[153]
Resumen
Esta presentación examina la clasificación temática asistida por inteligencia artificial en el contexto de una revisión sistemática de la literatura relacionada con la plataforma OpenAlex, en el marco de la ciencia abierta y sus desafíos en términos de representación y fiabilidad. El diseño metodológico adoptó una estrategia híbrida: en una primera fase, se efectuó una clasificación manual y experta de 146 artículos basándose en la revisión de resúmenes y títulos; posteriormente, se empleó ChatGPT para replicar dicha categorización conforme a instrucciones específicas. El análisis comparativo entre ambas metodologías reveló tres patrones de resultado: coincidencia total (17,8%), discrepancia total (67,1%) y discrepancia mixta (15,1%), lo que evidencia que la IA resulta eficaz en asignaciones generales, pero presenta limitaciones en la clasificación de categorías temáticas más específicas y en la captación de matices epistemológicos. En particular, ChatGPT mostró una tendencia a sobre asignar categorías amplias y una baja sensibilidad para discriminar estudios complejos, subrayando la importancia de una calibración y supervisión experta. La validación mediante matriz de confusión permitió optimizar el protocolo híbrido, poniendo de relieve la relevancia de contar con guías precisas, métricas de coherencia y estrategias para mitigar sesgos en la integración de modelos automáticos. Se concluye que la clasificación asistida por IA agiliza y expande el proceso de filtrado temático, pero requiere revisión humana activa para garantizar la pertinencia, transparencia y profundidad conceptual de los resultados. Este enfoque metodológico contribuye al desarrollo de revisiones sistemáticas y análisis bibliométricos robustos respaldados por Large Language Models (LLM), fomentando buenas prácticas en la incorporación de la inteligencia artificial en la ciencia.
Palabras clave:Ciencia abierta, OpenAlex, revisión sistemática, categorización asistida por IA, bibliometría.