Cómo detectar argumentos débiles, premisas incompletas y conclusiones sin respaldo
Un texto académico puede estar perfectamente redactado y seguir teniendo un problema importante: su argumento no está completamente cerrado.
La gramática puede ser correcta. Las citas pueden estar bien formateadas. La estructura del capítulo puede parecer ordenada. Y, aun así, puede existir una distancia demasiado grande entre lo que el manuscrito afirma y aquello que realmente ha demostrado.
Este tipo de problema es difícil de detectar porque no suele residir en una frase aislada. Aparece en la relación entre varias piezas:
- tesis;
- premisas;
- evidencias;
- inferencias;
- contraargumentos;
- conclusiones.
Por eso una revisión argumentativa necesita algo más que evaluar si el texto «suena convincente». Necesita intentar reconstruir cómo se sostiene el razonamiento.
Un argumento no es una sucesión de frases
En escritura académica utilizamos constantemente expresiones como:
«El autor argumenta que…»
«Los resultados demuestran…»
«De lo anterior puede concluirse…»
Pero entre una afirmación y una conclusión debería existir una estructura.
Podemos simplificarla así:
premisa → evidencia → inferencia → conclusión
En muchos trabajos reales, esta estructura es bastante más compleja.
Puede haber varias premisas, distintos tipos de evidencia, contraargumentos, excepciones, hipótesis alternativas o limitaciones metodológicas.
Pero la pregunta central sigue siendo la misma:
¿La conclusión está realmente respaldada por lo que aparece antes?
El problema de las conclusiones plausibles
Una conclusión puede resultar completamente plausible.
Por ejemplo:
«La incorporación de sistemas de inteligencia artificial mejora la calidad de los procesos editoriales.»
La frase tiene sentido. Incluso puede parecernos intuitivamente cierta.
Pero desde una perspectiva académica debemos preguntar:
¿Qué evidencia sostiene esa afirmación?
Quizá el estudio ha observado que tres editoriales redujeron tiempos de revisión, dos equipos detectaron más errores y determinados usuarios valoraron positivamente la herramienta.
¿Permite eso afirmar que la IA mejora la calidad de los procesos editoriales en general?
Quizá.
Pero también es posible que la conclusión sea más fuerte que la evidencia.
El problema no está en que la conclusión sea absurda. Está en que parece razonable antes de haber demostrado que el argumento permite llegar hasta ella.
Una forma sencilla de representar el problema
Premisa 1
Tres editoriales redujeron el tiempo de revisión utilizando una herramienta determinada.
Premisa 2
Los revisores detectaron más inconsistencias durante el experimento.
Conclusión
La inteligencia artificial mejora universalmente la calidad editorial.
Existe una conexión.
Pero también un salto.
Las premisas describen un contexto limitado. La conclusión introduce una afirmación universal.
Algo falta.
Podría ser evidencia adicional, una justificación de generalización, una limitación explícita o una conclusión más moderada.
La revisión argumentativa consiste, en parte, en localizar estos saltos.
El concepto de premisa implícita
Muchos argumentos dependen de ideas que nunca se formulan explícitamente.
Por ejemplo:
«Este sistema redujo el tiempo de revisión un 30 %, por tanto es mejor.»
Aquí existe una premisa implícita:
«Una reducción del tiempo de revisión implica una mejora del sistema.»
Pero ¿qué ocurre si la reducción de tiempo viene acompañada de más errores?
La premisa puede ser razonable, pero necesita contexto.
Las premisas implícitas son especialmente interesantes porque el autor puede tenerlas muy claras mentalmente y, por tanto, no darse cuenta de que el lector no dispone de ellas.
Una herramienta de revisión puede intentar hacer visible esa ausencia.
El lector no conoce lo que el autor sabe
Este problema es muy común en documentos largos.
Después de años investigando un tema, el autor posee una enorme cantidad de contexto.
Conoce los debates, las fuentes, las relaciones entre conceptos, los supuestos metodológicos y las implicaciones de determinados resultados.
Cuando escribe, algunas conexiones le parecen obvias.
Pero el lector solo tiene acceso al texto.
Esto produce un fenómeno frecuente:
el argumento está completo en la mente del autor, pero incompleto en el manuscrito.
La revisión externa resulta útil precisamente porque obliga a observar únicamente lo que está efectivamente expresado.
