A EdukIΔ, creiem que la intel·ligència artificial (IA) es pot convertir en una aliada poderosa per als que investiguen: no per reemplaçar la curiositat humana, sinó per amplificar-la. En aquest post explorem com s'aplica la IA a la investigació científica avui, quines oportunitats ofereix, particularment a Amèrica Llatina, i quins són els reptes ètics que hem d'atendre.
🤖 Què aporta la IA a la investigació?
La IA ofereix eines per a:
- Processar gran escala d'informació: imagina llegir, filtrar i organitzar centenars o milers darticles en minuts.
- Descobrir patrons subtils: detecta correlacions que un humà podria passar per alt.
- Generar hipòtesis i suggerir mètodes: algunes eines poden proposar noves línies de recerca i estratègies experimentals.
- Assistir en redacció i divulgació: des de resumir troballes fins a preparar versions “per a públic general” més accessibles.
La clau: la IA ofereix suport intel·lectual i operatiu, però el judici humà continua sent essencial a cada decisió.
🌎 A Amèrica Llatina: desafiaments i possibilitats
El panorama llatinoamericà té trets particulars que cal reconèixer.
- Segons el Índex Llatinoamericà d'IA (ILIA 2025), Brasil concentra més del 90 % de la capacitat de còmput de la regió (indicelatam.cl).
- Al sector educatiu, la inclusió digital segueix sent una barrera: a diversos països, un de cada deu estudiants no té accés a un ordinador o connexió estable a la seva institució (blocs.iadb.org).
- Tot i així, hi ha iniciatives emergents: a Amèrica Llatina s'han identificat almenys 26 projectes que apliquen IA a l'àmbit educatiu, encara que molts no tenen adaptació local (profutur.education).
- Investigacions recents que usen IA en educació regional mostren resultats interessants. Per exemple, un estudi sobre bretxes d'eficiència escolar va aplicar tècniques híbrides de “machine learning explicable + anàlisi DEA” per entendre com escoles privades i públiques usen els seus recursos (arXiv).
- Un altre estudi va explorar els determinants de la resiliència acadèmica en estudiants llatinoamericans, mitjançant mètodes interpretables (com SHAP). Aquest va identificar variables com a dispositius a la llar, qualitat docent i accés digital com a claus (arXiv).
Aquestes investigacions mostren que a Amèrica Llatina la IA aplicada a l'educació i la investigació no és només una meta aspiracional, sinó que ja és present i produint insights valuosos.
⚠️ Reptes ètics i límits per tenir en compte
Tot i que la IA té gran potencial, també presenta riscos:
- Biaixos i dades desbalancejades: si les dades utilitzades per entrenar models estan esbiaixades (per zones geogràfiques, idiomes, classes socials), les prediccions poden reforçar desigualtats.
- Manca de transparència: no n'hi ha prou amb “que funcioni” —cal que altres puguin reproduir i entendre com va arribar a un resultat.
- Dependència excessiva: confiar cegament en allò que la IA suggereix pot disminuir la creativitat humana o la crítica.
- Normes de publicació poc clares: a moltes revistes llatinoamericanes no està definit si s'ha de declarar l'ús d'IA a la redacció o generació de contingut.
- Bretxa de recursos i capacitació: moltes institucions no tenen infraestructura computacional o personal capacitat per utilitzar IA amb rigor.
La UNESCO, per exemple, promou una IA centrada en l'ésser humà per a l'educació, apuntant a equitat i inclusió davant de desigualtats tecnològiques (UNESCO).
🚀 Recomanacions per a investigadors (i per a EdukIΔ)
Per treure profit de la IA sense perdre control, et suggereixo:
- Experimenta amb petits prototips abans d'escalar: prova models simples primer.
- Prefereix eines de codi obert i repositoris institucionals, preferiblement d'accés obert quan sigui possible, per a més control i adaptació local (la qual cosa també potencia la sobirania tecnològica).
- Documenta tot: quines dades vas utilitzar, com vas processar, quins paràmetres vas configurar. Això facilita la reproductibilitat.
- Sempre que la IA intervingui en resultats o redacció, en declara el rol i en limita l'ús a suport, no autoria principal.
- Promou formació interna: tallers, seminaris i sessions entre parells per construir criteris compartits.
