Revisión de literatura asistida por IA

Tipos de literatura · pipeline 4-fases · Lab L1 caza de alucinaciones

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

10 de noviembre de 2026

Bienvenidos

Unidad 4 — Revisión de literatura con IA

S02 · mar 10/11 · 18:00–22:00 · 4 h · Aula 38-302

Nota

Pregunta guía: ¿Cómo construyo un mapa de evidencia confiable cuando la IA inventa citas (>30 % en ChatGPT, 2023) y, aun con agentes de 2026, cita fuentes reales que no dicen lo que afirma?

Lo que se llevan al final de S02:

  • ✅ 15–25 papers de su tema, verificados con DOI
  • ✅ Evidence Map v0
  • ✅ 1 contradicción entre papers
  • ✅ Audit log L1 con su tasa personal de alucinación
  • ✅ 2 fichas de lectura activas

Cómo trabajamos hoy — 4 Sprints

Bloque Tema 🎓 JC 🔧 Act Fin
Sprint 1 · ¿QUÉ? Propósitos · diana de 4 capas · pirámide de evidencia · primera búsqueda con tus 3 palabras clave 25 20 18:45
☕ Descanso 1 10 min 18:55
Sprint 2 · ¿CÓMO? 🧪 PRISMA mínimo · 2026: la cita infiel · 2 caminos IA · Lab L1 (45 min) 25 45 20:05
☕ Descanso 2 · café largo 15 min 20:20
Sprint 3 · 📖 Leer Keshav en 3 pasadas · 4 modos de lectura con IA · ficha activa 20 20 21:00
Sprint 4 🏗️ Evidence Map v0 + 1 contradicción entre papers 10 40 21:50
Cierre Cada uno dice su contradicción y su tasa · próximo S03 5 5 22:00

Regla del aula: la IA acelera la búsqueda; la verificación es de ustedes. Son 4: todos hablan en cada cierre.

El bridge · de tu tema (S01) al mapa del campo (S02)

En esta cohorte leemos antes de preguntar. Ayer salieron con un tema y una intuición. Hoy recorremos lo que el campo ya sabe sobre ese tema. Mañana (S03) formulamos el problema contra esa literatura, y el jueves (S04) lo escribimos en el PRON.

S01 ayer
Tema + intuición
+ 3 palabras clave
→
🎯 Sprint 1 · ¿QUÉ?
Tipos · peer review
+ pirámide + ejemplos
→
🧪 Sprint 2 · ¿CÓMO?
A·V·R · pipeline
+ Lab L1 caza
→
📊 Sprint 3
Leer en tres pasadas
+ ficha activa
→
🏗️ Sprint 4
Evidence Map v0
+ 1 contradicción

Lo que traen de S01:

  • ✅ Su tema en una frase (todavía no es pregunta).
  • ✅ 3 palabras clave: el resultado que les importa, la causa que sospechan y la población.
  • ✅ Una intuición: “creo que X afecta a Y en Z”.

Advertencia

Sin pregunta, buscamos con la diana y paramos en 15 a 25 papers. Hoy buscamos dónde discute el campo.

Consejo

Lo que sale de hoy alimenta toda la semana:

Hoy (S02) Se usa en
15–25 papers verificados con DOI S03: el problema se apoya en cifras reales
1 contradicción entre papers S03: candidata a gap o a supuesto que problematizar
Evidence Map v0 S04: §2 y §3 del PRON · S05: cada flecha del DAG
Tasa personal de alucinación (Lab L1) Audit log de H1

Sprint 1 · ¿QUÉ buscar?

18:00 → 18:45 · Propósitos · diana de 4 capas · pirámide de evidencia · primera búsqueda

⏱️ Bloque25 JC · 20 Act
🎯 MetaSaber qué tipo de literatura necesita tu tema en cada capa · leer la pirámide de evidencia
📦 ArtefactoPrimera tabla de tu tema: hasta 5 papers candidatos por capa de la diana
🧪 CheckpointCompañero entiende qué tipo de paper aporta a cada capa

📍 Estructura del Sprint · 5 secciones

1Propósitos
¿Para qué leer? · 5 usos
2El gancho
"A gap in the literature"
3Tipos · diana
4 capas · qué leer para qué
4Pirámide
7 niveles · ejemplos en el apéndice
5Mapear tu tema
Act 20 min · primera búsqueda

Consejo

Convergencia internacional: estructura clásica (Grant & Booth, 2009; Webster & Watson, 2002) · operativizada para tesis MAE con stack moderno (OpenAlex · NotebookLM · bibliometrix).

🎓 JC 1/3 · Propósitos de la revisión · 5 usos centrales (6 min)

Antes de crear conocimiento, conocemos el que existe. El propósito: comprender la literatura, con sus fortalezas y debilidades.

①
Evitar duplicación¿Ya se hizo esto? · La duplicación excesiva es desperdicio
②
Identificar nuevas áreas¿Dónde hay gap real? · ¿Cómo aporto algo nuevo?
③
Aprender métodos¿Cómo abordaron otros este problema? · ¿Qué funciona?
④
Inspirar diseño propio¿Qué SÍ funcionó y qué NO? · evitar repetir errores
⑤
Posicionar tu aporte¿Cómo me diferencio del estado del arte?

Tipo de revisión por propósito:

Mapeo Cuanti Crítica Justif. tesis
Sistemática ✅ ✅ Posible ⚠️ over-kill
Rapid ✅ ⚠️ ✅ ✅ ideal
Living ⚠️ ✅ Posible ⚠️

Consejo

Para MAE: rapid review estructurada con flujo reproducible. Estructura + transparencia + replicabilidad sin la inversión de una sistemática completa.

🎣 Hook · “A gap in the literature”

Advertencia

El gap fácil casi nunca es gap.

“Encontré un vacío en la literatura” suele significar “no busqué bien”.

El gap real se construye con:

  • ✅ Query booleana documentada
  • ✅ Flujo reproducible (n inicial → n final)
  • ✅ Triangulación de fuentes
  • ✅ Verificación de citas (Lab L1)

🎓 JC 2/3 · Tipos de literatura · ¿para qué te sirve cada capa? (4 min)

Una revisión de literatura no es una sola cosa. Cada capa de tu tesis pide un tipo distinto de lectura. La diana abajo te dice qué leer para qué.

④
③
②
①
➤
①
Problemas de investigaciónReviews recientes · grey literature · informes de política · noticias · datos descriptivos · LATAM en problemas activos
②
ObjetivosPapers seminales + meta-análisis · top-cited del campo · lo que TODOS citan (núcleo)
③
MetodologíaPapers metodológicos + aplicaciones canónicas (DiD · IV · RDD · DAG) · econometría aplicada moderna
④
Estilo y estructuraPapers top journals del campo (AER · JPE · QJE · JDE) · modelos de escritura · "cómo lo dicen los grandes"

Consejo

Regla práctica: 80% de tu lectura alimenta ① + ②. Pero NO descuidés ③ (métodos) ni ④ (estilo): la diferencia entre tesis buena y mediocre suele estar ahí.

🎓 JC 3/3 · Pirámide de evidencia · ¿qué tipo de paper pesa más? (6 min)

No todos los papers pesan igual. La pirámide ordena los estudios por rigor causal.

↑ mayor rigor causal
Meta-análisis · revisión sistemática
Estudios de intervención (RCT)
Estudios longitudinales
Control de casos
Corte transversal
Estudio de caso
Opinión expertos · grey · blogs
↓ menor rigor causal

Cómo usar la pirámide:

  • 🔺 Cima (meta-análisis · RCT): para efectos y outcomes causales · pesa más en review.
  • 🟢 Mitad (longitudinales · CT): para mecanismos y heterogeneidad.
  • 🔻 Base (caso · opinión · grey): para contexto y motivación · NO para inferir efectos.

Advertencia

Trampa común: citar un blog como evidencia de efecto causal. Sirve para problematizar, no para concluir.

🔧 Actividad S1 · Mapear tu tema por capa de la diana (20 min)

⏱️ S1·Mapear 20:00

Producto: la primera tabla de tu tema, con hasta 5 papers por capa de la diana, clasificados por pirámide y fuente.

Min Tarea
0–8 Primera búsqueda en OpenAlex, Scite o Google Scholar con tus 3 palabras clave. Nada de chatbots todavía: buscador de papers.
8–12 Ubica cada paper en una capa de la diana (①②③④).
12–15 Asigna nivel de pirámide y fuente (revista arbitrada · working paper · literatura gris).
15–18 Marca qué capa está más vacía: esa es la prioridad del Sprint 2. Escribe “FALTA: tipo X de literatura”.
18–20 En pares (son 4: dos parejas), cada uno le dice al otro si el balance entre capas es razonable.

🔧 Actividad S1 · plantilla de la tabla

Plantilla mínima (Quarto · Notion · spreadsheet):

Capa Paper Pirámide Fuente
① Problemas … Caso/Grey WP/Prensa
② Objetivos … Meta/RCT Peer
③ Métodos … RCT/Long Peer
④ Estilo … — Top journal

Consejo

Si en una capa no tienes 5 papers todavía, deja la fila vacía y anota qué tipo de paper buscar. Eso orienta la búsqueda del Sprint 2.