Qué es una premisa
En términos sencillos, una premisa es una afirmación utilizada para sostener otra.
Por ejemplo:
Premisa 1: todos los documentos de la muestra contienen inconsistencias bibliográficas.
Premisa 2: dichas inconsistencias aumentan el trabajo de revisión editorial.
Conclusión: mejorar el control bibliográfico puede reducir parte del trabajo editorial.
No hace falta utilizar lógica formal para estudiar esta estructura.
Lo importante es poder preguntar:
¿Qué afirmaciones sostienen esta conclusión?
Si no podemos identificarlas, quizá el argumento necesita más desarrollo.
Evidencia no es lo mismo que premisa
También conviene separar ambos conceptos.
Una premisa puede ser:
«Los errores bibliográficos incrementan el tiempo de revisión.»
La evidencia podría ser:
«En el estudio realizado sobre 200 manuscritos, los documentos con más de diez inconsistencias requirieron una media de dos horas adicionales de revisión.»
La primera es una afirmación.
La segunda intenta respaldarla.
Cuando un argumento mezcla continuamente afirmaciones y evidencias sin distinguirlas, puede resultar difícil evaluar su solidez.
El error de utilizar una fuente como sustituto del argumento
Otro problema frecuente es pensar que una cita resuelve automáticamente una inferencia.
Por ejemplo:
«Smith (2024) señala que la automatización puede reducir costes. Por tanto, la IA debería implantarse obligatoriamente en todas las universidades.»
La existencia de una fuente no convierte automáticamente la conclusión en válida.
Todavía hay que justificar si la reducción de costes es suficiente criterio, si los resultados son aplicables a universidades, qué riesgos existen, qué alternativas hay y por qué la implantación debería ser obligatoria.
Una cita puede respaldar una premisa.
No reemplaza toda la estructura argumentativa.
Argumento principal y argumentos secundarios
Los manuscritos largos suelen contener múltiples niveles.
Existe una tesis principal. Después tesis o argumentos de capítulo. Después argumentos de sección. Y dentro de estos, pequeñas inferencias.
TESIS PRINCIPAL
│
├── Argumento 1
│ ├── Premisa 1A
│ └── Premisa 1B
│
├── Argumento 2
│ ├── Premisa 2A
│ ├── Evidencia
│ └── Premisa 2B
│
└── Argumento 3
├── Contraargumento
└── RespuestaEsto ayuda a entender por qué revisar argumentación en una tesis de 300 páginas resulta complejo.
No existe un único argumento.
Existe una red de argumentos.
Qué intenta hacer un mapa argumental
En Philologica, esta idea se relaciona con Dialectical Assistant, dentro del área Argumentation & Terminology.
El objetivo de un mapa argumental es representar parte de esa red.
No necesariamente utilizando lógica formal exhaustiva.
Puede bastar con localizar:
- tesis;
- premisas;
- evidencia;
- contraargumentos;
- conclusiones;
- relaciones entre ellos.
Al hacer visible la estructura, algunos problemas aparecen con mucha más claridad.
Problema 1: conclusión sin premisas suficientes
Este es el caso más evidente.
A
│
├── [¿B?]
│
└── CPara llegar de A a C parece necesaria otra afirmación.
La pregunta es:
¿Qué tendría que ser cierto para que A permitiera concluir C?
Esa pregunta puede descubrir una premisa implícita.
Problema 2: premisa sin evidencia
Otro patrón:
«La mayoría de los investigadores rechaza este enfoque.»
¿Sobre qué evidencia se basa?
Si la afirmación es importante para el argumento, debería existir algún respaldo.
Por ejemplo:
- una encuesta;
- una revisión bibliográfica;
- datos;
- una fuente;
- un estudio previo.
Si no aparece, el sistema puede marcarla como:
afirmación relevante sin evidencia localizada
De nuevo, no significa necesariamente que sea falsa.
Significa que el manuscrito debería mostrar por qué el lector debe aceptarla.
Problema 3: conclusión más fuerte que la evidencia
Imaginemos:
Evidencia: un experimento con 25 participantes muestra determinado resultado.
Conclusión: todos los usuarios se comportarán de esa forma.
El problema es el alcance.
Puede aparecer mediante palabras como:
- siempre;
- nunca;
- necesariamente;
- demuestra;
- garantiza;
- todos;
- universalmente.
