Revista Multidisciplinar Epistemología de las Ciencias
Volumen 3, Número 4, 2026, octubre-diciembre
DOI: https://doi.org/10.71112/gpqkd594
CUANDO LOS COPILOTOS CONFABULAN: UNA REVISIÓN CRÍTICA DE LAS
ALUCINACIONES EN LA ESCRITURA CIENTÍFICA ASISTIDA POR INTELIGENCIA
ARTIFICIAL
WHEN COPILOTS CONFABULATE: A CRITICAL REVIEW OF HALLUCINATIONS IN
AI-ASSISTED SCIENTIFIC WRITING
Leandro Guerschberg
Yael Estefanía Gutiérrez
Argentina
DOI: https://doi.org/10.71112/gpqkd594
149 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Cuando los copilotos confabulan: una revisión crítica de las alucinaciones en la
escritura científica asistida por inteligencia artificial
When copilots confabulate: a critical review of hallucinations in al-assisted
scientific writing
Leandro Guerschberg
a,*
leandro.guerschberg@docentes.unpaz.edu.ar
https://orcid.org/0009-0005-9286-6358
Yael Estefanía Gutiérrez
a
yael.e.gutierrez@docentes.unpaz.edu.ar
https://orcid.org/0009-0003-1616-2995
*
Autor de correspondencia: leandro.guerschberg@docentes.unpaz.edu.ar,
a
Universidad
Nacional de José C. Paz, Argentina
RESUMEN
Antecedentes: Los modelos de lenguaje de gran escala se han incorporado como copilotos en
la escritura científica, pero presentan una limitación crítica: la alucinación, entendida como
contenido plausible sin sustento factual. Objetivo: Revisar críticamente la frecuencia, tipología,
métodos de detección y estrategias de mitigación de las alucinaciones en copilotos de escritura
y sus implicaciones para la integridad científica. Métodos: Se realizó una revisión crítica de
literatura con búsqueda sistematizada entre enero de 2023 y junio de 2025, organizada según
PRISMA 2020; el corpus final quedó constituido por ocho trabajos. Resultados: Los estudios
mostraron marcada heterogeneidad según la tarea y la definición operacional: 1,47% de
alucinaciones en resúmenes clínicos estructurados, frente a proporciones de referencias
inexistentes de 18% a 91,4% en generación abierta según el modelo. Conclusiones: La
evidencia no respalda el uso autónomo de copilotos de IA en la producción científica; la
verificación humana de las fuentes citadas resulta indispensable.
DOI: https://doi.org/10.71112/gpqkd594
150 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Palabras clave: modelos de lenguaje de gran escala; alucinación; confabulación; fabricación
de referencias; escritura científica; copilotos de IA.
ABSTRACT
Background: Large language models have been increasingly incorporated as copilots in
scientific writing, but present a critical limitation: hallucination, understood as plausible content
lacking factual support. Objective: To critically review the frequency, typology, detection
methods, and mitigation strategies of hallucinations in writing copilots, and their implications for
scientific integrity. Methods: A critical literature review with systematized search was conducted
between January 2023 and June 2025, organized according to PRISMA 2020; the final corpus
comprised eight publications. Results: The studies showed marked heterogeneity according to
task and operational definition: 1.47% hallucinations in structured clinical summaries, versus
proportions of non-existent references ranging from 18% to 91.4% in open-ended generation
depending on the model. Conclusions: The evidence does not support the autonomous use of
AI copilots in scientific production; human verification of cited sources remains indispensable.
Keywords: large language models; hallucination; confabulation; reference fabrication; scientific
writing; AI copilots.
Recibido: 14 de septiembre 2026 | Aceptado: 30 de septiembre 2026 | Publicado: 1 de octubre 2026
INTRODUCCIÓN
Desde el lanzamiento de ChatGPT en noviembre de 2022, los modelos de lenguaje de
gran escala (LLM) se incorporaron rápidamente como «copilotos de IA» en los flujos de trabajo
de científicos, clínicos y académicos, asistiendo en la redacción, la síntesis de literatura, la
sugerencia de marcos metodológicos y la producción de referencias bibliográficas a demanda
DOI: https://doi.org/10.71112/gpqkd594
151 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
(Alkaissi y McFarlane, 2023; Liu et al., 2025). En este trabajo se define un copiloto como un
asistente basado en LLM que provee apoyo contextual para tareas de redacción, síntesis y
producción de conocimiento en entornos académicos (Lund-Tonnesen et al., 2025; Huang et
al., 2025), con independencia de su denominación comercial. Una encuesta global de Nature a
investigadores postdoctorales reportó que un tercio de los encuestados usaba IA para mejorar
textos, programar u organizar bibliografía (Nordling, 2023).
Esta expansión convive con una vulnerabilidad documentada: la capacidad de los LLM
de generar contenido coherente y presentado con seguridad discursiva, pero que puede
carecer de sustento factual, fenómeno denominado «alucinación» (Huang et al., 2025), también
llamado «alucinación artificial» en el dominio clínico (Alkaissi y McFarlane, 2023) y descrito
como un riesgo persistente incluso en aplicaciones críticas (Azamfirei et al., 2023). Farquhar et
al. (2024) reservan el término «confabulación» para generaciones incorrectas y arbitrarias cuya
respuesta varía ante factores irrelevantes como la semilla aleatoria; Smith et al. (2023)
sostienen, en el mismo debate terminológico, que la metáfora neuroanatómica de la
confabulación describe con mayor precisión estas generaciones erróneas pero coherentes en
su forma. El título de este trabajo emplea «confabular» en su sentido corriente, y el uso técnico
se retoma en la sección 3.2.
La distinción no es solo terminológica. Alkaissi y McFarlane (2023) mostraron que
ChatGPT, al explicar la patogénesis de la osteoporosis por homocistinuria, produjo una
narrativa plausible sin respaldo en la literatura y, al pedir referencias, generó cinco citas con
autores e identificadores PubMed de apariencia legítima, ninguno correspondiente a los
artículos citados. Walters y Wilder (2023) analizaron 636 citas de GPT-3.5 y GPT-4 en 84
revisiones sobre 42 temas: el 55% (GPT-3.5) y el 18% (GPT-4) correspondían a obras
inexistentes, y aun entre citas reales el 43% y el 24%, respectivamente, contenían errores
DOI: https://doi.org/10.71112/gpqkd594
152 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
sustantivos. Chelli et al. (2024), en cirugía ortopédica, reportaron tasas del 39,6% (GPT-3.5),
28,6% (GPT-4) y 91,4% (Bard).