Advertencia

No llenes por llenar. Mejor 3 papers verificados que 5 inventados. El Sprint 2 corrige los huecos.

Sprint 2 · 🧪 ¿CÓMO buscar? + Lab L1

18:55 → 20:05 · PRISMA mínimo · la cita infiel · 2 caminos IA · Lab L1 (45 min)

⏱️ Bloque25 JC · 45 Act
🎯 MetaDecidir tu camino IA (prompting o aplicaciones) y medir tu tasa de alucinación en las dos presas
📦 ArtefactoAudit log L1 con 10 citas: ✅ real · 👻 fantasma · 🎭 infiel
🧪 CheckpointTasa personal reportada en voz alta · si supera 20 %, cambias de herramienta o de prompt

🎓 JC 1/3 · Recomendaciones para una revisión moderna + PRISMA (4 min)

5 recomendaciones operativas:

①
Definí tipo de revisión antes de buscarSistemática · scoping · narrativa · rapid · meta (Grant & Booth 2009 → JC 12 Sprint 1).
②
Documentá el flujo desde día 1PRISMA 2020 como mínimo de transparencia · cada conteo debe poder reconstruirse.
③
Diversificá fuentesAcadémicas (WoS · Scopus · EconLit) + grey (NBER · CEDE · WB) + LATAM (SciELO · RedALyC).
④
Triangulá tools en lugar de confiar en unaBúsqueda tradicional + Connected Papers + Elicit · cruzá resultados.
⑤
Verificá toda cita generada por IADOI + Scopus + Google Scholar · sin excepción. Lab L1 institucionaliza el hábito.

Consejo

PRISMA 2020 (Page et al., 2021) es la guía estándar de reporting: 27 ítems + diagrama de flujo (Identificación → Tamizado → Elegibilidad → Inclusión). No te dice qué papers son mejores — te dice cómo documentás tu proceso para que otra persona pueda reconstruirlo.

Advertencia

Y si usás IA en alguna fase: PRISMA-DFLLM (Susnjak & Hwang 2024) extiende con 7 ítems adicionales — modelo + prompt + ground truth + métricas. (Susnjak & Hwang, 2024)

2026 · El problema cambió de forma

JC · 4 min · evidencia nueva

2023 · la cita que no existe

ChatGPT inventaba más del 30 % de las referencias en economía (Buchanan et al., 2024).

2026 · la cita que existe y no dice eso

  • Agentes de investigación profunda: entre 3 % y 13 % de las URL citadas probablemente nunca existieron, y alucinan más que los modelos con búsqueda simple (Rao et al., 2026).
  • Los mejores modelos dan enlaces válidos en más del 94 % de los casos, pero la fuente respalda la afirmación solo entre 39 % y 77 % (Onweller et al., 2026).
  • Más búsquedas no mejoran: al pasar de 2 a 150 llamadas, la exactitud cae cerca de 42 %.

Lo que cambia en el Lab L1

Hoy cazamos dos presas:

  1. La cita fantasma: no tiene DOI o el DOI lleva a otro paper.
  2. La cita infiel: el paper existe, pero no dice lo que la IA afirma. Se caza leyendo el resumen y la tabla de resultados.

Un DOI que abre no es una verificación.

🤔 Reflexión 1/2 · El bingo de alucinaciones IA (1 min)

Antes del Lab L1, miremos qué pasa cuando dejamos a la IA buscar sin verificar.

Buchanan, Hill & Shapoval (2024) — American Economist: 200 citas pedidas a ChatGPT sobre tópicos de economía · verificadas en Scopus + WoS + Google Scholar.

>30% no existían. Autores reales con títulos inventados. Títulos reales con autores incorrectos. Journals reales con artículos que nunca se publicaron.

✅ RealTodo verificado en fuente primaria.
⚠️ HíbridaEl paper existe pero algún dato está mal.
❌ AlucinadaEl paper NO existe. La trampa perfecta.

Consejo

Y no es solo Buchanan. Scherbakov et al. (2025, JAMIA) revisaron 76 papers que aplican LLMs a SR (2020–2024): <40% validan outputs contra humanos. La trampa estructural es ausencia de verificación, no solo alucinación. (Scherbakov et al., 2025)

Advertencia

Lo más peligroso: las alucinaciones son plausibles. Un revisor no-experto no las distingue. → Motivación directa del Lab L1. (Buchanan et al., 2024)

🤔 Reflexión 2/2 · Prompt malo vs bueno (1 min)

❌ Mal prompt — ingenuo
Dame 10 referencias seminales
sobre [tu tema] en los últimos
5 años con autor, año, título,
journal y DOI.
→ tasa alucinación: 30–40%. El modelo "completa" porque no le permitiste decir no sé.
✅ Prompt mejorado — constraint + CoVe
Dame hasta 10 referencias sobre
[tu tema] (post-2020). Por cada
una: autor · año · journal · DOI.

REGLAS:
1) Si no estás 100% seguro de
   algún dato, escribí [VERIFY]
   en vez de inventar.
2) Antes de listar, decime qué
   datos vas a tener que verificar.
3) Prefiero 5 reales que 10
   plausibles.
→ tasa alucinación: ~10% (+ marcadores [VERIFY] que te dicen qué chequear primero).

Consejo

Para verificación profunda (RAG): subí tus PDFs a NotebookLM · “Solo desde estos PDFs, lista los 5 papers que más se citen entre sí sobre X. Da la página exacta.” Alucina menos, pero igual abres la página citada: la cita infiel también aparece con fuentes reales.

Ahora la prueba de fuego: el Lab L1 mide tu tasa personal de alucinación. Menos del 40 % de los estudios que usan LLM en revisiones validan lo que el modelo entrega (Scherbakov et al., 2025).

🎓 JC 2/3 · Camino 1 · IA vía prompting directo (3.5 min)

Camino 1: hablar directamente con ChatGPT, Claude o Gemini.

Anatomía de un buen prompt para lit search:

🧍 ActoresQuién toma decisiones · quién se afecta · Catatumbo: hogares · municipios · grupos armados
📊 VariablesOutcome + tratamiento + moderadores · Catatumbo: pavimento (km) · IPM · violencia
↔️ RelacionesCómo se conectan A y V · Catatumbo: pavimento → IPM, moderado por violencia

Plantilla prompt — palabras clave A·V·R + constraint:

Sos un investigador en economía
del desarrollo. Mi tema es:
[tu tema en una frase + 3 palabras clave].

Componentes A·V·R:
- Actores: [hogares, municipios...]
- Variables: [pavimento, IPM...]
- Relaciones: [efecto moderado...]

DAME: 10 papers seminales (2015+)
sobre estas relaciones, EN ORDEN
de impacto. Por cada uno:
autor · año · journal · DOI ·
diseño causal · 1 hallazgo.

REGLAS:
1. Si no estás 100% seguro de
   algún DOI, escribí [VERIFY].
2. Prefiero 5 reales que 10
   plausibles.
3. Marca grey vs peer-reviewed.

🎓 JC 3/3 · Camino 2 · IA vía aplicaciones especializadas (3.5 min)

Camino 2: herramientas hechas para revisión de literatura. Cada una sirve a una fase distinta. Primero, descubrir y filtrar.

Tool Fase ✅ Pros ⚠️ Contras / cuándo NO
Elicit ① Discovery + ② Screening UI intuitiva · genera resúmenes · acepta preguntas naturales Recall 39.5% vs trad. 94.5% (Lau 2025) · sesgo a indexados
Connected Papers ① Discovery Visualiza red de papers desde 1 seed · gratis · rápido No genera nada nuevo · depende de Semantic Scholar
Research Rabbit ① Discovery Exploración iterativa · sugerencias laterales Curva de aprendizaje · pago para features avanzados
Litmaps ① Discovery + ④ Synthesis Timeline + red de citas · "Spark" sugiere papers nuevos · alertas automáticas · alternativa visual a bibliometrix 3 maps gratis · ~$10/mes para uso continuo · depende de OpenAlex/Semantic Scholar
Rayyan ② Screening Colaborativo · sugerencias ML · gratis · estándar SR Setup pesado · pensado para SR formal · UI dated
Covidence ② Screening + ③ Extraction Workflow completo Cochrane · trazabilidad total Pago institucional ($$$) · over-kill para tesis MAE

🎓 JC 3/3 · Camino 2 · cont. · extraer y sintetizar

Tool Fase ✅ Pros ⚠️ Contras / cuándo NO
NotebookLM ③ Extraction + ④ Synthesis RAG con tus PDFs · citas con página · gratis · sin alucinaciones de citas Máx 50 sources · no permite editar fuentes · Google login
Scite ④ Synthesis / citation context Smart citations: si una cita apoya, refuta o menciona Suscripción · cobertura desigual fuera de salud
Consensus ① + ④ Discovery + Synthesis Pregunta natural · resume evidencia agregada 5 papers gratis · sesgo a literatura médica · simplifica demasiado
bibliometrix (R) ④ Synthesis Reproducible · open source · gráficos publication-ready Curva R · no es IA · requiere .bib limpio
ChatGPT / Claude Cualquier fase Versátil · contexto largo · iteración rápida Alto riesgo alucinación · sin trazabilidad · ver Camino 1

Consejo

Regla operativa: no existe la herramienta perfecta. Triangula: Connected Papers o Litmaps para descubrir, Rayyan o Elicit para filtrar, NotebookLM para sintetizar. Evidencia: (Scherbakov et al., 2025) · (Bolaños et al., 2024).

