¿Puede la Inteligencia Artificial predecir la productividad científica universitaria?
Por: Edison Narváez
Publicado: Agosto 2026
Área: Inteligencia Artificial · Machine Learning · Educación Superior · Investigación Científica
Resumen
La incorporación de herramientas de Inteligencia Artificial (IA) en las universidades está transformando la manera en que los estudiantes buscan información, analizan datos y desarrollan trabajos científicos. Sin embargo, todavía existe una pregunta importante: ¿el conocimiento y uso de la IA realmente permiten predecir una mayor productividad científica?
El estudio Does artificial intelligence predict scientific productivity? Machine learning evidence from university research seedbeds analiza esta cuestión utilizando datos de 57 estudiantes universitarios pertenecientes a grupos de investigación de una universidad peruana.
Los investigadores compararon cuatro algoritmos de Machine Learning: Regresión Logística penalizada, Random Forest, Extra Trees y XGBoost, con el objetivo de determinar qué variables permiten predecir mejor los perfiles de productividad científica de los estudiantes.
Los resultados muestran que la Regresión Logística obtuvo el mejor desempeño predictivo, alcanzando una precisión de aproximadamente 84,2 % y un AUC-ROC de 0,894. Sin embargo, uno de los resultados más interesantes es que las variables relacionadas directamente con la IA no fueron los principales predictores de productividad.
En cambio, factores como el tiempo de participación en grupos de investigación, la edad y el género tuvieron mayor importancia en el modelo.
Esto cuestiona la idea de que simplemente aprender o utilizar herramientas de IA automáticamente convierte a un estudiante en un investigador más productivo.
Palabras clave: Inteligencia artificial, Machine Learning, productividad científica, educación superior, Perú, investigación universitaria, XGBoost, Random Forest.
1. Introducción
La Inteligencia Artificial se ha incorporado rápidamente a las actividades académicas y científicas.
Actualmente, los estudiantes pueden utilizar herramientas basadas en IA para:
- Buscar información.
- Resumir documentos.
- Analizar datos.
- Generar código.
- Revisar textos.
- Apoyar la escritura científica.
- Explorar grandes cantidades de información.
Sin embargo, disponer de estas herramientas no significa necesariamente que un estudiante vaya a producir más investigación científica.
Esta diferencia es especialmente importante en Latinoamérica, donde existen desigualdades en infraestructura, formación científica, acceso a recursos y oportunidades de investigación.
El estudio analizado aborda precisamente esta cuestión desde el contexto peruano.
Los investigadores se preguntaron si las capacidades y el uso de la IA pueden predecir la productividad científica de estudiantes que participan en grupos universitarios de investigación.
2. El contexto latinoamericano
La investigación científica latinoamericana enfrenta diferentes desafíos estructurales.
Entre ellos se encuentran:
- Recursos limitados para investigación.
- Menor disponibilidad de infraestructura científica.
- Diferencias entre universidades.
- Acceso desigual a tecnologías.
- Pocas oportunidades de formación investigativa.
- Necesidad de fortalecer la producción científica.
En este contexto, la IA puede convertirse en una herramienta de apoyo.
Pero la investigación plantea una cuestión fundamental:
¿La IA por sí sola es suficiente para aumentar la productividad científica?
Los resultados obtenidos en Perú sugieren que la respuesta no es tan sencilla.
3. ¿Qué investigaron?
El estudio analizó a 57 estudiantes universitarios pertenecientes a grupos de investigación.
Los investigadores estudiaron diferentes variables relacionadas con:
Inteligencia Artificial
- Conocimiento teórico.
- Competencias técnicas.
- Actitud hacia la IA.
- Uso de IA para revisar literatura.
- Uso de IA para escritura científica.
- Uso de IA para análisis de datos.
- Formación previa en IA.
- Nivel general de madurez en IA.
Trayectoria académica
También se consideraron variables como:
- Tiempo de participación en el grupo de investigación.
- Nivel académico.
- Programa de estudios.
- Edad.
- Género.
Finalmente, estas variables fueron utilizadas para predecir el perfil de productividad científica de cada estudiante.
4. ¿Qué es un grupo de investigación universitario?
En el contexto del estudio, los grupos o semilleros de investigación funcionan como espacios donde los estudiantes pueden comenzar a desarrollar competencias científicas.
