Desarrollo e implantación de un asistente IA para la consulta y exploración de una revista científica: el caso de la revista OCNOS

Por Sandra Sánchez-García, Sebastián Miras y Santiago Yubero

Universidad de Castilla-La Mancha

Palabras clave: REVISTA OCNOS, IA, asistente

 El avance del conocimiento científico rara vez ocurre en el vacío; por el contrario, es un proceso acumulativo que exige dialogar con los descubrimientos previos. En este contexto, la búsqueda y revisión bibliográfica se erige no como un simple requisito formal previo a la recolección de datos, sino como el primer peldaño sobre la que se construye cualquier investigación rigurosa. La importancia de una exploración documental previa radica en múltiples factores estratégicos. En primer lugar, evita que los investigadores dupliquen esfuerzos al intentar responder preguntas que la comunidad científica ya ha resuelto previamente. En segundo lugar, permite identificar lagunas o vacíos en el conocimiento actual.

Es precisamente en las contradicciones, limitaciones y áreas inexploradas de la literatura existente donde germinan los problemas de investigación más innovadores y relevantes (Hernández-Sampieri et al., 2014). Además, la revisión bibliográfica ayuda a construir el andamiaje teórico y metodológico de la nueva investigación.

Dentro de las estrategias de búsqueda, autores como Webster y Watson (2002), señalan la importancia de comenzar esta búsqueda directamente en las revistas de referencia dentro del área o temática. El hecho de que en la actualidad muchas de estas revistas permitan el acceso directo a sus contenidos, convierte esta estrategia en un método eficaz utilizado por muchos investigadores.

 Estas búsquedas pueden hacerse desde las bases de datos dónde están indexadas las revistas o directamente desde sus sitios web. Por este motivo, como editores de revistas de acceso abierto tenemos que asegurarnos que los contenidos cumplan con los principios FAIR, desarrollados inicialmente para los datos de investigación, pero extensibles cada vez más a otros objetos de investigación, incluidos artículos, revistas, software o materiales docentes.

Por otra parte, la mayoría de las revistas científicas publicadas en acceso abierto, especialmente en el ámbito académico y universitario, utilizan el software de gestión OJS. Este software libre, desarrollado por el Public Knowledge Project (PKP), ha supuesto un avance decisivo en la democratización de la edición científica, contribuyendo a consolidar un ecosistema editorial más abierto, sostenible y alineado con los principios de la ciencia abierta.

Esta herramienta, aunque ha permitido una gestión ágil y profesional de los flujos editoriales presenta limitaciones relevantes desde el punto de vista de la búsqueda documental y de la recuperación de información; especialmente, si se compara con sistemas de búsqueda más avanzados o bases de datos especializadas. El buscador de términos de OJS, tanto el general del sitio como el interno para editores, se basa principalmente en coincidencias literales de texto, lo que limita la precisión y la exhaustividad de las búsquedas; por ello, las opciones de búsqueda avanzada son limitadas, ya que no permite el uso de operadores booleanos ni truncamientos y la relevancia de los resultados que presenta suele ser poco precisa. Todo esto nos lleva a la necesidad de buscar opciones que mejoren la experiencia de búsqueda a través de la instalación de plugins de indexación o el desarrollo de chatbots o asistentes de búsqueda desarrollados a través de inteligencia artificial (IA).

En este contexto, la integración de asistentes basados en IA en los sitios web de las revistas científicas se plantea como una respuesta estratégica orientada a mejorar la accesibilidad, la precisión y la relevancia de los resultados de búsqueda. La aplicación de técnicas de IA, especialmente el procesamiento del lenguaje natural (NLP) y el aprendizaje automático, permite avanzar hacia modelos de recuperación de información de carácter semántico capaces de interpretar la intención de la consulta del usuario y de establecer relaciones conceptuales entre términos y documentos (Malo & Al-zebari, 2025). Los asistentes de IA integrados en plataformas editoriales científicas facilitan, además de la formulación de consultas en lenguaje natural, la recomendación de artículos relacionados y la exploración guiada del fondo editorial. Estas funcionalidades contribuyen a mejorar la eficiencia en la localización de literatura relevante y a reducir el tiempo dedicado a tareas de cribado bibliográfico, favoreciendo una interacción más intuitiva con grandes volúmenes de información científica (Ju et al., 2025).

De este modo, desde el punto de vista de las revistas científicas, la incorporación de sistemas de búsqueda inteligentes basados en IA puede reforzar la visibilidad y el impacto de los artículos publicados, al incrementar su descubribilidad y facilitar su reutilización en distintos contextos académicos. Asimismo, el análisis de las consultas realizadas a través de estos asistentes puede aportar información valiosa sobre los intereses, necesidades y tendencias de la comunidad investigadora (Wei Sun Mengxiang Li, 2025), apoyando así la toma de decisiones editoriales fundamentadas. Desde la perspectiva del usuario, estas mejoras inciden directamente en la experiencia de búsqueda y en el aprovechamiento efectivo del conocimiento disponible.

El objetivo que se ha perseguido con el diseño e implementación del asistente de IA en Ocnos. Revista de estudios sobre lectura ha sido facilitar el acceso y la exploración de un corpus específico de artículos de la revista, con la intención de su difusión y citación. Desde el inicio, una de las prioridades en la configuración del asistente se centró en minimizar, en la medida de lo posible, las alucinaciones propias de los modelos de lenguaje generativos. Para ello, su implementación partió de un principio fundamental: trabajar exclusivamente con datos estructurados del corpus, a los que el asistente pudiera acceder en cada interacción con el usuario. Así, el modelo ya no genera respuestas a partir de su conocimiento general, sino que recupera y organiza información previamente estructurada, lo que permite un control mayor en la fiabilidad de las respuestas.