🔧 Lab L1 · las dos presas (45 min)

Plantilla: materiales/lab-L1-caza-alucinaciones.md

⏱️ L1·Caza 45:00

Cronograma del Lab (45 min):

Min Tarea
0–5 Pide a la IA 10 citas con DOI sobre tu tema (plantilla A·V·R + [VERIFY]).
5–20 Presa 1 · la cita fantasma: ¿existe? DOI.org, OpenAlex o Scopus.
20–35 Presa 2 · la cita infiel: elige 4 que existen; lee resumen y tabla. ¿Dicen lo que la IA afirma?
35–40 Llena el audit log y calcula tus dos tasas: fantasmas sobre 10, infieles sobre las que existen.
40–45 Los 4 reportan (picker): las dos tasas y el caso más curioso, 1 min cada uno.

🔧 Lab L1 · audit log y reporte

Consejo

Audit log mínimo: # · cita · ¿DOI resuelve? · ¿mismo paper? · ¿dice lo afirmado? · ✅ / 👻 / 🎭 · nota.

Advertencia

Honestidad estadística: si la verificación dice 👻 o 🎭, repórtalo así. Las citas que pasen las dos presas entran a tu Evidence Map del Sprint 4.

🎲 Picker · L1

🎤 Orden de reporte · los 4

— presiona un botón —
⏳ cargando roster…

Sprint 3 · 📖 Leer papers en la era de IA

20:20 → 21:00 · De PDF a ficha activa · lectura asistida con sentido

⏱️ Bloque20 JC · 20 Act
🎯 MetaLeer en tres pasadas y dejar fichas que tú y la IA puedan reusar
📦 Artefacto2 fichas de lectura completas de papers que pasaron el Lab L1
🧪 CheckpointPuedes decir en una frase qué afirma cada paper y con qué evidencia

🎓 JC 1/3 · El método clásico · Keshav 3-pass 2007 (4 min)

Tres pasadas con profundidad creciente (Keshav, 2007). Sigue funcionando en la era IA, ahora más rápido.

1
Bird's-eye viewTítulo · abstract · intro · conclusiones · headings · refs. Decisión: ¿lo descarto o avanzo?
5–10 min
2
Grasping contentFiguras · tablas · ideas principales. Salteás demostraciones · llenás la ficha de lectura (12 secciones).
1 hora
3
Virtual reimplementationReconstruís mentalmente cada paso · identificás supuestos · validez · limitaciones. Sólo papers centrales de tu tesis.
4–5 horas

Cómo se aplica con IA (delta):

Pass Sin IA Con IA
1 Lees 4 secciones 1 prompt → resumen + decide
2 1 hora ficha manual 20 min ficha + Q&A NotebookLM
3 4–5 hrs sin atajo Sin atajo · pero IA ayuda a debatir

Advertencia

Pass 3 NO se delega. Si tu paper es central, leelo profundo · vos. La defensa de tesis se gana en pass 3.

🎓 JC 2/3 · Lectura asistida con IA · 4 modos (5 min)

No todo se hace igual. 4 modos de usar IA al leer · cada uno con su nicho.

🅰️ Chat directo · 1 paper a la vez
Subís PDF a ChatGPT/Claude · preguntás cosas. Bueno para pass 1 + 2.
✅ Rápido · cero setup · respuestas conversacionales.
⚠️ Sin trazabilidad · alucinaciones en cifras · contexto limitado a 1 paper.
Herramientas: ChatGPT, Claude, Gemini.
🅱️ RAG · corpus de PDFs estructurado
Subís 10–50 PDFs · IA cita página exacta. Bueno para síntesis cross-paper.
✅ Citas verificables · cross-paper Q&A · audit trail automático.
⚠️ Setup · límites de fuentes · no edita PDFs.
Herramientas: NotebookLM, Claude Projects, Cursor con docs.
🅲 TL;DR · resumen automatizado
App lee el PDF · te da resumen estructurado + términos clave.
✅ Ideal para pass 1 acelerado · screening masivo.
⚠️ No reemplaza pass 2 · puede perder matices · siempre verificar.
Herramientas: Scholarcy, Elicit summarize, Petal AI.
🅳 Ask-across · debate cross-paper
Preguntás algo al corpus completo · IA contrasta varios papers.
✅ Detecta consenso/disenso · síntesis temática · prep marco teórico.
⚠️ Calidad depende de qué tan bien organizaste el corpus.
Herramientas: NotebookLM, Consensus, Scite Assistant.

Consejo

Mapeo con Keshav: Modo 🅰️🅲 para pass 1 · Modo 🅱️ para pass 2 · Modo 🅳 para síntesis · Pass 3 sigue siendo humano.

🎓 JC 3/3 · La ficha de lectura · artefacto activo (6 min)

No leas asistido sin escribir ficha. La ficha es lo que la IA re-lee después y lo que tú recuerdas en 6 meses.

Anatomía · 12 secciones canónicas:

1
YAML frontmatter · citekey · DOI · año · tags
2
Pregunta de investigación
3
Diseño / método · pirámide nivel ①–⑦
4
Dato / contexto · N · país · período
5
Hallazgo central · cifra + signo
6
Cita textual (1) · página exacta
7
Mecanismo / teoría
8
Limitaciones · validez interna y externa
9
Transferibilidad · ¿aplica a Catatumbo?
10
Conexiones · [[ficha_otra]]
11
Tu interpretación (1–2 frases)
12
Status · pass 1 / 2 / 3 + fecha

Importante

3 razones para ESCRIBIR (no solo leer):

  1. Retención — escribir activa codificación profunda (no skimming).
  2. Re-uso — dentro de 6 meses, releerás la ficha 100×, el paper 1×.
  3. RAG-ready — la ficha es la fuente que NotebookLM cita en U5/U6.

Consejo

Formato Markdown YAML (el del curso · [[citas]] estilo Zettelkasten):

---
citekey: Card1990Mariel
year: 1990
type: caso-natural
piramide: 6
tags: [mig, NJ, identificacion]
status: pass2-2026-11-10
---

→ Si tu ficha tiene esto, NotebookLM puede leerla como una fuente más.

🔧 Actividad S3 · Construir 2 fichas (con asistencia IA) (20 min)

⏱️ S3·Fichas 20:00
Min Tarea
0–2 Elige 2 papers que pasaron el Lab L1, idealmente de niveles distintos de la pirámide.
2–6 Pasada 1 de Keshav sobre cada uno: título, resumen, figuras, conclusión.
6–16 Llena la ficha de cada uno. La IA puede extraer; tú verificas cada dato contra el PDF.
16–18 Opcional: sube PDFs y fichas a NotebookLM y haz 1 pregunta entre papers. Verifica la página citada.
18–20 En pares: ¿en qué no están de acuerdo tus 2 papers? Es la semilla de la contradicción del Sprint 4.

Importante

Producto (en tu repo de tesis):

  1. ✅ fichas/ con 2 archivos .md de papers que pasaron el Lab L1.
  2. ✅ Cita BibTeX de cada uno en references.bib.

→ Insumo directo del Sprint 4.

Sprint 4 · 🏗️ Construir tu Evidence Map

21:00 → 21:50 · de papers verificados al mapa del campo

⏱️ Bloque10 JC · 40 Act
🎯 MetaEvidence Map v0 de tu tema + 1 contradicción entre papers
📦 ArtefactoPlantilla llena · insumo del problema de mañana (S03)
🧪 CheckpointSeñalas 3 papers que dialogan y 1 contradicción viva

🎓 JC 1/1 · Anatomía del Evidence Map v0 · qué entregas (8 min)

① Núcleo
intelectual
5–8 papers que TODOS citan · autores fundacionales del campo. Son el "obligatorio" para tu marco teórico.
② Periferia
metodológica
3–5 papers con métodos distintos sobre el mismo tema (DiD vs IV vs RDD vs lab experiment).
③ Periferia
geográfica
2–4 papers aplicando el tema en LATAM / Colombia / país. Lo que justifica tu contexto.
④ Gap
candidato
Lo que no encuentras: el cruce de variables, el método ausente, la geografía vacía. Mañana (S03) decides si es tu aporte o si prefieres cuestionar un supuesto.
⑤ Contradicción
viva
2 papers que llegan a conclusiones opuestas. Tu tesis se mete en esa grieta.

