Resumen
El debate sobre la inteligencia artificial y la verdad suele centrarse en las alucinaciones, los deepfakes, la desinformación y las referencias erróneas a fuentes. Estos problemas son reales, pero se quedan cortos. La verdad no es únicamente una propiedad de afirmaciones individuales. La verdad surge de prácticas sociales, institucionales y epistémicas: mediante la verificación de fuentes, el testimonio, la controversia, la corrección, la replicación científica, la responsabilidad editorial, los procedimientos judiciales, la deliberación pública y el tiempo necesario para comprobar. El artículo desarrolla el concepto de ecología de la verdad como categoría analítica para la gobernanza de la IA. La IA no solo transforma las ecologías de la verdad cuando produce contenidos falsos, sino ya cuando convierte la investigación en formatos de respuesta, suaviza la incertidumbre, oculta las jerarquías de fuentes, simula autoridad y sustituye los procesos institucionales de verificación por síntesis plausibles. Mediante la búsqueda generativa, el trabajo científico, el periodismo, la administración y la comunicación pública, el artículo muestra que los riesgos de la IA para la verdad no deben entenderse únicamente como problemas de contenido, hechos o detección. La pregunta central no es únicamente si una respuesta de IA es correcta, sino si se preservan las condiciones sociales en las que la verdad puede verificarse, corregirse y sostenerse públicamente.
1. La contribución
El discurso público sobre la IA habla mucho de la verdad. Pero casi siempre de una forma demasiado estrecha.
Pregunta: ¿Alucina el modelo? ¿Son auténticas las fuentes? ¿Está falsificada una imagen? ¿Es un video un deepfake? ¿Es correcta una respuesta? ¿Puede someterse una afirmación a una verificación de hechos?
Estas preguntas son necesarias. Pero no captan la transformación más profunda.
Porque la verdad no es una mera propiedad de frases individuales. La verdad también es un procedimiento. No surge únicamente cuando una afirmación coincide con un hecho. Surge socialmente mediante instituciones, prácticas y funciones: mediante la verificación científica, la investigación periodística, los procedimientos judiciales de prueba, los archivos, la crítica de fuentes, la duda metódica, la contradicción, la corrección y la trazabilidad pública.
Por eso, el artículo propone no considerar la IA únicamente como un riesgo para verdades individuales, sino como una intervención en una ecología de la verdad.
Esto significa que una sociedad dispone de condiciones sociales e institucionales en las que las afirmaciones pueden verificarse, fundamentarse, impugnarse, corregirse y hacerse públicamente sólidas. Estas condiciones no son evidentes por sí mismas. Pueden fortalecerse, debilitarse o remodelarse mediante formas técnicas de mediación.
El artículo formula tres propuestas.
Primera: los riesgos de la IA para la verdad no deben reducirse a las alucinaciones, los deepfakes y la desinformación.
Segunda: la IA generativa transforma la forma de acceder al conocimiento porque traslada cada vez más la investigación, la verificación y la interpretación a formatos sintéticos de respuesta.
Tercera: por tanto, la gobernanza de la IA no solo debe proteger resultados correctos, sino también la integridad de las prácticas de verdad: pluralidad de fuentes, vías de verificación, responsabilidad institucional, invisibilidades, mecanismos de corrección y tiempo para la crítica.
2. Por qué la verdad no es un mero contenido
En la vida cotidiana, la verdad suele tratarse como si fuera una propiedad de las afirmaciones: esta frase es correcta o no lo es. Esta noticia es verdadera o falsa. Esta imagen es auténtica o está manipulada. Esta fuente es sólida o no.
Eso no es incorrecto. Pero está incompleto.
La epistemología social ha demostrado que el conocimiento no surge únicamente en mentes aisladas. En Knowledge in a Social World, Alvin Goldman expuso que el conocimiento está arraigado en procedimientos, instituciones y prácticas sociales: en la ciencia, el derecho, la democracia, la educación y el testimonio. [1] Con el concepto de injusticia epistémica, Miranda Fricker mostró que la credibilidad se distribuye socialmente y que las personas pueden sufrir daños como sujetos de conocimiento cuando sistemáticamente se les concede menos credibilidad o carecen de conceptos para hacer públicamente comprensibles sus experiencias. [2] En su historia social de la verdad, Steven Shapin mostró que incluso la credibilidad científica se basa históricamente en normas sociales, relaciones de confianza y prácticas institucionales.
