El artículo analiza en profundidad hasta qué punto los metadatos de los datos de investigación pueden considerarse permanentes una vez que se les asigna un identificador persistente (DOI) a través de DataCite. En el contexto de la ciencia abierta, los metadatos son fundamentales porque permiten que los conjuntos de datos sean localizables, accesibles, interpretables y reutilizables. Sin embargo, a diferencia de los catálogos bibliotecarios tradicionales, los metadatos de los datos de investigación se crean y mantienen en entornos muy diversos, con prácticas desiguales y, en muchos casos, con un mantenimiento limitado a lo largo del tiempo. El estudio parte de la hipótesis de que, aunque los DOIs están pensados para ser persistentes, los metadatos que los acompañan pueden cambiar de forma significativa después de su publicación inicial.
Para examinar esta cuestión, el trabajo se centra en el análisis de millones de registros de metadatos asociados a conjuntos de datos publicados en 2021, observando su evolución durante los dos años siguientes. El enfoque metodológico se basa en el uso de información de procedencia de metadatos, lo que permite identificar qué elementos cambian, con qué frecuencia y en qué momento. Este enfoque empírico aporta una visión poco habitual en los estudios sobre metadatos, ya que no se limita a evaluar la calidad en un momento concreto, sino que estudia los cambios a lo largo del tiempo.
Los resultados muestran que la mayoría de los metadatos permanecen estables, lo que indica que, en términos generales, pueden considerarse suficientemente fiables para tareas como análisis bibliométricos o estudios de infraestructura científica. No obstante, una proporción relevante de registros sí experimenta modificaciones. Estas modificaciones suelen ser incrementales y puntuales, y afectan sobre todo a elementos como los nombres de los creadores, las descripciones del conjunto de datos o la incorporación de identificadores relacionados. En cambio, otros campos clave —como el título o el año de publicación— rara vez se modifican, lo que refuerza la idea de una estructura básica bastante fija.
El análisis temporal revela que los cambios se concentran en las primeras fases tras la publicación del DOI, lo que sugiere que muchos ajustes responden a correcciones o mejoras iniciales más que a un mantenimiento continuo a largo plazo. Además, el estudio detecta diferencias notables entre repositorios, lo que indica que no existe una práctica homogénea en la gestión de metadatos: algunos repositorios tienden a revisar y actualizar más sus registros, mientras que otros apenas los modifican una vez publicados.
En la discusión, el artículo plantea una reflexión crítica sobre el concepto de “permanencia” aplicado a los metadatos. Aunque estos son relativamente estables, no muestran una evolución sostenida que acompañe el ciclo de vida completo de los datos de investigación. Esto limita su potencial para reflejar nuevos usos, citas, relaciones o contextos científicos emergentes. El trabajo sugiere que, para mejorar la reutilización y el valor a largo plazo de los datos, sería necesario repensar las políticas y prácticas de mantenimiento de metadatos, promoviendo una actualización más activa y coherente.
El ministro del CITMA, Armando Rodríguez Batista, presentó la nueva legislación que calificó como «una ley con capacidad transformadora» y para todos.
De acuerdo con Rodríguez Batista, la norma busca que los resultados de la investigación trasciendan el ámbito académico y se materialicen en la economía, reconociendo a la empresa como un actor clave dentro de la “economía del conocimiento”. “Es una ley esencialmente incentiva, abre caminos, quita trabas, es inclusiva”, afirmó.
Con su aprobación, Cuba pretende dotarse de un instrumento legal que fomente una cultura de innovación, priorice la aplicación práctica del conocimiento y oriente los esfuerzos científicos y tecnológicos hacia la solución de problemas concretos y el desarrollo sostenible de la nación.
El documento se aprueba acompañado por tres nuevas normas, el decreto ley de la Academia de Ciencias de Cuba, las normas generales sobre innovaciones y racionalizaciones y el reglamento de la propia ley.
Si las obras generadas por IA se consideran elegibles para la protección de derechos de autor, la siguiente pregunta crítica es: ¿quién puede reclamar la autoría?