Consejo

Aplicado al cuento Catatumbo:

  • Núcleo: Banerjee-Duflo · Aker-Mbiti · Donaldson · Faber · Asher-Novosad.
  • Periferia metodológica: DiD (Asher-Novosad) · IV-topografía (Faber) · RDD-frontera (Estrada-Vergara).
  • Periferia geográfica: Camargo-Hoyos (Colombia) · Vargas (Putumayo) · CEDE WP series.
  • Gap candidato: infraestructura × violencia activa — la mayoría asume contexto pacífico.
  • Contradicción viva: Estrada-Vergara 2019 (+IPM) vs Camargo-Hoyos 2022 (sin efecto si conflicto activo).

Advertencia

Sin contradicción explícita tu tesis suena a confirmación. Si no la encuentras, busca en otro país, periodo o método.

🔧 Actividad S4 · Construir tu Evidence Map v0 (40 min)

⏱️ S4·Evidence Map 40:00

Cronograma sugerido (flexible):

Min Tarea
0–10 Junta lo verificado de hoy: Sprint 1 + Lab L1 + fichas. Completa hasta 15–25 papers con DOI que resuelve.
10–15 Opcional: 3 papers semilla en Litmaps para ver quién cita a quién (guía en el apéndice).
15–25 Llena la plantilla del Evidence Map v0 (5 componentes, materiales/plantilla-evidence-map-v0.md).
25–33 Busca 1 contradicción: dos papers que dicen cosas distintas sobre lo mismo. Anota cuál, en qué y por qué crees que difieren (datos, método, población, periodo).
33–38 Escribe 1 párrafo (100–150 palabras): en qué coincide el campo y dónde discute.
38–40 En pares: ¿la contradicción se entiende sin explicarla?

🔧 Actividad S4 · qué entregas hoy

Importante

Producto entregable (en tu carpeta de tesis):

  1. ✅ 15–25 papers verificados en references.bib.
  2. ✅ Tabla Evidence Map v0 (5 filas).
  3. ✅ 1 contradicción escrita: papers, en qué difieren y una hipótesis de por qué.
  4. ✅ Párrafo de consenso y disenso.
  5. ✅ Audit log L1 con tus dos tasas.

→ Mañana (S03) formulan el problema contra este mapa. La contradicción es candidata a gap o a supuesto que problematizar.

Advertencia

Si vas atrasado: primero cierra el audit log del L1, después el mapa con lo que tengas. Mejor 10 papers verificados que 50 alucinados.

Cierre

Lo que se llevan de S02

Conceptual:

  • Diana de 4 capas y pirámide de evidencia: qué tipo de paper sirve para qué.
  • Dos presas de la IA: la cita fantasma (no existe) y la cita infiel (existe y no dice eso).
  • Lectura en tres pasadas y ficha activa.

Operativo:

  • Evidence Map v0 de su tema con 15–25 papers verificados.
  • 1 contradicción entre papers, escrita.
  • Audit log L1 con sus dos tasas.

Crítico (citables):

Pregunta de cierre

De los papers que pasaron tu Lab L1 hoy, ¿cuáles dialogan entre sí y cuáles se contradicen? Mañana formulamos tu problema en esa grieta.

Próximo · S03 (mié 11/11) · U2 Problema de investigación

Mañana formulamos el problema contra su Evidence Map.

  • El iceberg del problema: de la situación al problema investigable.
  • ARV y DAG provisional.
  • La IA critica su pregunta usando sus papers, no papers nuevos.
  • Pregunta v2, con el modo declarado: llenar un gap o cuestionar un supuesto.

Importante

Pre-trabajo para S03:

  1. 🎧 Podcast de U2 (NotebookLM).
  2. 🛠 Lab L2 · Triangulación aumentada (asincrónico, ~60 min): la misma búsqueda en dos herramientas y comparan qué coincide. Guía del lab.
  3. 🗺 Evidence Map v0 y la contradicción, a mano.

Consejo

Lecturas mínimas (esta noche):

  1. (Page et al., 2021): checklist y diagrama (4 págs). Ficha: Page2021.md.
  2. (Buchanan et al., 2024): el experimento (3 págs). Ficha: BuchananHillShapoval2024.md.
  3. (Onweller et al., 2026): la cita infiel. Ficha: Onweller2026CitedNotVerified.md.

📎 Apéndice · respaldo y lectura asincrónica

Láminas que no caben en las 4 horas. Sirven para estudiar en casa o para responder una pregunta en clase.

📎 Respaldo · El peer review · lógica, pasos y tiempos (lectura asincrónica)

El peer review es la columna vertebral de la “literatura científica”. No garantiza verdad — garantiza escrutinio público independiente. Saber cómo funciona te dice qué peso darle a cada paper.

“Most scientists regarded the new streamlined peer-review process as ‘quite an improvement.’” — Sidney Harris.

Qué SÍ cuenta como literatura científica:

  • ✅ Journals indexados (Scopus · WoS · EconLit)
  • ✅ Working papers serios (NBER · CEDE · IZA · WB · CAF)
  • ✅ Libros con peer review (univ. press · Routledge)
  • ⚠️ Blogs · podcasts · prensa → solo contexto
  • ❌ Redes sociales · ChatGPT como fuente

Los 5 pasos del peer review (cada uno con su tiempo típico):

1
Manuscrito + submisiónAutor produce y envía al journal
—
2
Desk review (editor)¿Encaja con el journal? · desk-reject o envío a pares
1–4 sem
3
Pares ciegos (2–4 expertos)Critican método · resultados · contribución
2–6 meses
4
R&R · iteraciónRevise & resubmit · response letter · 2–3 rondas comunes
6–18 meses
5
Aceptado · publicadoCola editorial + producción
3–12 meses

Consejo

Total submission → impreso: 1.5 a 4 años en economía. Por eso muchos campos circulan working papers primero — la literatura “live” de la frontera (siguiente slide).

📎 Respaldo · Tiempos de aceptación · la evidencia empírica (lectura asincrónica)

¿Por qué importa? Saber cuánto tarda un paper te dice cuánta literatura peer-reviewed tenés realmente disponible sobre un tema reciente vs. cuánto debés complementar con working papers.

Tipo de outlet Submit → publicación
Top-5 econ
AER · QJE · JPE · REStud · ECMA
2–4 años
Field journals
JDE · JoLE · JPubE · JHE · JHR
12–24 meses
Health / policy
BMJ · Lancet · HE · World Dev
6–12 meses
Working papers
NBER · CEDE · IZA · SSRN · CAF
⚡ inmediato

Consejo

Card & DellaVigna (2013, JEL) “Nine Facts about Top Journals in Economics” · Ellison (2002, JPE) “The Slowdown of the Economics Publishing Process”.

Hechos clave:

  • Desk-reject rate top-5: ~50% (no llegan a pares).
  • De los enviados a pares, ~80% terminan rechazados.
  • Ellison (2002): mediana submit-to-publish en top-5 subió de <1 año (1970s) a >2 años (2000s).
  • Card-DellaVigna (2013): mediana 2.4 años desde primera submission en AER.

Advertencia

Implicación operativa para tu revisión:

  • Tema caliente (post-2023) → working papers son la fuente principal · peer-reviewed apenas asoma.
  • Tema maduro (pre-2020) → ya hay peer-reviewed sólido · WPs se vuelven historia.
  • Estrategia: WPs para frontera + peer-reviewed para fundamento causal.

📎 Respaldo · ⑦ Opinión / grey · World Bank WDR 2020 (lectura asincrónica)

Subiendo la pirámide · de menor a mayor rigor causal. Empezamos por la base: opinión + grey literature. Útil para contexto, pesa poco causalmente.

⑦ Opinión / grey literature
World Development Report 2020 · Trading for Development in the Age of Global Value Chains
Autor: World Bank Group
Año: 2020
Tipo: Flagship report (no peer review)
Descargas: 1M+
"...examines whether developing countries can still achieve growth through trade in an age of slowing trade expansion and rising protectionism. The report synthesizes existing literature on global value chains and offers policy recommendations on how countries can participate and upgrade within them..."
  • 📚 Síntesis de literatura peer-reviewed previa · NO genera evidencia causal nueva.
  • 🏛 Producto institucional con sesgo del organismo emisor.
  • 💬 Útil para contexto y cifras descriptivas · cifras causales remiten a papers.
Por qué pesa poco (causalmente): el WDR es excelente para encuadrar problemas y obtener cifras LATAM · pero cada cita causal allí remite a un paper peer-reviewed que debés ir a leer directamente.
📖 Ver resumen oficial (original en inglés)

"Global value chains (GVCs) powered the surge of international trade after 1990 and now account for almost half of all trade. This shift enabled an unprecedented economic convergence: poor countries grew rapidly and began to catch up with richer countries. Since the 2008 global financial crisis, however, the growth of trade has been sluggish and the expansion of GVCs has stalled. Meanwhile, serious threats have emerged to the model of trade-led growth. New technologies could draw production closer to the consumer and reduce the demand for labor. And trade conflicts among large countries could lead to a retrenchment or a segmentation of GVCs. WDR 2020 examines whether there is still a path to development through GVCs and trade."

