En la investigación no todo es generar ideas o redactar manuscritos. También hay un momento inevitable en el que otras personas evalúan aquello en lo que hemos invertido mucho tiempo y esfuerzo. En el caso de los artículos científicos, este proceso suele permitir réplica y nuevas oportunidades. Sin embargo, en las convocatorias de financiación la situación es distinta, ya que muchas veces no existe la posibilidad de volver a presentarse.

Cuando una convocatoria es única o no se repite, un rechazo puede tener un impacto mucho mayor. Este episodio no se centra en el rechazo en sí, sino en las opciones reales que existen para afrontarlo de forma crítica. Una de ellas es la alegación, un mecanismo que, aunque suene legal o ajeno al ámbito investigador, puede ser legítimo y necesario en determinadas circunstancias.

La alegación solo tiene sentido cuando existe un informe de evaluación detallado y unas bases de convocatoria claras. Antes de iniciar este proceso, es imprescindible un ejercicio de honestidad personal. No todas las evaluaciones negativas son injustas, y alegar solo es recomendable cuando existen errores objetivos, omisiones claras o contradicciones con las propias normas de la convocatoria.

Entre los errores más habituales que pueden justificar una alegación se encuentran la supuesta falta de documentación que sí fue entregada o críticas a aspectos que no eran exigidos. En estos casos, el proceso pasa por analizar el informe con calma, identificar los puntos problemáticos y redactar un documento formal, respetuoso y constructivo, dirigido a la entidad financiadora.

La alegación debe centrarse exclusivamente en hechos verificables y argumentos sólidos, evitando opiniones personales o valoraciones subjetivas. Herramientas de inteligencia artificial pueden ayudar a mejorar el lenguaje o el tono final del documento, pero el contenido y el razonamiento deben partir siempre de la persona solicitante.

Más allá del resultado, el proceso de alegación tiene un valor formativo importante. Obliga a comprender mejor cómo funcionan los sistemas de evaluación y ayuda a desarrollar una mirada crítica que será útil tanto para futuras solicitudes como para el día en que uno mismo esté al otro lado, evaluando propuestas de otras personas.

Si este episodio te ha resultado útil, te agradecería que en la plataforma donde lo estés escuchando le des a like, dejes un comentario o te suscribas al podcast. Estos pequeños gestos ayudan a que Investigando la Investigación tenga más alcance y pueda llegar a más personas interesadas en entender y vivir la investigación desde dentro.

En este episodio de Investigando la Investigación quería reflexionar, desde una perspectiva muy personal, sobre cómo ha ido cambiando la programación a lo largo del tiempo y sobre el punto en el que creo que nos encontramos ahora. Todo parte de una historia que escuché sobre cómo uno de mis directores de tesis programaba alrededor de 1975, cuando el código se escribía en papel, se pasaba a tarjetas perforadas y se enviaba a un ordenador central para su compilación. Un proceso lento, extremadamente frágil y lleno de fricción, en el que cualquier error implicaba rehacer gran parte del trabajo.

Con la llegada de los ordenadores personales en los años ochenta, este modelo desapareció y programar pasó a ser algo que podía hacerse de manera local. Aun así, durante muchos años siguió siendo un proceso muy laborioso, especialmente por la falta de acceso a documentación y manuales. En mi caso, aprendí a programar con lo que encontraba en revistas y mucha prueba y error, hasta que Internet cambió por completo el panorama. Empezaron a surgir comunidades, foros y, más tarde, plataformas como Stack Overflow, que aceleraron enormemente el aprendizaje y la resolución de problemas, aunque el paradigma seguía siendo escribir y depurar código línea a línea.

El siguiente gran salto llegó en torno a 2023 con la aparición de herramientas como ChatGPT, que empezaron a actuar como asistentes de programación capaces de generar código y ayudar a depurarlo. Pero el verdadero cambio de paradigma, en mi opinión, está ocurriendo ahora, entre finales de 2024 y 2025, con las herramientas basadas en agentes. Ya no se trata solo de generar fragmentos de código, sino de sistemas capaces de descomponer proyectos complejos, ejecutar tareas en paralelo y acelerar enormemente el desarrollo, tanto para personas con pocos conocimientos técnicos como para programadores con experiencia.

Todo esto está transformando el rol del programador, que cada vez se parece más al de un ingeniero o gestor de proyectos: alguien que sabe estructurar problemas, guiar herramientas complejas, detectar errores y validar resultados, más que escribir código de forma manual todo el tiempo. En este contexto, también creo que es clave mantenerse informado a través de redes técnicas como Twitter o LinkedIn, donde el ritmo de innovación es mucho más visible que en otros formatos.

