NOTAS PARA EL DEBATE

Palabra Clave, (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912
Universidad Nacional de La Plata
Facultad de Humanidades y Ciencias de la Educación
Departamento de Bibliotecología

Reflexiones sobre la inteligencia artificial y la bibliotecología

Reflections on artificial intelligence and librarianship
Silvana Grazia Temesio Vizoso
Universidad de la República. Facultad de Información y
Comunicación, Uruguay
[Link]@fi[Link]
[Link]

Resumen:
La inteligencia artificial (IA) se manifiesta en algoritmos cuyo desempeño es difícil de predecir o explicar. Estos algoritmos se
aplican a cuestiones de la vida cotidiana de los ciudadanos, como por ejemplo el otorgamiento de un préstamo bancario, y han
empezado a utilizarse por parte del gobierno electrónico. Actualmente se investiga la aplicación de IA a todos los campos del
conocimiento. En este trabajo se refieren brevemente algunos desarrollos en las ciencias de la información y se presentan algunos
de los desafíos que plantea la aplicación de IA, como el sesgo y la opacidad. Frente a estos desafíos hay opiniones de la ética de la
información, el movimiento de soware libre e investigaciones académicas para mejorar la explicabilidad de IA (XAI). Por último,
se detalla sucintamente la estrategia de gobierno electrónico en Uruguay. Queda abierta la reflexión y, en particular, se recomienda
la inclusión en la formación académica de estos temas en las carreras de bibliotecología.
Palabras clave: Inteligencia artificial, Ética de la información, Explicabilidad, Gobierno electrónico, Uruguay.

Abstract:
Artificial intelligence (AI) manifests itself in algorithms whose performance is difficult to predict or explain. ese algorithms are
applied to issues in the lives of citizens and have begun to be used by electronic government. e application of AI to all fields of
knowledge is currently being investigated. Some developments in information science are briefly referred to in the note.
Some of the challenges posed by the application of AI such as bias and opacity are presented. Facing these challenges are opinions
from information ethics, the free soware movement, and academic research to improve the explainability of AI (XAI). Finally,
the Electronic Government strategy in Uruguay is succinctly detailed.e reflection is open and in particular the inclusion of these
topics in the academic training is recommended in our career.
Keywords: Artificial intelligence, Information ethics, Explainability, E-government, Uruguay.

1. Introducción

La inteligencia artificial (IA) es un área de la ciencia de computación que se relaciona con la matemática, la
filosofía, la biología y la lingüística, entre otras, y que abarca distintos tipos de algoritmos para la resolución de
problemas. Los algoritmos con los que lidiamos al realizar tareas cotidianas, como retirar dinero de un cajero,
consisten en un procedimiento paso a paso de una secuencia de ejecución preestablecida. Sin embargo, los
algoritmos de IA utilizan otros mecanismos y no se sabe a priori cómo será su ejecución ya que sus métodos son
probabilísticos o económicos, lo cual les permite lidiar con información incompleta o incierta. Otra estrategia
de IA para resolver problemas es la de representar el mundo de acuerdo a modelos, como las ontologías, que
incorporan conceptos, propiedades y relaciones, y utilizan la lógica descriptiva para establecer axiomas que
permiten razonar sobre el modelo.
Los agentes o sistemas de hardware . soware, según Wooldridge & Jennings (1995), tienen propiedades
de autonomía, habilidad social, reactividad y proactividad. La autonomía es un factor importante ya que
estos agentes pueden actuar en forma flexible sin la intervención de otros sistemas o personas para cumplir
Recepción: 13 Febrero 2022 | Aceptación: 10 Marzo 2022 | Publicación: 01 Abril 2022

Cita sugerida: Temesio Vizoso, S. G. (2022). Reflexiones sobre la inteligencia artificial y la bibliotecología. Palabra Clave (La Plata),
11(2), e159. [Link]

