Publicado en The Chronicle of Higher Education
https://www.chronicle.com/article/ai-is-ruining-scholarship
La IA está arruinando la producción académica
Cuando delegamos la revisión de la literatura a los algoritmos, perdemos sectores enteros del conocimiento.
The Review | Ensayo
Por Mya Poe y Dylan B. Dryer
10 de agosto de 2026
Pregúntele hoy a cualquier editor de una revista académica sobre los efectos de la inteligencia artificial generativa en la publicación académica y tendrá mucho que contarle. No se trata únicamente de que el estilo de la IA resulte irritante (aunque lo es). Más allá del estilo sintácticamente plano, léxicamente rebuscado, artificioso y aburrido de los textos generados por IA, los editores de revistas están recibiendo manuscritos completos de revisión y reenvío (revise and resubmit) que, milagrosamente, han sido reelaborados en una sola noche. Y estamos siendo desbordados por los envíos. En congresos académicos recientes sobre lingüística aplicada y estudios de escritura, editores de revistas académicas informaron que sus tasas de recepción de manuscritos se han duplicado o incluso triplicado durante el último año. Todos esos trabajos escritos por máquinas todavía tienen que ser leídos y discutidos ante la posibilidad de que contengan algo valioso, y examinar toda esta basura desvía la atención de los editores de artículos con conjuntos de datos auténticos y verdaderas aportaciones humanas.
Entre los indicios reveladores a nivel de las oraciones y las inverosimilitudes a nivel del manuscrito, ahora podemos identificar un problema insidioso de nivel intermedio. Muchos artículos generados por IA presentan una revisión de la literatura caracterizada por referencias superficiales a tres o cuatro trabajos fundacionales del campo (a menudo de la década de 1980 y principios de la de 1990), seguidas de una serie de afirmaciones sobre la importancia del tema actual respaldadas por citas no integradas de entre 15 y 20 artículos publicados entre 2023 y 2026. Por lo general, no citan ningún trabajo publicado entre mediados de la década de 1990 y principios de la década de 2020. Hemos denominado a este fenómeno «el vacío intermedio» (the missing middle).
¿Por qué ocurre esto? Porque los modelos de IA generativa no pueden atravesar las barreras de acceso de las editoriales, recuperan artículos fundamentales que han sido subidos a internet y los combinan con enormes cantidades de preprints y artículos recientes de acceso abierto, muchos de ellos procedentes de revistas depredadoras. De ahí surge el vacío intermedio: trabajos que mencionan puntualmente artículos muy importantes de hace décadas y luego saltan hasta publicaciones muy recientes, sin hacer referencia alguna a la abundante literatura producida entre ambos períodos. Lo que tenemos es la apariencia superficial de una revisión exhaustiva de la producción académica relevante a lo largo del tiempo, pero sin una verdadera interacción con las múltiples líneas de investigación que conforman una disciplina académica moderna.
Lo que tenemos es la apariencia superficial de una revisión exhaustiva de la producción académica relevante a lo largo del tiempo, pero sin una verdadera interacción con ella.
Algunos signos reveladores de un artículo con «vacío intermedio» son los siguientes: no contiene citas textuales ni siquiera referencias a páginas específicas. No ofrece una narración matizada sobre cómo un campo pasó de aquellos trabajos fundacionales a su situación actual. No hay indicios de que el autor comprenda la historia del trabajo empírico que puso a prueba y perfeccionó aquellos estudios pioneros hasta llegar al presente. Tampoco demuestra conocimiento de cómo esas preguntas originales se transformaron para abordar temas surgidos durante las décadas posteriores. No existe sensibilidad histórica respecto de aquello que esas perspectivas fundacionales pasaron por alto ni de las razones por las que siguen vigentes. Solo hay bots que afirman enfáticamente que existe una «laguna» académica en los últimos tres años de investigación que debe ser subsanada.
A partir de ahí, la revisión de la literatura con un vacío intermedio se traslada a la sección de Discusión. Como saben los escritores académicos experimentados, la sección de Discusión es el lugar donde los autores retoman una selección de los trabajos citados en la revisión de la literatura y ponen sus propios hallazgos en diálogo con ellos. Pero, como los modelos de IA generativa no pueden «leer» y relacionar hallazgos novedosos con la literatura más pertinente, muchos de los manuscritos que recibimos presentan secciones de Discusión que no vuelven a la literatura para mostrar de qué manera los datos y el análisis del estudio profundizan el conocimiento en algún ámbito específico del campo. Simplemente repiten los hallazgos, generan algunas aplicaciones, hacen una referencia superficial a limitaciones evidentes —como el tamaño de la muestra o la homogeneidad de la población— y luego pasan directamente a las investigaciones futuras.
Entonces, ¿qué significa todo esto para la publicación académica y para aquello que consideramos producción académica?