Usuarios de herramientas de IA generativa: La opinión predominante es que, de concederse, los derechos de autor probablemente pertenecerían a la persona física que utiliza activamente la herramienta de IA en su proceso creativo. Si un usuario proporciona instrucciones, entradas y sugerencias muy detalladas y específicas, moldeando eficazmente el resultado generado por IA para que refleje su visión creativa, podría ser reconocido como el autor. El factor clave es el grado de participación humana en la dirección y el perfeccionamiento del resultado.
Autores de obras protegidas por derechos de autor: Si una herramienta de IA se basa en material protegido por derechos de autor preexistente (ya sea subido por el usuario o extraído de fuentes públicas), el titular original de los derechos de dicho material podría tener derecho a reclamar el resultado. Sin embargo, las plataformas de IA generativa más utilizadas, como ChatGPT y Microsoft Copilot, prohíben explícitamente a los usuarios introducir contenido de terceros protegido por derechos de autor sin permiso, lo que dificulta dichas reclamaciones.
Desarrolladores y propietarios de herramientas de IA: El consenso legal sugiere que los desarrolladores de herramientas de IA no son los autores de los resultados generados por su software. Si bien pueden poseer derechos de propiedad intelectual sobre el propio software, no ejercen suficiente control creativo sobre los resultados individuales como para ser considerados autores. De igual manera, la mera propiedad de una herramienta de IA no confiere derechos sobre sus resultados, independientemente de cualquier posible disposición contraria en los acuerdos de usuario (cf. infra). Para hacer valer los derechos de autor ante los tribunales, el demandante debe demostrar que la obra está protegida por la ley de derechos de autor, lo que resultaría problemático para un proveedor de herramientas de IA que intentara reclamar la propiedad de todo el contenido generado por el usuario.
En la aplicación de la ley, surge una cuestión más compleja: ¿cómo puede un demandante demostrar la autoría de una obra generada por IA? Cuando se disputa la titularidad de los derechos de autor (una vez establecido que la obra es original), el demandante debe poder demostrar que efectivamente posee los derechos de autor de la obra, ya sea por ser la persona física que la creó o por haber adquirido los derechos del autor original.
En el derecho belga, por ejemplo, esta carga de la prueba se reduce considerablemente por el artículo XI.170(2) del Código de Derecho Económico (CDE), que establece que se presume que la autoría pertenece a la persona cuyo nombre o seudónimo aparece en la obra, salvo prueba en contrario.
Si bien esta presunción de autoría rara vez se ha litigado, las disputas podrían aumentar a medida que proliferan las obras generadas por IA. Es probable que los tribunales se enfrenten al reto de distinguir entre obras creadas por humanos y obras creadas por IA. Después de todo, la presunción del Artículo XI.170(2) de la CEL solo se aplica «salvo prueba en contrario». Si bien la aplicación de este artículo abre la puerta al abuso, parece difícil para los tribunales aumentar la carga de la prueba del demandante exigiéndole que demuestre que realmente creó la obra y que esta no fue creada por IA ni con su ayuda, lo que implicaría una prueba imposible y negativa que sería contraria al Artículo XI.170(2) de la CEL.
Dicho esto, el supuesto autor de una obra creada por IA puede estar violando los términos de uso de la herramienta de IA; por ejemplo, los términos de uso de ChatGPT prohíben explícitamente al usuario «representar que el resultado es generado por humanos cuando no lo es».
Los demandados por infracción también pueden tener dificultades para demostrar que una obra fue generada por IA y no creada por el demandante. Dado que las herramientas de IA pueden producir resultados diversos incluso a partir de indicaciones idénticas, será difícil, sin acceso directo a las indicaciones utilizadas, demostrar que un resultado en particular fue resultado de la IA y no de la creatividad humana.
Para complicar aún más las cosas, las plataformas de IA se eximen de responsabilidad por la singularidad de los resultados. Por ejemplo, las condiciones de ChatGPT de OpenAI reconocen explícitamente que varios usuarios podrían recibir resultados idénticos o similares, mientras que las condiciones de Copilot de Microsoft contienen disposiciones similares. Esto plantea interrogantes para los usuarios que buscan reclamar derechos sobre obras generadas por IA, especialmente en contextos comerciales.
