castigos (Rouhiainen, 2018; Díaz-Ramírez, 2021; Muñiz, 2018).

La arquitectura de la IA también ha articulado redes neuronales artificiales, las cuales están inspiradas en el funcionamiento del cerebro humano. Es decir, dichas redes son conjuntos de nodos interconectados que procesan la información en múltiples capas. Cada conexión tiene un peso ajustable que se modifica durante el entrenamiento para minimizar el error en las predicciones. Las redes neuronales profundas ‒deep learning‒ utilizan muchas capas de procesamiento, lo que les permite reconocer características complejas en los datos (Rouhiainen, 2018; Díaz-Ramírez, 2021; Muñiz, 2018).

Por otra parte, una de las características más importantes de la IA es su capacidad para el procesamiento de grandes volúmenes de datos, el cual es conocido en el mundo de la informática como el big data, “el combustible” de la IA, pues se apoya en grandes conjuntos de datos para entrenar y mejorar sus propios modelos cognitivos. Estos datos pueden provenir de diversas fuentes, como redes sociales, sensores, transacciones financieras y más. El análisis de big data permite a la IA identificar patrones y tendencias que no serían visibles en conjuntos de datos más pequeños.

Desarrollo vertiginoso

El desarrollo vertiginoso de la IA, tal y como ha irrumpido hasta nuestros días, se debe en gran medida a la confluencia de tres elementos tecnológicos clave. En primer lugar, la industria de los videojuegos y la demanda de gráficos cada vez más realistas impulsaron la creación de las Unidades de Procesamiento Gráfico (GPU), chips diseñados originalmente para renderizar imágenes en tiempo real. Sin embargo, los investigadores pronto descubrieron que estas GPU eran ideales para realizar los complejos cálculos necesarios para el aprendizaje profundo, una rama de la inteligencia artificial que ha sido fundamental para los avances recientes (Sigman y Bilinkis, 2023).

En segundo lugar, el surgimiento de los grandes modelos de lenguaje (large language models, LLM, por sus siglas en inglés) ha revolucionado la capacidad de las máquinas para comprender y generar lenguaje humano. Esta es la base para que la mayoría de las interacciones más novedosas que tenemos con la IA sea a través de chats. Es así que estos modelos, entrenados con vastas cantidades de texto, han permitido desarrollar aplicaciones como ChatGPT, capaces de mantener conversaciones coherentes y naturales. Los LLM han abierto nuevas posibilidades en campos como la traducción automática, la generación de contenido creativo y la asistencia virtual (Sigman y Bilinkis, 2023).

Por último, en tercer lugar, el acceso a grandes volúmenes de datos y la mejora de los algoritmos de aprendizaje automático han sido factores determinantes en el desarrollo de la IA. La digitalización de la información y la creciente capacidad de almacenamiento han permitido a los programadores entrenar modelos cada vez más sofisticados. En este contexto, la IA se ha convertido en una herramienta poderosa para analizar datos complejos, identificar patrones y tomar decisiones informadas.

Historia

Contrario a lo que se piensa, la inteligencia artificial se viene desarrollando hace prácticamente 100 años. Los primeros esfuerzos por construir máquinas que pudieran “pensar” fueron en la Segunda Guerra Mundial, los científicos (Alan Turing, Gordon Welchman) intentaron desarrollar máquinas capaces de descifrar códigos. Tras la guerra, el interés por crear máquinas inteligentes se intensificó, impulsado por científicos como Alan Turing^[2] (Sigman y Bilinkis, 2023; Copeland, 2013), quien propuso el famoso test de Turing para evaluar la inteligencia de una máquina.

El nacimiento oficial de la IA se da en la Conferencia de Dartmouth en 1956, organizada en Dartmouth College, Hanover, New Hampshire, y convocada por John McCarthy.^[3] En ella, un grupo de científicos discutieron la posibilidad de crear máquinas que pudieran “pensar”. Esta conferencia marcó el momento fundacional de la inteligencia artificial. Los años siguientes se caracterizaron por un optimismo desbordante y grandes promesas. Los primeros éxitos se materializaron durante los años sesenta y setenta del siglo XX, en donde se lograron importantes avances en áreas como la resolución de problemas y los juegos. Se crearon programas como el Sistema General de Resolución de Problemas (GPS, por sus siglas en inglés) y el programa de ajedrez de Deep Blue, los cuales demostraron el potencial de la inteligencia artificial. Sin embargo, pronto se hizo evidente que muchos de los problemas planteados eran más complejos de lo que se había anticipado. La escasez de recursos tecnológicos (más que económicos) y el desarrollo precario de la informática impedían llevar al siguiente nivel a la IA, por lo tanto, luego de esa primera época de apogeo, sucedió lo que se conoce como el primer invierno de la inteligencia artificial^[4] (Arrestegui, 2012; Mantegna, 2020). Así, a finales de los años sesenta y principios de los setenta, la euforia inicial se transformó en desilusión. Los sistemas de IA no cumplían las expectativas y los gobiernos y las empresas redujeron su ímpetu, lo cual provocó un periodo de latencia.

Sin embargo, a pesar del invierno, la investigación en IA continuó, aunque a un ritmo más lento y con menos entusiastas. Los sistemas capaces de simular el razonamiento de un experto humano, en un dominio específico, se convirtieron en una de las áreas más prometedoras. Estos sistemas se enfrentaban a limitaciones en cuanto a su capacidad de aprendizaje y adaptación (Troncoso, 2022, pp. 3-4).

Ya en los años ochenta, las redes neuronales artificiales, inspiradas en el cerebro humano, fueron el modelo de inspiración que generó gran expectación entre los ingenieros informáticos. Sin embargo, su entrenamiento requería una gran cantidad de datos y poder computacional, lo que limitó su aplicación práctica. Cuando no se lograron los resultados esperados, las redes neuronales cayeron en desuso y la IA volvió a experimentar otro invierno.

A principios de los años noventa del siglo XX, surgió un nuevo enfoque para la inteligencia artificial: el aprendizaje automático (Díaz-Ramírez, 2021, p. 182). Esta disciplina se centra en desarrollar algoritmos que permiten a las máquinas aprender de los datos sin ser programadas explícitamente. El aprendizaje automático, como ya se mencionó más arriba, abrió nuevas posibilidades para la IA, como el reconocimiento de patrones y la clasificación de datos. Así, entrado el siglo XXI, los avances en el desarrollo de hardware, la miniaturización de los microchips, el crecimiento y masificación de la internet, así como las nuevas capacidades de almacenamiento digital, posibilitaron la explosión de datos. El aumento exponencial de la cantidad de datos disponibles a partir de los años 2000 fue un factor clave en el desarrollo de la IA. El big data proporcionó a los algoritmos de aprendizaje automático la materia prima necesaria para entrenar modelos cada vez más sofisticados.