Esta obra está bajo licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional [Link]
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

un objetivo. La habilidad social de los agentes refiere a la capacidad de interacción con otras personas con
mecanismos de negociación, cooperación o competencia. Los sistemas multiagentes son utilizados en IA
con “algoritmos evolutivos” basados en la evolución de las generaciones en biología, o con “inteligencia de
enjambre” que se inspira en las situaciones de la naturaleza donde los individuos –en este caso agentes-
interactúan entre ellos y con el entorno de manera análoga a las abejas.
Los algoritmos de procesamiento de lenguaje natural utilizados para el análisis del lenguaje utilizan
modelos basados en gramáticas formales y han ido mejorando su desempeño, como se puede apreciar en su
utilización en la traducción automática y en el análisis de la polaridad de las frases para determinar su carga
emocional.
Los algoritmos de aprendizaje automático son aquellos que ingestan datos –de entrenamiento- y con
ellos construyen un modelo. Luego, utilizan este modelo para tomar decisiones o realizar predicciones, pero
sin una programación explícita. Estos algoritmos presentan posibles problemas si la cantidad de datos de
entrenamiento es pequeña o tienen algún tipo de sesgo, ya que en ese caso el modelo no representará la
realidad adecuadamente.
La característica de los algoritmos de IA es la autonomía y la opacidad, o lo que se conoce como el problema
de la “caja negra”. Las personas en el pasado estudiaban el comportamiento de los objetos mirando su interior
y descifrando su comportamiento mecánico. En el caso de los algoritmos de IA, ese interior de la “caja”
es negro u opaco, ya que no es sencillo entender cómo opera. Los desarrolladores tienen una influencia
limitada en la forma en que se resuelven los asuntos de que trata el algoritmo. Pueden decidir los principios
de la arquitectura básica, si es una red neuronal profunda, una máquina de vectores de soporte, un árbol de
decisión, u otro sistema, y elegir un conjunto particular de parámetros de aprendizaje. Eligen un algoritmo
de aprendizaje e identifican un ambiente apropiado en el cual los parámetros obtienen valores con los cuales
resolver el problema en cuestión. Sin embargo, los desarrolladores no deciden los valores particulares de esos
parámetros (los pesos de las conexiones en la red) y tampoco la forma en que los problemas serán resueltos.
Además, esos parámetros pueden interactuar en modos no lineales o recurrentes, lo cual hace casi imposible
de comprender o predecir la forma en que una entrada se transforma para generar una salida en particular.
Esta relativa falta de influencia en la operativa es justamente una gran ventaja, ya que los métodos
de aprendizaje automático son a menudo capaces de identificar soluciones no intuitivas o sutiles, que
probablemente no serían encontradas por los métodos tradicionales. La desventaja es que los sistemas
programados son opacos, v.g. no puede comprenderse fácilmente su operativa y la forma de extraer
conclusiones.
El área de humanidades digitales (HD) –que puede entenderse como la imbricación de la tecnología en
las humanidades- abarca a casi todas las áreas de estudio de las ciencias de información (CI), con una faceta
específica que se relaciona con la tecnología y con una mirada crítica y conceptual. Las HD constituyen una
nueva perspectiva para el análisis y la interpretación de las CI. La IA es dentro de esta área una parte de
desarrollo creciente que va permeando en todos los asuntos de manera directa o indirecta.
Como un caso de esta señalada permeabilidad de IA en todos las áreas puede mencionarse dentro de los
metadatos de recursos educativos el estándar OBAA (Agents-based learning objects) que incluye conceptos
como agentes y ontologías (Behr et al., 2021).
Pero la IA no solo se incorpora a las humanidades digitales o a las ciencias de la información en general,
sino a todos los ámbitos de conocimiento y prácticas. Esta diseminación general de IA pone en foco las
preocupaciones sobre los trabajos del futuro, porque se percibe que afectará la manera como se desarrollarán
los procesos, y se prevé que muchos empleos ya no requerirán intervención humana. Por tanto, la interrogante
es determinar cuáles serán los trabajos futuros y cómo formarse para esa eventualidad.
Existe la creencia de que las TIC eliminan puestos de trabajo, aunque esto no es necesariamente así, ya que
en muchos procesos de automatización también hay creación de nuevos empleos que constituyen una fuente
de oportunidad laboral de mayor especialización. Según Halal, Kolber, Davies & Global (2016), en el caso

2
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

de IA hay escenarios en que se eliminarán más trabajos de los que se crearán. Por un lado, por sustitución de
mano de obra, ya sea que los algoritmos realicen las tareas mejor, más rápidamente o en forma más barata,
y, por el otro, debido a la presunción de que habrá escasas necesidades de nuevas actividades a desarrollar
por trabajadores humanos. La cuestión es que la IA tiene mecanismos para absorber trabajos que tienen
relación con la inteligencia o el conocimiento sin necesidad de arbitraje humano. La brecha socioeconómica
y educativa se acentuará frente a estos desafíos, favoreciendo a los sectores poderosos frente a los vulnerables.
Es por esta razón que es necesario establecer políticas públicas que operen sobre esta situación.