A partir de estas ideas, comento también algunos proyectos en los que estoy trabajando, tanto herramientas personales como una plataforma pública llamada Explore Labs, orientada a ofrecer utilidades prácticas para procesos de investigación, como el análisis y la pre-revisión de artículos científicos.

Puedes acceder a la plataforma en: https://explore-labs.com

El problema no es generar muchas ideas; de hecho, generar muchas ideas suele ser una ventaja. El problema aparece cuando esas ideas se acumulan sin un criterio claro y terminan diluyendo el foco original. Generar cantidad no implica generar calidad, ni mucho menos avanzar. Cuando las ideas se multiplican sin control, se vuelve difícil identificar qué es realmente importante y qué simplemente añade ruido.

Desde hace varios años utilizo Obsidian como sistema de gestión de notas, algo que he comentado en detalle en episodios anteriores del podcast. En particular, uso mucho las notas diarias: cada día aparece una nota en blanco en la que vuelco cualquier idea que se me ocurre, sobre cualquier tema, en el momento en que aparece. Más adelante reviso ese material y, si una idea lo merece, la convierto en una nota independiente donde empiezo a desarrollarla con más calma.

El problema surge cuando, a partir de una idea inicial —el tronco—, empiezo a añadir demasiadas subideas. Llega un punto en el que el documento crece tanto que pierdo la visión global. Me cuesta distinguir qué partes son esenciales y cuáles son accesorias y, cuando vuelvo tiempo después a esa nota, me encuentro con un desorden que genera fricción. Esa fricción acaba provocando procrastinación y hace que no vuelva a ideas que, en el fondo, pueden ser muy valiosas.

Aquí es donde entra el concepto de poda. Igual que en jardinería se cortan ramas para fortalecer el tronco, con las ideas ocurre algo muy parecido. Sin poda aparece la parálisis por análisis o la sobrecarga creativa: confundimos tener muchas ideas con avanzar, cuando en realidad estamos bloqueándonos.

La clave, al menos en mi experiencia, es tener una estrategia de poda definida. No basta con pensar que ya se revisará más adelante; si no hay criterios claros, la poda no se hace. Algunos de los criterios que utilizo son si una subidea refuerza o no la idea principal, si es práctica o simplemente interesante pero poco accionable, o si se aleja demasiado del objetivo inicial. Estos criterios no son universales: dependen mucho del tipo de proyecto y de cómo trabaja cada persona.

No es lo mismo, por ejemplo, un proyecto científico, donde todo debe girar alrededor de un eje muy concreto, que un proyecto creativo o artístico, donde la dispersión puede ser parte del proceso. En cualquier caso, lo importante es que esos filtros existan y estén definidos, mejor aún si están por escrito para poder revisarlos de vez en cuando.

Esta lógica de poda no solo aplica a las ideas, sino también al ruido informativo al que estamos expuestos constantemente. Vivimos rodeados de estímulos digitales y, sin filtros propios, es fácil perder dirección. En este contexto, recomiendo el libro Digital Minimalism, de Cal Newport, que aborda precisamente cómo proteger la atención y reducir el ruido en entornos tecnológicos saturados.

Para cerrar el episodio, comento una novedad: estoy desarrollando una aplicación web orientada a apoyar distintos procesos de investigación mediante herramientas de inteligencia artificial. La aplicación está en fase de pruebas, pero ya permite, por ejemplo, convertir un artículo científico en PDF en un episodio de podcast o simular un proceso de revisión por pares a partir de un borrador. Se puede acceder en explore-labs.com y, por ahora, es gratuita. Iré comentando su evolución en futuros episodios del podcast.

Hoy hablamos del cometa 3I/ATLAS, un visitante interestelar que ha atravesado el Sistema Solar y que, durante unas semanas, ha concentrado tanto observaciones científicas intensas como una notable atención mediática. Para ello conversamos con Fernando Moreno, investigador del Instituto de Astrofísica de Andalucía (IAA-CSIC), especializado en polvo cometario y polarimetría, y con Fernando Ortuño, astrónomo con perfil divulgativo y de observación. La conversación sirve para poner orden entre lo que realmente sabemos, lo que todavía está por entender y cómo se construye conocimiento científico cuando solo es posible observar e interpretar, no experimentar directamente.