Este planteamiento se ubica en la línea de los modelos que utilizan el enfoque conocido como RAG (Retrieval-Augmented Generation). En una primera fase, se consideró la posibilidad de emplear asistentes que ya ofrecen esta solución de forma integrada; es decir, que permiten incorporar un conjunto de documentos como base de conocimiento (como los GPT personalizados de ChatGPT o las Gems de Gemini). Sin embargo, las pruebas iniciales mostraron que esta alternativa no garantizaba respuestas fiables en todas las interacciones. El modelo ofrecía, en muchos casos, resultados que no se ajustaban al corpus. Se optó entonces por desarrollar una arquitectura propia en la que el modelo, únicamente, pudiera responder a partir de consultas directas a los datos estructurados.

Fuente de la imagen: Pixabay

La construcción del corpus se ha realizado sobre la base del archivo XML de cada artículo, generando a partir de ellos una codificación JSON que recoge tanto los metadatos como la segmentación en secciones del artículo, siguiendo el esquema IMRD. Esto permite al asistente acceder de forma selectiva a partes concretas de cada artículo. En este punto, la cuestión clave era cómo articular la comunicación entre el modelo de lenguaje y la base de datos estructurada. La solución fue desarrollar una API mediante FastAPI que define un conjunto de llamadas o funciones capaces de responder a las consultas del usuario, actuando así como capa intermedia entre el modelo y los datos. Cada función sirve como un punto de entrada, que convierte las preguntas del usuario en consultas estructuradas sobre el corpus. Entre las funciones definidas se incluyen la posibilidad de listar artículos del corpus (por ejemplo, acerca de una temática específica), recuperar metadatos, acceder a secciones específicas y, también, consultar las normas editoriales de la revista Ocnos. Por último, se decidió utilizar ChatGPT, cuyos GPT personalizados permiten configurar acciones a través de las cuales el modelo puede llamar a estas funciones definidas en la API.

Además, se están llevando a cabo dos estudios piloto. En el primero de ellos se entrevista a autores de Ocnos en relación con la utilización del asistente, para comprobar el aprovechamiento efectivo de sus propias publicaciones en la revista. Dado el conocimiento que los autores tienen de sus propios artículos, creemos que  sus respuestas garantizan una evaluación realista de la eficacia del asistente. El segundo estudio se está realizando con alumnos de doctorado y del Máster de Investigación en Educación, vinculado con sus experiencias de búsqueda del contenido ofrecido por la revista Ocnos para un hipotético trabajo de investigación. Todavía no se han analizado todos los resultados obtenidos, pero sí puede afirmarse que en los primeros datos de las entrevistas realizadas se refleja un nivel alto de satisfacción en relación con la eficacia del buscador.

La implementación del asistente de inteligencia artificial en el sitio web de la revista Ocnos, busca como objetivo mejorar de manera sustancial los procesos de búsqueda, recuperación y consulta de la información científica que ofrece la revista. Sin duda, este proceso resulta imprescindible para mantener la calidad de la revista y sus niveles de indexación. Además, esta medida facilita el acceso eficiente y contextualizado a los contenidos de la revista (artículos, metadatos y normas editoriales) optimizando por parte de los investigadores la localización de los artículos y de las secciones relevantes del propio corpus de Ocnos; lo que, sin duda, mejorará las experiencias de los usuarios (investigadores, docentes y estudiantes).

Por otra parte, consideramos que una IA de búsqueda interna en una revista científica también puede contribuir, de manera directa e indirecta, a la difusión de su contenido y al incremento de las citas; desde luego, si está diseñada con objetivos bibliométricos claros. Puede decirse que la IA y su capacidad de mejorar la visibilización de los trabajos puede influir indirectamente en los indicadores bibliométricos y, con ello, en la propia reputación de las revistas; y, por qué no decirlo, también en las trayectorias académicas de sus autores. Debemos considerar que un asistente IA en las revistas científicas, por sí mismo, no “genera citas”, pero aumenta la probabilidad de que los artículos sean encontrados, leídos y reutilizados, que es el paso previo e imprescindible para la difusión que todos los procesos editoriales, en el que están incluidas las revistas científicas, persiguen y necesitan para su estabilidad y supervivencia.

Referencias bibliográficas

Ju, L., Zhang, Y., Wang, S., & Chen, H. (2025). WisPaper: Your AI scholar search engine. arXiv. https://arxiv.org/abs/2512.06879

Hernández-Sampieri, R., Fernández-Collado, C., & Baptista-Lucio, P. (2014). Metodología de la investigación (6ta ed.). McGraw-Hill Education.

Malo, S. F., & Al-zebari, A. (2025). Intelligent semantic search for academic journals using AI and NLP techniques. Journal of Information Systems Engineering and Management, 10(41s). https://doi.org/10.52783/jisem.v10i41s.7884

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://doi.org/10.2307/4132319

Wei Sun Mengxiang Li (2025). Investigating the efficacy of artificial intelligence in facilitating scholarly searches and data mining on the internet. Journal of Internet Research (JIR), 3(1), 1-6. https://doi.org/10.5281/zenodo.14723013

Wilhite, A. W., & Fong, E. A. (2012). Coercive citation in academic publishing. Science, 335(6068), 542–543. https://doi.org/10.1126/science.1212540

Cómo citar esta entrada:

Sánchez-García, Sandra; Miras, Sebastián, y Yubero, Santiago (2026). Desarrollo e implantación de un asistente IA para la consulta y exploración de una revista científica: el caso de la revista OCNOS. Aula Magna [Blog]. https://cuedespyd.hypotheses.org/22044

---

---