Los estudios sistemáticos de literatura (SLR) son vitales para la investigación académica, pero el enorme volumen de publicaciones dificulta su procesamiento manual. Los recientes avances en modelos de lenguaje de gran escala (LLM) prometen revolucionar este campo, permitiendo una filtración más eficiente y precisa de publicaciones relevantes. Un estudio evaluó el uso de LLMs para filtrar un corpus de más de 8.300 artículos, comparando los resultados obtenidos por estos modelos con los esfuerzos humanos convencionales.
Los hallazgos revelaron un drástico reduction en el tiempo necesario para la selección de artículos, pasando de semanas a minutos, al mismo tiempo que mantenía una tasa de recuperación superior al 98,8 %, superando los umbrales de error humanos típicos. El sistema emplea un esquema de consenso para determinar la inclusión o exclusión de artículos, lo que asegura altos niveles de confianza en el proceso. Este esquema reduce significativamente el margen de error presente en la revisión manual debido a la fatiga o la falta de precisión.
El uso de LLMs en la preselección automática se complementa con el enfoque interactivo de la herramienta de código abierto LLMSurver, que ofrece una interfaz visual para refinar consultas y evaluar resultados. Este método permite a los usuarios ajustar dinámicamente los agentes de LLM y los esquemas de votación, mejorando así la precisión del resultado final.
Sin embargo, hay algunas limitaciones inherentes al uso de modelos generativos que incluyen sesgos y desafíos en la interpretación de resultados complejos. A pesar de estos desafíos, el uso de estos modelos permite una gestión mucho más eficiente de grandes volúmenes de datos, haciendo que las revisiones sistemáticas sean más accesibles para los investigadores de diferentes disciplinas.
En conclusión, los modelos de lenguaje de gran escala presentan un avance significativo en la mejora de la eficiencia de las revisiones académicas. Aunque aún es necesaria la supervisión humana para evitar sesgos y asegurar interpretaciones correctas, la capacidad de estos modelos para reducir drásticamente el tiempo y esfuerzo en estas revisiones abre nuevas oportunidades en el ámbito de la investigación académica.