No significa que estas palabras estén prohibidas.
Significa que requieren un nivel de evidencia adecuado.
Problema 4: causalidad donde solo existe correlación
Este es uno de los errores argumentativos clásicos.
Observamos:
A y B ocurren conjuntamente.
Y concluimos:
A causa B.
Puede ser cierto.
Pero la correlación por sí sola no lo demuestra.
En investigación empírica este problema es especialmente importante.
El manuscrito debería explicar:
- el diseño metodológico;
- las posibles variables de confusión;
- el mecanismo causal;
- las explicaciones alternativas;
- las limitaciones.
Una herramienta puede detectar determinadas formulaciones causales y compararlas con el tipo de evidencia descrita.
La interpretación final requiere contexto metodológico.
Problema 5: contraargumento débil
Los trabajos académicos suelen mejorar cuando consideran objeciones.
Pero no basta con incluir una sección llamada «Limitaciones» o «Contraargumentos».
El argumento contrario debe representarse de forma razonablemente fiel.
Existe una falacia conocida como hombre de paja: se simplifica excesivamente la posición contraria para después refutarla con facilidad.
Por ejemplo:
«Los críticos de la inteligencia artificial sostienen que ninguna tecnología debería utilizarse en investigación.»
Probablemente muchos críticos no sostienen eso.
Quizá argumentan algo mucho más específico sobre transparencia, privacidad, atribución, sesgos o reproducibilidad.
Una buena revisión debería preguntar:
¿El contraargumento se presenta en su versión más sólida?
Problema 6: respuesta que no responde
También ocurre lo contrario.
El manuscrito introduce una objeción importante.
Objeción:
«El modelo puede producir referencias inexistentes.»
Respuesta:
«Los modelos actuales son cada vez más potentes.»
La respuesta no aborda la objeción.
La potencia del modelo no elimina necesariamente el riesgo de referencias inventadas.
Aquí existe una desconexión argumentativa.
Problema 7: premisas contradictorias
En documentos largos pueden aparecer afirmaciones incompatibles.
Capítulo 2:
«La intervención humana es imprescindible en todas las fases.»
Capítulo 7:
«El sistema puede realizar el proceso completamente sin intervención humana.»
Quizá existe una evolución argumental.
Quizá se habla de contextos distintos.
Pero si no está explicado, aparece una tensión.
Detectar estas relaciones exige comparar partes distantes.
Problema 8: concepto que cambia durante el argumento
Aquí argumentación y terminología empiezan a solaparse.
Imaginemos que al principio:
«Autonomía» significa capacidad técnica del sistema para ejecutar acciones sin intervención.
Más adelante:
«Autonomía» empieza a utilizarse como independencia institucional.
Entonces un argumento puede parecer coherente porque utiliza la misma palabra.
Pero realmente está cambiando de concepto.
Este fenómeno se acerca a la equivocación: una misma expresión se utiliza con sentidos distintos dentro de un razonamiento.
Por eso Philologica agrupa argumentación y terminología dentro de una misma área conceptual.
La representación ayuda a separar lenguaje y lógica
Un párrafo académico puede ser estilísticamente sofisticado.
Eso puede ocultar un argumento bastante simple.
«A la luz de los procesos de transformación institucional derivados de la incorporación progresiva de tecnologías algorítmicas, parece razonable sostener que dichas tecnologías constituyen una condición necesaria para garantizar la sostenibilidad futura de los sistemas de evaluación.»
Podemos reducirlo a:
Premisa: las instituciones están incorporando tecnologías algorítmicas.
Conclusión: esas tecnologías son necesarias para garantizar la sostenibilidad futura.
Ahora la distancia argumentativa resulta mucho más visible.
¿Qué conecta ambas afirmaciones?
Ese es el valor de abstraer la estructura.
La IA puede ayudar a convertir prosa en estructura
Aquí los modelos lingüísticos tienen una capacidad especialmente interesante.
Pueden intentar transformar fragmentos complejos en una representación como:
TESIS
X
PREMISA 1
Y
PREMISA 2
Z
EVIDENCIA
E
CONTRAARGUMENTO
C
CONCLUSIÓN
QEsto no significa que la extracción sea perfecta.
Interpretar argumentos puede ser ambiguo.
Pero incluso una representación aproximada puede resultar útil para el autor.
Porque permite preguntarse:
«¿Es realmente este mi argumento?»
