Grisselle Merced Hernández, Ph.D.
Universidad de Puerto Rico, Recinto de Río Piedras
grisselle.merced@upr.edu · ORCID 0000-0003-4228-7217
La contextualización como condición ética del conocimiento
La educación superior ante el nuevo contrato social de la inteligencia artificial
La IA redefine la responsabilidad universitaria
TESIS
La inteligencia artificial obliga a examinar con mayor rigor las mediaciones, los contextos y los límites de la información.
PREGUNTA GUÍA
¿Qué condiciones debe propiciar la universidad para que la mediación algorítmica fortalezca, en lugar de sustituir, el juicio crítico autónomo?
OBJETIVO
Analizar cómo la IA redefine la responsabilidad universitaria respecto de la contextualización como condición ética del conocimiento.
Marco: Latorre, J. I. (2026). Un nuevo contrato social.
PROPÓSITO
03
Enfoque cualitativo, teórico-conceptual y documental
MARCO CONCEPTUAL
Latorre (2026)
Un nuevo contrato social: gobernar un mundo con inteligencias no humanas.
FUNDAMENTO EPISTÉMICO
Haraway (1988)
El conocimiento situado y la objetividad como posición visible y examinable.
CASO SITUADO
Caraballo-Cueto (2020)
Revisión de las bases de datos poblacionales de Puerto Rico.
Tres textos base, en diálogo con fuentes complementarias filosóficas, educativas, críticas e institucionales, para distinguir entre procesar contexto y contextualizar críticamente.
METODOLOGÍA
04
Procesar contexto no es contextualizar
EL CONTEXTO DENTRO DEL ALGORITMO
Latorre (2026); Caraballo-Cueto (2020)
06
CONTEXTO ALGORÍTMICO
CONTEXTUALIZACIÓN CRÍTICA
¿Quién contextualiza aquello que el algoritmo produce?
Recordar no equivale a comprender
DE LA INFORMACIÓN AL CONOCIMIENTO
Bender et al. (2021); Latorre (2026)
07
La información se convierte en conocimiento cuando entra en una trama de sentido que permite interpretarla, relacionarla, justificarla y someterla a prueba.
Un modelo de lenguaje puede producir secuencias coherentes sin comprender su significado (Bender et al., 2021).
JUSTIFICAR EXIGE
1
Rastrear fuentes
2
Contrastar evidencias
3
Reconocer supuestos
4
Situar lo afirmado en sus condiciones de producción
Externalizar la memoria no exige externalizar el juicio.
Puerto Rico: la realidad detrás del dato
CASO SITUADO · CARABALLO-CUETO (2020)
Caraballo-Cueto (2020), Population and Environment, 42(1), 112–127
09
Censo decenal
Encuesta sobre la Comunidad de Puerto Rico
Programa de Estimaciones de Población
Datos de transportación (migración)
Vigilancia de factores de riesgo de salud
Encuesta del Grupo Trabajador
Cada fuente responde a:
Propósito
Método
Frecuencia
Unidad de análisis
Población de referencia
La existencia de un dato no elimina la necesidad de interpretarlo.
Cuatro límites de los datos
LO QUE REVELA EL CASO
Caraballo-Cueto (2020)
10
01
Cifras divergentes
Tras el huracán María (2017), las estimaciones de mortalidad y migración variaron según la fuente, el método y el periodo.
02
Categorías ajenas
Las clasificaciones raciales de la OMB (Oficina de Administración y Presupuesto (OMB, por sus siglas en inglés) no recogen formas locales de identificación como trigueño o indio.
03
Promedios que ocultan
Guaynabo exhibe una de las tasas de pobreza municipales más bajas, pero contiene comunidades con pobreza mucho más alta.
https://periodismoinvestigativo.com/2015/06/cuestionada-la-etica-del-juez-que-atendio-el-caso-de-las-comunidades-especiales-en-guaynabo/
04
Exclusiones
Encuestas longitudinales de EE. UU. sobre salud, vivienda, ingresos y niñez no se implementan en Puerto Rico.
La coherencia lingüística no garantiza compatibilidad metodológica
CUANDO LA IA HEREDA LAS AUSENCIAS
Caraballo-Cueto (2020); Fricker (2007)
12
UNA RESPUESTA DE IA PUEDE…
Reúne cifras de fuentes distintas como si pertenecieran a un mismo plano de comparación.
Resume un promedio municipal sin advertir las desigualdades que oculta.
Reproduce categorías oficiales que no corresponden a las formas locales de identificación.
Afirma que «no existen datos» cuando solo faltan en una base, una categoría o un periodo.
INJUSTICIA EPISTÉMICA
Fricker (2007)
¿Qué poblaciones pueden describirse con las categorías existentes y cuáles permanecen parcialmente invisibles dentro de ellas?