2. Inteligencia artificial y las ciencias de la información

Nuestra área profesional también será impactada por la IA y corresponde realizar un análisis detallado de
los distintos desarrollos actuales y cómo impactarán en los servicios de las bibliotecas. En un trabajo anterior
(Temesio Vizoso, 2021), se hace una revisión general de los usos de IA en el área de las ciencias de la
información. Una de las áreas de gran interés y desarrollo que se perfilan con una perspectiva interdisciplinaria
es el área de organización del conocimiento.
La organización del conocimiento refleja cómo este se organiza socialmente y cómo los sistemas de
organización del conocimiento, tales como esquemas de clasificación o tesauros –y más recientemente
ontologías-, representan la realidad. Tanto los profesionales de la información como los algoritmos buscan
representar el contenido de los documentos a través de un conjunto de términos. Dentro de esta área, la
representación de conceptos en un tesauro con las relaciones de herencia en subclases (término específico)
y las relaciones asociativas entre clases (término relacionado), constituyen una formalización de una gran
expresividad en un nivel inmediatamente anterior a las ontologías. Una ontología, además de la jerarquía
de conceptos (clases) que se parangonan con las entradas de un tesauro, establece un conjunto de axiomas y
afirmaciones que permiten razonamientos e inferencias a través de la lógica descriptiva.
SKOS (Simple Knowledge Organization System) es una iniciativa del W3C 1 que modela, a través de
datos semánticos (RDF), una forma de representar los esquemas conceptuales, como listas encabezamientos
de materia, taxonomías, esquemas de clasificación, tesauros y cualquier tipo de vocabulario controlado. En
el vocabulario SKOS, 2 por ejemplo, el término skos:broader corresponde a la relación de subclase de una
ontología que vemos en un tesauro como término genérico y que puede expresarse como dato semántico.
Existe, por lo tanto, una convergencia entre la representación del conocimiento en las comunidades de
organización del conocimiento y las comunidades de IA. Las comunidades de las ciencias de la información
han empezado a usar ontologías y datos semánticos enlazados para representar sus colecciones en sus sitios
web, aunque ello no ha estado exento de problemas. Como señalan Martínez Méndez, Pastor-Sánchez &
López Carreño (2019), los conjuntos de datos abiertos enlazados en entornos bibliotecarios deben estar
sujetos a la aplicación de las buenas prácticas de publicación de datos en la web, y la calidad de los metadatos
en este contexto debe armonizarse siguiendo las recomendaciones de la W3C.

3. Desafíos éticos de la inteligencia artificial

Una reflexión sobre IA involucra necesariamente a la ética y, específicamente, a la ética de la información. Tal
como señala Capurro (2005), la información en la era digital tiene aspectos que cuestionan desde aspectos
que no son tecnológicos o científicos, sino filosóficos, y que atañen directamente al campo de las ciencias de la
información. En línea con este autor, el concepto de ética de la información abarca todas las preguntas éticas
relacionadas con la digitalización, el intercambio, la combinación y el uso de información digital, incluyendo
la comunicación a través del medio digital. Asimismo, señala que la digitalización produce una necesidad de