Con las infraestructuras editoriales resquebrajándose bajo el peso de todo este contenido generado automáticamente, unas revisiones de literatura deficientes podrían no parecer una preocupación de primer orden. Sin embargo, el vacío intermedio que estamos observando actualmente en las revisiones de literatura generadas por IA tiene consecuencias importantes para la construcción del conocimiento. Cuando los autores delegan el análisis de la literatura de investigación en algoritmos basados en el reconocimiento de patrones textuales de recursos de acceso abierto —algunos de los cuales funcionan bajo modelos de pago por publicar y cuentan con poca o ninguna supervisión editorial—, perdemos sectores enteros del conocimiento académico. Perdemos la investigación académica cotidiana y fundamental que se encuentra en revistas de alta calidad sometidas a revisión por pares.
Una revisión sólida de la literatura es mucho más que mencionar un par de nombres, añadir una falsa elaboración y tratar de demostrar la actualidad del tema. Constituye una garantía de que los autores han examinado su ámbito del campo con suficiente profundidad como para saber qué tipos de preguntas de investigación y metodologías permitirán hacerlo avanzar mejor. Y es también una señal de que ellos son las personas adecuadas para formular esas preguntas y recopilar esos datos.
Las revisiones de literatura con un vacío intermedio no solo empobrecen la producción de conocimiento: también perjudican a los académicos en activo.
Las revisiones de literatura con un vacío intermedio no solo empobrecen la producción de conocimiento: también perjudican a los académicos en activo. Las revisiones de literatura generadas por IA vuelven a amplificar unas pocas fuentes que ya eran importantes, con efectos devastadores para los investigadores que se encuentran en las etapas iniciales e intermedias de sus carreras y que necesitan ser citados para progresar profesionalmente. Se pierden líneas innovadoras de investigación que no utilizan las palabras clave reconocidas por los modelos de IA generativa. En el proceso, las revistas depredadoras adquieren mayor visibilidad, y algunas de ellas llegan a presumir de factores de impacto comparables a los de revistas académicas legítimas. La IA deja el conocimiento académico convertido en una mezcla desordenada de fuentes citadas incorrectamente, presentada mediante marcadores de cohesión artificialmente suavizados y transiciones mecánicas.
Estamos llamando la atención de nuestros colegas sobre el vacío intermedio no porque pensemos que los editores de revistas puedan o deban intentar vigilar el uso que los investigadores hacen de las aplicaciones de IA —una tarea que probablemente sería inútil—, sino porque constituye una oportunidad para reflexionar sobre cómo ha cambiado el trabajo editorial, cómo podrían responder los editores y revisores y qué nos gustaría que hicieran los autores. Como editores de revistas, no debemos tener reparos en rechazar de entrada los manuscritos cuyas revisiones de literatura presenten claramente este vacío intermedio. Debemos pedir a los revisores que lean los manuscritos teniendo presente este problema. Y debemos insistir en que el poco glamuroso trabajo de revisar cuidadosamente la investigación existente no es simplemente una oportunidad para repetir lo que los autores ya saben, sino una forma de establecer nuevas conexiones entre el pasado y el presente. Revisar la literatura es bueno para los seres humanos: tanto el producto como el proceso valen la pena.
Como investigadores de los estudios de escritura, nosotros mismos comprendemos lo difícil que resulta elaborar una buena revisión de la literatura. Pero si los investigadores se saltan esa revisión —si no construyen por sí mismos ese tramo intermedio—, pierden la oportunidad de hacer avanzar verdaderamente el conocimiento. Siguen siendo los seres humanos quienes, mediante la lectura de la literatura, aprenden lo suficiente como para poder afirmar con certeza que no están redescubriendo algo que ya se conoce (o, peor aún, repitiendo errores del pasado). Y son los seres humanos, no las máquinas, quienes deberían trazar el camino del descubrimiento académico.
Sobre los autoresMya Poe es profesora de inglés en la Universidad Northeastern.
Dylan B. Dryer es profesor asociado de estudios de composición en la Universidad de Maine.
………………………………………………………
AI Is Ruining Scholarship
When we outsource literature review to algorithms, we lose entire sectors of knowledge.
The Review | Essay
By Mya Poe and Dylan B. Dryer
August 10, 2026
Ask any journal editor today about the effects of generative AI on academic publishing, and you’ll get an earful. It’s not just that AI style is irritating (though it is). Beyond the syntactically flat, lexically precious, oily, and boring style of AI-generated writing, journal editors are receiving entire revise-and-resubmit requests miraculously executed in a single evening. And we are getting crushed with submissions. At recent academic conferences in applied linguistics and writing studies, academic journal editors reported that their submission rates have doubled or even tripled in the last year. All those machine-written submissions must still be read and discussed on the chance that there might be something to them, and vetting all this slop takes editors’ attention away from papers with authentic datasets and real human insights.
