Alfabetización
Informacional
& en IA
Information
Literacy
& AI Literacy
Dos competencias que el siglo XXI exige y pocas instituciones enseñan. Aprender a evaluar información y a entender críticamente la inteligencia artificial ya no es opcional — es la nueva alfabetización básica. Two competencies the 21st century demands and few institutions teach. Learning to evaluate information and critically understand artificial intelligence is no longer optional — it’s the new basic literacy.
Dos literacidades, una ciudadaníaTwo literacies, one citizenship
No son lo mismo, pero se necesitan mutuamente. Entender la diferencia es el primer paso para desarrollar ambas.They’re not the same, but they need each other. Understanding the difference is the first step to developing both.
Alfabetización InformacionalInformation Literacy
La capacidad de reconocer cuándo se necesita información, localizarla eficientemente, evaluarla críticamente e incorporarla de manera ética. Definida por la ACRL (Association of College and Research Libraries) como “marco de disposiciones interrelacionadas”.The ability to recognize when information is needed, locate it efficiently, evaluate it critically and incorporate it ethically. Defined by ACRL as a “framework of interrelated dispositions”.
- Reconocer una necesidad de información y formularla como preguntaRecognize an information need and formulate it as a question
- Diseñar estrategias de búsqueda efectivas en bases de datos académicasDesign effective search strategies in academic databases
- Evaluar la autoridad, precisión y sesgo de una fuenteEvaluate the authority, accuracy and bias of a source
- Usar la información de forma ética: citar, atribuir, no plagiarUse information ethically: cite, attribute, don’t plagiarize
- Comprender cómo se construye y valida el conocimiento académicoUnderstand how academic knowledge is constructed and validated
Alfabetización en Inteligencia ArtificialAI Literacy
La capacidad de comprender cómo funcionan los sistemas de IA, interactuar críticamente con ellos, detectar sus sesgos y limitaciones, y tomar decisiones informadas sobre su uso. Definida por Long & Magerko (2020) como conjunto de competencias para el ciudadano del siglo XXI.The ability to understand how AI systems work, interact critically with them, detect their biases and limitations, and make informed decisions about their use. Defined by Long & Magerko (2020) as a set of competencies for the 21st-century citizen.
- Entender qué es y qué no es la IA (desmitificar)Understand what AI is and what it is not (demystify)
- Reconocer cuándo estamos interactuando con sistemas de IARecognize when we are interacting with AI systems
- Detectar sesgos algorítmicos y sus impactos socialesDetect algorithmic biases and their social impacts
- Evaluar críticamente outputs de LLMs: alucinaciones, límites temporalesCritically evaluate LLM outputs: hallucinations, temporal limits
- Usar la IA como herramienta sin perder el pensamiento crítico propioUse AI as a tool without losing one’s own critical thinking
Los 6 Marcos del Framework ACRL 2016The 6 ACRL 2016 Framework Frames
El marco más riguroso y adoptado internacionalmente para la alfabetización informacional en educación superior. Haz clic en cada marco para explorar su aplicación práctica.The most rigorous and internationally adopted framework for information literacy in higher education. Click each frame to explore its practical application.
Autoridad es construida y contextualAuthority is constructed and contextual
La autoridad de una fuente no es absoluta — depende del contexto, la disciplina y la conversación académica en la que se inserta. Un experto en biología no necesariamente tiene autoridad sobre política pública de salud.A source’s authority is not absolute — it depends on context, discipline and the scholarly conversation it enters. A biology expert doesn’t necessarily have authority over health public policy.
La creación de información como procesoInformation creation as a process
La información no aparece de la nada — es producida por personas con procesos, herramientas, intenciones y contextos específicos. Comprender ese proceso ayuda a evaluarla mejor.Information doesn’t appear from nowhere — it’s produced by people with specific processes, tools, intentions and contexts. Understanding that process helps evaluate it better.
La información tiene valorInformation has value
La información es un bien económico, social y político. Tiene implicaciones en derechos de autor, privacidad, acceso abierto y brecha digital. Reconocer su valor orienta su uso ético.Information is an economic, social and political good. It has implications for copyright, privacy, open access and the digital divide. Recognizing its value guides its ethical use.
La investigación como indagaciónResearch as inquiry
Investigar no es buscar respuestas predeterminadas — es hacer preguntas cada vez más complejas. La incertidumbre es parte del proceso, no un fracaso. Las buenas preguntas valen más que las respuestas rápidas.Research isn’t about finding predetermined answers — it’s about asking increasingly complex questions. Uncertainty is part of the process, not failure. Good questions are worth more than quick answers.