En ellos pueden participar en actividades como:
Estudiante
↓
Grupo de investigación
↓
Mentoría
↓
Aprendizaje de metodología
↓
Desarrollo de proyectos
↓
Producción científica
Esto resulta especialmente importante para estudiantes que todavía están construyendo su trayectoria investigadora.
5. ¿Cómo utilizaron Machine Learning?
Los investigadores utilizaron diferentes algoritmos de aprendizaje automático para determinar cuáles podían predecir mejor el perfil de productividad científica.
Se compararon cuatro modelos:
Regresión Logística penalizada
Modelo relativamente sencillo e interpretable que permite analizar relaciones entre variables predictoras y una clasificación.
Random Forest
Combina numerosos árboles de decisión para realizar predicciones.
Extra Trees
Similar a Random Forest, pero introduce mayor aleatoriedad en la construcción de los árboles.
XGBoost
Algoritmo de gradient boosting ampliamente utilizado en problemas de clasificación y predicción.
El objetivo no era simplemente encontrar el algoritmo más complejo, sino determinar cuál proporcionaba una mejor combinación de precisión, estabilidad e interpretabilidad.
6. El proceso de investigación
El procedimiento puede representarse de manera sencilla:
ESTUDIANTES
↓
RECOLECCIÓN DE DATOS
↓
VARIABLES DE IA
+
VARIABLES ACADÉMICAS
+
VARIABLES SOCIODEMOGRÁFICAS
↓
PREPARACIÓN DE DATOS
↓
MACHINE LEARNING
↓
REGRESIÓN LOGÍSTICA
RANDOM FOREST
EXTRA TREES
XGBOOST
↓
COMPARACIÓN
↓
PREDICCIÓN DE PRODUCTIVIDADDe esta manera, el modelo intenta determinar qué combinación de características permite distinguir entre estudiantes con diferentes niveles de productividad científica.
7. Resultados
Uno de los resultados más importantes fue que la Regresión Logística penalizada obtuvo el mejor desempeño general.
El estudio reportó aproximadamente:
| Métrica | Resultado |
|---|---|
| Accuracy | 84,2 % |
| Balanced Accuracy | 84,5 % |
| F1-macro | 83,5 % |
| AUC-ROC | 0,894 |
Estos resultados indican que el modelo pudo distinguir razonablemente bien entre los diferentes perfiles de productividad científica.
8. ¿Qué variables fueron más importantes?
Aquí aparece uno de los hallazgos más interesantes.
El modelo no encontró que el simple uso de IA fuera el principal factor asociado con la productividad científica.
Las variables con mayor importancia fueron:
1. Tiempo de participación en el grupo de investigación
Fue el predictor más importante.
Esto sugiere que permanecer durante más tiempo en un entorno de investigación puede tener una relación importante con el desarrollo de productividad científica.
2. Grupo de edad
La edad también presentó una influencia considerable.
3. Género
El modelo encontró diferencias asociadas con esta variable dentro de la muestra analizada.
4. Competencias técnicas en IA
Las habilidades técnicas relacionadas con IA sí mostraron cierta influencia, aunque mucho menor que las variables de trayectoria.
En cambio, algunos índices generales relacionados con aprendizaje y uso de IA presentaron contribuciones cercanas a cero o ligeramente negativas.
9. Un resultado que cambia la perspectiva
Podría pensarse inicialmente:
Más IA → Más productividad científica
Pero los resultados del estudio muestran algo más complejo:
IA + formación + experiencia + mentoría + continuidad
pueden ser más importantes que simplemente:
IA
Esto significa que aprender a utilizar una herramienta de Inteligencia Artificial no garantiza automáticamente una mayor producción científica.
La tecnología necesita integrarse dentro de un proceso educativo y de investigación.
10. ¿Por qué la experiencia puede ser más importante que la IA?
Un estudiante que lleva varios años participando en un grupo de investigación puede haber desarrollado habilidades como:
- Formular problemas de investigación.
- Buscar artículos científicos.
- Leer críticamente.
- Diseñar metodologías.
- Analizar resultados.
- Escribir artículos.
- Presentar investigaciones.
- Trabajar con investigadores.
Estas competencias no aparecen automáticamente al utilizar una herramienta de IA.
Por eso, el estudio plantea la importancia de fortalecer los espacios de formación científica y utilizar la IA como una herramienta complementaria.
