Unidad 7 · Ética y comunicación de la ciencia en la era IA²

Cierre del curso · Sprint 0 + 3 Sprints + 🏁 H4 (35%) + Peer (10%) · Defensa AIAS 1

Autor/a

Afiliación

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

Cierre del curso y del Sprint macro C. Tomamos lo que ya está construido — Brief (H1), DAG + hipótesis (H2), PAP moderado + Lab L4 (H3) — y lo convertimos en propuesta defendible. Dos planos que estaban implícitos y ahora se nombran: (1) Ética IA² en investigación — la convergencia 2023-2025 de (International Committee of Medical Journal Editors, 2023), (Nature Editorial, 2023) y (Messeri & Crockett, 2024) establece que la IA no es autora, que debe declararse y que la transparencia es la nueva integridad; (2) Comunicación de la ciencia — la pirámide de difusión (Schwabish, 2021), (Wilke, 2019), (Heath & Heath, 2007), la visualización como argumento (no decoración) y el Lab L5 · ¿Quién decidió? como meta-auditoría del thread completo del póster. El curso cierra el jueves con defensa en Modo AIAS 1 — sin IA al frente del jurado — porque ahí se mide si la propuesta es tuya o de la IA.

Sesiones: S07 (jue 21/05 · 3h online · preparación) + S08 (sáb 23/05 · 4h online · defensa) · Modo AIAS: 2 (Planning) en S07 · 1 (No AI) en defensa y peer · Lab IA²: L5

Estructura · S07 + S08

S07 · Jueves 21/05 · Preparación (3h online · 180 min · 18:00–21:00)

Lab L5 asincrónico antes de S07 (90 min · martes noche o miércoles) · en clase solo se socializan hallazgos.

Tiempo	Sprint	Foco	JC · Act
0–15	Sprint 0 · 🎤 Standup post-H3	Check H3 · estado póster · sorteo orden defensa	5 · 10
15–75	Sprint 1 · ⚖️ Ética IA² en investigación	ICMJE/Nature/COPE 2023 · autoría · AIAS como ética · 4 ilusiones Messeri-Crockett	40 · 20
75–85	☕ Break
85–145	Sprint 2 · 📢 Comunicación de la ciencia	Pirámide difusión · 4 audiencias · viz como argumento · Schwabish + Wilke + Heath	30 · 30
145–180	Sprint 3 · 🤖 Socializar L5 + póster v1	3 hallazgos L5 · finalización póster · peer-assignment + commit	10 · 25

S08 · Sábado 23/05 · 🏁 H4 + Peer + Cierre (4h online · 240 min · N=17)

Tiempo	Bloque	Foco	Modo
0–10	Setup + reglas	Sorteo confirmado · Modo AIAS 1 · reglas Q&A	—
10–76	Defensas 1–6	6 estudiantes × 11’ (8’ + 3’ Q&A)	AIAS 1
76–81	☕ Break corto
81–147	Defensas 7–12	6 estudiantes × 11’	AIAS 1
147–152	☕ Break corto
152–207	Defensas 13–17	5 estudiantes × 11’	AIAS 1
207–217	☕ Break largo
217–232	Retrospectiva del curso	4 ejes · destilado · ¿cómo lo harías hoy?	AIAS 1
232–240	Cierre ritual · manifiesto IA² firmado	Cierre arco U1↔︎U8 · firma personal	—

Asincrónicos post-S08 (domingo 24/05 · 23:59): auto-eval 14 dim · compromiso 3-6 meses · manifiesto firmado en repo.

Presentación de la unidad

Tip

🎥 Abrir presentación

Atajos: F fullscreen · ←/→ navegar · Esc overview · S speaker notes · B chalkboard · ? ayuda

Piezas pedagógicas icónicas

⚖️ Ética IA² · la convergencia 2023-2025

En enero 2023, (Nature Editorial, 2023) publicó una editorial inequívoca: ChatGPT no puede ser autora — la autoría implica responsabilidad legal y científica, que un modelo no puede asumir. Meses después, (International Committee of Medical Journal Editors, 2023) (el Comité Internacional de Editores de Revistas Médicas que define el estándar global) actualizó sus Recommendations: la IA no califica como autora · su uso debe declararse en métodos · el primer autor es responsable indelegable. La convergencia es nítida: COPE, WAME, Science, Cell, AEA, ACM — todos en la misma línea. Operativo para tu tesis: sección “AI Use Disclosure” obligatoria, modelo + tareas + decisiones aceptadas/rechazadas. Sin declaración, sin nota.