World Bank (2020) · World Development Report 2020: Trading for Development in the Age of Global Value Chains · Washington, DC: World Bank · doi.org/10.1596/978-1-4648-1457-0

📎 Respaldo · ⑥ Estudio de caso · Klein, Crawford & Alchian 1978 (lectura asincrónica)

⑥ Estudio de caso
Vertical Integration, Appropriable Rents, and the Competitive Contracting Process
Autores: Benjamin Klein · Robert Crawford · Armen Alchian
Año: 1978
Revista: J. Law & Econ. 21(2) · 297–326
Citas: 7,500+
"...contractual incompleteness gives rise to opportunism and appropriable quasi-rents. The General Motors – Fisher Body case (1919–1926) illustrates how relationship-specific investments create hold-up problems that vertical integration can solve..."
  • 🏭 Un solo caso histórico: GM compra Fisher Body por hold-up.
  • 📜 Fundacional para teoría de la firma (junto a Coase · Williamson).
  • ⚖️ Análisis cualitativo riguroso, no estadístico.
Por qué pesa: los estudios de caso generan teoría e hipótesis · NO inferencia causal cuantificada. Útiles para entender mecanismos profundos.
📖 Ver abstract completo (original en inglés)

"This paper attempts to explain the kinds of contractual arrangements used to organize economic activity. The presence of appropriable quasi-rents creates the potential for post-contractual opportunistic behavior. Such behavior would dissipate the rents and make it difficult to write enforceable contracts. The paper examines the conditions under which transaction costs of organizing economic activities through market exchanges create incentives for vertical integration. The General Motors–Fisher Body case (1919–1926) is presented as an example of how the threat of opportunistic recontracting can lead to vertical integration when appropriable quasi-rents from specific assets are very large."

Klein, Crawford & Alchian (1978) · Journal of Law & Economics 21(2):297–326 · JSTOR 725234

📎 Respaldo · ⑤ Corte transversal · IV · AJR 2001 (lectura asincrónica)

⑤ Corte transversal · IV
The Colonial Origins of Comparative Development: An Empirical Investigation
Autores: Daron Acemoglu · Simon Johnson · James Robinson
Año: 2001
Revista: AER 91(5) · 1369–1401
Citas: 14,000+
"...exploit differences in European mortality rates [during colonization] to estimate the effect of institutions on economic performance. Europeans adopted different colonization policies in different colonies, with different associated institutions. Our results indicate institutions have a large effect on income per capita..."
  • 🌐 Cross-section de ~80 ex-colonias.
  • 🩺 Mortalidad de colonizadores como instrumento (variación exógena).
  • 🏛 Instituciones extractivas vs inclusivas → diferencia ~7× en PIB pc.
Por qué pesa: cross-section + IV creíble = inferencia causal con datos observacionales · frágil ante críticas al instrumento (Albouy 2012 cuestionó la fuente).
📖 Ver abstract completo (original en inglés)

"We exploit differences in the mortality rates faced by European colonialists to estimate the effect of institutions on economic performance. Our argument is that Europeans adopted very different colonization policies in different colonies, with different associated institutions. The choice of colonization strategy was, at least in part, determined by whether Europeans could settle in the colony. In places where Europeans faced high mortality rates, they could not settle and were more likely to set up extractive institutions. These early institutions persisted to the present. We exploit differences in European mortality rates as an instrument for current institutions. Our estimates imply that differences in institutions explain three-quarters of the income gap between Nigeria and Chile. Once the effect of institutions is controlled for, countries in Africa or those farther away from the equator do not have lower incomes."

Acemoglu, Johnson & Robinson (2001) · American Economic Review 91(5):1369–1401 · DOI 10.1257/aer.91.5.1369

📎 Respaldo · ④ Control · DiD · Card & Krueger 1994 (lectura asincrónica)

④ Control de casos · DiD
Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania
Autores: David Card · Alan Krueger
Año: 1994
Revista: AER 84(4) · 772–793
Citas: 7,000+
"...the 1992 increase in New Jersey's minimum wage [$4.25 → $5.05] is compared with employment changes in Pennsylvania, which did not raise its minimum wage. Contrary to predictions of the standard competitive model, employment did NOT fall in NJ relative to PA — if anything, it rose modestly..."
  • 🍔 410 restaurantes de fast-food (NJ tratado · PA control).
  • 📉 Empleo NO cayó con el aumento del mínimo.
  • 🔬 Inauguró la credibility revolution en econometría aplicada.
Por qué pesa: DiD con un buen contrafactual es casi tan creíble como un RCT cuando el RCT es imposible. La identificación viene del diseño, no del modelo.
📖 Ver abstract completo (original en inglés)

"On April 1, 1992, New Jersey's minimum wage rose from $4.25 to $5.05 per hour. To evaluate the impact of the law we surveyed 410 fast-food restaurants in New Jersey and eastern Pennsylvania before and after the rise. Comparisons of employment growth at stores in New Jersey and Pennsylvania (where the minimum wage was constant) provide simple estimates of the effect of the higher minimum wage. We also compare employment changes at stores in New Jersey that were initially paying high wages (above $5) to the changes at lower-wage stores. We find no indication that the rise in the minimum wage reduced employment."

Card & Krueger (1994) · American Economic Review 84(4):772–793 · JSTOR 2118030

📎 Respaldo · ③ Longitudinal · Chetty, Hendren & Katz 2016 (lectura asincrónica)

③ Longitudinal
The Effects of Exposure to Better Neighborhoods on Children: New Evidence from the Moving to Opportunity Experiment
Autores: Raj Chetty · Nathaniel Hendren · Lawrence Katz
Año: 2016
Revista: AER 106(4) · 855–902
Citas: 2,300+
"...analyzes long-term outcomes of children whose families participated in the Moving to Opportunity experiment. Children who moved to lower-poverty neighborhoods before age 13 had 31% higher adult earnings, were more likely to attend college, and less likely to be single parents..."
  • 🕰 10–20 años de seguimiento post-tratamiento (datos del IRS).
  • 👶 Mudarse antes de los 13 años → +31% ingreso adulto.
  • 🎓 Más universidad · menos paternidad temprana.
Por qué pesa: los efectos se acumulan en el tiempo · sin panel longitudinal nunca verías esto. Catatumbo: el efecto del asfalto sobre IPM puede demorar una generación.
📖 Ver abstract completo (original en inglés)

"The Moving to Opportunity (MTO) experiment offered randomly selected families housing vouchers to move from high-poverty housing projects to lower-poverty neighborhoods. We present new evidence on the impacts of MTO on children's long-term outcomes using administrative data from tax returns. We find that moving to a lower-poverty neighborhood when young (before age 13) significantly increases college attendance rates and earnings, and reduces single parenthood rates. Moving as an adolescent has slightly negative impacts, perhaps because of disruption effects. The decline in school quality and peer environments instigated by moves in adolescence may explain why the original MTO design did not detect any positive effects on adults' earnings or employment."

Chetty, Hendren & Katz (2016) · American Economic Review 106(4):855–902 · DOI 10.1257/aer.20150572

📎 Respaldo · ② RCT · Miguel & Kremer 2004 (lectura asincrónica)

② Intervención · RCT
Worms: Identifying Impacts on Education and Health in the Presence of Treatment Externalities
Autores: Edward Miguel · Michael Kremer
Año: 2004
Revista: Econometrica 72(1) · 159–217
Citas: 3,500+
"...exploit randomized variation in school-based mass treatment with deworming drugs in Kenya. Treatment reduced school absenteeism by 25% and generated positive externalities on children in untreated nearby schools — ignoring spillovers substantially underestimates program benefits..."
  • 🎲 Aleatorización en 75 escuelas de Kenya rural (PSDP).
  • 📉 Ausentismo −25% en escuelas tratadas.
  • 🌐 Spillover sanitario a comunidades vecinas · ignorarlos sesga el ITT.
Por qué pesa: el RCT es la vara causal de la economía aplicada · este paper inauguró el rigor sobre spillovers, tema todavía activo hoy.
📖 Ver abstract completo (original en inglés)

"Intestinal helminths—including hookworm, roundworm, whipworm, and schistosomiasis—infect more than one-quarter of the world's population. Studies in which medical treatment is randomized at the individual level potentially doubly underestimate the benefits of treatment, missing externality benefits to the comparison group from reduced disease transmission, and therefore also underestimating benefits for the treatment group. We evaluate a Kenyan project in which school-based mass treatment with deworming drugs was randomly phased into schools, rather than to individuals, allowing estimation of overall program effects. The program reduced school absenteeism in treatment schools by at least one-quarter. Health externalities reduced absenteeism by about as much among untreated school-age children as among treated ones."

Miguel & Kremer (2004) · Econometrica 72(1):159–217 · DOI 10.1111/j.1468-0262.2004.00481.x

📎 Respaldo · ①a Revisión sistemática · tipos según propósito (lectura asincrónica)

Antes del meta-análisis, hay 5 tipos de revisión sistemática. Cada uno responde a una pregunta distinta. Elegir el correcto = ahorrar meses.