El desacuerdo también es información
Imaginemos que la IA interpreta:
Tesis: A
pero el autor piensa:
«No, mi tesis es B.»
Eso ya revela algo interesante.
Si una lectura externa identifica A como tesis principal, quizá B no está suficientemente explícita.
O quizá el modelo se ha equivocado.
Ambas posibilidades merecen revisión.
La pregunta importante es:
¿Puede entender el autor por qué el sistema ha realizado esa interpretación?
El mapa no es la realidad
También debemos evitar otro error.
Representar una argumentación en nodos y flechas puede dar una apariencia de precisión enorme.
Pero un argumento académico real puede contener ambigüedad, retórica, desarrollo histórico, contexto, matices y múltiples interpretaciones.
El mapa es una simplificación.
Una herramienta.
No una descripción absoluta.
Su función es ayudar a observar relaciones.
Cómo revisar una conclusión
Una técnica sencilla consiste en comenzar desde el final.
Tomamos la conclusión y preguntamos:
- ¿Qué afirmación exacta estoy haciendo?
- ¿Qué premisas necesito para sostenerla?
- ¿Dónde aparecen esas premisas en el manuscrito?
- ¿Qué evidencia respalda cada una?
- ¿Hay alternativas plausibles?
Este proceso inverso puede descubrir huecos con bastante rapidez.
Ejemplo completo
Imaginemos un paper que concluye:
«Nuestros resultados demuestran que el uso de IA reduce los errores editoriales.»
Preguntamos:
¿Qué resultados?
El estudio muestra:
10 revisores utilizando IA detectaron un 15 % más de inconsistencias.
Ahora preguntamos:
¿Detectar más inconsistencias significa reducir errores editoriales?
No necesariamente.
Quizá sí, si los errores fueron posteriormente corregidos.
Pero necesitamos esa conexión.
La conclusión podría reformularse:
«En nuestra muestra, los revisores asistidos por IA identificaron un 15 % más de inconsistencias.»
Esta afirmación está mucho más cerca de la evidencia.
Después podemos discutir sus implicaciones.
La moderación de una conclusión puede mejorarla
Existe cierta tendencia a pensar que una conclusión fuerte es mejor.
En investigación ocurre muchas veces lo contrario.
Una conclusión cuidadosamente delimitada transmite mayor rigor.
Comparemos:
«La IA transforma radicalmente la investigación académica.»
con:
«Los resultados observados sugieren que determinadas herramientas de IA pueden reducir el tiempo dedicado a tareas concretas de revisión en el contexto analizado.»
La segunda parece menos espectacular.
Pero también dice exactamente qué sabemos.
La precisión es una forma de fortaleza argumentativa.
Los niveles de certeza importan
Palabras diferentes expresan niveles distintos:
- demuestra;
- establece;
- confirma;
- indica;
- sugiere;
- es compatible con;
- podría.
Una revisión argumentativa puede prestar atención a estos verbos.
No para imponer uno concreto, sino para preguntar si el grado de certeza lingüística coincide con el grado de evidencia.
Qué debería devolver una herramienta argumentativa
Un resultado útil no debería decir simplemente:
«Argumento débil.»
Eso es demasiado genérico.
Preferiría algo parecido a:
- Tipo: posible salto inferencial.
- Tesis: X.
- Premisas identificadas: A, B.
- Conclusión: C.
- Observación: la conclusión introduce una generalización que no aparece justificada por las premisas identificadas.
- Ubicación: sección 5.4.
- Revisión sugerida: aportar evidencia adicional, explicitar la premisa intermedia o limitar el alcance de la conclusión.
Ahora el usuario puede actuar.
Severidad y centralidad
No todos los argumentos tienen la misma importancia.
Un pequeño salto lógico dentro de un ejemplo secundario puede ser menor.
Un problema en la tesis central es distinto.
Por eso la revisión podría considerar no solo la naturaleza del problema, sino su centralidad dentro del manuscrito.
Alta prioridad: afecta a tesis o conclusión principal.
Media: afecta a un argumento de capítulo.
Baja: afecta a una afirmación secundaria.
Dialectical Assistant
Dentro del planteamiento actual de Philologica, Dialectical Assistant se orienta precisamente a trabajar sobre esta capa de razonamiento.
Forma parte del bloque Argumentation & Terminology.