La teoría de la democracia y la teoría de la esfera pública también apuntan en esta dirección. Jürgen Habermas describe la esfera pública como un espacio en el que personas privadas intercambian razones públicas y forman opiniones políticas. En «Truth and Politics», Hannah Arendt insistió en que las verdades fácticas son vulnerables para las comunidades políticas porque el poder y la opinión pueden desplazar la realidad compartida. Naomi Oreskes sostiene en Why Trust Science? que la fiabilidad de la ciencia reside precisamente en su organización social: crítica, comunidades profesionales, verificación institucionalizada y autocorrección colectiva. [6]
Estas líneas difieren considerablemente desde el punto de vista teórico. Pero comparten una idea: la verdad no es únicamente la calidad de una afirmación. La verdad necesita una infraestructura social.
A esta infraestructura la llamo ecología de la verdad.
3. El concepto: ecología de la verdad
Una ecología de la verdad es el conjunto de condiciones sociales, institucionales y técnicas mediante las cuales las afirmaciones se vuelven verificables, corregibles y públicamente sólidas.
Incluye al menos ocho elementos.
Primero: fuentes. ¿Quién dice algo? ¿Sobre qué fundamento? ¿Con qué proximidad al objeto?
Segundo: testimonio. ¿Quién puede informar, observar, documentar o contradecir?
Tercero: métodos. ¿Cómo se verificó algo? ¿Qué procedimientos se consideran sólidos?
Cuarto: instituciones. ¿Qué papel desempeñan la ciencia, el periodismo, los tribunales, los archivos, las oficinas de estadística, las autoridades y la educación?
Quinto: tiempo. La verdad suele necesitar demoras: investigación, verificación cruzada, Peer Review, consulta de expedientes, contradicción.
Sexto: controversia. La verdad no surge de la armonía, sino de una capacidad ordenada para el conflicto.
Séptimo: corrección. El error no es el final de la verdad. Lo decisivo es si la corrección es posible, visible y tiene consecuencias.
Octavo: confianza. No confianza ciega, sino confianza fundamentada en procedimientos, funciones e instituciones.
Por tanto, una ecología de la verdad no es un estado de verdad perfecta. Es un sistema de producción sólida de verdad bajo condiciones de error, poder, intereses y conflicto.
La IA interviene en esta ecología porque no solo genera contenidos, sino que transforma los caminos por los que las personas llegan a afirmaciones, fuentes, interpretaciones y juicios.
4. Lo que transforma la IA: de la búsqueda a la respuesta
La búsqueda digital clásica ya ha intervenido masivamente en las ecologías de la verdad. Los motores de búsqueda ordenan la visibilidad, la relevancia y el acceso a la información. Pero, por lo general, todavía mostraban una lista de resultados, es decir, varias vías posibles. El usuario veía al menos de manera aproximada que existían fuentes, competencia, procedencias, distintos proveedores y diferentes niveles de autoridad.
La IA generativa transforma esta forma.
Convierte con mayor frecuencia la búsqueda en respuesta. Sintetiza. Suaviza. Formula. Genera una superficie lingüística que transmite la impresión de un conocimiento concluido. En lugar de un paisaje de fuentes, aparece una respuesta coherente.
Es cómodo. Pero desplaza la situación epistémica.
Una lista de resultados dice: aquí hay caminos posibles. Una respuesta generativa dice: aquí está el resultado.
Este desplazamiento no es meramente estético. Modifica la carga de la verificación. En la búsqueda clásica, el usuario debía seleccionar, comparar, verificar y ponderar en mayor medida. En la respuesta generativa, parte de este trabajo se realiza de antemano y se vuelve invisible. El sistema decide qué fuentes son pertinentes, qué conflictos se mencionan, qué incertidumbres permanecen visibles y qué diferencias desaparecen en una síntesis.