El conocimiento como conversación académicaKnowledge as scholarly conversation
El conocimiento no se produce en solitario — es una conversación continua entre investigadores a través del tiempo. Cada publicación responde a otras publicaciones. Comprender esto cambia cómo se lee y cómo se cita.Knowledge isn’t produced in isolation — it’s a continuous conversation among researchers across time. Each publication responds to other publications. Understanding this changes how you read and how you cite.
La búsqueda como exploración estratégicaSearching as strategic exploration
Buscar información es una habilidad activa y estratégica, no solo teclear palabras en Google. Incluye la selección de fuentes, el diseño de ecuaciones de búsqueda y la iteración inteligente.Searching for information is an active and strategic skill, not just typing words into Google. It includes source selection, search equation design and intelligent iteration.
El ciclo del pensamiento informacional críticoThe critical information thinking cycle
¿Qué necesito saber? ¿Para qué? Define la necesidad informacional con precisión.What do I need to know? For what purpose? Define the information need precisely.
Estrategia de búsqueda multi-fuente: bases de datos, repositorios, archivos primarios, expertos.Multi-source search strategy: databases, repositories, primary archives, experts.
Autoridad, precisión, actualidad, propósito, sesgo. Aplica SIFT o CRAAP. Incluye los outputs de IA.Authority, accuracy, currency, purpose, bias. Apply SIFT or CRAAP. Include AI outputs.
Integra la información de múltiples fuentes en un argumento propio. No es copiar — es construir.Integrate information from multiple sources into your own argument. It’s not copying — it’s building.
Presenta resultados de forma ética: cita, atribuye, declara el uso de IA si aplica, difunde responsablemente.Present results ethically: cite, attribute, declare AI use if applicable, disseminate responsibly.
Competencias de Alfabetización en IAAI Literacy Competencies
Basadas en el framework de Long & Magerko (2020) y adaptadas al contexto iberoamericano y de Ciencia de la Información.Based on the Long & Magerko (2020) framework and adapted to the Ibero-American and Information Science context.
BásicoBasic
Comprende qué es la IA y reconoce sus aplicaciones cotidianasUnderstands what AI is and recognizes its everyday applications
IntermedioIntermediate
Analiza críticamente sistemas de IA e identifica sesgos y limitacionesCritically analyzes AI systems and identifies biases and limitations
AvanzadoAdvanced
Diseña, evalúa y contribuye responsablemente a sistemas de IADesigns, evaluates and responsibly contributes to AI systems
Identificar cuándo un sistema, producto o contenido ha sido generado o mediado por IA: desde un chatbot de atención al cliente hasta un artículo de noticias, una imagen o una decisión de crédito bancario.Identifying when a system, product or content has been generated or mediated by AI: from a customer service chatbot to a news article, an image or a bank credit decision.
Entender los fundamentos del aprendizaje automático: qué son los datos de entrenamiento, qué es un modelo, cómo se generalizan los patrones y por qué los modelos cometen errores predecibles.Understand machine learning fundamentals: what training data is, what a model is, how patterns generalize and why models make predictable errors.
Los modelos de lenguaje generan texto que suena plausible pero puede ser factualmente incorrecto. Las “alucinaciones” son referencias inexistentes, datos falsos y afirmaciones sin fundamento presentados con confianza.Language models generate text that sounds plausible but can be factually incorrect. “Hallucinations” are nonexistent references, false data and unfounded claims presented confidently.
Los algoritmos reflejan los sesgos de sus datos y de quienes los diseñan. Reconocer sesgos de género, raciales, culturales y geográficos en sistemas de IA es fundamental para su uso responsable.Algorithms reflect the biases of their data and those who design them. Recognizing gender, racial, cultural and geographic biases in AI systems is fundamental for their responsible use.
La calidad del output de un LLM depende directamente de cómo se formula la pregunta. El prompt engineering no es solo eficiencia — es una práctica epistémica que moldea qué conocimiento se produce.The quality of an LLM’s output depends directly on how the question is formulated. Prompt engineering isn’t just efficiency — it’s an epistemic practice that shapes what knowledge is produced.
La IA tiene implicaciones sobre el empleo, la privacidad, la vigilancia, las desigualdades y la democracia. Una ciudadanía informada puede participar en las decisiones sobre cómo se regula y quién se beneficia.AI has implications for employment, privacy, surveillance, inequalities and democracy. An informed citizenry can participate in decisions about how it’s regulated and who benefits.