Between the sentence-level “tells” and the manuscript-level implausibilities, we can now identify an insidious meso-level problem. Many AI-generated papers feature a literature review characterized by drive-by references to three or four foundational papers in the field (often from the 1980s and early ‘90s) and then a string of assertions about the importance of the current topic bolstered by nonintegral citations of 15 to 20 papers from 2023 to 2026. They typically cite no papers published between the mid-'90s and early 2020s at all. We have termed this phenomenon the missing middle.
Why does this happen? Because GenAI models cannot get behind publishers’ firewalls, they retrieve seminal articles that have been uploaded to the internet, combined with reams of recent pre-print and open-access articles, many from predatory journals. Hence, the missing middle: papers that spot-check highly important papers from decades ago and then leap forward to very recent publications without any reference to the deep literature in between. What we have is the surface appearance of a comprehensive survey of relevant scholarship over time, but without genuine engagement with the ramifying lines of inquiry that make up a modern academic discipline.
What we have is the surface appearance of a comprehensive survey of relevant scholarship over time, but without genuine engagement.
Some telltale signs of a “missing middle” paper: No direct quotations or even references to specific pages. No nuanced narrative about how a field got from those seminal works to where it is now. No signs that the author understands the history of empirical work that tested and refined those pioneering studies to get to the present day. No demonstrated awareness of how these original questions have changed to address topics that emerged in the decades that followed. No historical sensitivity to what those foundational perspectives missed, or why they persist. Just bots emphatically asserting that there is a scholarly “gap” in the last three years of research that must be filled.
From there, the missing middle literature review travels downstream to the Discussion section. As experienced academic writers know, the Discussion section is where authors return to a selection of the papers they cited in the literature review and place their own findings in conversation with those works. But because GenAI models cannot “read” and connect novel findings to the most relevant literature, many of the submissions we receive feature Discussion sections that do not return to the literature to show how the study’s data and analysis deepens knowledge in some specific corner of the field. They just repeat the findings, generate some applications, nod to obvious limitations of sample size or population homogeneity, and then march on to future research.
S
o what does all this mean for academic publishing and what counts as scholarship?
With publishing infrastructures cracking under the weight of all this auto-content, crappy literature reviews may not seem like a first-order concern. But the missing middle that we are now seeing in GenAI literature reviews has significant consequences for knowledge building. When authors offload analysis of the research literature to algorithms that are based on text-pattern recognition in open-access resources (some of which are pay-to-play operations with little to no editorial oversight), we lose entire sectors of scholarly knowledge. We lose the bread-and-butter academic research found in high-quality, peer-reviewed journals.
A solid literature review is more than just a couple of name-checks, faux elaboration, and a bid for topicality. It’s a warrant that the authors have surveyed their corner of their field thoroughly enough to know what kinds of research questions and methodologies will best advance it. And it is a signal that they are the right ones to ask those questions and collect that data.
Missing-middle literature reviews don’t just impoverish the production of knowledge: They penalize working scholars as well.
Missing-middle literature reviews don’t just impoverish the production of knowledge: They penalize working scholars as well. Gen-AI literature reviews reamplify a few already significant sources, with devastating effects for early and mid-career researchers who need to be cited to advance their careers. Innovative strands of research that do not use keywords recognized by GenAI models are lost. In the process, predatory journals get elevated, with some of them boasting impact-factor scores comparable to legitimate academic journals. GenAI leaves academic knowledge a jumble of incorrectly cited sources, presented with smoothed-over cohesive markers and mechanical transitions.
We are bringing the missing middle to our colleagues’ attention not because we think journal editors can or should try to police researchers’ use of AI applications — most likely a hopeless task — but as an occasion to think about how the work of editing has changed, how editors and reviewers might respond, and what we’d like authors to do. As journal editors, we need to have no qualms about desk-rejecting manuscripts with obviously missing-middle literature reviews. We need to prompt reviewers to read submissions with this problem in mind. And we need to insist that the unglamorous work of careful research reviews is not just an opportunity to recite what authors already know but a way to forge new connections between past and present. Reviewing the literature is good for humans: Both the product and the process are worthwhile.
As writing-studies researchers ourselves, we understand how challenging it is to write a good literature review. But if researchers skip the literature review — if they don’t forge the middle for themselves — they skip the opportunity to truly advance knowledge. It’s still humans who learn enough from reading the literature to be able to say for sure that they are not rediscovering what is already known (or worse, recommitting past mistakes). And it’s humans who should be charting the path of academic discovery, not machines.
About the Author
Mya Poe is a professor of English at Northeastern University.
About the Author
Dylan B. Dryer is an associate professor of composition studies at the University of Maine.
No hay comentarios:
Publicar un comentario