De igual manera, el surgimiento del deep learning, es decir, la creación de redes neuronales profundas, cuya arquitectura posibilitó múltiples capas, permitió a las máquinas lograr resultados sorprendentes en tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la traducción automática. Junto al deep learning, las unidades de procesamiento gráfico (GPU), originalmente diseñadas para renderizar gráficos en videojuegos, demostraron ser extremadamente eficientes para entrenar redes neuronales profundas, esto es, con esta herramienta el procesamiento de datos e imágenes corría por dos capas, lo cual, como ya se ha mencionado, permitió acelerar significativamente el desarrollo de modelos de inteligencia artificial.

Finalmente, dos tecnologías se suman al desarrollo de la IA: los LLM y los transformers (Vaswani, 2017, s.p.). Con los LLM y los transformers^[5] (con su arquitectura específica que simula redes neuronales) se pueden construir grandes modelos de lenguaje para que la inteligencia artificial pueda conversar y parezca “real”, ya que estos modelos de lenguaje son capaces de generar texto de alta calidad, traducir idiomas, escribir diferentes tipos de contenido creativo y responder a tus preguntas de manera informativa.^[6]

Uso de la IA

La inteligencia artificial está presente en numerosos aspectos de la vida diaria, a menudo de manera discreta, por eso pareciera que estamos ajenos a ella. Sin embargo, desde los asistentes virtuales en nuestros teléfonos hasta los sistemas de recomendación en plataformas de streaming, la IA no solo está presente, sino que analiza grandes cantidades de datos para ofrecer experiencias personalizadas a cada usuario. Los motores de búsqueda utilizan algoritmos de inteligencia artificial para clasificar y presentar los resultados más relevantes. Los sistemas de navegación por GPS se basan en IA para calcular las rutas más eficientes, incluso no nos debe sorprender si por las mañanas salimos en nuestro auto y sin chistar, la aplicación de confianza que usamos de GPS nos ofrece como sugerencia nuestro destino y no se equivoca. Por ejemplo, sugiriéndote un viaje a la escuela o al trabajo; esto lo hace gracias al procesamiento de datos de nuestros propios hábitos, si es entre semana sugerirá algo distinto que en fines de semana, también priorizará los horarios de acuerdo con las rutinas que ya hayamos hecho. Esto puede pasar no solo en las aplicaciones de GPS, sino también en aplicaciones de compras por internet, en nuestras redes sociales, etcétera.

El enorme potencial que tiene la inteligencia artificial es su capacidad de sintetizar grandes cantidades de datos esparcidos en el internet, y lo hace de una manera muy precisa de acuerdo con la información que nosotros le preguntemos, con un lenguaje natural y coherente. De tal manera, siguiendo a Rouhiainen (2018), las cinco principales características de la IA serían las siguientes:

• Capacidad de aprendizaje. Aprende de datos mediante algoritmos especializados, lo que le permite mejorar su rendimiento y precisión con el tiempo a medida que se le proporciona más información.
• Automatización de tareas. Automatiza tareas repetitivas y complejas, desde el procesamiento de datos hasta la toma de decisiones.
• Procesamiento de Lenguaje Natural (NLP). La inteligencia artificial puede entender, interpretar y generar lenguaje humano, lo que permite la interacción con los usuarios a través de texto o voz en asistentes virtuales y chatbots.
• Reconocimiento de patrones. La IA es capaz de identificar y analizar patrones en grandes conjuntos de datos, lo que es útil para la predicción, clasificación y toma de decisiones en cualquier área, pero las que ya han probado beneficios claros son la medicina, la psicología, las finanzas y el marketing, entre otras muchas.
• Adaptabilidad y flexibilidad. La tecnología de la inteligencia artificial puede adaptarse a diferentes entornos y situaciones, modificando su comportamiento o estrategias en función de los cambios en los datos o el contexto en el que operan (Rouhiainen, 2018).

La masificación de la IA se debe a varios factores. En primer lugar, el aumento exponencial del procesamiento de datos computacionales, el cual ha permitido entrenar modelos de IA cada vez más complejos. En segundo lugar, la disponibilidad de grandes cantidades de datos que existen en la internet y que son utilizados por la inteligencia artificial como su principal insumo ha alimentado el desarrollo de algoritmos de aprendizaje automático. Por último, la inversión en investigación y desarrollo en el campo de la IA ha sido clave para impulsar su crecimiento.^[7]

El primer modelo de GPT se lanzó a mediados de 2018. Contaba con 120 millones de parámetros, valores numéricos que podían ajustarse como resultado del entrenamiento. Y se había entrenado con 4 GB de texto, menos información de la que almacenaba una tarjeta de memoria de una cámara de fotos […] la versión más reciente, mientras escribimos este libro, es GPT-4, presentada en marzo de 2023 […] Haciendo honor a que OpenAI hace IA pero ya no es tan “open”, el número de parámetros no fue revelado, pero se estima en… ¡100 billones! Esto es un uno seguido de catorce ceros. Y el volumen de datos usado para entrenarlo se estima en el orden de un petabyte. Para quien nunca haya escuchado esa expresión, esto representa un poco más de un millón de GB (Sigman y Bilinkis, 2023, s.p.).

Así, el mayor auge y uso de la inteligencia artificial se debe a ChatGPT y todos los modelos de su tipo, los cuales se construyeron bajo el esquema básico de un chat, de una aplicación con la cual se puede escribir y recibir una respuesta. Una suerte de interlocutor virtual que tiene capacidades de lenguaje, es capaz de entender lo que le dices (gracias a los LLM y transformers) sin importar cómo se lo escriben, qué palabras pones primero o cuáles después. A diferencia de sus antecesores, los chatbots,^[8] que tenían muchos problemas para comprender estructuras coloquiales de lenguaje y, por tanto, estaban limitados en su capacidad para asimilar lo que las personas les escribían y lo que ellos respondían. Los nuevos modelos de inteligencia artificial tienen una capacidad inaudita para conversar con su interlocutor, entenderlo, procesar lo que le pide, le comenta o necesita y, gracias a la capacidad de síntesis de datos, devolver respuestas correctas.