Estas cifras no son mediciones intercambiables de una propiedad estable: dependen de
la tarea, la versión del modelo, la unidad de análisis, la definición operacional y las condiciones
de despliegue. La variabilidad no reduce, sin embargo, la relevancia del problema: las citas
vinculan afirmaciones con evidencia previa (Walters y Wilder, 2023), y una referencia
inexistente con apariencia formal correcta es difícil de detectar sin recuperar y contrastar la
fuente, con consecuencias que en contextos clínicos exceden la integridad académica y
alcanzan la seguridad y la responsabilidad institucional (Asgari et al., 2025; Singhal et al.,
2023).
El problema excede la fabricación de referencias: Huang et al. (2025) identifican
también contradicciones respecto de una fuente, información no verificable, errores de
factualidad y violaciones de fidelidad, mientras que Farquhar et al. (2024) añaden la
arbitrariedad como componente adicional. Comprobar que una referencia existe no garantiza
que respalde la afirmación asociada, y una respuesta consistente no equivale a evidencia de
factualidad.
Los aportes relevantes están dispersos entre campos: taxonomías generales (Huang et
al., 2025), fabricación de referencias (Walters y Wilder, 2023; Chelli et al., 2024), riesgos de la
escritura académica (Alkaissi y McFarlane, 2023; Liu et al., 2025), detección (Farquhar et al.,
2024) y despliegue clínico (Asgari et al., 2025; Singhal et al., 2023). Esta revisión busca
integrarlos en torno al uso de los LLM como copilotos de escritura, con cuatro objetivos: (1)
caracterizar la tipología y los mecanismos de las alucinaciones; (2) sintetizar la evidencia
cuantitativa sobre su frecuencia; (3) examinar los métodos de detección y mitigación; y (4)
analizar sus implicaciones para la integridad científica y la gobernanza.
DOI: https://doi.org/10.71112/gpqkd594
153 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
METODOLOGÍA
Diseño y alcance de la revisión
Este trabajo presenta una revisión crítica de literatura con búsqueda bibliográfica
sistematizada y síntesis narrativa, orientada a sintetizar evidencia empírica y aportes teóricos
sobre las alucinaciones producidas por LLM en la escritura científica y académica; este diseño
se justifica por la naturaleza emergente del fenómeno y la heterogeneidad de la literatura
disponible (estudios experimentales, evaluaciones comparativas, revisiones de alcance y
propuestas taxonómicas).
A diferencia de una revisión sistemática orientada a una estimación cuantitativa
agregada, el propósito fue construir un corpus delimitado que permitiera examinar la tipología y
los mecanismos de las alucinaciones, su magnitud en distintas tareas y modelos, los métodos
de detección y mitigación disponibles, y sus implicaciones para la integridad y la gobernanza,
privilegiando la articulación conceptual y la comparación contextualizada antes que la
agregación estadística.
Para dar transparencia al proceso de selección se tomaron como referencia las etapas
de identificación, cribado, elegibilidad e inclusión del diagrama PRISMA 2020 (Page et al.,
2021), usado solo para organizar y comunicar la conformación del corpus, sin metaanálisis,
dada la heterogeneidad entre estudios en modelos, tareas, unidades de análisis y definiciones
operacionales.
El alcance se concentró en la relación entre estos modos de fallo y la producción de
conocimiento científico, con atención a la generación y verificación de referencias, la escritura
académica, la síntesis de literatura y la documentación especializada, incorporando también
estudios clínicos y biomédicos cuando aportaban elementos pertinentes para comprender los
mecanismos o las condiciones que modulan su frecuencia.
DOI: https://doi.org/10.71112/gpqkd594
154 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Estrategia de búsqueda bibliográfica
La búsqueda se realizó en PubMed/MEDLINE, Scopus, Web of Science Core Collection,
ACM Digital Library, Google Scholar, ScienceDirect y JSTOR, así como en recursos de acceso
institucional y abierto, combinación justificada por la naturaleza interdisciplinaria del fenómeno
(lingüística computacional, IA, recuperación de información, comunicación científica, integridad
académica y seguridad clínica).
El período de elegibilidad se delimitó entre enero de 2023 y junio de 2025, coincidiendo
con el despliegue masivo de LLM de propósito general utilizables sin mediación técnica
especializada; los trabajos anteriores se usaron, cuando fue necesario, solo como
antecedentes conceptuales.
Dado que el fenómeno carece de una denominación única (hallucination, confabulation,
factuality, faithfulness, fabrication, misinformation), se combinaron con operadores booleanos
tres núcleos de términos: el fenómeno de interés; los modelos o sistemas analizados
(ChatGPT, GPT, Bard, large language models); y los contextos de aplicación relevantes para la
revisión (scientific writing, academic writing, systematic reviews, clinical documentation,
biomedical research). Términos específicos vinculados con procedimientos de evaluación,
como semantic entropy, benchmark o citation verification, se utilizaron en búsquedas
complementarias cuando resultó pertinente. No se restringió el idioma en la búsqueda inicial,
aunque los trabajos finalmente incluidos estaban publicados en inglés.
Criterios de inclusión y exclusión
Los criterios de elegibilidad priorizaron la pertinencia del trabajo para el problema
analizado y la disponibilidad de información metodológica suficiente, no el prestigio
bibliométrico de la revista. Se incluyeron estudios con mediciones empíricas de alucinaciones,
fabricación de referencias, errores de factualidad o violaciones de fidelidad, así como trabajos
DOI: https://doi.org/10.71112/gpqkd594
155 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
que, sin una tasa específica, aportaran taxonomías, marcos conceptuales, procedimientos de
detección o estrategias de mitigación relevantes.
Se exigió publicación en revistas revisadas por pares con identificación bibliográfica
formal. Se excluyeron los preprints sin revisión por pares, los estudios centrados
exclusivamente en modelos visión-lenguaje sin relación con la escritura científica, los trabajos
anteriores a enero de 2023 y aquellos con pertinencia insuficiente tras el examen del título, el
resumen o el texto completo.
