Cómo resumir artículos en una tabla comparativa y revisar cada celda

01Por qué hay que comprobar cada celda de una tabla comparativa

Una tabla comparativa es útil porque comprime varios artículos en una misma estructura: objetivo, método, datos, resultado y limitación. El riesgo es que un asistente de chat con IA haga que todas las filas parezcan uniformes aunque los resúmenes no proporcionen el mismo nivel de detalle. Un resumen puede nombrar un conjunto de datos, otro puede describir solo una muestra y un tercero puede no indicar ninguna limitación. Rellenar esos huecos con texto plausible produce una tabla ordenada, pero con evidencia débil.

La regla más segura es sencilla: cada celda factual debe estar respaldada por texto del resumen proporcionado. Si el resumen no indica algo, la celda debería decir Not stated en lugar de inferirlo a partir de prácticas habituales o del título del artículo. Esto es especialmente importante si después se usará la tabla en una revisión bibliográfica, una propuesta de investigación o una discusión sobre selección de métodos.

02Usa tres resúmenes sintéticos pequeños

Los siguientes resúmenes son ejemplos sintéticos creados únicamente para este tutorial. Son deliberadamente breves para que cada dato extraído pueda comprobarse manualmente.

03Pide a la IA una tabla comparativa con restricciones

No pidas simplemente un resumen de los artículos. Define las columnas y obliga a la IA a utilizar solo la información explícitamente presente en los resúmenes. También conviene exigir un campo de evidencia para cada celda factual, de modo que las afirmaciones puedan revisarse después.

1. Asigna a los resúmenes identificadores estables como P1, P2 y P3.
2. Define columnas fijas: method, data size, inputs or target, reported result y limitation.
3. Exige Not stated cuando el resumen no proporcione la información solicitada.
4. Pide una breve cita o fragmento de apoyo para cada celda factual.
5. Indica a la IA que no infiera detalles experimentales, configuración del modelo ni limitaciones a partir de conocimiento general.

04Inspecciona una tabla típica producida por la IA

Una tabla razonable identificaría linear regression para P1, random forest para P2 y tanto Gaussian process regression como neural network para P3. Debería indicar 120 finite-element samples para P1, 500 simulated bracket designs para P2 y 200 simulation cases para P3. Sin embargo, algunas columnas deben quedar deliberadamente incompletas. Por ejemplo, P2 no declara una limitación, por lo que esa celda debe permanecer como Not stated.

La tabla es concisa, pero no debería aceptarse solo porque todas las filas parezcan completas. Cada celda todavía necesita una conexión directa con el texto del resumen.

05Guarda la tabla de la IA junto con su evidencia

Para la comprobación automática, guarda un CSV simplificado llamado paper_table.csv. Cada fila factual debe tener las columnas paper_id, field, value y evidence. En evidence debe aparecer el fragmento exacto que la IA afirma que respalda el valor. Una fila con Not stated puede dejar evidence vacío.

06Comprueba cada fragmento de evidencia con Python

Guarda los tres resúmenes en abstracts.txt, con una línea por artículo en el formato P1<TAB>abstract text. El siguiente script lee abstracts.txt y paper_table.csv, comprueba si cada fragmento de evidence aparece realmente en el resumen correspondiente y escribe los resultados en outputs/paper_table_check.txt. No modifica los archivos de entrada y se detiene si el archivo de salida ya existe.

import csv
from pathlib import Path

ABSTRACTS_FILE = Path("abstracts.txt")
TABLE_FILE = Path("paper_table.csv")
OUTPUT_DIR = Path("outputs")
OUTPUT_FILE = OUTPUT_DIR / "paper_table_check.txt"


def load_abstracts(path):
    abstracts = {}
    with path.open("r", encoding="utf-8") as file:
        for line_number, line in enumerate(file, start=1):
            line = line.rstrip("\n")
            if not line:
                continue
            if "\t" not in line:
                raise SystemExit(f"Invalid abstract line {line_number}.")
            paper_id, text = line.split("\t", 1)
            abstracts[paper_id] = text
    return abstracts


def main():
    if not ABSTRACTS_FILE.is_file():
        raise SystemExit(f"Abstracts file not found: {ABSTRACTS_FILE}")
    if not TABLE_FILE.is_file():
        raise SystemExit(f"Table file not found: {TABLE_FILE}")
    if OUTPUT_FILE.exists():
        raise SystemExit(f"Output already exists: {OUTPUT_FILE}")

    abstracts = load_abstracts(ABSTRACTS_FILE)
    report = []
    checked = 0
    unsupported = 0

    with TABLE_FILE.open("r", encoding="utf-8", newline="") as file:
        reader = csv.DictReader(file)
        required = {"paper_id", "field", "value", "evidence"}
        if reader.fieldnames is None or not required.issubset(reader.fieldnames):
            raise SystemExit("paper_table.csv is missing required columns.")