Partimos de lo básico: qué es un cometa y cómo se comporta al acercarse al Sol. Los cometas son agregados de hielo y polvo que, al sublimar, generan coma y colas. En el Sistema Solar se distinguen grandes familias asociadas al cinturón de Kuiper y a la nube de Oort. Los cometas interestelares, como 3I/ATLAS, se formaron alrededor de otras estrellas y llegan hasta nosotros tras largos viajes por la galaxia. Desde 2017 solo se han detectado tres objetos de este tipo, lo que hace que cada uno sea especialmente valioso.

Una parte central del episodio se dedica a explicar por qué muchas de las supuestas “anomalías” de 3I/ATLAS no son tan extrañas. Estructuras como la anticola o cambios en el aspecto del cometa se explican en gran medida por efectos geométricos ligados a la posición del observador. También se discute el papel de la polarimetría, que en este caso apunta a propiedades particulares del polvo, como la posible presencia de partículas grandes de hielo de agua, mezclado con algún componente absorbente, siempre dentro de interpretaciones basadas en modelos y con incertidumbres claras.

La conversación aborda además el contraste entre ciencia y sensacionalismo. Frente a interpretaciones exóticas, se insiste en aplicar criterios de parsimonia: si un objeto se comporta como un cometa, la explicación más razonable es que lo sea. Finalmente, se destaca el papel de la astronomía amateur y de las colaboraciones pro-am, así como el futuro inmediato del campo, con la llegada de nuevos surveys y telescopios que permitirán detectar más objetos interestelares y pasar de casos aislados a una estadística significativa.

Contacto de los invitados

Fernando Moreno
Instituto de Astrofísica de Andalucía (IAA-CSIC)
Email: fernando@iaa.es

Fernando Ortuño
Web y redes: https://linktr.ee/FerOrtuno
Email: ferortgue@gmail.com

Si quieres conversar sobre este tema con otros investigadores, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en Discord, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.

Hoy nos acercamos al ruido y al sonido no como fondo, sino como auténticas materias de investigación. Conversamos con Susana López (Susana Dron), artista e investigadora sonora con una amplia trayectoria en la creación de paisajes sonoros, texturas prolongadas y experiencias de escucha que cuestionan la idea clásica de música.

Susana nos invita a repensar qué entendemos por ruido: un concepto abierto, ligado al contexto y a la escucha, que en su práctica se convierte en un espacio de libertad y de exploración más que en una molestia. En su investigación, el sonido —agua, motores, viento, ciudad o cuerpo— es materia prima que transforma digitalmente con herramientas como SuperCollider o Reaper, no para responder preguntas concretas, sino para descubrir hasta dónde puede llegar un sonido y qué nuevas formas puede adoptar.

Hablamos también de su trabajo en directo, basado en estructuras flexibles y cercanas a partituras gráficas, donde conviven drones y espacios amplios de improvisación. Cada performance es distinta, moldeada por el contexto y por quienes escuchan y crean.

Otro eje importante es la colaboración con científicos, biólogos y universidades, trabajando con sonidos procedentes del micelio, de bacterias como E. coli o de objetos como un piano dañado por una inundación. Estas experiencias híbridas entre arte, ciencia y tecnología cuestionan las fronteras entre disciplinas.

Reflexionamos además sobre el arte, la relación con el mercado, la edición sonora y los límites de su investigación, siendo el tiempo el más importante. También aparece una mirada crítica a los sistemas de financiación y residencias, con dinámicas muy similares al mundo académico.

Finalmente, abordamos el papel de las nuevas tecnologías y la inteligencia artificial, que Susana ve como herramientas aliadas si se utilizan como instrumentos al servicio de quien crea.

Un episodio para afinar la escucha, repensar el ruido y entender el sonido como una forma fértil de investigación.

Enlaces y contacto

https://susannalopez.com/

https://susanloop.bandcamp.com/album/materia-vibrante

https://es.wikipedia.org/wiki/Susana_L%C3%B3pez_(artista)

susann@susannalopez.com

Links comentados en la entrevista:

Discografía

https://susannalopez.com/publicaciones/

Composiciones piano destruido en Paiporta

https://audiotalaia.bandcamp.com/album/corda-fang-samplers

Sonificación micelio + música

https://muiminasounds.bandcamp.com/album/the-mycelial-network

Convocatorias para residencias de arte y sonido:

ON THE MOVE

https://on-the-move.org/news/access-artistic-residency-focus-music-and-sound-2025-26-france-portugal-czech-republic