①a Revisión sistemática · tipos
A typology of reviews: an analysis of 14 review types and associated methodologies
Autores: Maria J. Grant · Andrew Booth
Año: 2009
Revista: Health Info Libr J 26(2) · 91–108
Citas: 9,000+
Tipo Definición · cuándo usar Output Ejemplo canónico
Sistemática PRISMA exhaustiva · efectos causales con múltiples RCTs/QEs Síntesis replicable Snilstveit et al. 2015 · 3ie SR
"Interventions for improving learning outcomes in low- and middle-income countries"
Scoping Mapeo del campo · tema emergente sin literatura madura Mapa de literatura Banerjee, Niehaus & Suri 2019 · Annu. Rev. Econ.
"Universal Basic Income in the Developing World"
Narrativa Argumento crítico · estado del arte para tesis Ensayo crítico Card 1999 · Handbook of Labor Econ.
"The Causal Effect of Education on Earnings"
Rapid PRISMA-lite · semanas · decisión política urgente Reporte conciso Egger, Miguel et al. 2021 · Science Adv.
"Falling living standards during COVID-19 in nine LMICs"
Living Continuamente actualizada · campos muy activos Snapshot vigente 3ie Evidence Gap Maps · online
"Productive inclusion · 700+ studies, en vivo"
Meta-análisis Subconjunto: estadística sobre effect sizes · múltiples RCTs comparables Effect pooled Card, Kluve & Weber 2018 · JEEA
→ ver slide 13/14
Por qué pesa: antes de empezar, definí QUÉ tipo de revisión hacés. Sistemática y meta-análisis están en la cima; scoping y narrativa son complementos legítimos para tesis MAE.
📖 Ver abstract completo (original en inglés)

"The expansion in the number of review types and methodologies has led to confusion among researchers. This article identifies 14 review types currently used by social and health scientists: critical review, literature review, mapping review/systematic map, meta-analysis, mixed methods review, overview, qualitative systematic review, rapid review, scoping review, state-of-the-art review, systematic review, systematic search and review, systematized review, and umbrella review. Each type is described using the Search · Appraisal · Synthesis · Analysis (SALSA) framework. The article provides guidance for researchers selecting a review type appropriate for their question and resources."

Grant & Booth (2009) · Health Information & Libraries Journal 26(2):91–108 · DOI 10.1111/j.1471-1842.2009.00848.x

📎 Respaldo · ①b Meta-análisis · Card, Kluve & Weber 2018 (lectura asincrónica)

①b Meta-análisis
What Works? A Meta Analysis of Recent Active Labor Market Program Evaluations
Autores: David Card · Jochen Kluve · Andrea Weber
Año: 2018
Revista: JEEA 16(3) · 894–931
Citas: 2,000+
"...synthesizes findings from 207 econometric evaluations of active labor market programs (ALMP) from over 50 countries since the late 1990s. Average post-program effects are near zero in the short run but turn positive 2–3 years after completion, with the largest effects for human-capital-building programs..."
  • 📊 207 evaluaciones · 50+ países · misma métrica.
  • ⏱ Efecto cambia con el horizonte: ≈0 CP · positivo 2–3 años después.
  • 🏗 Capacitación > búsqueda de empleo > subsidios directos.
Por qué pesa: el meta-análisis te dice si el efecto es direccional y robusto en TODO el campo · no si "funcionó en un lugar". Cima absoluta de la pirámide.
📖 Ver abstract completo (original en inglés)

"We present a meta-analysis of recent microeconometric evaluations of active labor market policies. Our sample contains 207 studies that yield 857 separate 'program estimates' — estimates of the impact of a particular program on a specific subgroup of participants. In about one-half of these estimates we observe both a short-term impact and at least one medium- or longer-term impact. We classify the estimates by program type, by participant group, and by other key features, and use meta-analytic models to summarize them. We find that average impacts are close to zero in the short run, but become more positive 2–3 years after completion. The time profile of impacts varies by type of program, with larger gains for programs that emphasize human capital accumulation."

Card, Kluve & Weber (2018) · JEEA 16(3):894–931 · DOI 10.1093/jeea/jvx028

📎 Respaldo · PRISMA aplicado · cuento Catatumbo (lectura asincrónica)

Aplicado: la tesis asfalto × violencia × IPM en Catatumbo. De los 805 hits totales → al .bib final de 45 papers usables.

① IDENTIFICACIÓN
N = 805
▼
− 318 duplicados
▼
② Únicos · N = 487
▼
Tamizado título / abstract
(− 401 excluidos)
▼
③ Full-text · N = 86
▼
▼
❌ Excluidos
N = 41
✅ Incluidos
N = 45

Detalle del flujo Catatumbo:

  • Identificación (805): WoS 312 · Scopus 248 · OpenAlex 198 · citation chasing 47.
  • Tamizado: 318 duplicados eliminados → 487 únicos · 401 excluidos por título/abstract.
  • Full-text (86): 41 excluidos · razones documentadas: fuera-tema 24 · idioma 12 · no peer 5.
  • Inclusión final: 45 papers al .bib para análisis.

Consejo

Cada n del diagrama debe poder reconstruirse por otra persona con la query + fechas + criterios documentados. Eso es transparencia PRISMA: mínimo, no máximo. (Page et al., 2021)

Consejo

Query del cuento (WoS): ("road pavement" OR "transport infrastructure") AND ("armed conflict" OR violence) AND (poverty OR welfare) AND (Colombia OR LATAM) · 2010–2025 · article only.

→ 312 hits + cruce con Scopus + OpenAlex + citation chasing = 805.

Advertencia

Criterios de exclusión declarados arriba: fuera-tema · idioma · no peer-review. Cada estudiante DEBE poder defender esos criterios.

📎 Respaldo · Registros paso a paso · la matriz PRISMA (lectura asincrónica)

PRISMA NO es solo el diagrama de flujo. Es un sistema de registro que documenta cada decisión. 3 logs obligatorios para que tu revisión sea auditable.

① Search log
Qué buscaste · dónde · cuándo · cuántos hits. 1 fila por database.
Catatumbo: WoS · 2026-05-13 · query exacta · 312 hits.
② Screening log
Decisión por paper en cada fase + razón documentada si se excluye.
"PaperX · excluido full-text · razón: idioma no inglés/español".
③ Matriz de extracción
1 fila = 1 paper incluido · columnas = dimensiones a comparar.
Anatomía abajo → es la base del Evidence Map (Sprint 4).

Matriz de extracción · plantilla mínima (recomendada):

Columna Qué contiene Catatumbo: ej. Estrada-Vergara 2019
ID citekey EstradaVergara2019
Autor · año familia + año Estrada & Vergara · 2019
Geografía país · región Colombia · Catatumbo
Diseño RCT · DiD · IV · etc. DiD con frontera
N · período tamaño · ventana temporal 38 mpios · 2012–2018
Tratamiento variable de interés km pavimentados
Outcome variable resultado IPM (multidimensional)
Hallazgo clave magnitud + signo +5pp IPM · efecto solo si baja violencia
Calidad (pirámide) nivel ①–⑦ ④ Control DiD
Notas / limitaciones sesgo · validez ext. pre-trends frágiles · n pequeño

Consejo

Esta matriz ES el insumo directo del Evidence Map (Sprint 4) · cada fila se convierte en una entrada del mapa de evidencia. Formatos: Excel · Google Sheets · Notion · Quarto table · .csv para importar a R.

Advertencia

Sistemático = replicable. Sin estos 3 logs, tu revisión NO es PRISMA-compliant, da igual qué tan buena sea la literatura. El paso a paso documentado vale más que la elegancia.

📎 Respaldo · Prompt · extraer la matriz PRISMA con IA (lectura asincrónica)

El cuello de botella es leer y extraer 45 papers. Con un prompt bien diseñado, la IA hace la extracción inicial · vos verificás. Reducís 80% del tiempo · NO el 100%.

Prompt listo · copiá-pegá-adaptá:

[ROL]
Sos asistente de investigación en economía aplicada,
trabajando en una revisión sistemática PRISMA.

[TAREA]
Te paso 1 paper (PDF o texto). Extraé los datos
para una fila de mi matriz de extracción.

[OUTPUT FORMATO Markdown]
| Campo            | Valor                  | Confianza |
|------------------|------------------------|-----------|
| ID (citekey)     | AutorAño               | [alta/media/baja] |
| Autor · año      | ...                    | ... |
| Geografía        | país · región          | ... |
| Diseño           | RCT · DiD · IV · etc.  | ... |
| N · período      | tamaño · ventana       | ... |
| Tratamiento      | variable de interés    | ... |
| Outcome          | variable resultado     | ... |
| Hallazgo clave   | magnitud + signo       | ... |
| Calidad pirámide | nivel ①–⑦              | ... |
| Limitaciones    | sesgo · validez ext.   | ... |

[REGLAS DURAS]
1. Si NO encontrás un dato en el paper, escribí
   [MISSING] · NO inventes.
2. Para "Confianza" usá: alta (texto explícito),
   media (inferido de tablas/figuras), baja
   (mi interpretación de lo que dice el autor).
3. Citá número de página entre paréntesis para
   los campos de Confianza alta.
4. Para "Calidad pirámide" usá EXACTAMENTE estos
   niveles: ① Meta · ② RCT · ③ Longitudinal ·
   ④ Control/DiD · ⑤ Cross-section · ⑥ Caso ·
   ⑦ Opinión/grey.
5. Si el paper es un working paper, anotalo en
   "Limitaciones" (no es peer-reviewed).