Para ejemplificar de una manera sencilla, la interacción con el chat suele comenzar con una pregunta, la entrada de texto que se proporciona como incentivador para que la IA genere una respuesta. Dicha sentencia o comando se conoce en inglés como prompt.^[9]

Es un término que podría traducirse como “instrucción”, aunque todavía no es claro qué expresión del español será la que se estandarizará para referirse a este proceso. En las conversaciones entre humanos, es muy importante la pregunta que detona una respuesta y que a su vez puede construir una conversación sólida, sustanciosa y con resultados para ambos interlocutores. Así, en lo que respecta a una conversación con la IA, la calidad del prompt que se ingresa es la clave para determinar el valor del resultado que se obtiene. Por lo tanto, como mencionan Sigman y Bilinkis (2023), aprender a dar buenas instrucciones se convertirá pronto en una habilidad fundamental para todas aquellas y aquellos que decidan usar la inteligencia artificial en su día a día. Casualmente, aquí vuelve a aparecer una forma muy antigua de ejercitar nuestra inteligencia: saber preguntar y saber conversar. En ese sentido, es tal la capacidad tecnológica de conversar de los nuevos modelos de IA que uno puede pedirles a los chats que contesten como si se estuviera hablando con Maquiavelo, Montesquieu o Tocqueville, o emular a cualquier persona, como Elvis o Jesucristo. Para Sigman y Bilinkins:

Con la IA, conversamos con curiosidad y con ánimo de experimentar, y en algún sentido, puede resultarnos más fácil conversar con una máquina que con algunas personas. Logramos convertir al chat en un espacio propicio para abandonar la timidez y recuperar lo mejor de nuestra curiosidad. Usamos las conversaciones como un espacio de descubrimiento y no de confrontación. ChatGPT habilita una conversación con un ente que no nos juzga. No solemos tener conversaciones triviales con la herramienta y sería casi impensable un intercambio con el chat como los que se dan en los ascensores, en los que hablamos del tiempo u otros temas irrelevantes (Sigman y Bilinkis, 2023, p. 54).

Así, sintéticamente a partir del arte de conversar con un chat basado en inteligencia artificial, sin ser limitativo, y queriendo solo ser ilustrativo y un tanto general, se puede asumir que existen por lo menos doce usos básicos distintos de la IA en su vertiente de chatbot:

1. Creación de contenido. Estos modelos pueden generar textos creativos, desde poemas y guiones hasta artículos de blog y correos electrónicos. Pueden ayudar a superar el bloqueo creativo o a generar ideas para proyectos de todo tipo, sin importar el oficio, la tarea, disciplina o condición que se trate.
2. Traducción automática. Los modelos de lenguaje pueden traducir textos de un idioma a otro con una precisión cada vez mayor, lo que facilita la comunicación global.
3. Resolución de dudas. Los chatbots con IA pueden buscar información en internet y presentar respuestas concisas y relevantes sobre cualquier tema, desde cosas muy sencillas hasta realmente complejas.
4. Aprendizaje personalizado. Se puede utilizar la IA para adaptar el contenido de cualquier curso o taller a las necesidades individuales de cada estudiante, y así crear experiencias de aprendizaje más personalizadas y efectivas.
5. Asistencia al cliente. Los chatbots con IA pueden interactuar con los clientes de manera natural y eficiente, respondiendo a sus preguntas y resolviendo sus problemas. No importa si es para tramitar una cita médica, si es para solicitar o consultar algo sobre un producto que ya fue vendido.
6. Generación de código. Los modelos de lenguaje pueden generar código en diferentes lenguajes de programación, lo que agiliza el desarrollo de software y reduce la posibilidad de errores.
7. Investigación científica. Los científicos pueden utilizar la IA para analizar grandes conjuntos de datos, identificar patrones y generar hipótesis. La IA ayuda por igual a científicos de ciencias sociales, naturales o exactas. La capacidad de síntesis de información es fundamental en ese sentido.
8. Creación de arte. La IA puede generar imágenes, música y otros tipos de arte, abriendo nuevas posibilidades creativas.
9. Desarrollo de videojuegos. Los modelos de lenguaje pueden utilizarse para crear diálogos más realistas y convincentes para los personajes de los videojuegos. Esto permite crear nuevas historias, problematizar en personajes o asignarles distintas personalidades y conductas.
10. Simulación de conversaciones. Los chats basados en IA pueden simular conversaciones con personas reales, o incluso ficticias, lo que tiene aplicaciones en la psicología, la sociología y otras disciplinas.
11. Diagnóstico médico asistido. La IA puede analizar datos médicos y síntomas para ayudar a los profesionales de la salud a realizar diagnósticos más precisos y rápidos.
12. Investigación de mercado. La IA puede analizar grandes cantidades de datos de mercado para identificar tendencias, predecir el comportamiento de los consumidores y optimizar las estrategias de marketing (Sigman y Bilinkis, 2023; Rouhiainen, 2018).

Enseñar, aprender e investigar ciencia política en tiempos de la IA

El surgimiento de la inteligencia artificial en prácticamente todos los ámbitos de nuestras vidas está desencadenando una profunda transformación social. La ciencia política, como disciplina encargada de estudiar los fenómenos del poder y las relaciones sociales, no es ajena a esta revolución tecnológica. La capacidad de la IA para procesar grandes volúmenes de datos, identificar patrones y realizar predicciones con una precisión cada vez mayor abre un abanico de posibilidades para la investigación, docencia y aprendizaje de nuestra propia disciplina. En este apartado, se explorarán las interconexiones entre la IA y la ciencia política, centrándonos en tres ejes fundamentales: la docencia, la investigación y el aprendizaje en las aulas. Se pretende, al menos, abrir la conversación sobre cómo la IA está y estará reconfigurando las formas en que enseñamos, investigamos y aprendemos ciencia política. También se buscará problematizar sobre las implicaciones de estos cambios para la formación de las y los futuros politólogos y para el desarrollo de la disciplina en su conjunto. Si bien ningún tema pretende ser abordado en profundidad, la principal prioridad es establecer un conjunto de problemas que estamos experimentando y experimentaremos en el futuro inmediato con la irrupción de esta tecnología en nuestra disciplina.

Inteligencia artificial para la educación

En 2019, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO) realizó un llamado a la acción para que los gobiernos, las instituciones educativas y las empresas trabajen juntos para integrar la inteligencia artificial en la educación de manera responsable y sostenible. El documento resultante de la Conferencia Unesco Planificar la educación en la era de la IA: un paso más hacia adelante (Miao, Holmes y Ronghuai, 2021), aborda la transformación de la educación a través de la inteligencia artificial. En dicho documento se profundiza en tres áreas clave: la IA como herramienta de enseñanza y aprendizaje; el desarrollo de habilidades para la era digital y las implicaciones éticas de la IA.

