El crecimiento exponencial de la literatura científica ha impulsado el desarrollo de técnicas automatizadas para la síntesis de evidencias, especialmente al integrar procesamiento de lenguaje natural y aprendizaje automático. Un reciente análisis sistemático, basado en 97 estudios, revela que existe un enfoque dominante en automatizar el procesamiento de datos y el modelado estadístico, mientras que sólo un 17% aborda etapas avanzadas como la evaluación de heterogeneidad y sesgos en la síntesis de evidencias. Esto pone de manifiesto un vacío crítico en la automatización de procesos completos de meta-análisis.
A pesar de los avances significativos en modelos de lenguaje avanzado de inteligencia artificial (IA), su integración en el modelado estadístico y en síntesis de alto nivel sigue siendo insuficiente. La literatura científica reciente destaca la necesidad urgente de una síntesis de evidencias más exhaustiva, escalable y agnóstica de dominios que utilice marcos estructurados para evaluar el alineamiento entre soluciones tecnológicas y tareas específicas de meta-análisis.
En estudios recientes, se ha identificado un patrón distinto en la implementación de herramientas automatizadas, las cuales son efectivas en mejorar la eficiencia, escalabilidad y reproducibilidad de tareas específicas del meta-análisis. No obstante, el avance hacia la automatización completa sigue siendo un desafío, particularmente en aquellas etapas que requieren tareas de razonamiento complejo y síntesis.
El análisis de publicaciones académicas ha demostrado que el tiempo promedio para completar una revisión sistemática, tradicionalmente, requiere de cinco investigadores y un involucramiento intensivo con expertos de dominio para asegurar la rigurosidad y confiabilidad metodológica. Sin embargo, al integrar técnicas automatizadas se ha logrado reducir significativamente el tiempo de proceso.
Se deben priorizar los esfuerzos futuros para convencer una brecha entre cada fase del meta-análisis, refinando la interpretación y asegurando la robustez metodológica, logrando una síntesis escalable y adaptable a diversos dominios. La introducción de un marco analítico estructurado permite evaluar de manera sistemática las capacidades críticas de la automatización del meta-análisis y el alineamiento entre las soluciones tecnológicas y las tareas analíticas específicas. Este avance necesita ser integral dentro de cualquier esfuerzo automatizado futuro, integrando las innovaciones de los modelos de lenguaje en el modelado estadístico.
Los desafíos persisten, pero la comunidad científica parece estar en el camino de una integración más sustancial y técnica de la automatización de meta-análisis, capaz de transformar significativamente los procesos de síntesis de evidencias en varios campos científicos.