El usuario también debe tener en cuenta que cualquier creación que suba a la herramienta puede ser utilizada por esta para generar otro contenido. Por ejemplo, las condiciones de uso de Microsoft Copilot establecen que Microsoft no se atribuye la propiedad del contenido enviado por el usuario, pero que al usar los servicios, el usuario autoriza a Microsoft, sus empresas afiliadas y socios externos a usar la información aportada en el desarrollo de sus negocios.
Los usuarios deben tener en cuenta que, al cargar contenido original creado por ellos mismos en una herramienta de IA, dicho contenido puede reutilizarse en resultados proporcionados a otros usuarios.
A la luz de estos desafíos, los creadores que utilizan IA deberían adoptar las mejores prácticas para fundamentar sus afirmaciones de autoría:
Mientras el panorama legal continúa evolucionando, estas medidas pueden ayudar a mitigar los riesgos y proporcionar pruebas más sólidas para las reclamaciones de derechos de autor. A medida que los tribunales comienzan a abordar estas cuestiones, los profesionales del derecho deben mantenerse alerta al evaluar cómo las obras generadas por IA se ajustan a los marcos de derechos de autor existentes.
Fierens A, Scheerlinck K. AI and authorship: Navigating copyright in the age of generative AI. Blog DLA Piper. 2025. Disponible en: https://www-dlapiper-com.translate.goog/en-us/insights/publications/2025/02/ai-and-authorship-navigating-copyright-in-the-age-of-generative-ai?_x_tr_sl=en&_x_tr_tl=es&_x_tr_hl=es&_x_tr_pto=tc&_x_tr_hist=true

El uso de la inteligencia artificial (IA) en la revisión por pares es uno de los temas más debatidos en la publicación académica actual. La revisión por pares sigue siendo la base de la credibilidad académica; sin embargo, en la era de la IA, el proceso se está transformando radicalmente a medida que la tecnología evoluciona.
Debemos centrarnos en reimaginar la revisión por pares para trascender los métodos tradicionales, aprovechar el potencial de la IA y garantizar que el proceso conserve su esencia humana».
En el período previo a este evento mundial, ScienceOpen destaca algunas de las investigaciones más actuales disponibles en nuestro entorno de descubrimiento que exploran las oportunidades, los riesgos y las cuestiones éticas del uso de la IA en la revisión por pares.
La revisión por pares actual se enfrenta a tensiones como la fatiga de los revisores, la escasez de revisores cualificados y el creciente volumen de envíos. El uso de herramientas de IA promete soluciones para mejorar significativamente la eficiencia mediante la clasificación de manuscritos, la detección de plagio y la verificación de referencias.
Sin embargo, el uso de la IA en la revisión por pares plantea serias preocupaciones éticas. Los sistemas de IA pueden heredar sesgos de sus datos de entrenamiento, lo que no solo puede resultar en injusticia, sino también en evaluaciones incorrectas. También existe una preocupación válida de que el uso de la IA pueda generar falta de transparencia. ¿Quién creó la IA?, ¿en qué se basan los conjuntos de datos?, ¿cómo funcionan los algoritmos?, ¿existen sesgos inherentes?, ¿cómo se pueden evitar las alucinaciones? Y si una revisión generada por IA contiene errores, ¿quién es responsable?, ¿existe una supervisión editorial de estos procesos?
Además, el sistema de revisión de IA no es inmune a la manipulación. Se ha descubierto que algunos investigadores añaden instrucciones a sus manuscritos con escritura blanca oculta, lo que induce a la IA a emitir revisiones favorables. Prácticas como estas erosionan la confianza en la comunidad académica y ponen de manifiesto la fragilidad de depender de procesos automatizados.
Fuente: https://blog.scienceopen.com/2025/08/how-ai-is-transforming-peer-review/
| L | M | X | J | V | S | D |
|---|---|---|---|---|---|---|
| 1 | ||||||
| 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 9 | 10 | 11 | 12 | 13 | 14 | 15 |
| 16 | 17 | 18 | 19 | 20 | 21 | 22 |
| 23 | 24 | 25 | 26 | 27 | 28 | 29 |
| 30 | ||||||
© 1999 - 2026 Infomed - Centro Nacional de Información de Ciencias Médicas