Los estudios de auditoría sobre sistemas de búsqueda generativa muestran precisamente este problema. Al examinar varios motores de búsqueda generativa, Liu, Zhang y Liang descubrieron que las respuestas parecían fluidas e informativas, pero contenían con frecuencia afirmaciones no respaldadas y citas imprecisas. [10] Li y Sinnamon estudiaron ChatGPT, Bing Chat y Perplexity como nuevos sistemas de búsqueda y mostraron que estos sistemas no se limitan a reproducir respuestas sobre temas de interés público, sino que pueden construir autoridad, seleccionar fuentes y generar sesgos. [11]
La cuestión no es que la búsqueda generativa sea siempre peor. La cuestión es que asume otra función. Deja de ser un mero acceso a las fuentes y se convierte en una instancia previa de plausibilidad.
5. La alucinación es solo la punta visible
El concepto de «alucinación» domina muchos debates sobre la IA generativa. Normalmente se refiere a que un sistema genera información falsa, inventada o sin respaldo. Es un problema real. Sentencias judiciales falsas, estudios inventados, fuentes falsas, nombres inventados y afirmaciones plausibles pero sin respaldo pueden causar daños concretos.
Pero el concepto de alucinación estrecha la perspectiva.
Sugiere que el problema solo existe donde el sistema se equivoca de manera visible. Para las ecologías de la verdad, esto es insuficiente. Incluso una respuesta formalmente correcta puede ser epistémicamente problemática si oculta fuentes, suaviza controversias, invisibiliza posiciones minoritarias, elimina contextos o disfraza la incertidumbre.
El problema más peligroso de la IA para la verdad no es necesariamente una falsedad manifiesta. Una falsedad manifiesta puede verificarse, refutarse y corregirse. Más difícil es la condensación plausible que no es lo bastante falsa para llamar la atención de inmediato, pero sí lo bastante impecable para desplazar la verificación.
Podría decirse:
Idea rectoraLa alucinación daña afirmaciones individuales. El suavizado de la plausibilidad daña los hábitos de verificación.
Ahí reside precisamente el mayor peligro. Si las personas se acostumbran a respuestas sintéticas y lingüísticamente seguras, la verdad puede confundirse cada vez más con la comprensibilidad, la rapidez y la coherencia.
Pero la verdad no es lo que suena impecable. La verdad es lo que resiste la verificación.
6. La desinformación no es únicamente contenido falso
La desinformación también suele entenderse de una manera demasiado estrecha. Los debates públicos se centran en noticias falsas, imágenes falsificadas, bots, deepfakes o campañas coordinadas. Estos problemas son reales. Con su informe sobre Information Disorder, Wardle y Derakhshan establecieron una distinción importante entre Mis-, Dis- y Malinformation. [7] Lazer et al. mostraron en Science que las Fake News no son únicamente un problema técnico, sino interdisciplinario, relacionado con las arquitecturas de las plataformas, el procesamiento psicológico, la comunicación política y el acceso para la investigación. [8] Lewandowsky et al. mostraron que la información errónea puede seguir influyendo incluso después de una corrección. [9]
Pero la lógica del contenido tampoco basta en este caso.
El problema no es únicamente que circulen contenidos falsos. El problema es que se ataca la capacidad de una sociedad para estabilizar colectivamente la verdad. La desinformación puede operar al menos en tres niveles.
Primero: puede generar creencias falsas.
Segundo: puede destruir la confianza en las instituciones que verifican la verdad.
Tercero: puede crear una atmósfera en la que la verdad parezca una mera opinión.
El tercer nivel es especialmente peligroso. Una sociedad no tiene que creer todas las mentiras para sufrir daños. Basta con que suficientes personas crean que todo el mundo miente, que todo está manipulado y que ninguna institución puede ya señalar la diferencia entre lo verificado y lo no verificado.
La IA puede intensificar esta dinámica. No solo mediante deepfakes, sino también mediante la producción escalable de textos, fuentes sintéticas, comentarios automatizados, persuasión personalizada, aparentes voces expertas y avalanchas informativas en las que la propia verificación se convierte en una sobrecarga.
Entonces ya no se trata únicamente de falsificaciones. Se trata de la solidez de la realidad compartida.
7. Autoridad sin responsabilidad
Una propiedad particular de la IA generativa es la simulación de autoridad. El sistema suele expresarse con fluidez, orden, objetividad y seguridad. Puede generar notas al pie, adaptar la tonalidad, resumir controversias y controlar lingüísticamente la incertidumbre.
Esta forma genera confianza.
El problema no es que la IA nunca sea útil. El problema es que su forma comunicativa puede generar autoridad sin asumir responsabilidad institucional.