11. IA como herramienta y no como sustituto
Una de las principales conclusiones que podemos extraer del estudio es que la IA debería integrarse dentro del ciclo completo de investigación científica.
Por ejemplo:
Antes de la investigación
IA para:
- Búsqueda bibliográfica.
- Organización de información.
- Identificación de tendencias.
Durante la investigación
IA para:
- Análisis de datos.
- Programación.
- Visualización.
- Automatización.
Después de la investigación
IA para:
- Revisión de redacción.
- Organización de resultados.
- Detección de errores.
- Apoyo en la preparación del manuscrito.
Pero todas estas actividades requieren que el estudiante posea conocimientos científicos suficientes para evaluar críticamente los resultados generados.
12. Aplicación para las universidades latinoamericanas
Los resultados pueden ser especialmente relevantes para universidades de América Latina.
En lugar de implementar únicamente cursos generales sobre Inteligencia Artificial, las universidades podrían crear programas que combinen:
IA
Metodología de investigación
Programación
Análisis de datos
Escritura científica
Mentoría
Esto permitiría que la IA se convierta en una herramienta integrada dentro de la formación investigativa.
13. Un posible modelo para RIIOTE
Los resultados del artículo también pueden inspirar un modelo de formación tecnológica:
IA
│
▼
┌─────────────┐
│ FORMACIÓN │
│ CIENTÍFICA │
└─────────────┘
│
▼
INVESTIGACIÓN
│
▼
MENTORÍA
│
▼
PRODUCCIÓN CIENTÍFICA
Este enfoque podría aplicarse en programas universitarios, grupos de investigación y observatorios tecnológicos.
14. Limitaciones
Los resultados deben interpretarse con precaución.
La investigación utilizó una muestra relativamente pequeña de 57 estudiantes y se realizó en una universidad peruana. Por esta razón, no es correcto afirmar que los resultados representan automáticamente a todos los estudiantes universitarios de Perú o Latinoamérica.
Además, muchas de las variables fueron obtenidas mediante autoinforme, por lo que puede existir una diferencia entre las capacidades de IA que una persona declara tener y sus capacidades reales.
Finalmente, el estudio tiene un diseño transversal, por lo que los resultados muestran relaciones predictivas, pero no permiten establecer causalidad.
15. Futuras investigaciones
Los investigadores plantean la necesidad de ampliar este tipo de análisis.
Sería interesante estudiar:
- Más universidades.
- Más países latinoamericanos.
- Muestras de mayor tamaño.
- Indicadores objetivos de productividad.
- Publicaciones científicas reales.
- Participación en congresos.
- Proyectos financiados.
- Uso efectivo de herramientas de IA.
- Diferencias entre disciplinas.
También podría utilizarse Deep Learning o modelos más avanzados para analizar conjuntos de datos mucho mayores.
16. Conclusiones
La investigación demuestra que el Machine Learning puede utilizarse para estudiar los factores relacionados con la productividad científica de estudiantes universitarios.
Sin embargo, uno de sus resultados más importantes es que la Inteligencia Artificial no apareció como el principal predictor de productividad dentro de la muestra analizada.
La permanencia en los grupos de investigación, la edad y otras características relacionadas con la trayectoria formativa tuvieron mayor peso en el modelo.
La Regresión Logística penalizada obtuvo el mejor desempeño entre los modelos comparados, con un AUC-ROC de 0,894 y una precisión de aproximadamente 84,2 %.
Estos resultados cuestionan la idea de que simplemente proporcionar herramientas de IA a los estudiantes producirá automáticamente más investigación.
En cambio, la evidencia sugiere que la IA puede tener mayor impacto cuando se integra con formación científica, experiencia, mentoría y participación sostenida en actividades de investigación.
Para Latinoamérica, este resultado es especialmente relevante: el desafío no consiste únicamente en proporcionar acceso a Inteligencia Artificial, sino en desarrollar las capacidades humanas e institucionales necesarias para aprovecharla.
📚 Referencia original
Reyes Reyes, C. A., Rojas Jiménez, K. I., Muñoz Gastelo, N. E., & Ramos Farroñán, E. V. (2026). Does artificial intelligence predict scientific productivity? Machine learning evidence from university research seedbeds. Frontiers in Education, 11, 1864949.
DOI: 10.3389/feduc.2026.1864949