La aplicación de estos criterios permitió distinguir evidencia directa (generación de
referencias, escritura académica, evaluación de contenido) de evidencia contextual (aportes
taxonómicos, técnicos o metodológicos), distinción mantenida durante la síntesis para evitar
equiparar hallazgos de tareas metodológicamente diferentes.
Proceso de selección de los estudios
El proceso de selección se organizó en cuatro etapas siguiendo PRISMA 2020 (Page et
al., 2021); el cribado por título y resumen y la elegibilidad a texto completo se realizaron de
forma dual e independiente por los dos autores (Guerschberg y Gutiérrez), resolviendo
discrepancias por consenso.
Se identificaron 171 registros; tras eliminar 24 duplicados quedaron 147 para cribado,
etapa en la que se excluyeron 116 registros sin relación suficiente con el problema. Los 31
trabajos restantes se evaluaron a texto completo; se excluyeron 23 (ocho preprints, seis sobre
modelos visión-lenguaje, cinco anteriores a 2023 y cuatro con pertinencia insuficiente),
quedando ocho trabajos en el corpus final, con diseños y finalidades diferentes conservados
deliberadamente por su valor complementario.
DOI: https://doi.org/10.71112/gpqkd594
156 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
El proceso completo se resume en la Figura 1.
Figura 1
Diagrama de flujo PRISMA del proceso de selección de trabajos
Fuente: elaboración propia a partir de la estructura de PRISMA 2020 (Page et al.,
2021).
Estrategia de análisis y síntesis
Los ocho trabajos incluidos se examinaron mediante una estrategia narrativa y
comparativa orientada a identificar regularidades, diferencias y relaciones entre los hallazgos,
preservando las condiciones bajo las cuales cada resultado fue producido, considerando
autores, año, revista, tipo de estudio, muestra, modelo, tarea, procedimiento de medición y
resultados principales.
La interpretación prestó atención central a la definición operacional de alucinación de
cada trabajo, dado que el término no designa una única clase de error; las tasas se
interpretaron en relación con la definición, la unidad de análisis y el procedimiento de
verificación de cada investigación, y no como estimaciones equivalentes de una única variable,
con una finalidad analítica y contextual antes que metaanalítica.
La síntesis se estructuró en cuatro ejes: (1) tipología y mecanismos de las alucinaciones
(intrínsecas/extrínsecas, factualidad/fidelidad, confabulación); (2) frecuencia y tasas
cuantitativas, con atención a la fabricación de referencias; (3) métodos de detección y
DOI: https://doi.org/10.71112/gpqkd594
157 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
mitigación; y (4) implicaciones para la integridad científica y la gobernanza. Se distinguió, como
criterio transversal, entre evidencia directa y contextual, para evitar la extrapolación automática
entre tareas metodológicamente diferentes.
Conviene distinguir, para la lectura de las secciones siguientes, entre el corpus analítico
principal (los ocho trabajos PRISMA, fuente exclusiva de los resultados de la Sección 3) y la
literatura contextual complementaria (fuentes adicionales verificables citadas en la Introducción
y la Discusión para situar el problema, sin integrar el corpus ni aportar resultados propios de
esta revisión).
RESULTADOS
Panorama de los estudios incluidos
El corpus final estuvo constituido por ocho trabajos publicados entre 2023 y 2025, con
marcada heterogeneidad en diseños, unidades de análisis, modelos y contextos de aplicación,
lo que permitió integrar evidencia directamente vinculada con la escritura científica junto con
aportes conceptuales y metodológicos de otros escenarios de uso de los LLM.
Cuatro trabajos aportaron evidencia directa: Walters y Wilder (2023) y Chelli et al.
(2024) evaluaron la fabricación y precisión de referencias; Alkaissi y McFarlane (2023)
documentaron tempranamente afirmaciones y referencias inexistentes; y Liu et al. (2025)
examinaron oportunidades, límites y problemas éticos del uso de ChatGPT en escritura
académica. Los cuatro restantes aportaron evidencia contextual: Huang et al. (2025)
desarrollaron una taxonomía amplia; Farquhar et al. (2024) propusieron un método de
detección por entropía semántica; Singhal et al. (2023) evaluaron un modelo médico
especializado; y Asgari et al. (2025) analizaron tasas de alucinación y omisión en un marco
clínico estructurado. Lund-Tonnesen et al. (2025), citado en la introducción, no integra este
corpus; se usa solo como antecedente conceptual.
DOI: https://doi.org/10.71112/gpqkd594
158 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
La Tabla 1 resume las características de los ocho trabajos incluidos; la distinción entre
evidencia directa y contextual es analítica y no implica jerarquización de calidad.
Tabla 1.
Resumen de los trabajos incluidos en la revisión crítica (2023-2025)
Autor(es)
Año
Revista
Tipo de
estudio
N / corpus
Aporte principal a la revisión
Alkaissi y
McFarlane
2023
Cureus
Reporte de
caso /
editorial
2 temas
Documentación temprana de
afirmaciones y referencias
bibliográficas inexistentes
Huang et al.
2025
ACM
Transactions on
Information
Systems
Revisión
sistemática /
encuesta del
campo
Revisión
extensa
Taxonomía de alucinaciones
intrínsecas y extrínsecas;
factualidad y fidelidad
Liu et al.
2025
Arquivos
Brasileiros de
Oftalmologia
Revisión de
alcance
327
documentos
Riesgos y desafíos de ChatGPT en
escritura académica
Chelli et al.
2024
Journal of Medical
Internet Research
Estudio
empírico
comparativo
471
referencias;
33
consultas
Tasas de fabricación y precisión de
referencias en GPT-3.5, GPT-4 y
Bard
Singhal et al.
2023
Nature
Evaluación
de
benchmark
MultiMedQA
Desempeño de Med-PaLM y
persistencia de limitaciones de
factualidad y seguridad
Farquhar et
al.
2024
Nature
Estudio
metodológico
experimental
Múltiples
LLM y
tareas de
pregunta-
respuesta
Detección de confabulaciones
mediante entropía semántica
Walters y
Wilder
2023
Scientific Reports
Estudio
empírico
636 citas;
84
revisiones
Fabricación y errores en
referencias generadas por GPT-3.5
y GPT-4
Asgari et al.