3
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

reorganizar la manera de relacionarnos con el conocimiento, de concebir una sociedad sostenible que pueda
disponer el mismo a las generaciones futuras, y eso necesariamente implica el acceso abierto.
En el mismo sentido se expresa Rodríguez Ortega (2018), quien afirma que los retos en el futuro inmediato
son la creación de interfaces de comprensión que medien entre los resultados algorítmicos y nuestras
posibilidades de intelección; y la reconciliación entre la lógica computacional y la cognición humana. Esta
reconciliación, señala, debe plantearse con un sentido crítico, considerando que la tecnología no es neutral y
visibilizando las concepciones culturales e ideológicas embebidas, y además buscando imbricar la producción
tradicional con procesos de IA.
Uno de los problemas de IA es la introducción de sesgos en los conjuntos de datos con que se alimentan
los algoritmos, ya sea en forma voluntaria o inadvertida, lo cual conlleva a resultados inaceptables. Estas
tendencias contribuyen a la continuidad de una exclusión de sectores desfavorecidos o minorías, y alientan
visiones prejuiciosas que están incorporadas a nuestra cultura.
Un uso confiable de IA pasa por abogar que la misma sea inclusiva, responsable y explicable (XAI) 3
buscando transparentar los modelos y lograr que los resultados sean entendibles incluso para interesados no
tecnológicos. En este sentido, las recomendaciones de AI4IA (2020) son:
• Los aspectos de ética de la IA tienen que ser accesibles, además de considerar el rol de las comunidades
y la diversidad cultural en el diseño, desarrollo y entrenamiento.
• La ética de la información ya figura en los programas de estudio, pero se recomienda incluir también
aspectos de codificación de algoritmos, y a su vez los autores de los algoritmos deben recibir formación
en ética de la información.
• La ética, la transparencia, la dignidad humana y los derechos de los niños deben ser promovidos e
implementados desde el inicio del desarrollo de un sistema de IA.
• La necesidad de disminuir la brecha digital a todos los niveles se torna indispensable.

El concepto de FAIR aplicado a la IA, 4 o lo que se podría denominar una IA inclusiva, consiste en no
discriminar por características sensibles como el género, la etnia, la religión, la discapacidad o la orientación
sexual. Como los modelos de IA se diseñan en una cultura que reproduce sesgos, es necesario testearlos para
no excluir y violar los derechos humanos.
El movimiento del soware libre promueve un soware que respeta la libertad de los usuarios y la
comunidad. A grandes rasgos, significa que los usuarios tienen la libertad de ejecutar, copiar, distribuir,
estudiar, modificar y mejorar el soware. 5 Este movimiento fue inspirador de otros de apertura del
conocimiento como el acceso abierto.
Para que se pueda ejercer la libertad de modificar una aplicación de IA de forma autónoma se requiere
adherir a licencias de soware libre, 6 no solo el algoritmo, sino los datos de entrenamiento que se utilizan
para generar los modelos. La IA demanda grandes conjuntos de datos para identificar patrones y correlaciones
y si la cantidad no es suficiente el modelo del mundo no será correcto. Esto demanda no solo recursos
tecnológicos y humanos, sino también un tiempo que permita realizar el entrenamiento. Estas necesidades
conspiran contra la posibilidad concreta de utilizar la IA aún con el soware y los datos libres, por lo que
se aconseja poner en disponibilidad sin restricciones también los modelos entrenados de IA para mejorar la
reutilización e inspección.
La transparencia de IA está diferenciada en apertura e interpretabilidad. Respecto a la apertura,
corresponde al mismo concepto que se aplica a cualquier tipo de soware. Sin embargo, la interpretabilidad es
un elemento nuevo que significa la comprensión de cómo los datos que ingresan son procesados, de modo de
identificar los factores que se toman en cuenta para realizar los resultados o las predicciones y su importancia
relativa. 7