Workflow recomendado · batch de 10 papers:

Paso Acción Tiempo
1 Subí PDFs a NotebookLM o Claude Projects 5 min
2 Pegá el prompt · 1 paper por vez 2 min/paper
3 Copiá output Markdown a tu matriz (Sheets/Notion) 1 min/paper
4 Verificá los campos [MISSING] + los de Confianza baja 5–10 min/paper
5 Spot-check 2–3 random campos de alta confianza 5 min

Advertencia

Reglas operativas:

  • Verificá siempre N y la cifra del efecto (Confianza alta sin verificar = el peor sesgo).
  • NO copies sin leer · el prompt acelera, no reemplaza.
  • Si Confianza baja en >3 campos: re-leer el paper completo, no confiar en la IA.

Consejo

Batch mode (avanzado): subí 10 PDFs a NotebookLM · pedile “para CADA paper de mis fuentes, dame la fila completa de la matriz, separadas por ---”. Reduce iteraciones.

Consejo

Conexión Sprint 4: las filas que salgan de este prompt son las filas de tu Evidence Map. La matriz PRISMA y el Evidence Map son el mismo documento en distintos momentos del pipeline.

📎 Respaldo · ¿Por qué alucina? · 3 mecanismos (lectura asincrónica)

No es un bug · es la naturaleza del LLM. Entender el mecanismo te dice cómo mitigarlo.

① Completación estadística
El LLM completa patrones plausibles, no recupera hechos. "Autor X publica en journal Y" es una correlación de training, no una verdad.
→ Pide hechos verificables · no inferencias.
② Compresión lossy
El modelo NO almacena papers · los comprime. Detalles raros (DOI, páginas, año exacto) se pierden y se reinventan al generar.
→ Los datos más específicos son los más sospechosos.
③ Sycophancy
Si pedís 10 citas, da 10 · aunque conozca 6. Nunca dice "no sé" sin un prompt explícito que lo permita.
→ Hay que AUTORIZAR explícitamente la respuesta "no sé".

📎 Respaldo · 5 recomendaciones para evitar alucinaciones (lectura asincrónica)

①
Constraint prompt · autorizar "no sé"Decile explícitamente: "si no estás 100% seguro de algún DOI, escribí [VERIFY] en su lugar". Quita la presión sycophancy.→ Reduce alucinaciones ~50%
②
RAG · NotebookLM o LLM con tus PDFsEl modelo solo cita lo que está en tus fuentes cargadas. Las citas apuntan a página específica · audit trail automático.→ Cuasi-elimina alucinaciones de citas
③
Chain-of-Verification (CoVe)Antes de pedir la respuesta, pedí: "listá qué datos necesitarías verificar". Después: "marcá los que no podés verificar con certeza".→ El modelo se autocorrige
④
Triangulación cross-toolNo confíes en una sola IA. Elicit + Consensus + Scite + búsqueda WoS manual. La cita que aparece en las 4 → real.→ Reduce a ~5% el error
⑤
Verificación obligatoria humanaDOI · Scopus · Google Scholar para cada cita generada. Sin excepción. El Lab L1 institucionaliza este hábito.→ Resuelve definitivamente

Consejo

Regla operativa: combina ② RAG + ③ CoVe + ⑤ verificación humana. Las 5 NO son alternativas — son una cadena que se acumula.

📎 Respaldo · ¿Por qué cambió leer en la era IA? (lectura asincrónica)

No estamos leyendo más · estamos leyendo distinto. El volumen de papers se duplica cada 17 años (Bornmann et al., 2021). Imposible leer todo · obligatorio decidir cómo.

📚 Pre-IA · 2010
  • Leer 1 paper completo en 1–4 hrs
  • Highlight + notas en papel/PDF
  • Resumir manual en Word/Notion
  • Sintetizar mentalmente
  • Cuello de botella: tiempo de lectura
🤖 Post-IA · 2024
  • Skim asistido en 5–10 min
  • Q&A directo al paper
  • Resumen + tabla auto-extraída
  • Cross-paper preguntas (NotebookLM)
  • Nuevo cuello: verificación + retención

Advertencia

El riesgo de la era IA: “leer delegado sin entender”. El skim asistido te da el qué; sin pasar por el cómo no podés debatir el paper en defensa de tesis.

Consejo

Regla pedagógica del Sprint 3: la IA es para acelerar lectura · NO para reemplazarla. Cada paper que entre a tu marco teórico (U5) debe pasar por lectura activa + ficha escrita por vos.

La pregunta del Sprint: ¿cómo leo 25 papers asistido con IA sin perder rigor crítico ni retención?

📎 Respaldo · Profundidad de lectura × capa de diana (lectura asincrónica)

Doble conexión: Sprint 1 (JC 4/13 · diana 4 capas) + JC 2/7 anterior (Keshav 3-pass). Recordá: la diana ordena papers por especificidad y Keshav ordena lecturas por profundidad — ahora cruzamos los dos ejes. La profundidad con que leés cada paper depende de DÓNDE encaja en tu diana.

Recap diana ①→④:

① Problemas (centro)Lo más específico
② ObjetivosNúcleo conceptual
③ MetodologíaCómo se hizo
④ Estilo (borde)Menos específico

Mapeo capa diana → pass Keshav → tiempo por paper:

Capa Pass Keshav Tiempo / paper Por qué
① Problemas Pass 3 4–5 h Define el gap específico de tu tesis · necesitás defenderlo paper-by-paper en el comité.
② Objetivos Pass 2–3 1–4 h Papers seminales que estructuran tu marco · lo que TODOS citan.
③ Metodología Pass 2 30–60 min Extraés el método aplicable (DiD · IV · DAG) sin necesitar entender todo el contexto.
④ Estilo Pass 1 5–10 min Leés como modelo de escritura · escaneás cómo presentan, no qué dicen.

Consejo

Conexión con JC 5/7 (ficha de lectura): la sección 12 · Status de tu ficha registra qué pass alcanzaste · una ficha “pass-1” vale lo mismo que una “pass-3” si está bien clasificada por capa.

Advertencia

Trampa común: intentar pass 3 en TODOS los papers → te quedás sin tiempo para los de capa ①②. Especificidad ≠ cantidad — leé profundo solo donde la diana lo exige.

📎 Respaldo · Del árbol al bosque · visión integral (lectura asincrónica)

Las fichas son árboles. La revisión es el bosque. 25 fichas perfectas sin conexiones = una pila de árboles. Marco teórico (U5) requiere ver el bosque.

🌳
1 paper = 1 ficha
Lectura profunda · pass 2–3 · 12 secciones · cita textual.
🌲🌳🌲
🌳🌲🌳
N fichas = corpus
Conexiones · contradicciones · núcleo · gap visible.
↑ ← AQUÍ TE QUEDÁS · ↑ ← AQUÍ DEBES LLEGAR

Advertencia

Trampa: parar en las fichas. Sin la vista bosque, no podés: justificar gap · hacer síntesis temática · defender por qué TU pregunta es la siguiente.

4 herramientas para construir vista-bosque:

🎨
① Mapas conceptuales + tableros visuales
Nodos = conceptos · líneas = relaciones. Drag-and-drop · colaborativo en tiempo real con tu director o equipo de tesis.
→ Miro · FigJam · Mural · Whimsical · Lucidchart · Excalidraw · CmapTools (clásico Novak 1972). Para U5: 1 tablero por capítulo del marco.
🕸️
② Notion / Obsidian · plataformas con links
Notion · bases de datos con relaciones · views de página · ideal para fichas + tabla. Obsidian · Markdown local · [[citekey]] genera grafo automático · open source.
→ Si tus fichas tienen sección 10 · Conexiones bien llenas, ambos dibujan el bosque solos. Notion = colaborativo cloud · Obsidian = privado local.
🧠
③ NotebookLM Mind Map
Auto-genera mapa visual jerárquico desde tus PDFs + fichas. Botón "Mind Map" en la barra lateral.
→ Ideal para skim rápido del corpus después de cargar 15–25 fuentes.
🗺️
④ Evidence Map disciplinar (→ Sprint 4)
El producto formal: tabla 5-componentes (núcleo · periferia método · periferia geo · gap · contradicción).
→ Es la versión MAE del bosque · entregable de Sprint 4 · insumo de U5.

Consejo

Workflow recomendado: fichas Markdown con [[links]] → Obsidian para vista grafo → NotebookLM Mind Map para skim → Evidence Map (Sprint 4) como producto formal.