        for row_number, row in enumerate(reader, start=2):
            paper_id = row["paper_id"].strip()
            field = row["field"].strip()
            value = row["value"].strip()
            evidence = row["evidence"].strip()

            if paper_id not in abstracts:
                raise SystemExit(f"Unknown paper_id on row {row_number}: {paper_id}")

            checked += 1
            if value == "Not stated":
                status = "REVIEW_NOT_STATED"
            elif evidence and evidence in abstracts[paper_id]:
                status = "EVIDENCE_FOUND"
            else:
                status = "EVIDENCE_NOT_FOUND"
                unsupported += 1

            report.append(
                f"{paper_id}\t{field}\t{status}\tvalue={value}\tevidence={evidence}"
            )

    report.append("")
    report.append(f"cells_checked={checked}")
    report.append(f"evidence_not_found={unsupported}")

    OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
    OUTPUT_FILE.write_text("\n".join(report) + "\n", encoding="utf-8")
    print(f"Wrote: {OUTPUT_FILE}")


if __name__ == "__main__":
    main()

07Después comprueba si la evidencia significa realmente lo mismo

Encontrar el texto de evidencia es solo la primera comprobación. La persona que revisa todavía debe comparar el valor de la tabla con la redacción del resumen. Por ejemplo, P2 dice que el error de predicción fue inferior al 4% para el 90% de los casos de validación. Resumirlo simplemente como prediction error was below 4% sería demasiado fuerte porque elimina la condición del 90%.

08Entiende los límites de comparar solo resúmenes

• No trates un resumen como sustituto del artículo completo cuando importen los métodos, los conjuntos de datos o los detalles de evaluación.
• No conviertas Not stated en No limitation o None; que una limitación no aparezca en el resumen no significa que no exista.
• No conviertas métricas distintas en una clasificación salvo que sean realmente comparables.
• No infieras particiones de datos, hiperparámetros, significación estadística ni detalles de implementación si el resumen no los indica.
• Conserva calificadores como validation set, test set, percentage of cases y comparison baseline.

La comparación basada solo en resúmenes es útil para filtrar y organizar artículos, pero no basta para una evaluación metodológica detallada. El script automático comprueba si los fragmentos de evidencia aparecen en el resumen correcto. No determina si la paráfrasis es fiel, si dos métricas son comparables o si el texto completo del artículo cambiaría la interpretación.

Por tanto, un flujo fiable consiste en asignar un ID estable a cada artículo, fijar las columnas de la tabla, usar Not stated cuando falte información, adjuntar evidencia a cada celda factual, comprobar esa evidencia automáticamente y después revisar manualmente el significado. Así se mantiene la comodidad de una tabla generada por IA sin tratar una tabla bien presentada como si ya fuera evidencia verificada.

Registro de ejecución y verificación

2026-09-21 · hand-checked example · Python 3.12

• Los tres resúmenes de este artículo son ejemplos sintéticos y no corresponden a artículos reales.
• P1 se comprobó manualmente: el método es linear regression, el tamaño de datos es 120 finite-element samples, el MAE es 0.18 mm en un 30-sample test set y la limitación declarada es que solo se consideran linear-elastic cases.
• P2 se comprobó manualmente: el método es random forest, el tamaño de datos es 500 simulated bracket designs, las entradas son thickness y hole diameter, y el error fue inferior al 4% para el 90% de los validation cases.
• P2 no declara ninguna limitación en el resumen sintético, por lo que la tabla comparativa usa correctamente Not stated.
• P3 se comprobó manualmente: compara Gaussian process regression y neural network sobre 200 simulation cases, informa de un RMSE menor para Gaussian process regression y señala que el training time aumentó al crecer el conjunto de datos.
• La lógica de Python mostrada comprueba la presencia literal de la evidencia dentro del resumen correspondiente y evita sobrescribir un archivo de salida existente.

Criterios de redacción y verificación de todo el sitio

Fuentes de referencia

Las explicaciones y los ejemplos son de elaboración propia. Puedes consultar los comportamientos y conceptos relacionados en las siguientes fuentes oficiales.

• Documentación de csv de Python ↗ (New tab)
• Documentación de pathlib de Python ↗ (New tab)