Frente al diluvio de artículos, un estudio de un año explora el aprendizaje por demostración

Frente al diluvio de artículos, un estudio de un año explora el aprendizaje por demostración
3 min de lectura

Frente a la explosión de publicaciones en robótica, seis investigadores intentaron leer una gran parte de los trabajos publicados en 2024 en un solo subcampo, el aprendizaje por demostración (learning from demonstration, LfD). Según su estudio, solo alrededor del 20 % de los artículos serían contribuciones mayores, y el resto propondría principalmente mejoras progresivas de métodos existentes o nuevos campos de aplicación.

En este método, los robots aprenden a realizar tareas guiados por expertos humanos. Los autores, Aude Billard, Renaud Detry, Nadia Figueroa, Maximilian Foriest, Dongheui Lee y Kunpeng Yao, recuerdan que los investigadores deben leer las nuevas publicaciones de su campo para mantenerse actualizados, una tarea que rápidamente se vuelve irrealizable. A modo de ejemplo, IEEE publicó 46.968 artículos sobre «robotics» o «automation» solo en 2024, mientras que las publicaciones de IEEE representan solo una parte de la investigación disponible en línea.

Un crecimiento continuo de las presentaciones

Según el estudio, el número de presentaciones a las revistas de robótica progresa cada año desde hace una década, con una aceleración clara: +26 % en 2023 y +31 % en 2024. Los autores mencionan varias causas probables, como el creciente interés de los sectores público y privado, así como la disponibilidad de herramientas de IA que ayudan a redactar artículos y código. El número de artículos publicados sigue esta tendencia, a pesar de los esfuerzos de los comités editoriales por contener el aumento reduciendo las tasas de aceptación.

Las conferencias experimentan la misma evolución. La conferencia ICRA duplicó así el número de artículos publicados en diez años, alcanzando unos 1.800 en 2024. Al mismo tiempo, la presión de la comunidad por publicar rápidamente redujo en 50 % el plazo entre la presentación de un artículo y su publicación.

Herramientas automatizadas con límites marcados

Los autores evaluaron la tarea de dos formas: una lectura humana de todos los artículos y el uso de scripts y grandes modelos de lenguaje (LLM, sistemas capaces de procesar y generar texto). Según ellos, estas herramientas proporcionan una evaluación cuantitativa general de una fidelidad aceptable. Sin embargo, no logran evaluar la importancia real de una investigación: no detectan un artículo que retoma un trabajo ya resuelto, ni las afirmaciones exageradas de un resumen respecto a la contribución real.

Entre más de 300 artículos analizados, los autores constatan que las contribuciones más notables no corresponden necesariamente al número de descargas o citas. Sin embargo, estas «joyas» son esenciales para evitar que trabajos nuevos pasen desapercibidos y para limitar las duplicaciones de investigación.

El estudio formula varias recomendaciones. Los autores proponen, en particular, desarrollar un motor de búsqueda que clasifique los artículos según las evaluaciones y el estado de revisión por los comités de revistas y conferencias, en lugar de Google Scholar o IEEEXplore, que colocan todas las publicaciones en pie de igualdad. También sugieren considerar un modelo de publicación a ciegas, donde los nombres de los autores y sus instituciones serían secundarios. Finalmente, recomiendan usar los LLM para lo que hacen bien, es decir, resumir un trabajo y recopilar información cuantitativa precisa, sin considerarlos capaces de evaluar la novedad real de un artículo. Los autores señalan, sin embargo, que si estas herramientas lo lograran algún día, podría tener repercusiones en la capacidad humana para proporcionar esa experiencia.

El fenómeno no se limita a IEEE: según el estudio, las revistas IJRR, así como las conferencias RSS y CoRL, siguen la misma tendencia.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x