Stockholm

https://elektronmusikstudion.se/en/our-studios/ems-artist-in-residence-program/

Sweden

https://schhh.se/artist-residency/

París (IRCAM)

https://musiquecontemporaine.org/aides-concours-appels/ircam-arrop-2024-2025

Madrid (Matadero)

https://www.mataderomadrid.org/convocatorias/residencia-para-un-proyecto-de-musica-electronica-experimental-2

Madrid (La casa encendida)

https://www.lacasaencendida.es/convocatorias/artistas-en-residencia-2025/artistas-en-residencia-2025

Asturias (Laboral)

https://laboralcentrodearte.org/es/convocatorias/ii-convocatoria-de-residencias-artisticas-2025/

Si quieres conversar sobre este tema con otros investigadores, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en Discord, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.

En este episodio quería compartir una idea muy práctica sobre el autoaprendizaje. Hay montones de teorías sobre cómo aprendemos, pero a mí me interesa lo que hacemos cuando aprendemos por nuestra cuenta y cómo hacerlo mejor sin complicarnos. Me pasa a menudo que, cuando un tema me interesa, empiezo por lo básico: pregunto a ChatGPT, escucho algún podcast, leo resúmenes… y enseguida siento que “ya lo entiendo”. Esa es la primera fase: documentarme y absorber información. Es necesaria, claro, pero también es tramposa, porque la sensación de entender aparece mucho antes de entender de verdad.

Para explicarlo uso un ejemplo simple: imagina que me pongo con la historia de Mesopotamia, que la desconozco. Al principio no tendría sentido meterme en un paper complejo; lo lógico es empezar suave, tener un mapa general y luego ir profundizando. Pero el problema es que puedo quedarme ahí, acumulando datos, creyendo que sé… hasta que alguien me dice “vale, explícamelo”. Y entonces me bloqueo. No porque sea incapaz, sino porque no he practicado sacar ese conocimiento fuera de mi cabeza.

Ahí entra la segunda fase, la que para mí cambia todo: volcar lo que creo que sé. Escribir un post, grabar un audio, hacer un vídeo, explicárselo a alguien, incluso dejarlo en un documento privado. Da igual el formato y da igual si es público. Lo importante es que la información salga y quede reflejada fuera. Cuando hago eso, aparece la realidad: las lagunas. Me doy cuenta de que no recuerdo fechas, no tengo claro el orden de los hechos, o me faltan piezas clave. Y justo por eso el volcado es tan potente: me muestra qué sé de verdad y qué era solo una ilusión. Después vuelvo a documentarme, pero ya con puntería, para tapar esos huecos concretos.

Y todavía hay un tercer nivel que lo multiplica: compartir ese volcado con otras personas y recibir feedback. Cuando otros te corrigen, te matizan o te hacen preguntas, no solo mejoras la explicación, sino que entiendes mucho mejor el tema. Además, el simple hecho de intentar comunicarlo bien para que otros lo entiendan ya te obliga a afinar tu propio conocimiento.

De hecho, este episodio es un ejemplo del ciclo: yo me documenté un poco, lo volqué aquí en el podcast, y la cuadratura del círculo se cierra si ahora recibo tu feedback. Así que, si te apetece, vente a la comunidad en Discord y seguimos la conversación en horacio-ps.com/comunidad. Y si este episodio te ha aportado algo, te agradecería un montón que te suscribas o le dejes un like/valoración en la plataforma donde lo escuches, porque eso ayuda a que el podcast llegue a más gente. ¡Hasta la próxima!

En este episodio especial de Investigando la Investigación, cruzamos micrófonos con Gabriel, de Tercer Patio Podcast (Argentina), y con Daniela y Selim (Chile), de Ciencia en Otras Palabras, para conversar sobre un tema que atraviesa toda práctica investigadora: cómo el lenguaje influye en la forma en que entendemos y construimos la verdad científica.

La conversación parte de una pregunta central: ¿cuándo nos dimos cuenta de que el lenguaje importa más de lo que parece en la investigación y en su comunicación? A partir de ahí, la charla avanza como un recorrido por distintas disciplinas (desde la biología marina y la evolución de roedores, hasta la antropología y la historia) explorando cómo cada campo utiliza palabras, metáforas y narrativas para interpretar aquello que estudia.

