La IA generativa tendrá un impacto sísmico en la producción de conocimiento científico en las ciencias sociales, en particular en la forma en que realizamos los experimentos.
El diseño, la implementación y el análisis de datos de los experimentos pueden verse potenciados mediante el uso de la IA generativa.
Si bien integrar la IA en la investigación científica exige un enfoque prudente para mitigar riesgos como el sesgo y las preocupaciones sobre la privacidad, los beneficios potenciales son enormes.
La reciente aparición de la inteligencia artificial (IA) generativa —aplicaciones de modelos de lenguaje de gran tamaño (LLM) capaces de generar contenido novedoso— se ha convertido en un punto central del debate sobre política económica, y ha captado la atención de la UE, el Senado de EE. UU. y la ONU.
Esta innovación radical, liderada por nuevos laboratorios especializados en IA, entre ellos OpenAI y Anthropic, y respaldada financieramente por grandes tecnológicas tradicionales como Microsoft y Amazon, no es solo una maravilla teórica; ya está remodelando los mercados en sectores tan diversos como las industrias creativas y la salud, entre otros muchos. Sin embargo, nos encontramos apenas en el umbral de su pleno potencial para la economía y el futuro de la humanidad.
Un ámbito preparado para un cambio sísmico, aunque en sus etapas incipientes, es la producción de conocimiento científico en las ciencias sociales. Los métodos experimentales son fundamentales para el progreso del conocimiento en las ciencias sociales, y son la base sobre la que se construyen las revoluciones tecnológicas y las políticas diseñadas.
Como sugerimos en nuestro reciente estudio, Generation Next: Experimentation with AI, la integración de la IA generativa en la experimentación científica puede revolucionar la práctica de la experimentación en línea para poner a prueba teorías que involucran a múltiples actores, desde investigadores hasta emprendedores y responsables de políticas, de formas diferentes y escalables. Puede lograrlo facilitando su despliegue en distintas organizaciones, democratizando la educación científica y fomentando el pensamiento crítico y basado en la evidencia en toda la sociedad.
Cómo puede la IA beneficiar a los experimentos en línea
Nuestro artículo identifica tres ámbitos fundamentales en los que la IA puede potenciar de forma significativa los experimentos en línea —diseño, implementación y análisis de datos—, lo que nos permite superar, a escala, problemas científicos de larga data relacionados con los experimentos en línea.
1. En el diseño experimental, los LLM pueden generar hipótesis novedosas mediante la evaluación de la literatura existente, la actualidad y los problemas fundamentales de un campo. Su amplio entrenamiento les permite recomendar metodologías adecuadas para aislar relaciones causales, como juegos económicos o simulaciones de mercado. Además, pueden ayudar a determinar el tamaño de la muestra y a garantizar la solidez estadística al redactar instrucciones claras y concisas, lo cual es fundamental para asegurar el máximo valor científico de los experimentos. Además, pueden transformar el inglés sencillo en distintos lenguajes de programación, lo que nos permite desplegar experimentos en diferentes contextos.
2. Las pruebas recientes sugieren que, en distintos contextos, dar a las personas acceso a asistentes de chat con IA puede aumentar de forma significativa su productividad. La asistencia de la IA permite que el apoyo humano ofrezca respuestas más rápidas y de mayor calidad a más personas.
Esta técnica puede trasladarse a la investigación experimental, donde los participantes pueden necesitar aclaraciones sobre las instrucciones o tener otras preguntas. La escalabilidad de la IA permite supervisar simultáneamente a varios participantes, manteniendo así la calidad de los datos al detectar en tiempo real los niveles de participación, las trampas o las respuestas erróneas. Además, automatizar el proceso de recogida de datos mediante asistentes de chat reduce el riesgo de sesgo del experimentador o del «efecto de demanda» (cuando los participantes tratan de dar respuestas esperadas en lugar de auténticas), que influye en el comportamiento de los participantes, lo que se traduce en una evaluación más fiable de las preguntas de investigación.
3. En la fase de análisis de datos, los LLM pueden emplear técnicas de procesamiento del lenguaje natural de vanguardia para explorar nuevas variables, como los sentimientos o los niveles de participación de los participantes. El uso de técnicas de procesamiento del lenguaje natural (PLN) sobre los registros de chat en directo de los experimentos puede aportar información sobre el comportamiento, la incertidumbre y los procesos cognitivos de los participantes. Pueden automatizar el preprocesamiento de datos, realizar pruebas estadísticas y generar visualizaciones, lo que permite a los investigadores centrarse en las tareas sustantivas.
Durante el preprocesamiento de datos, los modelos de lenguaje pueden extraer los detalles pertinentes de los registros de chat, organizar los datos en un formato apto para el análisis y gestionar las entradas incompletas o ausentes. Más allá de estas tareas, dichos modelos pueden llevar a cabo análisis de contenido: identificar y categorizar las preocupaciones expresadas con frecuencia por los participantes, analizar los sentimientos y emociones transmitidos y evaluar la eficacia de las instrucciones, las respuestas y las interacciones.
Sin embargo, la integración de los LLM en la investigación científica sí presenta retos. Existe un riesgo inherente de sesgos en sus datos de entrenamiento y algoritmos. Los investigadores deben estar atentos a la auditoría de estos modelos para detectar discriminación o distorsiones. Las preocupaciones sobre la privacidad también son primordiales, dada la enorme cantidad de datos que procesan estos modelos, incluida información sensible de los participantes. Además, a medida que los LLM son cada vez más hábiles para generar textos persuasivos, el riesgo de engaño y de propagación de la desinformación es considerable.
La dependencia excesiva de indicaciones estandarizadas para la IA generativa podría sofocar la creatividad humana, por lo que se requiere un enfoque equilibrado que aproveche las capacidades de la IA y el ingenio humano.
Si bien integrar la IA en la investigación científica exige un enfoque prudente para mitigar riesgos como el sesgo y las preocupaciones sobre la privacidad, los beneficios potenciales son enormes. Los LLM ofrecen una oportunidad única para difundir una cultura de la experimentación en las empresas y en las políticas a gran escala, lo que permite tomar decisiones sistemáticas basadas en datos en lugar de depender de la intuición, lo cual puede aumentar la productividad de los trabajadores.
En la elaboración de políticas, los LLM pueden facilitar la puesta a prueba de opciones políticas mediante ensayos aleatorizados de bajo coste, lo que permite un enfoque iterativo y basado en la evidencia. Si estos riesgos se gestionan con criterio, la IA generativa ofrece un valioso conjunto de herramientas para llevar a cabo una experimentación más prolífica, transparente y basada en datos sin menoscabar el papel esencial de la creatividad y el criterio humanos.
Para más información sobre este tema, lea este hilo de Twitter del coautor Brian Jabarian.