La idea es poder observar estructuras como:
TESIS
↓
PREMISAS
↓
EVIDENCIAS
↓
CONTRAARGUMENTOS
↓
CONCLUSIÓNy localizar relaciones que merecen revisión.
No quiero una máquina que «decida quién tiene razón»
Este límite es muy importante.
Una herramienta argumentativa no debería presentarse como árbitro filosófico universal.
No puede determinar automáticamente qué posición ética, científica o teórica es correcta.
Su función es mucho más concreta:
examinar si el manuscrito articula de forma suficientemente clara las relaciones entre sus propias afirmaciones.
Puede decir:
«No he localizado evidencia para esta premisa.»
Eso es distinto de:
«Esta premisa es falsa.»
Puede decir:
«La conclusión parece más amplia que la evidencia.»
Eso es distinto de:
«La conclusión es incorrecta.»
Esta separación debe permanecer clara.
Argumentación no es fact-checking
También conviene distinguir ambos procesos.
Fact-checking pregunta:
¿Esta afirmación corresponde con evidencia externa?
Revisión argumentativa pregunta:
¿Esta conclusión deriva de las premisas y evidencias presentadas?
Una afirmación puede ser verdadera y estar mal argumentada.
Y una estructura argumentativa puede ser formalmente coherente partiendo de una premisa falsa.
Son problemas diferentes.
El papel del contraargumento
Uno de los elementos más interesantes de una argumentación académica madura es reconocer alternativas.
Un buen texto no siempre dice:
«Esto es así.»
Muchas veces dice:
«Esta es mi interpretación, estas son las razones, esta es la principal objeción y este es el motivo por el que considero que mi interpretación sigue siendo preferible.»
La representación dialéctica ayuda precisamente aquí:
tesis → contraargumento → respuesta
Esto puede resultar especialmente útil en filosofía, derecho, ciencias sociales, humanidades, teoría política, ética o discusión científica.
Los contraargumentos también pueden descubrir límites
A veces el objetivo de una objeción no es derrotar la tesis.
Puede servir para delimitarla.
Tesis inicial:
«La IA mejora la revisión académica.»
Contraargumento:
«Los modelos pueden producir falsos positivos.»
Conclusión revisada:
«La IA puede mejorar determinadas tareas de revisión cuando sus resultados permanecen sujetos a verificación humana.»
El argumento final es menos absoluto.
Pero probablemente más sólido.
Una herramienta puede ayudar a formular preguntas
Este es el papel que más me interesa.
No necesito que Dialectical Assistant diga:
«Tu argumento es correcto.»
Prefiero que produzca preguntas como:
- ¿Qué evidencia sostiene esta premisa?
- ¿Cómo se conecta esta afirmación con la conclusión?
- ¿Existe una explicación alternativa?
- ¿Has respondido realmente al contraargumento?
- ¿Esta conclusión tiene un alcance mayor que tu muestra?
- ¿Este término mantiene el mismo significado?
Estas preguntas obligan a revisar.
Y esa es precisamente la finalidad.
Cómo utilizaría una revisión argumentativa en una tesis
No empezaría analizando automáticamente las 300 páginas al máximo detalle.
Lo haría por capas.
Primera capa: tesis principal
¿Qué intenta demostrar el trabajo?
Segunda capa: argumentos centrales
¿Qué grandes líneas sostienen esa tesis?
Tercera capa: capítulos
¿Qué función argumentativa cumple cada capítulo?
Cuarta capa: argumentos concretos
¿Dónde existen posibles huecos?
Quinta capa: conclusiones
¿Corresponden realmente con lo desarrollado?
Este enfoque jerárquico hace el problema más manejable.
La conclusión general merece especial atención
Hay una razón por la que las conclusiones son especialmente sensibles.
Son la parte del documento donde el autor resume el alcance de todo lo anterior.
Y también donde es más fácil introducir afirmaciones nuevas.
Durante la escritura puede aparecer la tentación de terminar con una frase contundente.
Pero una conclusión no debería convertirse en un capítulo nuevo.
Una pregunta útil es:
¿Puedo encontrar el origen de cada afirmación importante de mis conclusiones en el desarrollo anterior?
Si no, conviene revisar.
Un ejercicio manual extremadamente útil
Incluso sin utilizar ninguna herramienta, recomiendo hacer esto:
- Tomar las cinco afirmaciones principales de las conclusiones.