La fluidez confiere autoridad
LA AUTORIDAD DE UNA RESPUESTA SIN COSTURAS
Jia y Johnson (2021); Jovchevski et al. (2026); Noble (2018); Crawford (2021); Narayanan y Kapoor (2024)
13
SESGO DE AUTOMATIZACIÓN
Jovchevski et al. (2026)
Seguir una recomendación automática sin consultar la evidencia disponible, o sostenerla aun después de reconocer elementos contrarios.
PROPUESTA
Introducir una fricción epistémica que interrumpa la aceptación automática.
Jia y Johnson (2021)
La credibilidad atribuida a la fuente influye en la aceptación de contenidos automatizados.
Noble (2018)
Los sistemas de búsqueda reproducen sesgos raciales y de género.
Crawford (2021)
La IA se inscribe en una trama material y política de clasificación, extracción y poder.
Narayanan y Kapoor (2024)
Una predicción técnicamente acertada no equivale a una decisión adecuada.
Qué compartir, bajo qué condiciones y con qué límites
HACIA UN NUEVO CONTRATO DEL CONOCIMIENTO
Latorre (2026); UNESCO (2021, 2022)
16
No es un pacto entre sujetos equivalentes ni una atribución de responsabilidad moral a la herramienta: es un acuerdo sobre las condiciones en que aceptamos su intervención en el saber.
Transparencia
Examen de sus límites
Criterio humano preservado
Atención a las desigualdades
Cuatro acciones para la universidad
CONCLUSIONES Y RECOMENDACIONES
17
01
Lectura crítica transversal
Leer datos y fuentes críticamente en todas las disciplinas, no solo en cursos de tecnología.
02
Evaluar la justificación
Valorar el proceso: fuentes, decisiones metodológicas y límites reconocidos, no solo el producto.
03
Desarrollo docente situado
Analizar casos situados para identificar sesgos, silencios y exclusiones.
04
Investigar las ausencias
Visibilizar realidades poco documentadas y preservar la diversidad lingüística, cultural y territorial.
Merced Hernández, G. (2026, ponencia)
La inteligencia artificial ha aprendido a reconocer el contexto probable de nuestras palabras; la universidad debe preservar la capacidad de reconocer el contexto histórico y humano de nuestras decisiones.
El nuevo contrato comienza cuando distinguimos entre la capacidad de la máquina para producir una respuesta y nuestra responsabilidad de responder por ella.
(Merced Hernández, G.)
18
Referencias
REFERENCIAS · 1 DE 3
19
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? En Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922
Biesta, G. J. J. (2010). Good education in an age of measurement: Ethics, politics, democracy. Paradigm Publishers.
Caraballo-Cueto, J. (2020). A review of current population databases on Puerto Rico. Population and Environment, 42(1), 112–127. https://doi.org/10.1007/s11111-020-00352-8
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Fleisner, P., Lucero, G., Galazzi, L., & Billi, N. (2023). La teoría de Haraway del conocimiento situado y su vínculo con la ontología relacional de Barad y el análisis de prácticas académicas en Stengers y Despret. Nuevo Itinerario, 19(1), 76–91. https://doi.org/10.30972/nvt.1916712
Freire, P. (2005). Pedagogía del oprimido (2.a ed.; J. Mellado, Trad.). Siglo XXI Editores. (Obra original publicada en 1970)
Referencias
REFERENCIAS · 2 DE 3
20
Fricker, M. (2007). Epistemic injustice: Power and the ethics of knowing. Oxford University Press.
Gadamer, H.-G. (1993). Verdad y método (A. Agud Aparicio & R. de Agapito, Trads.). Ediciones Sígueme. (Obra original publicada en 1960)
Haraway, D. (1988). Situated knowledges: The science question in feminism and the privilege of partial perspective. Feminist Studies, 14(3), 575–599. https://doi.org/10.2307/3178066
Jia, C., & Johnson, T. J. (2021). Source credibility matters: Does automated journalism inspire selective exposure? International Journal of Communication, 15, 3760–3781. https://ijoc.org/index.php/ijoc/article/view/16546
Jovchevski, P., Buijsman, S., & Neerincx, M. (2026). What is wrong with automation bias? Philosophy & Technology, 39(2), Artículo 84. https://doi.org/10.1007/s13347-026-01090-9
Latorre, J. I. (2026). Un nuevo contrato social: Gobernar un mundo con inteligencias no humanas. Editorial Rosamerón.
Referencias
REFERENCIAS · 3 DE 3
21
Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO. https://doi.org/10.54675/EWZM9535
Narayanan, A., & Kapoor, S. (2024). AI snake oil: What artificial intelligence can do, what it can’t, and how to tell the difference. Princeton University Press.
Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. New York University Press.
UNESCO. (2021). Reimagining our futures together: A new social contract for education. UNESCO Publishing. https://doi.org/10.54675/ASRB4722
UNESCO. (2022). Recommendation on the ethics of artificial intelligence. UNESCO Publishing.
Grisselle Merced Hernández, Ph.D.
grisselle.merced@upr.edu
Universidad de Puerto Rico, Recinto de Río Piedras