4
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

Otro aspecto que señalan como buena práctica otros adherentes del soware libre con respecto a la IA,
es la utilización de listas de testeo –como las usadas en aeronáutica- que incluyan puntos acerca de cómo se
construyó el conjunto de entrenamiento y como se pre procesó, la especificación del modelo y la arquitectura,
la evaluación de la eficiencia, exactitud e inclusión, así como los riesgos conocidos y limitaciones. 8
Respecto a los conjuntos de datos hay una propuesta (Gebru et al., 2021) que plantea estandarizar la
documentación de los mismos de modo que cada conjunto sea acompañado por un formulario que exponga
su motivación, composición, proceso de recolección y usos recomendados, entre otros elementos. De esta
forma se facilita la comunicación entre los creadores del conjunto y los consumidores, fomentando además
la transparencia y la responsabilidad en la comunidad de IA.
La transparencia y, su contrapartida, la opacidad, así como la explicabilidad son motivos de estudio. La
opacidad, según Humphreys (2009), es relativa a un agente cognitivo en un determinado momento respecto
a los elementos epistémicamente relevantes (Epistemically relevant elements, ERE). Este análisis pone en
evidencia la propiedad epistémica de la opacidad con lo cual las necesidades de explicación corresponden al
conocimiento – o su carencia- de los agentes cognitivos y en cada caso los elementos a explicar serán diferentes.
Tomsett, Braines, Harborne, Preece & Chakraborty (2018) exploran el ecosistema de los agentes que
interactúan con el aprendizaje automático y los detallan:
• Creadores o agentes que elaboran el sistema de aprendizaje automático (arquitectura, diseño,
implementación, adiestramiento, documentación, implementación y mantenimiento).
• Dueños u organizaciones.
• Implementadores.
• Operadores: proporcionan entradas y reciben las salidas del sistema.
• Ejecutores: agentes que toman decisiones, reciben información de los operadores.
• Sujetos de decisión: agentes que son afectados por decisiones tomadas por el ejecutor.
• Sujetos de datos: agentes cuya información personal ha sido usada para entrenar el sistema.
• Examinadores: agentes que auditan o investigan el sistema.
Establecida esta taxonomía, resulta claro que los EREs, para los distintos actores, son diferentes, y por tanto
deben considerarse diversos tipos de explicaciones para transparentar los sistemas. Así, el problema de la “caja
negra” se convierte en el problema de las “cajas negras”.
Zednik (2021) propone un marco de referencia normativo a partir del cual evaluar las explicaciones y las
técnicas analíticas asociadas para la explicabilidad en IA. Existen, claro, limitaciones en estas técnicas, pero
como en todo campo de investigación se avanza en su mejoramiento.
De acuerdo a las leyes de protección de datos personales existe un derecho de los sujetos de datos por lo
cual debe garantizarse la explicación sobre el uso de sus datos de acuerdo a sus necesidades epistémicas. Este
imperativo legal puede ser difuso desde el punto de vista normativo, pero desde la perspectiva ética y desde
las razones filosóficas fundantes de estas leyes de gobierno electrónico, son incuestionables.
La ciencia puede resultar muchas veces compleja para la comprensión de agentes que no tienen formación
de base científica y que confían en expertos que sí la tienen. En el caso de IA no se analizan cuestiones de
ciencia teórica, son aspectos que tienen que ver con la vida de las personas. Las personas tienen derecho
a entender por qué se rechaza, por ejemplo, una solicitud de préstamo. Si la explicabilidad de IA es muy
compleja para que lo puedan comprender, habrá que fortalecer el rol de los examinadores, y no solo en los
aspectos técnicos, sino en los éticos, para que se pueda confiar a través de ellos.

4. La inteligencia artificial en el gobierno

Capurro (2019, p. 33) sostiene que:

5
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

La sociedad, entendida como interacción entre ciudadanos libres y entre estos y el gobierno, tiene actualmente la tarea de
fomentar la participación de todos en la creación de posibles futuros digitales sobre la base de reglas de juego limpias así como
de promover la ilustración digital tanto en el sentido de educar en el manejo de las tecnologías digitales como de la reflexión
crítica sobre ellas con relación a formas de vida sustentables.