📎 Respaldo · RAG con NotebookLM · estructurar para que funcione (lectura asincrónica)

NotebookLM es la herramienta IA más útil de tu Sprint 3. Pero solo si lo organizás bien. Las 4 reglas + cómo subir las fichas como fuentes adicionales.

Arquitectura recomendada:

① 1 notebook por tema · NO por tesis completa
"Catatumbo pavimento", "marco teórico DiD", "papers metodológicos U6" · cada uno con 15–25 PDFs.
② Sube PDFs + tus fichas Markdown
La ficha es una fuente igual de válida · NotebookLM las cita junto a los PDFs.
③ Notebooks chicos > notebooks grandes
Performance cae con >30 fuentes · sub-divide por sub-tema (capa diana).
④ Re-uso vía "Audio Overview" y "Mind Map"
Generá podcast del corpus para escuchar en el bus + mind map para defensa.

Prompts que sí funcionan en NotebookLM:

✅ "Hacé una tabla con: paper, diseño,
   país, hallazgo principal · sólo
   desde mis fuentes."

✅ "¿Qué autores se contradicen sobre
   el efecto de [X]? Cita página."

✅ "Identificá los 3 papers que más
   se citan entre sí. ¿Por qué?"

❌ "¿Cuál es el mejor método para X?"
   (NotebookLM no opina · responde
    desde fuentes)

❌ "Dame 10 papers sobre X."
   (No genera lista nueva · sólo
    trabaja sobre las fuentes que
    le diste).

Advertencia

Limitaciones: máximo 50 fuentes por notebook · no podés editar el contenido de las fuentes desde NotebookLM · sin colaboración multi-usuario.

📎 Respaldo · Gestores bibliográficos · Zotero · Mendeley · BibTeX (lectura asincrónica)

El puente entre PDFs · fichas · escritura. Sin gestor: 6 meses metido en archivos sueltos. Con gestor: tu .bib y tus PDFs cantan juntos.

Gestor ✅ Pros ⚠️ Contras Integración IA $
Zotero (recomendado) OSS · plugin better-bibtex sync .bib auto · web import · grupos UI menos pulida que Mendeley Plugins: GPT, Zotero Assistant, Scite Gratis
Mendeley Reader integrado · sync cross-device · AI summarization (paid) Elsevier · históricamente cerrado · futuro incierto Mendeley AI · ScopusAI plugin Freemium
EndNote Estándar institucional · CWYW Word plugin Paid · proprietary · BibTeX export incompleto Limitada ~$300
BibTeX puro (.bib) Texto plano · git-friendly · directo Quarto/LaTeX Requiere mantenimiento manual Compatible con todo Gratis

Workflow integrado recomendado (MAE):

🌐 Web (paper) ──Zotero connector──▶ Zotero library
                                       │
                          better-bibtex export auto
                                       ▼
                                  📄 references.bib
                                       │
                                       ▼
                  ──────────┬──────────┴──────────┐
                  ▼         ▼                     ▼
          📓 Quarto    🤖 NotebookLM        ✍️ tu ficha .md
          [@cite]     (sube .bib + PDFs)    (citekey=Zotero key)

Consejo

Setup mínimo (15 min, 1 vez):

  1. Instala Zotero (gratis · zotero.org).
  2. Instala plugin better-bibtex (configura citekeys automáticos formato AutorAño).
  3. Configura auto-export a ~/Documents/references.bib.
  4. En Quarto: bibliography: references.bib apunta al archivo.
  5. Para cada paper nuevo: 1-click Zotero → entra a tu .bib → cita [@AutorAño].

Advertencia

No mezcles gestores. Elegí 1 y consolidá ahí TODO. Sincronizar entre Zotero + Mendeley + EndNote = dolor crónico.

📎 Respaldo · Herramientas visuales · ejemplo Litmaps Catatumbo (lectura asincrónica)

El reemplazo accesible de bibliometrix: apps web que dibujan tu corpus sin escribir código R. Cada una te enseña algo distinto sobre el bosque.

5 alternativas a bibliometrix · ¿qué pregunta responde cada una?

🗺️ Litmaps (recomendado MAE)¿Quiénes son el núcleo de mi corpus? · Timeline + red de citas + alerta de papers nuevos · 1 seed → bosque.
🕸️ Connected Papers¿Cuáles son los vecinos conceptuales de UN paper? · Mapa radial · 1 seed → 40 papers similares.
🐰 ResearchRabbit¿Qué papers conectan A con B? · Exploración iterativa · ideal para snowball.
🧠 NotebookLM Mind Map¿Cómo se agrupan TEMÁTICAMENTE mis papers? · Auto-jerárquico desde tus 15-25 PDFs.
🐍 OpenAlex API + Python/R¿Quiero todo personalizable? · Sólo si tenés tiempo + scripting · alternativa OSS más cercana a bibliometrix.

Consejo

Para 50 min de Sprint 4: Litmaps + NotebookLM Mind Map. Combinás vista de citas (Litmaps) + vista temática (NotebookLM) en 10 min.

🎯 Ejemplo · Catatumbo en Litmaps:

1. Cargo 3 seeds Catatumbo en Litmaps: Estrada-Vergara 2019 · Faber 2014 · Asher-Novosad 2020
2. Litmaps construye el mapa: ~80 papers conectados por citaciones. → visualiza timeline 2010-2025 + clusters automáticos.
3. Identifica los 5 nodos más conectados (núcleo intelectual): Banerjee-Duflo · Donaldson · Faber · Aker-Mbiti · Asher-Novosad → entran al ①.
4. Detecta cluster geográfico LATAM (papers fuera de top-citados pero conectados): Camargo-Hoyos · Vargas · CEDE WPs → entran al ③ periferia geográfica.
5. Alertas de papers recientes que citan los seeds (post-2024): → literatura emergente que tu director NO conoce todavía.

Advertencia

Litmaps Spark (su feature de descubrimiento automático) sugiere papers que vos no buscaste pero que otros relacionados sí leen. Útil para encontrar el ⑤ contradicción viva.

Consejo

Costo: Litmaps gratis hasta 3 maps · paid después (~$10/mes para tesis). Alternativa OSS: Connected Papers + Inciteful combinados.

Referencias

Bolaños, F., Salatino, A., Osborne, F., & Motta, E. (2024). Artificial Intelligence for Literature Reviews: Opportunities and Challenges. Artificial Intelligence Review. https://doi.org/10.1007/s10462-024-10902-3
Bornmann, L., Haunschild, R., & Mutz, R. (2021). Growth Rates of Modern Science: A Latent Piecewise Growth Curve Approach to Model Publication Numbers from Established and New Literature Databases. Humanities and Social Sciences Communications, 8, 224. https://doi.org/10.1057/s41599-021-00903-w
Buchanan, J., Hill, S., & Shapoval, O. (2024). ChatGPT Hallucinates Non-existent Citations: Evidence from Economics. The American Economist, 69(1), 80-87. https://doi.org/10.1177/05694345231218454
Grant, M. J., & Booth, A. (2009). A Typology of Reviews: An Analysis of 14 Review Types and Associated Methodologies. Health Information & Libraries Journal, 26(2), 91-108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
Keshav, S. (2007). How to Read a Paper. ACM SIGCOMM Computer Communication Review, 37(3), 83-84. https://doi.org/10.1145/1273445.1273458
Khraisha, Q., Put, S., Kappenberg, J., Warraitch, A., & Hadfield, K. (2024). Can Large Language Models Replace Humans in Systematic Reviews? Evaluating GPT-4’s Efficacy in Screening and Extracting Data from Peer-Reviewed and Grey Literature in Multiple Languages. Research Synthesis Methods, 15(4), 616-626. https://doi.org/10.1002/jrsm.1715
Lau, J. et al. (2025). Comparison of Elicit AI and Traditional Literature Searching in Evidence Syntheses Using Four Case Studies. Cochrane Evidence Synthesis and Methods, 3(5). https://doi.org/10.1002/cesm.70050
Onweller, H., Lumer, E., Huber, A., Ramchandani, P., Subbiah, V. K., & Feld, C. (2026). Cited but Not Verified: Parsing and Evaluating Source Attribution in LLM Deep Research Agents. arXiv preprint. https://arxiv.org/abs/2605.06635
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., et al. (2021). The PRISMA 2020 Statement: An Updated Guideline for Reporting Systematic Reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Rao, D., Wong, E., & Callison-Burch, C. (2026). Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents. arXiv preprint. https://arxiv.org/abs/2604.03173
Scherbakov, D., Hubig, N., Jansari, V., Bakumenko, A., & Lenert, L. A. (2025). The Emergence of Large Language Models as Tools in Literature Reviews: A Large Language Model-Assisted Systematic Review. Journal of the American Medical Informatics Association. https://doi.org/10.1093/jamia/ocaf063
Susnjak, T., & Hwang, P. (2024). Automating Research Synthesis with Domain-Specific Large Language Model Fine-Tuning: PRISMA-DFLLM Reporting Extension. arXiv preprint. https://doi.org/10.48550/arXiv.2404.08680
Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. https://www.jstor.org/stable/4132319
15:00