2025
npj Digital
Medicine
Marco
metodológico
+ estudio
empírico
12.999
oraciones
Tasas de alucinación y omisión
bajo condiciones clínicas
estructuradas
Fuente: elaboración propia. Nota: N refiere al tamaño muestral o a las características
del corpus según el diseño de cada trabajo.
DOI: https://doi.org/10.71112/gpqkd594
159 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Taxonomía y mecanismos de las alucinaciones en copilotos de IA
Huang et al. (2025) proporcionan el marco taxonómico más amplio del corpus. Las
alucinaciones intrínsecas contradicen información verificable de la fuente (por ejemplo, invertir
la conclusión de un artículo citado); las extrínsecas incorporan información no verificable a
partir de la fuente o de registros externos, de lo cual la fabricación de una referencia inexistente
es el ejemplo más relevante. En una segunda dimensión, los errores de factualidad implican
información empíricamente incorrecta, mientras que las violaciones de fidelidad distorsionan el
contenido de una fuente existente.
Farquhar et al. (2024) incorporan el concepto de confabulación para respuestas
incorrectas y arbitrarias: ante consultas equivalentes, el modelo puede producir respuestas
semánticamente divergentes (en su ejemplo, sobre el blanco molecular de Sotorasib, KRAS-
G12C correcto frente a KRAS-G12D incorrecto), problema de naturaleza distinta a un error
consistente y que exige mecanismos de detección propios.
Asgari et al. (2025) distinguen además alucinaciones (información no respaldada por la
fuente) de omisiones (información relevante no incorporada): sobre 12.999 oraciones
evaluadas, reportaron 3,45% de omisión y 1,47% de alucinación, mostrando que evaluar la
calidad de una salida no puede limitarse a la información falsa incorporada. En conjunto,
«alucinación» agrupa modos de fallo diferentes: verificar la existencia de una referencia no
garantiza fidelidad, ni la consistencia garantiza factualidad.
Frecuencia y tasas cuantitativas de alucinación
Las tasas de alucinación del corpus mostraron variabilidad considerable, coherente con
la advertencia metodológica de la sección 2.5: las cifras corresponden a modelos, tareas y
definiciones operacionales diferentes.
DOI: https://doi.org/10.71112/gpqkd594
160 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Citas bibliográficas fabricadas
Walters y Wilder (2023), sobre 636 citas de GPT-3.5 y GPT-4 en 84 revisiones de 42
temas, hallaron que el 55% (GPT-3.5) y el 18% (GPT-4) de las referencias correspondían a
obras inexistentes, y que entre las citas reales el 43% y el 24%, respectivamente, contenían al
menos un error sustantivo en autoría, título, año, revista o paginación: el problema comprende,
por tanto, tanto la fabricación completa como la alteración parcial de una fuente real. Esto es
consistente con la naturaleza generativa de los LLM, que en ausencia de recuperación externa
combinan nombres, títulos y años de manera verosímil sin corresponder a un registro
bibliográfico real.
Chelli et al. (2024), sobre 33 consultas y 471 referencias para once revisiones
sistemáticas en cirugía ortopédica, reportaron tasas de alucinación del 39,6% (GPT-3.5), 28,6%
(GPT-4) y 91,4% (Bard), con precisión en recuperar referencias reales del 9,4%, 13,4% y 0%
respectivamente, desempeño insuficiente para considerar estos modelos sustitutos autónomos
de una estrategia bibliográfica formal.
El caso de Alkaissi y McFarlane (2023) ilustra la dimensión cualitativa del problema: el
PMID 12352394, ofrecido como respaldo de una explicación sobre homocisteína y
osteocalcina, correspondía en realidad a un trabajo sobre grapas de titanio en cirugía urológica,
falsedad detectable solo mediante recuperación efectiva del documento. En conjunto, estos
estudios muestran que la fabricación bibliográfica puede producir una fuente inexistente, una
referencia parcialmente incorrecta o una atribución formalmente válida pero desvinculada de la
afirmación que pretende respaldar.
DOI: https://doi.org/10.71112/gpqkd594
161 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Alucinaciones en la síntesis de conocimiento médico
Singhal et al. (2023) desarrollaron Med-PaLM, que alcanzó 67,6% de precisión en
MedQA, pero la evaluación humana mostró que ese desempeño no eliminaba errores de
factualidad, razonamiento y seguridad, particularmente ante razonamiento causal o integración
de información de distintos dominios clínicos.
Este resultado es relevante como evidencia contextual: un desempeño elevado en
benchmarks no garantiza confiabilidad epistémica ni permite estimar una tasa de alucinación en
escritura científica.
Alucinaciones bajo condiciones de despliegue clínico estructurado
Asgari et al. (2025) reportaron 1,47% de alucinación en resumen clínico restringido, la
tasa más baja del corpus, con taxonomía explícita de errores, 18 configuraciones
experimentales, evaluación de seguridad y anotación humana (CREOLA) sobre documentos
fuente disponibles como contexto, junto con 3,45% de omisión. Esto sugiere que condiciones
estructuradas, fuentes explícitas y validación pueden reducir ciertos errores, aunque el
contraste con Walters y Wilder (2023) o Chelli et al. (2024) debe leerse como ilustración de la
amplitud de resultados posibles, no como efecto atribuible a una arquitectura específica.
Factores asociados con la variabilidad de las tasas de alucinación
La comparación contextual de los estudios permite identificar patrones emergentes, no
efectos causales aislados, dada la heterogeneidad del corpus. La versión del modelo es el
factor más consistente: tanto Walters y Wilder (2023) como Chelli et al. (2024) hallaron
menores tasas en GPT-4 que en GPT-3.5, y Bard presentó una tasa de alucinación
sensiblemente mayor que ambas versiones de GPT.
La estructura de la tarea y la disponibilidad de fuentes constituyen un segundo factor: la
generación abierta de referencias exige producir información sin documentos de contexto,
mientras que el resumen restringido provee información explícita; los resultados son
DOI: https://doi.org/10.71112/gpqkd594
162 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
compatibles con la hipótesis de que un mayor anclaje documental reduce ciertas alucinaciones,
sin que el corpus permita cuantificar este efecto de forma aislada.