Los sistemas de IA consumen datos — en muchos casos, los nuestros. Comprender cómo se recopilan, procesan y monetizan los datos personales es parte esencial de la alfabetización digital contemporánea.AI systems consume data — in many cases, ours. Understanding how personal data is collected, processed and monetized is an essential part of contemporary digital literacy.
La IA como herramienta cognitiva de colaboración, no como sustituto del pensamiento. Saber cuándo usarla, cuándo no, y cómo mantener la agencia intelectual propia en el proceso.AI as a cognitive collaboration tool, not a substitute for thinking. Knowing when to use it, when not to, and how to maintain one’s own intellectual agency in the process.
Mitos vs. realidad sobre IA e informaciónMyths vs. reality about AI and information
Gira cada tarjeta para descubrir la realidad detrás del mito. Todos circulan actualmente en medios, redes y conversaciones cotidianas.Flip each card to discover the reality behind the myth. All of them currently circulate in media, social networks and everyday conversations.
“La IA siempre dice la verdad — es más confiable que un humano”“AI always tells the truth — it’s more reliable than a human”
Los LLMs son máquinas de predicción estadística, no de verdadLLMs are statistical prediction machines, not truth machines
Los modelos generan la secuencia de palabras más probable dado el contexto, no la más verdadera. Pueden “alucinar” con total confianza: citar artículos inexistentes, inventar estadísticas, fabricar biographies. La verificación humana es irreemplazable.Models generate the most statistically probable word sequence given context, not the most truthful. They can “hallucinate” with complete confidence: cite nonexistent articles, invent statistics, fabricate biographies. Human verification is irreplaceable.
“Google me da toda la información que necesito para investigar”“Google gives me all the information I need for research”
Google solo indexa una fracción de la producción académica accesibleGoogle only indexes a fraction of accessible academic production
La web superficial que Google indexa es solo el 4% de la información en línea. El 96% restante (deep web y dark web) incluye millones de artículos en bases de datos suscritas. Scopus, WoS y DOAJ recuperan literatura que Google Scholar no ve.The surface web Google indexes is only 4% of online information. The remaining 96% (deep web and dark web) includes millions of articles in subscribed databases. Scopus, WoS and DOAJ retrieve literature Google Scholar can’t see.
“Más seguidores o más citas = más confiable”“More followers or more citations = more reliable”
La popularidad y la veracidad son dimensiones independientesPopularity and truthfulness are independent dimensions
Un artículo con 10,000 citas puede haber sido retractado. Una cuenta con 2M de seguidores puede difundir pseudociencia. Las desinformaciones se propagan más rápido que las correcciones (Vosoughi et al., Science 2018). La autoridad se evalúa, no se cuenta.An article with 10,000 citations may have been retracted. An account with 2M followers may spread pseudoscience. Misinformation spreads faster than corrections (Vosoughi et al., Science 2018). Authority is evaluated, not counted.
“La IA es objetiva porque es matemática, no tiene sesgos”“AI is objective because it’s mathematical, it has no biases”
Los sesgos humanos se amplifican, no desaparecen, en los sistemas de IAHuman biases are amplified, not eliminated, in AI systems
Los modelos aprenden de datos producidos por humanos con sesgos históricos, culturales y estructurales. COMPAS predecía mayor reincidencia en personas negras. Los modelos de contratación desfavorecían a mujeres. La matemática implementa los sesgos del pasado, no los elimina.Models learn from data produced by humans with historical, cultural and structural biases. COMPAS predicted higher recidivism for Black people. Hiring models disadvantaged women. Mathematics implements past biases, it doesn’t eliminate them.
“Si está en Wikipedia no sirve para la academia”“If it’s on Wikipedia it’s not useful for academia”
Wikipedia es un punto de partida valioso, no un punto finalWikipedia is a valuable starting point, not an endpoint
Wikipedia es útil para entender conceptos, identificar términos clave y encontrar referencias primarias. Sus notas al pie son un tesoro: llevan a fuentes académicas reales. El problema no es Wikipedia — es citarla como fuente primaria sin verificar.Wikipedia is useful for understanding concepts, identifying key terms and finding primary references. Its footnotes are a treasure: they lead to real academic sources. The problem isn’t Wikipedia — it’s citing it as a primary source without verification.
“Usar IA para escribir es trampa o deshonestidad académica”“Using AI to write is cheating or academic dishonesty”
El problema no es usar IA sino no declararlo y no pensarThe problem isn’t using AI but not declaring it and not thinking
La mayoría de instituciones académicas y la UNESCO distinguen entre uso declarado y transparente vs. uso encubierto. Usar IA para generar ideas, editar, traducir o estructurar, declarándolo, es legítimo. Presentar output de IA como pensamiento propio, sin verificar ni atribuir, es el problema ético.Most academic institutions and UNESCO distinguish between declared and transparent use vs. covert use. Using AI to generate ideas, edit, translate or structure, declaring it, is legitimate. Presenting AI output as your own thinking, without verifying or attributing, is the ethical problem.
