ABAI - Procesos inteligentes de selección y reducción para optimizar el Deep Learning

 Uno de los aspectos que más me ha llamado la atención del curso no ha sido tanto el fraude científico en su forma más evidente —fabricación de datos, manipulación directa de resultados o plagio— como toda esa zona gris de prácticas que no se consideran formalmente fraude, pero que claramente rozan los límites éticos de la actividad científica. En la mayoría de los casos no hablamos de mentir, sino de contar la verdad de una manera interesada . Decorar resultados, seleccionar cuidadosamente qué métricas se muestran y cuáles se relegan a un apéndice (o directamente se omiten), presentar como general un comportamiento que solo se da en escenarios muy concretos, o insistir en comparaciones favorables mientras se evita cualquier referencia a las desfavorables. Todo ello suele hacerse sin falsear datos, pero sí moldeando el relato científico para que encaje mejor en el formato “publicable”. Otro mecanismo frecuente es el uso intensivo de la autoreferencia . Citar trabajos propios no ...

Tras leer la entrada de “Sistemas Ciencia‑Tecnología‑Sociedad (CTS)” y hojear los documentos enlazados, y después de revisar las entradas sobre patentes, estas son las ideas que más me han llamado la atención (en clave de investigación en IA/deep learning): 1) Sistemas CTS: el “circuito” real de la ciencia no es lineal La idea central que me queda del texto es que ciencia, tecnología y sociedad (o empresa) funcionan como un sistema con retroalimentaciones: el conocimiento científico alimenta el conocimiento aplicado, éste impacta en procesos productivos y calidad de vida, y a la vez la sociedad (impuestos / políticas públicas) financia de nuevo la producción de conocimiento. No es solo “descubrimos → aplicamos”, sino un ciclo con intereses y prioridades que cambian con el tiempo. En IA esto se ve clarísimo: avances de investigación (arquitecturas, optimización, preentrenamiento) pasan muy rápido a producto (software, servicios, automatización), y de vuelta aparecen incentivos (mercado,...

1) LECTURAS (ETIQUETA “(2) FRAUDE” DEL E-LIBRO) He revisado las 7 entradas del e-libro bajo la etiqueta “(2) Fraude”. La primera es más general y las siguientes entran en aspectos más concretos (algunas en formato infografía con poco texto). He leído con profundidad 3–4 de ellas, centrando la atención en: - Qué se considera fraude / mala praxis y por qué no es solo “falsificar datos”. - Por qué puede haber resultados publicados erróneos y cómo influyen incentivos y sesgos. - La importancia de transparencia, reproducibilidad y la publicación de resultados negativos. - La diferencia entre corregir, emitir una nota, y retractar (retraction) cuando el problema es estructural. 2) CASO ELEGIDO (CERCANO A IA/DEEP LEARNING) Caso: Retractación de un libro de Machine Learning en una editorial académica por contener referencias/citas inventadas o gravemente erróneas. Resumen: En 2025 se publicó un libro de Machine Learning (nivel “de básicos a avanzado”) en una editorial académica. Se detectó que...

 Cuando se dice que para ser creativo hay que pensar “fuera de la caja”, en ciencia la frase suena bien… pero es engañosa. La mayor parte del conocimiento científico no se produce inventando ocurrencias sin restricción, sino resolviendo problemas dentro de un marco compartido. La creatividad científica existe, pero suele aparecer como innovación disciplinada: explorar “los rincones de la caja” más que huir de ella. 1) ¿Qué es realmente “la caja” en ciencia? En el sentido que propone Thomas Kuhn, la “caja” se corresponde con el paradigma: un acuerdo (explícito e implícito) dentro de una comunidad científica sobre: - qué preguntas son legítimas, - qué herramientas y métodos son válidos, - cómo se interpreta la evidencia, - qué cuenta como explicación satisfactoria, - qué problemas “merecen la pena” (y cuáles se consideran ruido o irrelevantes). Mientras un paradigma está vigente, la disciplina vive un periodo de ciencia normal: la gente no intenta refutarlo todo el rato, sino extende...