Cada año se publican millones de artículos científicos. Solo en el repositorio arXiv, dedicado a ciencias de la computación y disciplinas afines, se acumulan más de tres millones de registros. Para cualquier investigador, encontrar lo relevante entre ese volumen de información es un reto que va más allá de la capacidad humana. Trenton Fowler, reconocido en la categoría de Tecnologías de la Información y la Comunicación en los Reconocimientos a la Excelencia Académica de la Fundación EDUCA EDTECH 2026, decidió construir una solución.
El problema que quiso resolver
La sobrecarga de información en la investigación académica no es un problema nuevo, pero se ha agravado exponencialmente en la última década. Los motores de búsqueda tradicionales devuelven resultados basados en palabras clave, no en significado. Un investigador que busca respuestas a una pregunta compleja necesita algo más sofisticado: un sistema que entienda lo que está preguntando y recupere lo que realmente importa.
Eso es exactamente lo que Trenton construyó: una plataforma de inteligencia documental capaz de analizar 50.000 publicaciones científicas de arXiv y responder preguntas en lenguaje natural con respuestas citadas y verificables.
Cómo funciona
La arquitectura del sistema combina varias tecnologías de vanguardia en un flujo coherente. El proceso empieza con Apache PySpark, que filtra, deduplica y limpia más de tres millones de registros hasta obtener una muestra de 50.000 artículos en diez subcategorías de ciencias de la computación.
Los resúmenes de esos artículos se convierten en vectores matemáticos de 384 dimensiones mediante un modelo de sentence transformers, generando más de 164.000 fragmentos indexados en una base de datos vectorial ChromaDB. En paralelo, los metadatos estructurados se almacenan en PostgreSQL para consultas relacionales y análisis estadísticos.
La interfaz web, construida en React, ofrece dos funcionalidades principales. La primera es un panel de análisis que visualiza tendencias de publicación, distribución por categorías, rankings de autores y una proyección bidimensional de los temas del corpus. La segunda es un sistema de Retrieval-Augmented Generation — RAG — que acepta preguntas en lenguaje natural, recupera los fragmentos más relevantes por similitud semántica y genera respuestas citadas usando el modelo Mistral 7B ejecutado localmente.
Los resultados
Los números avalan el sistema. En una evaluación sobre 30 preguntas curadas, el componente de recuperación alcanzó una precisión del 75,3% y un recall del 92,8%. Las respuestas generadas obtuvieron una fidelidad media de 4,57 sobre 5 y una relevancia de 4,63 sobre 5. La latencia de recuperación fue de apenas 38,5 milisegundos de media.
Un detalle especialmente relevante: todo el sistema funciona de forma local, sin dependencia de servicios en la nube, empaquetado en cinco contenedores Docker que se arrancan con un solo comando.
Por qué importa
El trabajo de Trenton no es solo un ejercicio técnico. Es una demostración práctica de que las herramientas de inteligencia artificial pueden ponerse al servicio de la investigación científica de forma accesible, reproducible y transparente. En un momento en que el debate sobre la IA en la academia está más vivo que nunca, su plataforma ofrece una respuesta concreta: la tecnología puede ayudar a los investigadores a encontrar lo que importa, sin reemplazar su criterio.