Un artículo científico se inscribe en un orden de publicación. Una investigación periodística se inscribe en una redacción. Una sentencia judicial se inscribe en un procedimiento. Una estadística oficial se inscribe en una autoridad. Un dictamen médico se inscribe en una responsabilidad profesional. Estas instituciones no son perfectas. Pero crean funciones, responsabilidad jurídica, vías de corrección y rendición de cuentas.
Una respuesta de IA generativa puede parecer que cumple funciones similares. Sin embargo, con frecuencia es una superficie sintética sin la correspondiente inserción institucional. Responde, pero no asume responsabilidad. Formula, pero no da testimonio. Explica, pero no participa en un procedimiento.
Aquí reside un problema fundamental de la ecología de la verdad bajo condiciones maquínicas:
Idea rectoraLa IA puede imitar la forma de la autoridad institucional sin asumir sus obligaciones.
No se trata de un reproche moral a la máquina. Es un problema de ordenamiento para la sociedad que utiliza estos sistemas.
8. Injusticia epistémica mediante IA generativa
Las ecologías de la verdad nunca son neutrales. También deciden qué conocimiento se hace visible, qué experiencias parecen creíbles y qué conceptos están disponibles para describir la realidad social.
Aquí enlaza el debate sobre la injusticia epistémica. Fricker distingue entre testimonial injustice y hermeneutical injustice: las personas pueden sufrir daños como sujetos de conocimiento si se les atribuye menos credibilidad o si carecen de recursos interpretativos colectivos para hacer comprensibles sus experiencias. [2]
La IA generativa puede intensificar estas injusticias.
Kay, Kasirzadeh y Mohamed hablan de injusticia epistémica algorítmica generativa. Muestran que la IA generativa puede socavar la integridad del conocimiento colectivo y de los discursos democráticos, entre otras cosas mediante manipulative testimonial injustice, hermeneutical ignorance y access injustice. [12]
Esto es fundamental para la ecología de la verdad. La IA no solo genera frases falsas. Puede determinar qué espacios lingüísticos, formas de conocimiento y perspectivas parecen dominantes. Los modelos muy marcados por determinados idiomas, instituciones, contextos culturales y fuentes digitales pueden marginar otras formas de conocimiento. Esto se aplica especialmente a idiomas más pequeños, acervos locales de conocimiento, perspectivas indígenas, epistemologías no occidentales y experiencias de grupos marginados.
Por tanto, la pregunta no es únicamente: ¿es correcta la respuesta? También es: ¿el conocimiento de quién fue incluido siquiera como pertinente en el orden de la respuesta?
9. Los tres desplazamientos de la ecología de la verdad
Las secciones anteriores pueden agruparse en tres desplazamientos centrales.
9.1 De la verificación a la plausibilidad
La IA generativa ofrece respuestas lingüísticamente convincentes. Como consecuencia, la plausibilidad puede sustituir la verificación. Esto es especialmente peligroso porque la plausibilidad es un atajo cognitivo. Se siente como comprensión, pero puede surgir sin una vía sólida de verificación.
El peligro no reside únicamente en que las personas pasen por alto errores individuales. El peligro reside en que la propia verificación se convierta en una actividad secundaria.
9.2 De las fuentes a las síntesis
El trabajo clásico con el conocimiento solía comenzar con fuentes. La IA generativa suele comenzar con síntesis. Entonces las fuentes aparecen después, de forma decorativa o solo selectiva. Esto desplaza la estructura de la responsabilidad epistémica. Ya no es la fuente la que sustenta la respuesta, sino que la respuesta busca posteriormente una conexión con las fuentes.
Esto puede debilitar la verificación científica, periodística y política.
9.3 De las instituciones a las interfaces
Hasta ahora, la verdad se estabilizaba mediante instituciones: ciencia, periodismo, derecho, educación y archivos. La IA generativa desplaza cada vez más el acceso a la verdad hacia las interfaces. La interfaz se convierte en el primer punto de contacto con el conocimiento sobre el mundo.
El problema no es la interfaz en sí. El problema surge cuando la interfaz invisibiliza, sustituye o simula procedimientos institucionales.