La densidad terminológica del dominio puede aumentar la plausibilidad formal de un
error (por ejemplo, en literatura biomédica), y la estructura formal de las referencias genera un
perfil de riesgo particular: verificar una cita exige comprobación externa, de modo que el costo
de verificación supera ampliamente el de producción, generando una asimetría entre facilidad
de generación y dificultad de detección.
Métodos de detección y aproximaciones de control
Farquhar et al. (2024) proponen la entropía semántica, que estima la incertidumbre a
nivel del significado generando múltiples respuestas para una consulta, agrupándolas por
equivalencia semántica y midiendo su dispersión: una entropía elevada indica respuestas
divergentes, comportamiento propio de la confabulación. El método no depende de la forma
superficial del texto, pero no identifica errores factuales sistemáticos y consistentes, y aumenta
el costo computacional.
Asgari et al. (2025) representan una aproximación complementaria basada en la
estructuración integral del proceso (taxonomías de error, anotación humana, evaluación de
seguridad, refinamiento iterativo), mostrando que la reducción de alucinaciones depende
también del diseño del flujo de trabajo, no solo de la arquitectura del modelo.
Ningún procedimiento único detecta todas las formas de alucinación: confabulaciones, errores
factuales sistemáticos, referencias inexistentes y violaciones de fidelidad requieren
mecanismos de control diferenciados, combinando detección automática con verificación
externa y revisión humana.
DOI: https://doi.org/10.71112/gpqkd594
163 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
DISCUSIÓN
El copiloto no confiable: una síntesis crítica
La evidencia integrada converge en que los LLM no ofrecen, en las condiciones
estudiadas, garantías suficientes para ser fuentes autónomas de contenido factual o
bibliográfico; su fluidez y velocidad explican su atractivo como herramientas de productividad,
pero dificultan identificar errores cuando el contenido conserva apariencia de plausibilidad
académica. Esta organización de las alucinaciones sistematizada por Huang et al. (2025) es,
además, consistente con marcos más generales de la generación de lenguaje natural, como Ji
et al. (2023), literatura contextual ajena al corpus.
La alucinación no es una propiedad binaria ni una tasa estable atribuible a un modelo
con independencia del contexto: varía según la versión, la tarea, la disponibilidad de fuentes, la
definición operacional y el procedimiento de verificación, sin permitir una escala lineal entre
condiciones de despliegue, aunque sí advertir que la confiabilidad de una respuesta depende
de la interacción entre modelo, tarea y condiciones de uso. En la misma línea, aunque fuera del
corpus analítico, Anh-Hoang et al. (2025) atribuyen parte de las alucinaciones reportadas en la
literatura a estrategias de prompting subóptimas y no solo al comportamiento intrínseco del
modelo.
El problema no reside solo en el error sino en su presentación: las referencias
fabricadas conservan autores plausibles, revistas reconocibles y títulos verosímiles, sin una
señal discursiva que distinga la generación correcta de la fabricación, por lo que el usuario
debe recurrir a verificación externa. El concepto de copiloto es aquí pertinente: estos sistemas
asisten en redacción y exploración, pero la evidencia no respalda transferirles la
responsabilidad epistémica, que permanece en quienes utilizan y firman el contenido.
DOI: https://doi.org/10.71112/gpqkd594
164 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Implicaciones para la integridad científica
La integridad de la comunicación científica depende de la atribución precisa de fuentes,
la verificabilidad, la transparencia metodológica y la responsabilidad sobre el contenido
publicado; las alucinaciones de los LLM no son solo un problema técnico, sino que pueden
alterar la relación entre una afirmación y la evidencia que pretende sostenerla.
Las referencias fabricadas son el caso más evidente: introducen evidencia irrecuperable
y atribuyen autoridad a autores que no produjeron el conocimiento citado. Las violaciones de
fidelidad son menos visibles, pues la existencia efectiva del artículo genera una apariencia de
validación, aunque su contenido haya sido tergiversado; comprobar que una referencia existe y
comprobar lo que efectivamente afirma son operaciones distintas. Fuera del corpus,
Bhattacharyya et al. (2023) refuerzan este patrón: de 115 referencias médicas de ChatGPT,
47% eran fabricadas y 46% reales pero inexactas, y solo 7% resultó auténtico y preciso.
Esto importa especialmente cuando los LLM aceleran revisiones de literatura: si la verificación
posterior no ocurre, el ahorro de tiempo reduce la trazabilidad epistémica del manuscrito. Liu et
al. (2025), en 327 documentos, identificaron además información desactualizada, riesgo de
plagio, sesgos, ambigüedad de autoría y erosión de la escritura como proceso de aprendizaje.
Un LLM no puede asumir responsabilidad por una afirmación falsa ni garantizar que sus
referencias fueron verificadas; esa responsabilidad permanece en los autores humanos, de
modo que el copiloto no reduce sus obligaciones tradicionales, sino que agrega obligaciones de
comprobación y transparencia. En esta línea, el Committee on Publication Ethics (2023)
sostiene que un LLM no puede figurar como autor porque no puede asumir responsabilidad por
el contenido ni declarar conflictos de interés, y que su uso debe declararse explícitamente en el
manuscrito. La declaración del uso de IA debe, por tanto, hacer visible en qué etapa intervino la
herramienta y qué se verificó.
DOI: https://doi.org/10.71112/gpqkd594
165 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Estrategias de mitigación
Las estrategias disponibles para reducir el riesgo operan en niveles distintos del
problema, sin que la heterogeneidad del corpus permita establecer una jerarquía definitiva
entre ellas: modifican la información disponible, estructuran la generación, detectan
incertidumbre o desplazan el control hacia la verificación humana.
Anclar la generación en fuentes explícitas, por provisión directa o por RAG, es una
primera vía; el corpus no incluye estudios que aíslen el efecto de RAG, pero la tasa de 1,47%
de Asgari et al. (2025) con documentos fuente disponibles, contrastada con las tasas
superiores de Chelli et al. (2024) en generación abierta, ilustra la importancia potencial del
anclaje documental sin permitir establecer causalidad. Fuera del período de elegibilidad,
antecedentes en generación conversacional señalan que la recuperación documental puede
reducir el contenido no sustentado (Shuster et al., 2021). La disponibilidad de fuentes no
elimina todo error: un sistema puede representar incorrectamente una fuente pertinente.
