Herramientas de IA para búsqueda y curación de información

1. Introducción a la IA en la búsqueda: conceptos básicos y herramientas disponibles. Descripción de cómo la IA mejora la recuperación de información y los límites éticos.
2. Consultas semánticas y operadores de búsqueda: cómo construir consultas más allá de palabras clave simples y usar operadores para refinar resultados.
3. Evaluación de la calidad de los resultados: criterios de relevancia, autoridad, actualidad y ausencia de sesgos.
4. Registro de resultados y reflexión: cómo documentar criterios de selección y justificar decisiones.

• Actividad 1: Exploración guiada de herramientas de búsqueda con IA — Los estudiantes experimentan con al menos dos herramientas de IA para búsqueda, comparando resultados y observando diferencias en rendimiento. Se describen las consultas utilizadas, se registran resultados y se reflexiona sobre cuándo usar cada herramienta. Aprendizajes clave: comprensión de herramientas, criterios de selección y habilidades de comparación.
• Actividad 2: Construcción de consultas semánticas — En parejas, diseñan consultas semánticas para un tema académico y prueban diferentes variantes; identifican palabras clave, sinónimos y relaciones conceptuales. Aprendizajes clave: formulación de consultas eficaces, uso de operadores y evaluación de resultados.
• Actividad 3: Informe de selección de resultados — Cada estudiante elabora un informe breve que justifica la selección de 5 a 7 resultados mediante criterios claros (relevancia, actualidad, autoridad, citaciones). Aprendizajes clave: capacidad de justificar decisiones y comunicar criterios de manera transparente.

• Rúbrica de búsqueda y justificación: capacidad para diseñar consultas semánticas, seleccionar resultados relevantes y justificar con criterios explícitos (40%).
• Registro de resultados y reflexión crítica: claridad en la documentación de criterios y en la reflexión sobre sesgos y limitaciones (30%).
• Participación y calidad de las actividades prácticas (30%).

3 semanas

1. Conceptos de curación de información: diferencias entre búsqueda, filtrado y curación.
2. Etiquetado y metadatos con IA: cómo etiquetar, taguear y enriquecer referencias automáticamente.
3. Colecciones y notas anotadas: herramientas para construir colecciones personalizadas y añadir comentarios críticos.
4. Clasificación y taxonomía: diseño de un sistema de clasificación coherente para organizar información.

• Actividad 1: Configuración de una colección temática — Uso de una herramienta de IA para crear una colección de referencias, añadir metadatos y etiquetas iniciales. Aprendizajes clave: organización sistemática y enriquecimiento de metadatos.
• Actividad 2: Anotación de referencias — Cada estudiante agrega notas críticas y resúmenes breves a las referencias, empleando un formato de anotación estandarizado. Aprendizajes clave: pensamiento crítico y documentación clara.
• Actividad 3: Diseño de un sistema de clasificación — En grupos, definen una taxonomía simple (categorías y subcategorías) para la colección y prueban su funcionamiento con ejemplos reales. Aprendizajes clave: clasificación lógica y accesibilidad de la información.

• Capacidad para configurar herramientas de IA y aplicar etiquetado y anotación (30%).
• Calidad y utilidad de la colección de referencias anotadas (30%).
• Concordancia y utilidad del sistema de clasificación propuesto (40%).

3 semanas

1. Fundamentos de resúmenes automáticos y extracción de ideas: herramientas y métricas de calidad.
2. Verificación de fidelidad: técnicas para comparar resúmenes con textos fuente y detectar omisiones o distorsiones.
3. Ética y citación en resúmenes: atribución, derechos de autor y uso responsable de contenido generado por IA.
4. Prácticas de verificación y comprobación de consistencia entre IA y fuente original.

• Actividad 1: Generación de resúmenes y extracción de ideas — Cada estudiante genera resúmenes automáticos de textos asignados y extrae ideas clave, registrando extracts y observaciones. Aprendizajes clave: capacidad de síntesis y uso correcto de herramientas de IA.
• Actividad 2: Verificación de fidelidad — Se comparan los resúmenes con las fuentes originales para identificar distorsiones, omisiones y errores; se documentan correcciones. Aprendizajes clave: pensamiento crítico y verificación de información.
• Actividad 3: Prácticas de citación — Elaboración de citas y referencias de las fuentes utilizadas, con énfasis en atribución adecuada y cumplimiento de normas de citación. Aprendizajes clave: ética y responsabilidad académica.

• Precisión y utilidad de los resúmenes generados (30%).
• Precisión de la verificación de fidelidad y calidad de las observaciones (40%).
• Correcta citación y atribución (30%).

3 semanas

1. Sesgos y limitaciones de los modelos de IA en búsquedas y curación de información.
2. Ética, propiedad intelectual, atribución y citación en contenidos generados por IA.
3. Privacidad, seguridad de datos y responsabilidad social en el uso de IA.
4. Prácticas de uso responsable: guías, listas de verificación y códigos de conducta.

• Actividad 1: Análisis de sesgos y limitaciones — Estudio de casos donde las herramientas de IA muestran sesgos; discusión en grupo y propuesta de estrategias para mitigarlos. Aprendizajes clave: pensamiento crítico, reconocimiento de sesgos y estrategias de mitigación.
• Actividad 2: Taller de atribución y citación — Práctica de atribución adecuada de contenidos generados por IA y citas de fuentes originales; creación de una guía personal de buenas prácticas. Aprendizajes clave: responsabilidad académica y cumplimiento de normas.
• Actividad 3: Código de conducta personal — Elaboración de un código de uso responsable de IA para proyectos de investigación, incluyendo privacidad, seguridad y ética. Aprendizajes clave: responsabilidad y toma de decisiones éticas.

• Capacidad para identificar sesgos y proponer mitigaciones (30%).
• Demostración de prácticas adecuadas de atribución y citación (30%).
• Conformidad con un código de conducta ético aplicado a proyectos de IA (40%).

3 semanas