10. Ámbitos empíricos
10.1 Ciencia e investigación
La verdad científica no surge del genio aislado. Surge de procedimientos: revisión bibliográfica, metodología, Peer Review, replicación, crítica, acceso a datos, citación y responsabilidad institucional.
La IA generativa puede apoyar estos procedimientos. Puede explorar bibliografía, generar hipótesis, estructurar datos y mejorar textos. Pero también puede dañar las prácticas de citación cuando se adoptan fuentes sin verificar, se generan referencias inventadas o se sintetiza incorrectamente la bibliografía existente.
El problema no es únicamente el fraude. Es la erosión epistémica. Cuando los textos científicos parecen plausibles, pero sus fuentes, métodos y pruebas no los sustentan de manera fiable, la superficie de la ciencia se separa de su verificación interna.
10.2 Periodismo y esfera pública
El periodismo no es una mera producción de contenidos. Es una práctica institucional de investigación, selección, verificación, contextualización y responsabilidad. Cuando la IA generativa interviene en la búsqueda, el resumen y la distribución de noticias, no solo cambia la velocidad de la información. También cambian las fuentes que se hacen visibles, las normas editoriales que se aplican y la forma en que los lectores reconocen la procedencia de las afirmaciones.
La búsqueda generativa puede aliviar el trabajo periodístico. Pero también puede ocultar el camino entre la fuente original, la redacción y el público. Si los usuarios solo ven un resumen de IA, resulta menos claro qué institución periodística verificó la información, qué incertidumbre existía y dónde puede realizarse una corrección.
10.3 Derecho y administración
La verdad jurídica y administrativa surge en procedimientos. Los expedientes, los plazos, las competencias, los deberes de motivación, las audiencias, los recursos y el control judicial no son una estética burocrática. Son tecnologías de verdad y responsabilidad.
Cuando la IA se utiliza en la administración o el derecho, no debe sustituir estos procedimientos por decisiones preliminares plausibles. Un resumen generado automáticamente puede resultar útil. Pero si determina qué partes de un expediente se hacen visibles, qué argumentos se consideran centrales y qué casos parecen similares, interviene en el orden de verdad del procedimiento.
La pregunta es si el procedimiento conserva la posibilidad de producir verdad frente a la preestructuración maquínica.
10.4 Educación
La educación no es únicamente transmisión de conocimiento. Es práctica de la verificación, la formulación, la duda, la crítica y el juicio. Cuando la IA ofrece inmediatamente a los estudiantes respuestas impecables, esquemas terminados y explicaciones plausibles, puede apoyar los procesos de aprendizaje. Pero también puede reducir la fricción mediante la cual surge la capacidad de juicio.
El daño no surge necesariamente porque los alumnos o estudiantes «hagan trampa». En un nivel más profundo está la pregunta de si pierden las prácticas mediante las cuales el conocimiento se convierte en juicio propio: leer, comparar, citar, contradecir, reformular, fracasar y volver a comprobar.
Por eso, la IA en la educación no debe evaluarse únicamente en relación con el fraude. Debe medirse por si fortalece o sustituye las capacidades epistémicas.
11. Posiciones contrarias
11.1 Posición contraria: la IA hace más accesible el conocimiento
Es cierto. La IA puede reducir barreras, explicar textos, traducir idiomas, facilitar la comprensión de investigaciones complejas y ayudar a personas que, de otro modo, no tendrían acceso a determinadas formas de conocimiento.
Pero la accesibilidad no es lo mismo que la capacidad de verdad. Un sistema puede hacer más accesible el conocimiento y, al mismo tiempo, debilitar las vías de verificación. La tarea no consiste en excluir la IA de los procesos de conocimiento, sino en vincular la accesibilidad con la claridad de las fuentes, la corrección, la pluralidad y la responsabilidad institucional.
11.2 Posición contraria: la información falsa siempre ha existido
También es cierto. Los rumores, la propaganda, las falsificaciones y los errores son anteriores a la IA.
Pero la IA transforma la escala, la personalización, la velocidad, los costes y la forma. No solo puede generar contenidos falsos, sino también producir en grandes cantidades superficies plausibles de conocimiento. Además, puede interponerse como capa de mediación entre el usuario y la fuente. Esto es cualitativamente relevante.
11.3 Posición contraria: basta con verificar los hechos
La verificación de hechos es importante. Pero no basta.