Hablamos de cómo ciertos términos pueden abrir hipótesis nuevas y de cómo otros, por su carga conceptual, pueden cerrarlas sin que nos demos cuenta. También surgió la tensión constante entre la precisión técnica y la claridad, y cómo equilibrar ambas sin sacrificar rigor ni humanidad. La conversación derivó en cuestiones como el papel del inglés en la ciencia, la dificultad de traducir conceptos complejos a públicos diversos o la importancia de reconocer la incertidumbre como parte de la práctica científica. Reflexionamos además sobre cómo la narrativa (el orden en que contamos, los énfasis que elegimos, lo que dejamos dentro y fuera del encuadre) acaba moldeando la propia idea de verdad científica.

Hacia el final, compartimos algunas recomendaciones para quienes comienzan a divulgar: probar el lenguaje con personas cercanas, cuidar la estructura narrativa, observar cómo cambia la recepción según la audiencia y, sobre todo, disfrutar el proceso de contar lo que investigamos.

Participan:

- Orlando Gabriel Morales, creador de Tercer Patio Podcast, investigador en CONICET Argentina — https://tercerpatiopodcast.com/

- Daniela y Selim — Ciencia en Otras Palabras — https://csotraspalabras.transistor.fm/

- Horacio Pérez — (servidor)

Un episodio lleno de matices, donde la ciencia se mira a sí misma y recuerda que, además de descubrir, también necesita contarse.

Si quieres conversar sobre este tema con otros investigadores, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en Discord, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.

En este episodio reflexionamos sobre una pregunta que, aunque parece sencilla, abre un abanico enorme de matices: cuando le pregunto algo a alguien —o a un sistema— y me da una respuesta, ¿cómo sé si esa respuesta es fiable, si está basada en datos sólidos o si simplemente no lo está? Validar cualquier información implica trabajo: contrastar, revisar fuentes, consultar enciclopedias, documentos o expertos reales. Pero la cosa se complica cuando ese “alguien” no es una persona, sino un sistema de inteligencia artificial, concretamente un modelo de lenguaje como los que todos usamos hoy en día: ChatGPT, Gemini, Claude, etc.

La gran cuestión es: ¿cómo fiarnos de las respuestas de un modelo cuyo entrenamiento no conocemos y cuyos datos tampoco vemos? En algunos casos podemos hacer pequeñas pruebas. Si le pregunto cuánto son 2+2, no busco la respuesta, porque ya la sé; busco comprobar si responde bien a lo básico. Si falla ahí, es difícil confiar en lo que haga después. Pero cuando las preguntas se vuelven más complejas, abiertas o subjetivas, el control desaparece. ¿Cómo comprobar entonces? ¿Cuántas preguntas de test deberían hacerse antes de usar el modelo para algo importante: una, diez, cien, mil? La respuesta depende del riesgo, de la importancia de lo que vayamos a hacer con esas respuestas y de los recursos que tengamos para evaluarlo.

Por eso, en entornos de alta responsabilidad —como la clínica— un modelo debería pasar un testeo profundo y exhaustivo. De ahí que existan benchmarks con miles de ejemplos para evaluar modelos de lenguaje. Pero cuando no hay benchmark, ni tiempo, ni capacidad para testear a fondo, ¿qué opciones quedan? Una estrategia común es la aproximación por consenso: hacer la misma pregunta a varios modelos y comparar. Si todos coinciden, aumenta la confianza. Pero esto tampoco es infalible: cuatro sistemas entrenados con datos similares pueden equivocarse igual, del mismo modo que cuatro personas desinformadas pueden dar la misma respuesta incorrecta.

En resumen, no existe una solución perfecta. Lo que sí existe es la necesidad de ser conscientes de la incertidumbre, del contexto en el que usamos las respuestas, del nivel de seguridad que necesitamos y de los métodos disponibles para aumentar, aunque sea un poco, la robustez de lo que obtenemos: pruebas previas, consenso entre modelos, contraste con fuentes externas.

Y aquí viene la reflexión meta: te he dado ideas, ejemplos y caminos posibles, pero también deberías analizar críticamente este episodio igual que analizarías cualquier respuesta de un modelo de lenguaje. Si quieres conversar sobre este tema con más gente, contrastar opiniones o preguntar más, te invito a unirte a nuestra comunidad de investigadores en WhatsApp, disponible en https://horacio-ps.com/comunidad.

Si este episodio te ha parecido útil o interesante, te agradecería mucho que le des cinco estrellas, un like o te suscribas al canal donde lo estés escuchando. Ayuda muchísimo a que el contenido llegue a más personas.