En la primera área clave, se especifica que la inteligencia artificial puede utilizarse para crear entornos de aprendizaje personalizados y adaptables, proporcionar retroalimentación inmediata a los estudiantes y facilitar el acceso a la educación para todas y todos; en la segunda se habla de que la IA posibilita un conjunto de habilidades específicas, como el pensamiento crítico, la resolución de problemas y la creatividad. La educación debe centrarse en el desarrollo de estas habilidades para preparar a los estudiantes para el futuro. Finalmente, en la tercera área clave se explican las implicaciones éticas de la IA considerando la privacidad de los datos, la equidad y la responsabilidad. Para la UNESCO, la inteligencia artificial no debe ser un sustituto de los profesores, sino una herramienta para mejorar su trabajo, ayudar a reducir las desigualdades educativas y a mejorar el acceso a la educación para todas y todos. Finalmente, incentiva que los Estados desarrollen políticas y marcos regulatorios para garantizar el uso responsable de la IA en la educación.

En los centros universitarios de México y el mundo, en especial en la UNAM y en particular en la Facultad de Ciencias Políticas y Sociales, las y los estudiantes están utilizando la inteligencia artificial en su día a día académico. Si bien aún no disponemos de datos, encuestas o estudios desarrollados por la propia autoridad administrativa de nuestra facultad, se puede inferir que nuestra comunidad estudiantil utiliza la inteligencia artificial para realizar, al menos, tres actividades básicas. La primera es la investigación y búsqueda de información, concretamente buscan artículos relevantes y analizan grandes volúmenes de información contenida en documentos y datos con los cuales se alimentan; la segunda, como generación de hipótesis. Utilizan las aplicaciones de IA, en especial ChatGPT, Gemini, entre otros, para generar nuevas ideas de artículos, ensayos o incluso tesis, así como se sirven de la IA para realizarse preguntas de investigación a partir de datos existentes o de temas que les interesan y apasionan; tercera, para la redacción y edición de textos. Quizá esta sea la más preocupante de las actividades que realizan con inteligencia artificial, pues en muchos casos no saben citar información extraída de la IA, o utilizarla como una herramienta facilitadora y no sustitutiva de la propia actividad estudiantil, necesaria en nuestra facultad, de redactar y escribir. Por el contrario, cada vez más utilizan la IA para la redacción de ensayos y trabajos, generando borradores iniciales o, en muchos casos, finales. También se ayudan de esta tecnología para corregir su gramática y estilo, y en el mejor de los casos, buscan mejorar la coherencia de sus propios escritos.

Pareciera que el uso de la herramienta está más enfocado en mejorar su eficiencia como estudiantes automatizando tareas, solventando procesos de escritura y redacción, y buscando información general sobre textos, temas y tareas que les encomiendan sus profesores, en lugar de utilizar otras cualidades de la IA como lo son: su capacidad de síntesis, el análisis de datos, la generación de ideas, la traducción automática de textos complejos en otros idiomas, la utilización de su modelo predictivo y, la más importante de todas, como base para ejercer el pensamiento crítico por parte del estudiantado. También podrían utilizar la IA para asignarse tutores virtuales que les puedan resolver dudas, les ayuden a practicar conceptos y reciban retroalimentación personalizada sobre su propio proceso de aprendizaje. O, incluso, podrían fácilmente a través de un prompt ingenioso pedirle a la IA que se convierta en un pensador como Maquiavelo, Aristóteles o Rousseau, y conversar con ellos atesorando su conocimiento en una conservación “cara a cara”.

Además, para aprender ciencia política utilizando la inteligencia artificial de manera exhaustiva, se deben integrar diversas herramientas y enfoques que maximicen el potencial de la propia IA. Nuestros estudiantes deben asumir que gran parte de los modelos aplicativos de la IA están basados en chats, entonces, una de las principales habilidades a desarrollar es aprender “a conversar” con la inteligencia. Saber preguntar, estructurar bien un prompt es fundamental para obtener un resultado. Superado ese paso, las mayores ventajas para el aprendizaje nos las da el desarrollo de habilidades analíticas que tiene la propia IA.

En el terreno fértil de la academia, nuestros estudiantes podrían analizar grandes volúmenes de datos provenientes de encuestas, redes sociales, elecciones y políticas públicas, utilizando herramientas de IA podrían identificar patrones y tendencias en datos complejos que serían difíciles de detectar manualmente. También podrían crear simulaciones de escenarios políticos, como elecciones o crisis internacionales, que gracias a la IA permitirían a los estudiantes experimentar con variables y observar cómo cambian los resultados, modelando distintas variables. Esto no solo refuerza la comprensión teórica, sino que también desarrolla habilidades en la toma de decisiones estratégicas.

Uno de los usos más sólidos que le podrían dar nuestros estudiantes a la IA es todo lo que se refiere al aprendizaje adaptativo. Es decir, aprovechar las plataformas educativas basadas en IA para personalizar su contenido de estudio según las necesidades y el ritmo de cada estudiante. Al analizar el rendimiento y los patrones de aprendizaje, la IA puede sugerir recursos adicionales, ajustar la dificultad de las tareas y proporcionar retroalimentación en tiempo real, asegurando que cada estudiante progrese de manera óptima. Incluso podrían tener un asistente basado en IA, el cual podrían utilizar como tutor personalizado que responda preguntas, proporcione explicaciones detalladas y guíe a los propios estudiantes a través de conceptos problemáticos, teóricos o muy abstractos de la ciencia política. Estos sistemas pueden estar disponibles 24/7, lo que facilita el aprendizaje autodirigido.

Por otra parte, los estudiantes podrían beneficiarse de los sistemas de la IA con los cuales pueden analizar grandes cantidades de datos históricos y de literatura especializada para sugerir nuevas hipótesis de investigación en ciencia política. Estos sistemas pueden identificar lagunas en investigaciones existentes o correlaciones no observadas previamente, y así impulsar la innovación en sus trabajos. La intención en el uso de la IA es que esta no se vuelva sustitutiva, sino más bien facilitadora en el proceso de aprendizaje de la ciencia política. Por ejemplo, las y los estudiantes pueden evaluar el impacto potencial de diferentes políticas públicas y, con ello, realizar trabajos que tengan una profundidad distinta a lo que hoy entregan y realizan. También, si así lo quisieran, a través de simulaciones que utilizan datos históricos y modelos predictivos, los estudiantes serían capaces de entender cómo las políticas públicas podrían impactar a diferentes grupos demográficos o regiones.