La verificación de hechos trata afirmaciones individuales. La ecología de la verdad pregunta por las condiciones en las que las afirmaciones llegan a ser visibles, verificables, corregibles y objeto de responsabilidad institucional.
Una sociedad puede producir muchas verificaciones de hechos y, aun así, perder su ecología de la verdad si nadie sabe ya en quién puede confiar y por qué razones.
11.4 Posición contraria: la solución es una IA mejor
Son necesarios mejores modelos, mejores sistemas de Retrieval, mejores citas y mejores evaluaciones. Pero no resuelven por sí solos el problema de ordenamiento.
Porque ni siquiera una calidad de respuesta perfecta eliminaría la pregunta de si se preservan la verificación, la pluralidad de fuentes y la responsabilidad institucional. La pregunta central no es únicamente lo bien que responde la IA. La pregunta central es qué prácticas humanas e institucionales sustituye, desplaza o fortalece.
12. Consecuencias para la gobernanza de la IA
Si la IA transforma las ecologías de la verdad, la gobernanza debe hacer más que reducir errores.
Primero: obligación de aportar fuentes en lugar de estética de las fuentes. Las citas no deben ser decorativas. Deben respaldar realmente las afirmaciones, poder localizarse y distinguir entre fuentes primarias, secundarias y sintéticas.
Segundo: claridad sobre la incertidumbre. Los sistemas de IA no solo deben ofrecer respuestas, sino también hacer visible la incertidumbre: fuentes ausentes, resultados controvertidos, evidencia débil, posiciones minoritarias y limitaciones temporales.
Tercero: preservar las vías de verificación. Las interfaces no solo deberían proporcionar resultados a los usuarios, sino mantener abiertas las vías de verificación: fuentes originales, posiciones contrarias, indicaciones metodológicas y contexto.
Cuarto: proteger las funciones institucionales. La ciencia, el periodismo, el derecho, la educación y la administración no deben ser vaciados por sistemas genéricos de respuesta. La IA puede apoyar estas instituciones, pero no simular sus funciones de responsabilidad.
Quinto: garantizar la pluralidad epistémica. Ningún modelo individual ni lógica de un único proveedor debe convertirse en la instancia predeterminada e invisible de la realidad pública.
Sexto: hacer visible la corrección. Cuando los sistemas de IA cometen errores, las correcciones deben ser trazables, verificables retrospectivamente y compatibles con las instituciones.
Séptimo: limitar la retroalimentación sintética. Los contenidos generados por IA que vuelven a incorporarse como fuentes a sistemas de IA pueden estrechar las ecologías de la verdad. La gobernanza debe reconocer, señalar y limitar estos ciclos.
13. Conclusión: la verdad necesita más que respuestas correctas
El peligro central de la inteligencia artificial no reside únicamente en que mienta. También reside en que da a la verdad una forma demasiado fácil de consumir.
Rápida. Impecable. Plausible. Autoritativa. Sin un camino visible.
Eso es útil. Y precisamente por eso es peligroso.
Una sociedad no pierde la verdad primero porque todas las respuestas se vuelvan falsas. Pierde la verdad cuando se debilitan las prácticas mediante las cuales surgen de forma sólida las respuestas correctas: el trabajo con fuentes, la controversia, la corrección, el testimonio, la responsabilidad institucional y el tiempo.
La IA puede fortalecer estas prácticas. Pero solo si se diseña y limita conscientemente para ello.
La pregunta no es únicamente: ¿es correcta esta respuesta de IA? Sino: ¿se preservan las condiciones en las que la verdad todavía puede verificarse colectivamente?
Si desaparecen estas condiciones, quizá quede un mundo lleno de respuestas.
Pero ya no habrá una esfera pública que sepa por qué debería creerlas.
Referencias
Idea rectora[1] Goldman, A. I. Knowledge in a Social World. Oxford University Press, 1999.
Idea rectora[2] Fricker, M. Epistemic Injustice: Power and the Ethics of Knowing. Oxford University Press, 2007.
Idea rectora[3] Shapin, S. A Social History of Truth: Civility and Science in Seventeenth-Century England. University of Chicago Press, 1994.
Idea rectora[4] Habermas, J. The Structural Transformation of the Public Sphere: An Inquiry into a Category of Bourgeois Society. Traducido por Thomas Burger. MIT Press, 1991. Edición original alemana: Strukturwandel der Öffentlichkeit, 1962.