Los marcos de despliegue estructurado son una segunda vía: Asgari et al. (2025)
combinaron taxonomías de error, configuraciones alternativas, evaluación de seguridad y
anotación humana, mostrando que la reducción del riesgo depende también del diseño del flujo
de trabajo. La verificación independiente de referencias, tercera vía y la de aplicación más
inmediata para el autor individual, exige contrastar toda referencia propuesta con una fuente
externa, comprobando existencia, datos bibliográficos y correspondencia con la afirmación
citada, precaución justificada por las tasas de Walters y Wilder (2023) y Chelli et al. (2024).
La cuarta vía es la detección automática: Farquhar et al. (2024) muestran que la
entropía semántica identifica confabulaciones por variabilidad semántica, aunque no detecta
errores factuales sistemáticos y consistentes. Fuera del corpus, Manakul et al. (2023) proponen
un método zero-resource similar (SelfCheckGPT) basado en la consistencia interna de
DOI: https://doi.org/10.71112/gpqkd594
166 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
múltiples respuestas. La Tabla 2 sintetiza las cuatro vías identificadas en el corpus y su
principal limitación; ninguna resuelve el problema de manera independiente.
Tabla 2.
Síntesis de estrategias de mitigación identificadas en el corpus
Estrategia
Nivel del problema
sobre el que actúa
Evidencia en el corpus
Principal limitación
Provisión o
recuperación
de información
fuente
Modifica la
información
disponible para el
modelo antes o
durante la
generación
Asgari et al. (2025):
generación estructurada con
documentos fuente
disponibles; evidencia
contextual sobre la relevancia
del anclaje documental, sin
evaluación específica de RAG
No garantiza la fidelidad
de la interpretación y el
corpus no permite
estimar de manera
aislada el efecto de la
recuperación documental
Marcos de
despliegue
estructurado
Estructura el proceso
de generación y
evaluación
Asgari et al. (2025):
taxonomías de error,
configuraciones múltiples,
anotación humana
Requiere rediseño del
flujo de trabajo, no solo
del modelo
Verificación
independiente
de referencias
Desplaza el control
hacia la revisión
humana posterior
Justificada por las tasas de
fabricación de Walters y Wilder
(2023) y Chelli et al. (2024)
Depende enteramente
de la diligencia del autor;
no es automatizable sin
herramientas externas
Detección
automática
mediante
entropía
semántica
Identifica
incertidumbre en el
momento de la
generación
Farquhar et al. (2024):
detección de confabulaciones
por variabilidad semántica
No detecta errores
factuales sistemáticos y
consistentes; aumenta el
costo computacional
Fuente: elaboración propia a partir del análisis narrativo del corpus.
DOI: https://doi.org/10.71112/gpqkd594
167 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Dimensiones de gobernanza
La incorporación de copilotos de IA plantea problemas que exceden las decisiones
individuales de los investigadores y justifican dimensiones institucionales de gobernanza que
involucren revistas, universidades, organismos de investigación y desarrolladores.
La transparencia sobre el uso de IA debería diferenciar entre corrección lingüística,
reformulación, síntesis de documentos propios, generación inicial de contenido y propuesta de
referencias, tareas con perfiles de riesgo distintos. Fuera del corpus, Yoo (2025) compara
políticas editoriales internacionales y encuentra convergencia parcial en la prohibición de
autoría no humana, con variaciones en el detalle exigido; Ganjavi et al. (2024), en cien
editoriales y cien revistas líderes, hallaron que solo 17% de los editores y 70% de las revistas
ofrecían pautas específicas sobre IA generativa. Se requieren además instrumentos
estandarizados: los diseños de Walters y Wilder (2023) y Chelli et al. (2024), estos sí del
corpus, muestran que es posible operacionalizar la fabricación y precisión de referencias,
aunque la diversidad de criterios dificulta comparar modelos en el tiempo.
Los usuarios tampoco disponen de información interpretable sobre el desempeño
esperado por tarea, ya que un benchmark general no permite inferir el comportamiento en
generación de referencias o síntesis de literatura. La gobernanza debe distribuir
responsabilidades: desarrolladores, instituciones y revistas deben reducir el riesgo previsible y
definir condiciones de uso y verificación, mientras que los autores mantienen la responsabilidad
final sobre lo que incorporan al registro científico.
DOI: https://doi.org/10.71112/gpqkd594
168 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Limitaciones de esta revisión
Esta revisión presenta limitaciones. Se trata de una revisión crítica con un corpus final
de ocho trabajos, que no pretende ser un relevamiento exhaustivo de la literatura sobre
alucinaciones en LLM; pueden existir investigaciones pertinentes no incorporadas. El corpus
combina evidencia directa sobre escritura científica con evidencia contextual clínica y
metodológica, lo que limita la extrapolación directa de ciertos resultados a los procesos de
escritura académica.
La heterogeneidad entre modelos, versiones, tareas, unidades de análisis y
procedimientos de verificación impide interpretar las tasas como mediciones de una única
variable homogénea, por lo que se adoptó una estrategia narrativa y no un metaanálisis. Las
tasas cuantitativas, además, corresponden a versiones específicas de modelos en rápida
evolución y no deben interpretarse como propiedades permanentes; la delimitación temporal
(enero de 2023 a junio de 2025) excluyó del corpus principal trabajos teóricos anteriores,
usados solo como contexto conceptual.
Los ocho trabajos incluidos estaban publicados en inglés, por lo que la revisión no
permite establecer si el fenómeno se comporta de modo diferente en otros idiomas. Tampoco
se aplicó una herramienta estandarizada de evaluación del riesgo de sesgo; los estudios se
examinaron críticamente con una finalidad interpretativa, coherente con el carácter crítico y la
estrategia de síntesis narrativa adoptada, lo que debe considerarse al ponderar la fortaleza de
las inferencias derivadas de un corpus pequeño y heterogéneo.