En gran medida, de lo que se está hablando es de la construcción de una metodología de aprendizaje con IA que debe ser impartida en los propios planes de licenciatura de nuestra facultad. De lo contrario, de ser una ventaja, esta tecnología se convertirá en una subsidiaria del trabajo académico del estudiantado. La inteligencia artificial no puede incentivar el sedentarismo cognitivo^[10] de nuestros estudiantes, todo lo contrario, debe ser una base que potencie la síntesis del conocimiento, sistematizando, procesando y ordenando información, para que nuestro estudiantado fortalezca su perfil y se forme en el contexto de estas nuevas oportunidades, en lugar de que, por el contrario, termine empequeñeciendo su formación politológica.

Los desafíos de la IA en la docencia

Con la llegada de la inteligencia artificial y sus diversos aplicativos, los profesores de ciencia política de nuestra FCPyS nos encontramos ante una serie de desafíos inéditos que requieren una adaptación constante y un replanteamiento de nuestras prácticas pedagógicas. Uno de los retos más acuciantes es la gestión de la información. La IA ha generado una explosión de datos y contenidos, lo que dificulta la tarea de seleccionar y evaluar la información relevante para la enseñanza. Los estudiantes, expuestos a una sobreabundancia de fuentes, pueden sentirse abrumados y desorientados. Los profesores deben desarrollar competencias para enseñar a sus alumnos a navegar en este mar de información, a identificar fuentes confiables y a evaluar críticamente los argumentos.

Por ejemplo, en el presente inmediato, ante esta sobresaturación de acceso a fuentes, documentos académicos, tesis, tesinas, revistas electrónicas, etcétera, los profesores debemos ser más eficientes en enseñarles a nuestras alumnas y alumnos la evaluación de fuentes de los temas de nuestra materia. Los estudiantes deben identificar y ser efectivos a la hora de evaluar la credibilidad de una fuente, considerando aspectos como el autor, la institución, la fecha de publicación y la metodología utilizada. También deben aprender a reconocer los sesgos presentes en la información que se les presenta en el mundo digital, y la generada por la inteligencia artificial, y cómo estos sesgos pueden influir en la interpretación de los datos. Asimismo, se debe promover el hábito de verificar la información a través de múltiples fuentes y utilizar herramientas en línea para detectar noticias falsas. El profesorado debe establecer criterios claros para la selección de información, de manera que se destaquen la relevancia, profundidad y diversidad de fuentes.

Otro desafío importante es la evaluación del aprendizaje. Las herramientas de IA pueden facilitar la creación de exámenes y tareas, pero también plantean nuevos interrogantes sobre la autenticidad de los trabajos y la capacidad de los estudiantes para pensar de forma crítica y creativa, problemas que ya se mencionaron en el apartado anterior. Si bien la IA puede detectar plagios y generar textos automáticamente, esto obliga a los profesores a diseñar tareas que promuevan el pensamiento complejo y la resolución de problemas, el reto docente más importante en el mundo de la inteligencia artificial es “regresar a lo análogo”. Más trabajos escritos en el salón, más exámenes orales, más trabajos en equipo en las aulas, todo ello sin los celulares de por medio. “Regresar a lo análogo”, en el contexto de la educación, especialmente en un entorno dominado por la inteligencia artificial, plantea una reflexión más amplia, la cual invita a que los profesores se concentren en analizar los argumentos del estudiantado sin la dependencia de los dispositivos digitales. Lo que anteriormente se resolvía dejándoles de tarea un ensayo escrito y posteriormente realizar su minuciosa revisión, hoy pasa por analizar más los argumentos en clase, asegurándonos de que su proceso de aprendizaje y cognición es producto de una interiorización de los temas enseñados y no de una redacción realizada desde una máquina y firmada por un alumno o alumna. “Regresar a lo análogo” en la clase pasa, pues, por la evaluación de la pérdida de habilidades fundamentales por parte del estudiantado, principalmente la escritura a mano, la expresión oral, el pensamiento crítico y la colaboración presencial. Asimismo, generar un contexto de exigencia que limite o prohíba en el aula el uso de los teléfonos móviles y otras tecnologías, ya que pueden ser una fuente constante de distracción, dado que dificultan la concentración y la atención en la enseñanza en clase.

Como se podrá haber notado, las comillas en “regresar a lo análogo” fueron intencionales, y han sido una provocación para levantar la alerta de lo que significa la docencia en el contexto de la inteligencia artificial. Sin embargo, el avance de esta tecnología no se podrá detener, por el contrario, se integrará cada vez más en la vida diaria; por ende, quizá valga la pena pensar un modelo de enseñanza de nuestra disciplina basado en un enfoque híbrido, en lugar de un retorno completo a lo analógico, lo cual implicaría al menos cinco principios en el aula:

1. Integración estratégica de la tecnología. Se propone utilizar la tecnología de inteligencia artificial de manera intencionada, acompañada y vigilada por el propio profesorado, lo cual permite complementar y enriquecer las actividades de aprendizaje, pero no suplantarlas a partir de las capacidades que hoy tienen los softwares.
2. Establecimiento de normas claras. Es necesario definir reglas claras sobre el uso de dispositivos digitales en el aula para minimizar las distracciones, y solo potenciar su uso en los momentos adecuados, según sean estos, por ejemplo, la elaboración de trabajos específicos, la integración y síntesis de datos, el resumen de textos, etcétera.
3. Desarrollo de competencias digitales. Consistiría en enseñar a los estudiantes a utilizar las herramientas digitales de manera responsable y efectiva. Como ya se ha mencionado, convertir el uso de la IA en una opción facilitadora y no sustantiva en la formación de los y las futuras politólogas implica enseñar a citar correctamente los trabajos de la inteligencia artificial que se utilicen, poniendo especial cuidado en los procesos de desarrollo y planteamiento de hipótesis (Millán et al., 2023, pp. 32-33).
4. Fomento de la creatividad. Debemos utilizar las tecnologías digitales para fomentar la creatividad y la innovación, en el aula y fuera de ella. Por ejemplo, proponer un proyecto en el que las y los estudiantes deban crear una campaña de marketing digital para una marca ficticia. Podrían utilizar herramientas de diseño gráfico basadas en la IA, crear logotipos y materiales visuales, utilizar plataformas de colaboración para trabajar en equipo y herramientas de análisis de da­tos para medir el impacto de su propia campaña. Al fomentar la creatividad con la tecnología, estamos preparando a los estudiantes para la resolución de problemas.
5. Desarrollo y fomento del pensamiento crítico. Si bien el pensamiento crítico es una habilidad que nos permite analizar información de manera objetiva y evaluar la validez de argumentos y posiciones académicas, teóricas o políticas, la IA puede estar impactando en que nuestros estudiantes sustituyan su capacidad de pensar por el resultado que les da una consulta a la inteligencia artificial. Por ello, nuestra responsabilidad como docentes es que el pensamiento crítico sea una habilidad que desarrollemos en la práctica, en el aula. Algunas estrategias incluirían potenciar en nuestros alumnos la capacidad para hacerse preguntas, cuestionar las afirmaciones y buscar evidencia, buscar diferentes fuentes de información, no confiar en una sola fuente y comparar diferentes perspectivas, evaluar la credibilidad de las fuentes, considerando su autoridad y objetividad, así como identificar los supuestos, reconociendo las creencias subyacentes que pueden influir en un argumento, sea propio, extraído de un autor o propuesto por la propia inteligencia artificial (González-Campos, López-Núñez y Araya-Pérez, 2024, pp. 81-82).