Idea rectora[5] Arendt, H. «Truth and Politics». En Between Past and Future: Eight Exercises in Political Thought. Penguin Books, 1977. Publicado originalmente en The New Yorker, 1967.
Idea rectora[6] Oreskes, N. Why Trust Science? Princeton University Press, 2019.
Idea rectora[7] Wardle, C., y Derakhshan, H. Information Disorder: Toward an Interdisciplinary Framework for Research and Policy Making. Council of Europe, 2017.
Idea rectora[8] Lazer, D. M. J., Baum, M. A., Benkler, Y., Berinsky, A. J., Greenhill, K. M., Menczer, F., Metzger, M. J., Nyhan, B., Pennycook, G., Rothschild, D., Schudson, M., Sloman, S. A., Sunstein, C. R., Thorson, E. A., Watts, D. J., y Zittrain, J. L. «The Science of Fake News». Science, 359(6380), 1094–1096, 2018. DOI: 10.1126/science.aao2998.
Idea rectora[9] Lewandowsky, S., Ecker, U. K. H., Seifert, C. M., Schwarz, N., y Cook, J. «Misinformation and Its Correction: Continued Influence and Successful Debiasing». Psychological Science in the Public Interest, 13(3), 106–131, 2012. DOI: 10.1177/1529100612451018.
Idea rectora[10] Liu, N. F., Zhang, T., y Liang, P. «Evaluating Verifiability in Generative Search Engines». Findings of the Association for Computational Linguistics: EMNLP 2023, 7001–7025, 2023. DOI: 10.18653/v1/2023.findings-emnlp.467.
Idea rectora[11] Li, A., y Sinnamon, L. «Generative AI Search Engines as Arbiters of Public Knowledge: An Audit of Bias and Authority». arXiv:2405.14034, 2024.
Idea rectora[12] Kay, J., Kasirzadeh, A., y Mohamed, S. «Epistemic Injustice in Generative AI». Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 7(1), 684–697, 2024. DOI: 10.1609/aies.v7i1.31671.
Idea rectora[13] Paris, B., y Donovan, J. Deepfakes and Cheap Fakes: The Manipulation of Audio and Visual Evidence. Data & Society, 2019.
Idea rectora[14] Chesney, R., y Citron, D. K. «Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security». California Law Review, 107(6), 1753–1820, 2019.
Idea rectora[15] Starbird, K. «Disinformation’s Spread: Bots, Trolls and All of Us». Nature, 571, 449, 2019.
Idea rectora[16] O’Connor, C., y Weatherall, J. O. The Misinformation Age: How False Beliefs Spread. Yale University Press, 2019.
Idea rectora[17] Sunstein, C. R. #Republic: Divided Democracy in the Age of Social Media. Princeton University Press, 2017.
Idea rectora[18] Roberts, S. T. Behind the Screen: Content Moderation in the Shadows of Social Media. Yale University Press, 2019.
Idea rectora[19] Gillespie, T. Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media. Yale University Press, 2018.
Idea rectora[20] Simon, F. M. «Artificial Intelligence in the News: How AI Retools, Rationalizes, and Reshapes Journalism and the Public Arena». Tow Center for Digital Journalism, Columbia University, 2024.
Idea rectora[21] Diakopoulos, N. Automating the News: How Algorithms Are Rewriting the Media. Harvard University Press, 2019.
Idea rectora[22] Bender, E. M., Gebru, T., McMillan-Major, A., y Shmitchell, S. «On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?» Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623, 2021. DOI: 10.1145/3442188.3445922.
Idea rectora[23] Floridi, L. The Fourth Revolution: How the Infosphere is Reshaping Human Reality. Oxford University Press, 2014.
Idea rectora[24] Kozyreva, A., Lewandowsky, S., y Hertwig, R. «Citizens Versus the Internet: Confronting Digital Challenges with Cognitive Tools». Psychological Science in the Public Interest, 21(3), 103–156, 2020. DOI: 10.1177/1529100620946707.
Idea rectora[25] Wineburg, S., y McGrew, S. «Lateral Reading and the Nature of Expertise: Reading Less and Learning More When Evaluating Digital Information». Teachers College Record, 121(11), 1–40, 2019.