🪞 Las 4 ilusiones de Messeri-Crockett

(Messeri & Crockett, 2024) (Nature) advierte que la IA crea 4 ilusiones epistémicas en investigación: (1) ilusión de profundidad — el resumen reemplaza la lectura; (2) ilusión de objetividad — el output suena neutro pero hereda sesgos; (3) ilusión de amplitud — parece cubrir literatura que no leíste; (4) ilusión de comprensión — explicar a la IA reemplaza explicarte a ti. Este es el argumento ético-epistémico detrás de AIAS: declarar el modo no es burocracia, es honestidad sobre qué ilusiones operaron en cada entregable. El Lab L5 caza estas ilusiones en tu propio thread.

📢 La pirámide de difusión · 3 audiencias, un argumento

La investigación que no se comunica no existe. Paper técnico (revisor: ¿identificación robusta?) → policy brief 2pp (Young & Mendizabal, 2009) (decisor: ¿implicación accionable?) → póster + QR (par académico: ¿contribución en 30 seg?) → tweet/abstract 280 caracteres (ciudadano: ¿por qué importa?). El argumento es uno, las traducciones son tres. La maestría es saber qué se conserva (la pregunta, la contribución, la limitación honesta) y qué se transforma (jerga, profundidad metodológica, llamado a la acción).

🎨 Visualización como argumento (Schwabish + Wilke + Heath)

(Schwabish, 2021) cataloga 80+ tipos de gráfico con cuándo SÍ y cuándo NO. (Wilke, 2019) (libre · clauswilke.com/dataviz) da los principios universales. (Heath & Heath, 2007) aporta el framework SUCCES — Simple · Unexpected · Concrete · Credible · Emotional · Story. La pregunta-control antes de cada gráfico: “¿qué COMPARACIÓN quiero que el lector haga?” Si no podés responder en una frase, no es visualización — es decoración. Los pecados capitales (3D, pie >7 slices, doble eje Y mal alineado, arcoíris categórico) salen del póster sin discusión.

🤖 Lab L5 · ¿Quién decidió?

La meta-auditoría del curso. Exportás el thread completo de prompts del proceso H1+H2+H3+póster. Marcás ≥5 decisiones críticas (qué incluiste, qué descartaste, qué reescribiste). Reportás tasa de rechazo > 0 — si aceptaste todo, no auditaste. Identificás patrones: sobre-dependencia, jerga heredada de IA, ilusiones de Messeri-Crockett. Reflexión 200 palabras en Modo AIAS 3. Pregunta-control: “Si quitara la IA de este proceso, ¿qué párrafo / gráfico / decisión no existiría? Y ¿lo puedo defender?”

🏁 Defensa AIAS 1 · la prueba final

El jueves no hay IA al frente. Slides estáticos, sin asistencia en tiempo real, 8 minutos para defender la propuesta + 4 minutos de Q&A adversarial (1 pregunta del peer reviewer + 1 obligatoria del JC: “¿Qué hizo la IA por ti que tú no hiciste?”). Esa pregunta es la que separa augmentación (Engelbart) de automatización (Turing). Si la respuesta es honesta y la propuesta sigue siendo defendible, el curso cumplió su promesa. Si no, hay que reescribir — y eso también es ciencia.

Conversar con el corpus de la unidad

💬 NotebookLM · Unidad 7

NotebookLM tiene cargadas todas las lecturas, slides y notas de esta unidad. Pregúntale cualquier concepto, cita o conexión y te responde con referencia al material.

Abrir NotebookLM →

Requiere cuenta de Google. La conversación con el bot es parte del experimento: usar IA² para aprender IA².