DOI: https://doi.org/10.71112/gpqkd594
169 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
CONCLUSIONES
La evidencia integrada muestra de manera consistente que los copilotos de escritura
basados en IA no ofrecen, en las condiciones examinadas, garantías suficientes para ser
herramientas autónomas de producción de conocimiento científico. Los estudios centrados en
generación bibliográfica documentaron proporciones relevantes de referencias inexistentes o
incorrectas, variables según el modelo, la tarea y la definición operacional; estas cifras no
representan una tasa universal de alucinación, sino evidencia de que, en ciertos escenarios de
escritura y búsqueda bibliográfica, el riesgo alcanza magnitudes incompatibles con la
aceptación no verificada del contenido generado.
La comprensión conceptual del fenómeno también avanzó: la distinción entre
alucinaciones intrínsecas y extrínsecas, junto con los ejes de factualidad y fidelidad (Huang et
al., 2025) y la noción técnica de confabulación (Farquhar et al., 2024), permite diferenciar
modos de fallo con consecuencias distintas para la escritura científica. Asgari et al. (2025)
muestran, desde otro contexto, que condiciones estructuradas de generación y mecanismos
sistemáticos de evaluación pueden acompañarse de tasas reducidas, sin que ello demuestre
que una única estrategia elimine el problema.
De la síntesis emergen tres implicaciones. Primero, toda referencia propuesta por un
modelo debe verificarse de manera independiente, no solo en su existencia sino en la exactitud
de sus datos y en la correspondencia entre la fuente y la afirmación que respalda; delegar esta
responsabilidad en el sistema generativo introduce un riesgo injustificable donde la trazabilidad
de las fuentes es condición básica de integridad. Segundo, el uso de IA en la preparación de
manuscritos requiere niveles de transparencia proporcionales al tipo de intervención, de modo
que la comunidad científica pueda evaluar las condiciones bajo las cuales fue construido el
texto. Tercero, resulta necesario avanzar hacia instrumentos de evaluación más comparables y
DOI: https://doi.org/10.71112/gpqkd594
170 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
específicos para los usos científicos de los LLM, dado que la heterogeneidad actual dificulta
establecer comparaciones estables entre modelos y contextos.
La integración de copilotos de IA en la escritura científica ya forma parte del escenario
contemporáneo de producción de conocimiento. El problema central no es determinar si estas
herramientas serán utilizadas, sino bajo qué condiciones de control, responsabilidad y
verificación podrán incorporarse sin debilitar la integridad del registro científico. El copiloto
puede ser diligente, veloz y elocuente, pero también puede fabricar, distorsionar o confabular
sin que esas fallas resulten evidentes en la superficie del texto; reconocer esa tensión, y
diseñar prácticas capaces de gestionarla, es un paso necesario hacia una ciencia asistida por
inteligencia artificial productiva, verificable y confiable.
Declaración de conflicto de interés
Los autores declaran no tener ningún conflicto de interés relacionado con esta
investigación.
Declaración de contribución a la autoría
Leandro Guerschberg: conceptualización, metodología, investigación (cribado por título
y resumen y evaluación de elegibilidad a texto completo, realizados de forma independiente),
análisis formal, redacción del borrador original, revisión y edición de la redacción, visualización,
supervisión y administración del proyecto
Yael Estefanía Gutiérrez: investigación (cribado por título y resumen y evaluación de
elegibilidad a texto completo, realizados de forma independiente), curación de datos, revisión y
edición de la redacción.
DOI: https://doi.org/10.71112/gpqkd594
171 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Declaración de uso de inteligencia artificial
Durante la preparación del presente manuscrito se utilizaron herramientas de
inteligencia artificial generativa como apoyo editorial: ChatGPT, modelo GPT-5.6 Sol (OpenAI),
y Claude Sonnet 5.0, configuración ALTO (Anthropic). Su utilización se limitó a tareas de
corrección de estilo y sintaxis, mejora de la claridad y fluidez de la redacción, reducción del
apartado Resumen y revisión y optimización de las traducciones al idioma inglés. Estas
herramientas no fueron utilizadas para la generación autónoma de datos, resultados, análisis ni
conclusiones de la investigación. Todo contenido producido, revisado o modificado con
asistencia de inteligencia artificial fue posteriormente verificado, evaluado y aprobado por los
autores, quienes asumen plena responsabilidad por la exactitud, integridad y contenido final del
manuscrito.
REFERENCIAS
Alkaissi, H., y McFarlane, S. I. (2023). Artificial hallucinations in ChatGPT: Implications in
scientific writing. Cureus, 15(2), e35179. https://doi.org/10.7759/cureus.35179
Anh-Hoang, D., Tran, V., y Nguyen, L.-M. (2025). Survey and analysis of hallucinations in large
language models: Attribution to prompting strategies or model behavior. Frontiers in
Artificial Intelligence, 8, 1622292. https://doi.org/10.3389/frai.2025.1622292
Asgari, E., Montana-Brown, N., Dubois, M., Khalil, S., Balloch, J., Au Yeung, J., y Pimenta, D.
(2025). A framework to assess clinical safety and hallucination rates of LLMs for medical
text summarisation. npj Digital Medicine, 8, 274. https://doi.org/10.1038/s41746-025-
01670-7
Azamfirei, R., Kudchadkar, S. R., y Fackler, J. (2023). Large language models and the perils of
their hallucinations. Critical Care, 27, 120. https://doi.org/10.1186/s13054-023-04393-x
DOI: https://doi.org/10.71112/gpqkd594
172 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Bhattacharyya, M., Miller, V. M., Bhattacharyya, D., y Miller, L. E. (2023). High rates of
fabricated and inaccurate references in ChatGPT-generated medical content. Cureus,
15(5), e39238. https://doi.org/10.7759/cureus.39238
Chelli, M., Descamps, J., Lavoue, V., Trojani, C., Azar, M., Deckert, M., Raynier, J.-L., Clowez,
G., Boileau, P., y Ruetsch-Chelli, C. (2024). Hallucination rates and reference accuracy
of ChatGPT and Bard for systematic reviews: Comparative analysis. Journal of Medical
Internet Research, 26, e53164. https://doi.org/10.2196/53164
Committee on Publication Ethics. (2023). Authorship and AI tools [Declaración de posición].