La utilización de IA por parte del gobierno electrónico en ámbitos públicos que atañen a la vida de los
ciudadanos, implica una responsabilidad a nivel gubernamental y la necesaria implicación de los ciudadanos
en la aplicación de iniciativas que regirán sobre sus vidas.
En Uruguay, en marzo de 2019, la Agencia para la Sociedad de la Información y el Conocimiento
conformó un grupo interdisciplinario de trabajo para desarrollar los principios generales y la estrategia a
seguir en la aplicación de la Inteligencia artificial en el Estado uruguayo, y luego recibir los aportes de la
ciudadanía. 9
La estrategia estableció que el uso responsable de IA involucraba cuatro dimensiones: ética, normativa,
técnica y social. Estos aspectos deberían estar presentes desde el diseño hasta la implementación de
aplicaciones. El objetivo general de la estrategia es promover y fortalecer el uso responsable de IA en la
administración pública. En ese marco, se identificaron cuatro pilares:
• Gobernanza de IA en la administración pública.
• Desarrollo de capacidades para la IA.
• Uso y aplicación de la IA.
• Ciudadanía Digital e IA.
En el área de desarrollo de capacidades, específicamente, se plantea priorizar la capacitación en contextos
multidisciplinarios, generando habilidades que permitan comprender todas las dificultades, desafíos e
impactos que se presentan al momento de utilizar IA en los servicios y procesos de la administración pública.
Adicionalmente, a los perfiles técnicos y de negocio que se vinculan con las TIC en el ámbito público,
surge la necesidad de incorporar nuevos perfiles, como por ejemplo, aquellos relacionados con formación
humanística, cuyos aportes son fundamentales para mejorar la interacción entre los sistemas de IA y sus
usuarios. Los principios generales de la estrategia son:
• Finalidad: potenciar y complementar capacidad para mejorar la vida de las personas.
• Interés general: garantizar la inclusión y la equidad. Reducir sesgos en datos y modelos que favorezcan
prácticas discriminatorias.
• Respeto de los derechos humanos: las libertades individuales y la diversidad.
• Transparencia: poner a disposición los algoritmos y datos utilizados para el entrenamiento de
la solución y su puesta en práctica, así como las pruebas y validaciones realizadas. Exponer
explícitamente los procesos que utilicen IA.
• Responsabilidad: contar con un responsable claramente identificable y que responda por las
consecuencias derivadas del accionar de la solución.
• Ética: cuando la aplicación y/o el desarrollo de soluciones basadas en IA presenten dilemas éticos,
estos deben ser abordados y resueltos por seres humanos.
• Valor agregado: se utilizará IA solamente cuando se agregue valor a un proceso.
• Privacidad por diseño: desde el diseño se considerará la privacidad de las personas.
• Seguridad: cumplir desde el diseño con los principios básicos de la seguridad de la información.

La Alianza para el Gobierno Abierto (AGA) 10 plantea que cada país realice un plan de gobierno abierto
(GA) con un conjunto de iniciativas que aporten al logro de los pilares de GA como la transparencia, la
rendición de cuentas y la participación. Estas iniciativas se denominan compromisos de GA.

6
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

En el 5to. Plan de Acción Nacional de Gobierno Abierto 2021-2024, donde se exponen en su compromiso
1.6, se propone un observatorio de uso de inteligencia artificial en el estado que irá desde el 1/5/2022 hasta
el 1/6/2024, que plantea promover y fortalecer el uso ético, responsable, seguro y confiable de IA. 11
La estrategia mencionada recoge recomendaciones de Guías del Grupo de alto nivel de IA de la comisión
europea (AI HLEG, 2019). Este grupo también trabajó en recomendaciones de políticas e inversiones
destacando la educación en IA, desde el nivel escolar a la universidad, y la adopción de un marco regulatorio
y una gobernanza adecuada.

Reflexiones finales

Es necesario profundizar en las carreras de bibliotecología y archivología la educación en tecnología, pero

no solo en los aspectos instrumentales, sino también en los marcos de pensamiento que la sustentan y su
análisis crítico. Será necesario insistir en la educación en el pensamiento computacional, el pensamiento
lógico matemático, los modelos conceptuales y todo tipo de herramientas metodológicas de representación
del mundo, que son incorporadas a los modelos algorítmicos.
La epistemología incorporada a este tipo de percepción constituye un conocimiento del que no hay que
privarse si se va a interpretar nuestro presente, y futuro, y se van a constituir actores que percibirán la urdimbre
de la realidad digital. Es importante saber para poder entender, interpretar y luego actuar para hacer sostenible
un futuro digital. En ese sentido, fortalecer la educación en el área de las HD en general, e incorporar
específicamente el tema de IA con el enfoque crítico y no instrumental en los programas de las carreras
de ciencias de la información, es un camino a profundizar. Este trayecto a emprender es particularmente
importante en nuestra región donde la implicancia política y ética de la inclusión es tangible.
Las bibliotecas llevan un rol de larga data en equilibrar las colecciones y en la defensa de todas las voces. Los
profesionales de la información tienen un papel ahora en equilibrar los conjuntos de datos de entrenamiento
para IA que aseguren la diversidad y protejan todas las perspectivas.
La interpretabilidad, la transparencia y la explicabilidad de los algoritmos puede ser cuantificable, y
constituye un derecho de los ciudadanos solicitar que se cumplan niveles adecuados de conocimiento sobre
los mismos en cuanto ellos tienen el rol de sujetos de decisión y serán afectados por las decisiones que son
tomadas a través de IA. El marco regulatorio y la gobernanza en IA que son promovidos por el gobierno
electrónico deben contemplar una perspectiva ética y los ciudadanos tenemos un papel en la participación
para que ello se cumpla.

