ISBN
Formato digital
979-13-87837-78-5
Fecha de publicación
12-11-2025
Licencia
D. R. © copyright 2025. Mónica Muñoz, Alejandra Romero y Nydia Olvera.
Todos los contenidos de esta obra se comparten bajo la licencia Creative Commons Atri-bución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esto implica que no está autorizado el uso comercial de la obra original ni de las eventuales obras derivadas, las cuales deberán distribuirse bajo la misma licencia que rige la obra original. No obstante, se permite a terceros compartir el contenido siempre y cuando se reconozca debidamente la autoría y la publicación original en esta editorial.
Daren López Méndez
Universidad Autónoma de Zacatecas
0009-0001-5983-2093
Acerca de
Entender la probabilidad como una herramienta para pensar mejor la escritura fue, hasta la aparición de las IA predictivas, un sinsentido. La noción de lo textual se conformó alrededor de un corpus de ideas que dictaron que esto estaba fuera de todo lo computable. Los avances recientes de las IA, sin embargo, dan pautas para afirmar que la naturaleza de la predicción depende de un arte combinatorio complejo que produce un texto similar al de un humano (si, por supuesto, la conversación se centra en lo textual). El problema se infiere al inquirir los límites de la probabilidad; la línea entre lo que un humano quiere decir y lo que puede es débil para una máquina (Braga, A., & Logan, R. K. 2017). Cuando se pregunta hasta qué punto una predicción desde el estilo de un autor puede imitarle y resultar en un texto como cualquier otro que este haya escrito antes, se asume que el estilo está dado dentro de campos semánticos concretos. Sobre la estela de esa cuestión, es lícito dudar: ¿es el estilo reproducible? Y, si así lo fuera: ¿puede la IA predictiva reemplazar la capacidad creativa del autor y, de esta manera, suplir su identidad textual? El propósito de la ponencia pretende clarificar la pregunta, disolver la radicalidad de su suposición y demostrar que las IA predictivas sólo acentúan el estilo del autor que las utiliza.
Referencias
Bainbridge, L. Ironies of automation. Automatica 19, 775–779 (1983).
Braga, A., & Logan, R. K. (2017). The emperor of strong AI has no clothes: limits to artificial intelligence. Information, 8(4), 156.
Brynjolfsson, E., & Mitchell, T. (2017). What can machine learning do? Workforce implications. Science, 358(6370), 1530-1534.
Fok, W. W., He, Y. S., Yeung, H. A., Law, K. Y., Cheung, K. H., Ai, Y. Y., & Ho, P. (2018, May). Prediction model for students’ future development by deep learning and tensorflow artificial intelligence engine. In 2018 4th international conference on information management (ICIM) (pp. 103-106). IEEE.
Guanglu Zhang, Leah Chong, Kenneth Kotovsky, Jonathan Cagan, Trust in an AI versus a Human teammate: The effects of teammate identity and performance on Human-AI cooperation, Computers in Human Behavior, Volume 139, 2023, 107536, ISSN 0747-5632, https://doi.org/10.1016/j.chb.2022.107536.
keywords: {Ethics;Human robot interaction;Psychology;Ontologies;Discussion forums;Anthropomorphism;History;Artificial intelligence;Intelligent robots;Robustness},
Kurzweil, R. (2005) The Singularity Is Near: When Humans Transcend Biology. Penguin Books, New York.
Law, J. Notes on the theory of the actor-network: Ordering, strategy, and heterogeneity. Systems Practice 5, 379–393 (1992). https://doi.org/10.1007/BF01059830
Leah Chong, Guanglu Zhang, Kosa Goucher-Lambert, Kenneth Kotovsky, Jonathan Cagan, Human confidence in artificial intelligence and in themselves: The evolution and impact of confidence on adoption of AI advice, Computers in Human Behavior, Volume 127, 2022, 107018, ISSN 0747-5632.
López-Suárez, M., Neri, I. & Gammaitoni, L. Sub-kBT micro-electromechanical irreversible logic gate. Nat Commun 7, 12068 (2016). https://doi.org/10.1038/ncomms12068
Margaret Boden. 2008. Mind as Machine: A History of Cognitive Science. Oxford University Press, Inc., USA.
Minsky, M. (1980). Jokes and the Logic of the Cognitive Unconscious. In: Vaina, L., Hintikka, J. (eds) Cognitive Constraints on Communication. Synthese Language Library, vol 18. Springer, Dordrecht. https://doi.org/10.1007/978-94-010-9188-6_10
Nils Köbis, Luca D. Mossink, Artificial intelligence versus Maya Angelou: Experimental evidence that people cannot differentiate AI-generated from human-written poetry, Computers in Human Behavior, Volume 114, 2021, 106553, ISSN 0747-5632, https://doi.org/10.1016/j.chb.2020.106553.
Olsen, Stein Haugom. “Conventions And Rules in Literature.” Metaphilosophy 31, no. 1/2 (2000): 25–42. http://www.jstor.org/stable/24439296.
P. H. Kahn, N. G. Freier, B. Friedman, R. L. Severson and E. N. Feldman, «Social and moral relationships with robotic others?,» RO-MAN 2004. 13th IEEE International Workshop on Robot and Human Interactive Communication (IEEE Catalog No.04TH8759), Kurashiki, Japan, 2004, pp. 545-550, doi: 10.1109/ROMAN.2004.1374819.
Porter, B., Machery, E. AI-generated poetry is indistinguishable from human-written poetry and is rated more favorably. Sci Rep 14, 26133 (2024). https://doi.org/10.1038/s41598-024-76900-1
Rahwan, I., Cebrian, M., Obradovich, N. et al. Machine behaviour. Nature 568, 477–486 (2019). https://doi.org/10.1038/s41586-019-1138-y
Russell, Bertrand (2005). On Denoting. Mind 114 (456):873 – 887.