Finalmente, existen al menos tres desafíos más para la enseñanza de nuestra disciplina en la era de la inteligencia artificial, el primero es el de la personalización del aprendizaje. La IA nos permite adaptar contenidos y metodologías a las necesidades individuales de cada estudiante. Sin embargo, esta personalización también puede generar desigualdades si no se cuenta con los recursos adecuados. Los profesores debemos encontrar un equilibrio entre la personalización y la equidad, para garantizar que todos los estudiantes tengan acceso a las mismas oportunidades de aprendizaje. Por ejemplo, no podemos dejar trabajos en donde se pide analizar una gran cantidad de datos utilizando las herramientas de IA si en la propia aula hay rezagos tecnológicos de unos alumnos con respecto a otros. Aunque el acceso a dispositivos móviles por parte del estudiantado es prácticamente universal, las capacidades de uso tecnológicas de cada dispositivo y el procesamiento de información pueden variar. De igual manera, se pueden estar creando sesgos personalizando aprendizajes en solo aquellos o aquellas alumnas que tienen acceso y conocimiento de ciertas herramientas vinculadas a la inteligencia artificial, lo cual generaría inequidad en el aprendizaje.

El otro desafío es el de la ética en el uso, abuso y control de la IA por parte de los estudiantes y cómo los profesores deben actuar. Por ejemplo, no se considera necesario limitar el uso de la IA en el aula, pues hacerlo puede ser contraproducente, ya que negaría a los estudiantes la oportunidad de desarrollar habilidades digitales esenciales para el siglo XXI. En cambio, los docentes deben enfocarse en enseñar a sus estudiantes a utilizar la IA de manera ética y responsable. Esto implica ayudarles a comprender los riesgos asociados con el uso de estas herramientas, como la desinformación, el plagio y la dependencia excesiva de la tecnología. Además, es fundamental enseñarles a evaluar la calidad de la información generada por la IA y a citar las fuentes correctamente (González-Campos, López-Núñez y Araya-Pérez, 2024, pp. 80-81). Por otra parte, los profesores de la facultad no solo debemos enseñar a nuestros estudiantes a utilizar la IA de manera ética, sino que también debemos ser modelos para seguir.

Es importante que nosotros como docentes evitemos utilizar la IA para automatizar las tareas, las clases o los temas a enseñarles a los propios estudiantes de manera excesiva, o generar contenidos sin valor agregado o evaluarlos de forma autómata. Los profesores debemos utilizar la IA como una herramienta para mejorar la calidad de la enseñanza, pero sin descuidar nuestro papel como facilitadores del aprendizaje y mentores del estudiantado. Ante este desafío es necesario fomentar el uso ético de la IA en el aula, estableciendo una relación de confianza y colaboración entre docentes y estudiantes. Como profesores, habrá que crear espacios seguros para que los estudiantes puedan expresar sus dudas y preocupaciones sobre el uso de la IA, y trabajar juntos para desarrollar normas y pautas claras sobre su uso. Además, es importante que involucremos a nuestros estudiantes en la toma de decisiones sobre cómo se utilizará la IA en cada una de nuestras clases.

También es claro que nuestra facultad y las autoridades que nos dirigen promuevan el uso de la IA desde una visión universitaria que involucra el ADN de la UNAM y su perspectiva al respecto. Nuestra facultad tendría que invertir en la formación de docentes para que adquiramos esas capacidades tecnológicas, asimismo, ayudarnos a entender el uso pedagógico de la IA. De igual forma, será necesario desarrollar políticas institucionales que regulen el uso de la inteligencia artificial en el aula. No hacerlo pone también al cuerpo docente, tanto profesores de tiempo completo como de asignatura, en una situación compleja en los tiempos venideros.

Finalmente, el último desafío, pero no por ello el menos importante, es mantenerse actualizado. La IA evoluciona a un ritmo vertiginoso, lo que exigirá a los profesores una formación continua respecto a sus capacidades y limitaciones que les permita seguir el ritmo de los avances. Los profesores deberemos estar al tanto de las últimas tendencias y aplicaciones de la IA y cómo estas se pueden utilizar en el campo de la ciencia política, así como de las nuevas herramientas disponibles para la enseñanza. Nuestra facultad debe abrir espacios que permitan capacitaciones especializadas para los profesores. También será necesario que los claustros académicos participen en comunidades de práctica, lo cual les hará posible desarrollar una alfabetización digital sólida. La colaboración con expertos en IA y con otros docentes es clave para mantenerse al día en este campo en constante evolución y para garantizar que la IA se utilice de manera ética y efectiva en nuestra facultad.

IA e investigación en ciencia política: pros y contras

Como se ha venido mencionando a lo largo de este texto, la inteligencia artificial está revolucionando la mayoría de las cosas en el mundo. La investigación en ciencia política no es la excepción, en nuestra disciplina poco a poco estamos notando que la ardua labor de investigar se está transformando radicalmente, tanto los procesos como los resultados de nuestras propias indagaciones. Esta tecnología nos brinda herramientas sin precedentes para recopilar, analizar y visualizar grandes volúmenes de datos de manera más rápida y eficiente que nunca. Actualmente, la minería de datos, pero también de texto, el aprendizaje automático y el análisis de múltiples variables (sean dependientes o independientes) nos permiten identificar patrones y tendencias de todo tipo, en vastas cantidades de información, lo que a su vez nos posibilita formular nuevas preguntas de investigación y desarrollar teorías más sofisticadas.