Referencias

AI HLEG (2019). High-Level Expert Group on Artificial Intelligence: ethics guidelines for trustworthy AI. Recuperado
de [Link]
AI4IA (2020). Artificial Intelligence for Information Accessibility final conference report. Recuperado de [Link]
[Link]/post/ai4ia-final-conference-report
Behr, A. et al. (2021). Enhancing learning object repositories with ontologies. In World Conference on Information
Systems and Technologies (pp. 463-472). Springer, Cham. Recuperado de [Link]
le/10400.2/10693?locale=en
Capurro, R. (2005). Ética de la información. Un intento de ubicación. Códices, 1(2), 89-97. Recuperado de [Link]
[Link]/cgi/[Link]?article=1016&context=co
Capurro, R. (2019). Futuros digitales: breve ensayo sobre la vida sostenible en la era digital. Mètode: revista de difusión
de la investigación, 3(102), 32-37. Recuperado de [Link]
[Link]
Gebru, T. et al. (2021). Datasheets for datasets. Recuperado de [Link]

7
Palabra Clave (La Plata), abril-septiembre 2022, vol. 11, n° 2, e159. ISSN 1853-9912

Halal, W., Kolber, J., Davies, O. & Global, T. (2016). Forecasts of AI and future jobs in 2030: muddling through likely,
with two alternative scenarios. Journal of futures studies, 21(2), 83-96.
Humphreys, P. (2009). e philosophical novelty of computer simulation methods. Synthese, 169(3), 615–626.
Martínez Méndez, F. J., Pastor-Sánchez, J-A. & López Carreño, R. (2019). Linked open data en bibliotecas: estado del
arte. Information research, 25(2). Recuperado de [Link]
Rodríguez-Ortega, N. (2018). Cinco ejes para pensar las humanidades digitales como proyecto de un nuevo
humanismo digital. Humanidades digitales: sociedades, políticas, saberes Artnodes (22), 1-6. [Link]
0.7238/a.v0i22.3263
Temesio Vizoso, S. G. (2021). Inteligencia artificial en GLAM: políticas de información. En VI Jornadas de Intercambio
y Reflexión acerca de la Investigación en Bibliotecología, La Plata, Argentina. Recuperado de [Link]
[Link]/library?a=d&c=eventos&d=Jev14285
Tomsett, R., Braines, D., Harborne, D., Preece, A. & Chakraborty, S. (2018). Interpretable to whom? A role-based
model for analyzing interpretable machine learning systems. Recuperado de [Link]
806/[Link]
Wooldridge, M. & Jennings, N. R. (1995). Intelligent agents: theory and practice. e knowledge engineering review,
10(2), 115-152.
Zednik, C. (2021). Solving the black box problem: a normative framework for explainable artificial intelligence.
Philosophy & technology, 34(2), 265-288.

Notas

1 World Wide Web Consortium W3C: [Link]

2 Accesible en: [Link]
3 eXplainable Artificial Intelligence.
4 FAIR tiene el significado de justo, equitativo, sin sesgos. En IA, FAIR tiene el sentido de prevenir sesgos hacia
determinados subgrupos y mitigar su discriminación.
5 [Link]
6 [Link]
7 [Link]
8 [Link]
9 [Link]
igencia-artificial-para-gobierno-digital-hay-estrategia
10 [Link]
11 [Link]
s/5to-plan-accion-nacional-gobierno-abierto-2021-2024/compromisos/1

PDF generado a partir de XML-JATS4R por Redalyc

Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Copyright of Palabra Clave (1666-2938) is the property of Universidad Nacional de La Plata
and its content may not be copied or emailed to multiple sites or posted to a listserv without
the copyright holder's express written permission. However, users may print, download, or
email articles for individual use.