Recursos relacionados

• Sesión correspondiente en cronograma
• Manifiesto IA²
• Política de uso de IA
• Lab L5 · ¿Quién decidió?
• Rúbrica H4 · Póster + Repo + Defensa
• Rúbrica Peer Review

Bibliografía clave de la unidad

Núcleo · Ética IA² en investigación (★★★):

• International Committee of Medical Journal Editors (2023) — Recommendations on AI in scholarly publishing · estándar global
• Nature Editorial (2023) — Editorial Nature 613: IA no es autora
• Messeri & Crockett (2024) — Nature · 4 ilusiones epistémicas (puente desde U1+U5)
• Perkins, Furze, et al. (2024) — AI Assessment Scale · declaración por nivel
• Perkins, Roe, et al. (2024) — Por qué la detección falla · declaración es el camino

Núcleo · Comunicación de la ciencia (★★★):

• Schwabish (2021) — Better Data Visualizations (Columbia UP)
• Wilke (2019) — Fundamentals of Data Visualization (libre)
• Heath & Heath (2007) — Made to Stick · framework SUCCES
• Vilhuber (2020) — AEA Data Editor · reproducibilidad como gate
• Allaire et al. (2024) — Quarto · multi-output

Sustento · IA en escritura y proceso:

• Noy & Zhang (2023) — Science · +59% productividad · IA como editora
• Bender et al. (2021) — Stochastic Parrots · sesgos heredados (puente desde U1)
• Korinek (2024) — Roles vivos de LLM (puente desde U6)
• Birhane et al. (2022) — The values encoded in ML research (FAccT)
• Resnik & Hosseini (2023) — AI ethics in research
• Young & Mendizabal (2009) — How to write a policy brief (IDS/ODI)

📚 Bibliografía completa

La unidad referencia la bibliografía maestra del curso. Descarga el archivo BibTeX:

📥 Descargar references.bib

Referencias

Allaire, J. J., Teague, C., Scheidegger, C., Xie, Y., & Dervieux, C. (2024). Quarto. https://doi.org/10.5281/zenodo.5960048

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21), 610-623. https://doi.org/10.1145/3442188.3445922

Birhane, A., Kalluri, P., Card, D., Agnew, W., Dotan, R., & Bao, M. (2022). The Values Encoded in Machine Learning Research. Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’22). https://doi.org/10.1145/3531146.3533083

Heath, C., & Heath, D. (2007). Made to Stick: Why Some Ideas Survive and Others Die. Random House.

International Committee of Medical Journal Editors. (2023). Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals — Update on Artificial Intelligence. https://www.icmje.org/recommendations/.

Korinek, A. (2024). LLMs Level Up—Better, Faster, Cheaper: June 2024 Update to «Generative AI for Economic Research» [Working Paper Update]. University of Virginia; Brookings. https://genaiforecon.org/JEL-2024-June-LLMsLevelUp.pdf

Messeri, L., & Crockett, M. J. (2024). Artificial Intelligence and Illusions of Understanding in Scientific Research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0

Nature Editorial. (2023). Tools such as ChatGPT threaten transparent science: here are our ground rules for their use. Nature, 613, 612. https://doi.org/10.1038/d41586-023-00191-1

Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586

Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36

Perkins, M., Roe, J., Postma, D., McGaughran, J., & Hickerson, D. (2024). Detection of GPT-4 Generated Text in Higher Education: Combining Academic Judgement and Software to Identify Generative AI Tool Misuse. Journal of Academic Ethics, 22, 89-113. https://doi.org/10.1007/s10805-023-09492-6

Resnik, D. B., & Hosseini, M. (2023). The Ethics of Using Artificial Intelligence to Augment Drafting Scientific Papers. Accountability in Research. https://doi.org/10.1080/08989621.2023.2289547

Schwabish, J. (2021). Better Data Visualizations: A Guide for Scholars, Researchers, and Wonks. Columbia University Press.

Vilhuber, L. (2020). Reproducibility and Replicability in Economics. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.4f6b9e67

Wilke, C. O. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media.

Young, E., & Mendizabal, E. (2009). Helping Researchers Become Policy Entrepreneurs: How to Develop Engagement Strategies for Evidence-Based Policy-Making. ODI Briefing Paper, (53). https://odi.org/en/publications/helping-researchers-become-policy-entrepreneurs/