Además de agilizar y profundizar nuestros análisis, la IA también está democratizando el acceso a los datos y a las herramientas de investigación. Plataformas en línea y softwares de código abierto ponen al alcance de investigadores de todo el mundo recursos que hasta hace muy poco estaban restringidos a grandes instituciones. Esta suerte de “democratización del conocimiento” (Echaiz et al., 2021) potenciará la colaboración interdisciplinaria y acelerará el ritmo de los trabajos que genera nuestra disciplina, la ciencia política. Sin embargo, es fundamental detenerse a entender los retos éticos y también metodológicos que plantea el uso de la IA en la investigación, como la privacidad de los datos que usamos, los sesgos algorítmicos que la propia tecnología tiene (y de los cuales hablaremos en el último apartado de este trabajo) así como la replicabilidad de nuestros resultados de investigación.

La IA también transformará la forma en que comunicamos nuestros hallazgos de investigación. Seguramente, cada vez se realizarán con mayor frecuencia las visualizaciones interactivas de nuestros hallazgos. Y habrá simulaciones y modelos predictivos mucho más sólidos, sobre todo para aquellos colegas que tienden a hacer una ciencia política más cuantitativa.^[11] Todo ello nos permitirá presentar nuestros resultados de manera más atractiva y comprensible para un público más amplio, tanto dentro como fuera de nuestra universidad o de nuestros congresos, coloquios o seminarios. Esto no solo podría aumentar el impacto de nuestras investigaciones, sino que también permitiría colaborar más estrechamente con tomadores de decisiones en la administración pública, los organismos internacionales, la sociedad civil y los grupos que hacen política de manera organizada.

En los siguientes años, quizá no más de un lustro, la inteligencia artificial transformará profundamente la investigación en ciencia política, tanto para bien como para mal. La IA en ciencia política ofrece un abanico de posibilidades que antes eran inimaginables. Como ya se ha mencionado anteriormente, su capacidad para procesar enormes volúmenes de datos a una velocidad inusitada permitirá identificar patrones y tendencias ocultas, lo que a su vez facilitará la formulación de nuevas hipótesis y el desarrollo de teorías más robustas en nuestra disciplina. Asimismo, la IA democratizará el acceso a herramientas y datos, lo que permitirá que investigadores de muchas partes del mundo participen en proyectos de mayor envergadura. La visualización de datos y la creación de simulaciones ofrecerán nuevas formas de comunicar los hallazgos de manera más efectiva y atractiva, y ello facilitará la interacción con un público más amplio.

Sin embargo, esta tecnología no está exenta de contras. Uno de los principales es el riesgo de perpetuar los sesgos presentes en los datos con los que son entrenados los algoritmos. Si los datos de entrenamiento de la IA son sesgados, los resultados obtenidos también lo serán, lo que puede llevar a conclusiones erróneas y reforzar desigualdades existentes. Además, la opacidad de muchos modelos de IA dificulta comprender cómo llegan a sus conclusiones, lo que genera dudas sobre su fiabilidad y dificulta su evaluación crítica. La privacidad de los datos también es una preocupación importante, ya que el análisis de grandes conjuntos de datos puede revelar información sensible sobre individuos.

Otro contra de la implementación de la IA en la investigación en ciencias sociales es la dependencia creciente de la tecnología. A medida que la investigación se vuelve más dependiente de la IA, existe el riesgo de que los investigadores pierdan la capacidad de analizar los datos de manera crítica y de comprender los fundamentos teóricos de sus investigaciones. Esto que nos preocupa porque podría pasarles a nuestros estudiantes es algo que posiblemente también afectaría a quienes hacen investigación en ciencias sociales o concretamente en ciencia política. Además, la rápida evolución de la tecnología plantea el reto de mantenerse actualizado y de garantizar la replicabilidad de los resultados de nuestras investigaciones a largo plazo.

Si bien muchos de estos desafíos aún están por resolverse, es fundamental abordarlos desde ahora para garantizar que la IA se utilice de manera ética y responsable en la investigación política. Esto implica desarrollar estándares claros para el diseño, desarrollo y uso de la inteligencia artificial.

A medida que la IA se integra cada vez más en la investigación, es inevitable preguntarse sobre el futuro del conocimiento y el valor de las ideas. Si la IA facilita el acceso a información y el análisis de datos, ¿qué papel jugarán las ideas originales y la creatividad en la investigación? (Juca-Maldonado, 2023, p. 292). Es posible que, en un futuro no muy lejano, el valor de las ideas disminuya en relación con la capacidad de procesar y analizar datos. Sin embargo, es importante recordar que la IA es una herramienta al servicio de los investigadores, y que las ideas siguen siendo fundamentales para orientar la investigación y dar sentido a los resultados.

Conclusiones

La inteligencia artificial está marcando una diferencia en todos los campos de trabajo, estudio e, incluso, relaciones sociales. El campo de la ciencia política no es la excepción. Con implicaciones profundas en la forma en la que investigamos, enseñamos y aprendemos, es necesario seguir explorando las consecuencias de su impacto. La capacidad de la IA para procesar grandes volúmenes de datos, identificar patrones y realizar predicciones con una precisión cada vez mayor abre un abanico de posibilidades en la ciencia política. Sin embargo, también es importante reconocer y abordar los desafíos que plantea la IA en esta disciplina, como la privacidad de los datos, la ética en su uso, la replicabilidad de los resultados y la necesidad de desarrollar habilidades digitales en los estudiantes.

Si bien este trabajo ha abordado el problema desde una revisión bibliográfica y no está basado en una investigación empírica, es necesario que las instituciones de educación superior realicen tareas en materia de análisis demoscópico, revisión de estudios de caso o trabajo etnográfico para seguir entendiendo cómo nuestras comunidades (académica, estudiantil y docente) están utilizando la IA en sus tareas diarias, y con esta información se tomen acciones en materia de política educativa que faciliten y regulen su uso; es necesario, de igual forma, que contengan las brechas tecnológicas, tanto de acceso como de conocimiento, en el cuerpo docente y con nuestros estudiantes. La IA es un campo en constante evolución, por lo que es importante tener en cuenta que los avances tecnológicos pueden cambiar rápidamente y que las investigaciones que se realicen pueden perder profundidad, enfoque o simplemente quedar obsoletas, por tal razón es necesario mantener un esfuerzo constante en ese sentido.

Aunque la inteligencia artificial ofrece un potencial inmenso para mejorar la investigación y la educación en ciencia política, es fundamental garantizar su uso ético y responsable. Para ello, se requiere una capacitación exhaustiva de profesores y académicos en el manejo de estas herramientas, así como la implementación de protocolos claros que regulen su uso en el ámbito académico, en especial en el aula, con los estudiantes y en su día a día. Además, es necesario adaptar los planes de estudio para integrar la IA de manera efectiva, sin descuidar el desarrollo de habilidades críticas y creativas de la comunidad estudiantil.