Herramientas esenciales por competenciaEssential tools by competency
Un arsenal curado de herramientas para practicar cada dimensión de la alfabetización informacional e IA.A curated arsenal of tools to practice each dimension of information and AI literacy.
¿Cuántas de estas prácticas ya haces?How many of these practices do you already do?
Marca las que realizas habitualmente al buscar, consumir o crear información. No hay trampas — es para ti.Check the ones you regularly do when searching, consuming or creating information. No tricks — it’s for you.
Verifico la autoría de los artículos que citoI verify the authorship of articles I cite
Busco en bases de datos académicas más allá de GoogleI search academic databases beyond Google
Verifico los “hechos” que me da una IA antes de usarlosI fact-check AI outputs before using them
Conozco la diferencia entre un preprint y un artículo revisadoI know the difference between a preprint and a peer-reviewed article
Identifico cuándo una imagen o noticia puede ser falsaI can identify when an image or news may be fake
Uso gestores de referencias como Zotero o MendeleyI use reference managers like Zotero or Mendeley
Entiendo qué son los datos de entrenamiento de un LLMI understand what LLM training data is
Declaro cuando uso IA en mis trabajos académicos o profesionalesI declare when I use AI in my academic or professional work
Conozco mis derechos sobre mis propios datos digitalesI know my rights over my own digital data
Marca las prácticas que ya realizas para ver tu diagnóstico. Check the practices you already do to see your diagnosis.
Referencias y recursos para profundizarReferences and resources to go deeper
Lecturas, frameworks y recursos institucionales seleccionados por el Semillero SICS.Readings, frameworks and institutional resources selected by the SICS Seedbed.
ACRL Framework for Information Literacy for Higher Education (2016)
El marco más adoptado internacionalmente para la alfabetización informacional en educación superior. Define 6 marcos conceptuales con disposiciones, prácticas de conocimiento y comportamientos.The most internationally adopted framework for information literacy in higher education. Defines 6 conceptual frames with dispositions, knowledge practices and behaviors.
Defining AI Literacy — Long & Magerko (2020)
El artículo fundacional que define las 17 competencias de alfabetización en IA. Revisión sistemática de 30 iniciativas de AI literacy y síntesis de competencias transversales.The foundational article defining 17 AI literacy competencies. Systematic review of 30 AI literacy initiatives and cross-cutting competency synthesis.
UNESCO: Recommendation on the Ethics of AI (2021)
El primer instrumento normativo global sobre ética de la IA, adoptado por 193 estados miembros. Define principios, valores y áreas de acción política para el desarrollo responsable de la IA.The first global normative instrument on AI ethics, adopted by 193 member states. Defines principles, values and policy action areas for responsible AI development.
Método SIFT — Mike Caulfield
Stop, Investigate the source, Find better coverage, Trace claims. El método más práctico y eficiente para verificar información en 60 segundos. Desarrollado para la era de las redes sociales.Stop, Investigate the source, Find better coverage, Trace claims. The most practical and efficient method for verifying information in 60 seconds. Developed for the social media era.
Disinformation spreading faster than truth — MIT/Science (2018)
Soroush Vosoughi et al. analizaron 126,000 historias en Twitter (2006-2017): las noticias falsas se difunden 6 veces más rápido que las verdaderas, y llegan a 10x más personas. El estudio que cambió el debate sobre desinformación.Soroush Vosoughi et al. analyzed 126,000 stories on Twitter (2006-2017): false news spreads 6 times faster than true news, and reaches 10x more people. The study that changed the disinformation debate.
Ley 1581/2012 — Colombia: Protección de Datos Personales
El marco colombiano para la protección de datos personales. Fundamental para entender los derechos de los ciudadanos frente a los sistemas de IA que procesan sus datos, incluyendo el derecho al olvido y el habeas data.The Colombian framework for personal data protection. Essential for understanding citizens’ rights vis-à-vis AI systems that process their data, including the right to erasure and habeas data.
¿Listo para pasar del conocimiento a la práctica? Ready to move from knowledge to practice?
El Semillero SICS ofrece talleres prácticos en alfabetización informacional, IA y verificación de hechos. Todos gratuitos, con cupo mínimo de 6 personas. The SICS Seedbed offers practical workshops in information literacy, AI and fact-checking. All free, with a minimum of 6 people.