https://doi.org/10.24318/cCVRZBms
Farquhar, S., Kossen, J., Kuhn, L., y Gal, Y. (2024). Detecting hallucinations in large language
models using semantic entropy. Nature, 630, 625-630. https://doi.org/10.1038/s41586-
024-07421-0
Ganjavi, C., Eppler, M. B., Pekcan, A., Biedermann, B., Abreu, A., Collins, G. S., Gill, I. S., y
Cacciamani, G. E. (2024). Publishers' and journals' instructions to authors on use of
generative artificial intelligence in academic and scientific publishing: Bibliometric
analysis. BMJ, 384, e077192. https://doi.org/10.1136/bmj-2023-077192
Huang, L., Yu, W., Ma, W., Zhong, W., Feng, Z., Wang, H., Chen, Q., Peng, W., Feng, X., Qin,
B., y Liu, T. (2025). A survey on hallucination in large language models: Principles,
taxonomy, challenges, and open questions. ACM Transactions on Information Systems,
43(2), Artículo 42. https://doi.org/10.1145/3703155
Ji, Z., Lee, N., Frieske, R., Yu, T., Su, D., Xu, Y., Ishii, E., Bang, Y. J., Madotto, A., y Fung, P.
(2023). Survey of hallucination in natural language generation. ACM Computing
Surveys, 55(12), Artículo 248. https://doi.org/10.1145/3571730
DOI: https://doi.org/10.71112/gpqkd594
173 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Liu, Y., Kong, W., y Merve, K. (2025). ChatGPT applications in academic writing: A review of
potential, limitations, and ethical challenges. Arquivos Brasileiros de Oftalmologia, 88(3),
e2024-0269. https://doi.org/10.5935/0004-2749.2024-0269
Lund-Tonnesen, M., Vahr Lauridsen, S., y Rosenberg, J. (2025). Evaluating Microsoft Copilot in
Qualitative Health Research: Accurate for Manifest Content Coding but Limited in Latent
Interpretation. Cureus, 17(10), e95719. https://doi.org/10.7759/cureus.95719
Manakul, P., Liusie, A., y Gales, M. J. F. (2023). SelfCheckGPT: Zero-resource black-box
hallucination detection for generative large language models. Proceedings of the 2023
Conference on Empirical Methods in Natural Language Processing, 9004-9017.
https://doi.org/10.18653/v1/2023.emnlp-main.557
Nordling, L. (2023). How ChatGPT is transforming the postdoc experience. Nature, 622(7983),
655-657. https://doi.org/10.1038/d41586-023-03235-8
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E.,
McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A.,
Whiting, P., y Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for
reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Shuster, K., Poff, S., Chen, M., Kiela, D., y Weston, J. (2021). Retrieval augmentation reduces
hallucination in conversation. Findings of the Association for Computational Linguistics:
EMNLP 2021, 3784-3803. https://doi.org/10.18653/v1/2021.findings-emnlp.320
Singhal, K., Azizi, S., Tu, T., Mahdavi, S. S., Wei, J., Chung, H. W., Scales, N., Tanwani, A.,
Cole-Lewis, H., Pfohl, S., Payne, P., Seneviratne, M., Gamble, P., Kelly, C., Babiker, A.,
Schärli, N., Chowdhery, A., Mansfield, P., Demner-Fushman, D., ... Natarajan, V. (2023).
DOI: https://doi.org/10.71112/gpqkd594
174 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Large language models encode clinical knowledge. Nature, 620, 172-180.
https://doi.org/10.1038/s41586-023-06291-2
Smith, A. L., Greaves, F., y Panch, T. (2023). Hallucination or confabulation? Neuroanatomy as
metaphor in large language models. PLOS Digital Health, 2(11), e0000388.
https://doi.org/10.1371/journal.pdig.0000388
Walters, W. H., y Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations
generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-
023-41032-5
Yoo, J. H. (2025). Defining the boundaries of AI use in scientific writing: A comparative review of
editorial policies. Journal of Korean Medical Science, 40(23), e187.
https://doi.org/10.3346/jkms.2025.40.e187
Anexo. Estrategia de búsqueda reproducible (material suplementario)
Con el propósito de facilitar la reproducibilidad del proceso descrito en la Sección 2.2, se detalla
a continuación la estrategia de búsqueda utilizada. La última ejecución de las
búsquedas en todas las bases y plataformas indicadas se realizó el 3 de agosto de
2025.
Ecuación utilizada en PubMed/MEDLINE: (hallucination[Title/Abstract] OR
confabulation[Title/Abstract] OR "reference fabrication"[Title/Abstract] OR
factuality[Title/Abstract] OR faithfulness[Title/Abstract] OR misinformation[Title/Abstract])
AND ("large language model*"[Title/Abstract] OR ChatGPT[Title/Abstract] OR
GPT[Title/Abstract] OR Bard[Title/Abstract] OR "AI writing assistant*"[Title/Abstract])
AND ("scientific writing"[Title/Abstract] OR "academic writing"[Title/Abstract] OR
"systematic review*"[Title/Abstract] OR "clinical documentation"[Title/Abstract] OR
"biomedical research"[Title/Abstract])
DOI: https://doi.org/10.71112/gpqkd594
175 Revista Multidisciplinar Epistemología de las Ciencias | Vol. 3, Núm. 4, 2026, octubre-diciembre
Esta ecuación se adaptó a la sintaxis específica de cada plataforma (Scopus, Web of Science
Core Collection, ACM Digital Library, Google Scholar, ScienceDirect y JSTOR),
conservando los tres núcleos conceptuales descritos en la Sección 2.2 —fenómeno de
interés, modelos o sistemas analizados y contextos de aplicación— y ajustando
operadores booleanos y truncamientos según las capacidades de cada motor de
búsqueda. Los términos vinculados con procedimientos específicos de evaluación se
utilizaron en búsquedas complementarias cuando resultó pertinente. El desglose del
número de registros aportado individualmente por cada base de datos no fue
conservado de forma sistemática durante la búsqueda original y constituye una
limitación para la reproducibilidad detallada de la estrategia de búsqueda. El número
total de registros identificados (171) y el proceso posterior de cribado se documentan en
la Sección 2.4 y en la Figura 1.