Finalmente, es crucial recordar que la tecnología es una herramienta al servicio de la educación, no un fin en sí mismo. Por ello, es indispensable complementar el uso de la inteligencia artificial con prácticas pedagógicas tradicionales que fomenten la interacción social, el pensamiento crítico y la creatividad. Actividades como debates de los estudiantes en las aulas, trabajos escritos a mano y exámenes orales seguirán siendo fundamentales para el desarrollo integral de los estudiantes. El reto de los próximos años consiste en encontrar un equilibrio entre las ventajas de la inteligencia artificial y la importancia de preservar una educación humana, social, crítica y positiva.

Referencias

Acosta, M. (2019). Inteligencia artificial: la cibernética del ser vivo y de la máquina. Naturaleza y Libertad. Revista de estudios interdisciplinares, (12), pp. 13-18.

Alcalá, L. (2023). IA, administraciones públicas y participación ciudadana. En Arellano Toledo, Wilma. Derecho, ética e inteligencia artificial (pp. 295-334). Tirant Lo Blanch.

Arellano Toledo, M. (2017). Posverdad y elecciones 2018. Borde Político. Disponible en línea: https://borde.mx/posverdad-elecciones-2018/.

Arellano Toledo, W. (2023). Derecho, ética e inteligencia artificial. Tirant Lo Blanch.

Barrera Arrestegui, L. (2012). Fundamentos históricos y filosóficos de la inteligencia artificial. Revista de Investigación y Cultura, 1, (1), pp. 87-92.

Capdeferro, O. (2020). La inteligencia artificial del sector público: desarrollo y regulación de la actuación administrativa inteligente en la cuarta revolución industrial, IDP. Revista de Internet, Derecho y Política, (30), 2020, pp. 1-14.

Carr, N. (2010). The Shallows: What the Internet Is Doing to Our Brains. New York: W. W. Norton & Company.

Castellanos, J. (2019). La democracia algorítmica: inteligencia artificial, democracia y participación política. Revista general de Derecho administrativo, (50), pp. 1-32.

Copeland, B. J. (2013). Alan Turing: El pionero de la era de la información. Oxford University Press.

Díaz-Ramírez, J. (2021). Aprendizaje automático y aprendizaje profundo. Ingeniare. Revista chilena de ingeniería, 29, (2), pp. 180-181.

Echaiz, L. F., Neupane, B., Rivera Lam, M., Sibal, P. y Hu, X. (2021). El aporte de la inteligencia artificial y las TIC avanzadas a las sociedades del conocimiento: una perspectiva de derechos, apertura, acceso y múltiples actores. UNESCO.

González-Campos, J., López-Núñez, J. y Araya-Pérez, C. (2024). Educación superior e inteligencia artificial: desafíos para la universidad del siglo XXI. Aloma: Revista de Psicologia, Ciències de l’Educació i de l’Esport, 42, (1), pp. 79-90.

Goodfellow, I., Bengio, Y. y Courville, A. (2016). Deep Learning. MIT Press.

Hardy, T. (2001). IA (inteligencia artificial). Polis: Revista Latinoamericana, 1, (2), pp. 1-23.

Innerarity, D. (2020). El impacto de la inteligencia artificial en la democracia. Revista de las cortes generales, (109), pp. 87-103.

Juca-Maldonado, F. (2023). El impacto de la inteligencia artificial en los trabajos académicos y de investigación. Revista metropolitana de Ciencias aplicadas, 6, pp. 289-296.

Mantegna, M. (2020). Inteligencia ARTEficial: creatividad computacional, inteligencia artificial generativa y derechos de autor. Tesis de Maestría.

Miao, F., Holmes, W. y Ronghuai, H. (2021). Inteligencia artificial y educación: guía para las personas a cargo de formular políticas. París: UNESCO.

Millán, J. A., Ramírez Hoyos, D. M., Vallejo Zapata, V. J., Molina Mejía, J. M. y Agudelo Ochoa, A. M. (2023). ¿Qué*#?@ hacemos con el ChatGPT en la academia? Primer conversatorio sobre inteligencia artificial en la Universidad de Antioquia. Folios. Revista de la Facultad de Comunicaciones y Filología, (49), pp. 20-35.

Morales-Chan, M. (2023). Explorando el potencial de ChatGPT: Una clasificación de prompts efectivos para la enseñanza. Paper GES.

Morandín-Ahuerma, F. (2023). Principios normativos para una ética de la inteligencia artificial. Consejo de Ciencia y Tecnología del Estado de Puebla.

Muñiz, A. G. (2018). Aplicaciones de técnicas de inteligencia artificial basadas en aprendizaje profundo (deep learning) al análisis y mejora de la eficiencia de procesos industriales. Universidad de Oviedo.

Pariser, E. (2017). El filtro burbuja: Cómo la web decide lo que leemos y lo que pensamos. Taurus.

Rodríguez Cano, C. A. (2017). Los usuarios en su laberinto: burbujas de filtros, cámaras de eco y mediación algorítmica en la opinión pública en línea. Virtualis, 8, (16), pp. 57-76.

Rodríguez, P., Palomino, N. y Mondaca, J. (2017). Los usuarios en su laberinto: burbujas de filtros, cámaras de eco y mediación algorítmica en la opinión pública en línea. Virtualis, 8, (16), pp. 57-76.

Rouhiainen, L. (2018). Inteligencia artificial. Madrid: Alienta Editorial.

Russell, S. y Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Salvador, M. (2021). Inteligencia artificial y gobernanza de datos en las administraciones públicas: reflexiones y evidencias para su desarrollo. Gestión y Análisis de Políticas Públicas (GAPP), (26), pp. 20-32.

Scasserra, S. (2021). La desigualdad automatizada. Industrialización, exclusión y colonialismo digital. Nueva sociedad, (294), pp. 49-60.

Sigman, M. y Bilinkis, S. (2023). Artificial: la nueva inteligencia y el contorno de lo humano. Debate.

Tenorio, G. (2023). Privacidad, bienestar e inteligencia artificial. Un juego de derechos desde la óptica de América Latina. En Arellano Toledo, W. Derecho, ética e inteligencia artificial. Tirant Lo Blanch, pp. 215-244.

Troncoso, A. (2022). Inteligencia artificial: pasado, presente y futuro. Encuentros multidisciplinares, 24, (70), pp. 1-12.

Vaswani, A. (2017). Attention is all you need. Advances in Neural Information Processing Systems. 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA.

Vercelli, A. (2018). La (des)protección de los datos personales: análisis del caso Facebook Inc.-Cambridge Analytica. XVIII Simposio Argentino de Informática y Derecho.

---