- Escribir debajo de cada una qué capítulo la sostiene.
- Identificar qué evidencia la respalda.
- Identificar qué fuente o resultado la fundamenta.
Si alguna termina sin respuesta clara, hemos encontrado una zona de revisión.
Philologica intenta automatizar parcialmente esta forma de pensar.
La estructura argumentativa como grafo
Evidencia 1 ──→ Premisa A ──┐
├──→ Tesis
Evidencia 2 ──→ Premisa B ──┘
↑
Contraargumento
↓
RespuestaEl interés está en las conexiones.
Un nodo aislado merece preguntas.
Una conclusión con pocas conexiones merece preguntas.
Una evidencia que no sostiene ninguna premisa merece preguntas.
No significa automáticamente error.
Significa oportunidad de inspección.
La IA no debería escribir el argumento por el investigador
Cuando una herramienta detecta un hueco, existe una posibilidad fácil:
«Generar premisa.»
Yo sería prudente.
La premisa necesaria puede introducir una idea que el investigador nunca quiso defender.
Puede alterar la posición académica.
Puede necesitar evidencia que no existe.
Es preferible que el sistema diga:
«Parece necesaria una conexión adicional entre A y C.»
Después el autor decide si debe añadir una premisa, aportar evidencia, modificar la conclusión, eliminar el argumento o explicar la relación.
La propiedad intelectual del argumento debe seguir perteneciendo al investigador.
Esto es especialmente importante con tesis doctorales
Una tesis doctoral no se evalúa únicamente por estar bien escrita.
Se evalúa también por la capacidad del investigador para formular problemas, defender decisiones, interpretar evidencia, construir argumentos y reconocer límites.
Si una IA construyera automáticamente toda esa arquitectura, estaríamos cambiando la naturaleza del trabajo.
La herramienta debería funcionar como instrumento de revisión.
No como sustituto del pensamiento que se está evaluando.
La mejor señal puede ser una pregunta incómoda
Muchas veces una buena revisión no ofrece una respuesta.
Formula la pregunta que el autor estaba evitando.
¿Por qué esto se sigue de aquello?
¿Dónde está la evidencia?
¿Qué ocurriría si la explicación alternativa fuera correcta?
¿Por qué este caso permite generalizar?
¿Esta conclusión estaba ya contenida en la hipótesis?
Son preguntas difíciles.
Y precisamente por eso son útiles.
El objetivo de Dialectical Assistant
La finalidad que persigo con esta herramienta no es calificar argumentos.
Es ayudarnos a ver su arquitectura.
Si podemos representar qué estamos afirmando, por qué, con qué evidencia, frente a qué objeciones y con qué alcance, resulta mucho más fácil mejorar el manuscrito.
Y también mucho más fácil explicar nuestro razonamiento a otra persona.
Hacer explícito lo implícito
Si tuviera que resumir la revisión argumentativa en una idea sería esta:
hacer explícitas las conexiones que el autor está dando por supuestas.
Porque muchas debilidades no aparecen cuando una afirmación es obviamente falsa.
Aparecen cuando una conclusión depende de algo que nunca hemos escrito.
La IA puede ser especialmente útil para intentar localizar esos huecos.
No porque comprenda el argumento mejor que el investigador.
Sino porque lo observa desde fuera.
La tesis detrás de esta herramienta
La argumentación académica debería poder ser examinada.
Una afirmación debería tener un camino.
Desde la tesis a las premisas.
De las premisas a la evidencia.
De la evidencia a las conclusiones.
No siempre será un camino limpio. La investigación real está llena de matices.
Pero cuanto más claramente pueda reconstruirse, más fácil resulta someterlo a crítica.
Y la posibilidad de crítica no debilita un argumento académico.
Lo fortalece.
Philologica Argumentation & Terminology
Dentro de Philologica, Dialectical Assistant forma parte del bloque Argumentation & Terminology, junto con herramientas orientadas a la consistencia conceptual y terminológica.
El objetivo es ayudar a representar y revisar relaciones entre tesis, premisas, evidencias, contraargumentos y conclusiones.
Puedes explorar Philologica en:
Los análisis argumentativos generados por IA deben entenderse como hipótesis de revisión. La interpretación académica, la validez de las premisas y las decisiones sobre el argumento continúan correspondiendo al investigador.
