La integración de la inteligencia artificial (IA) en el ámbito académico y de investigación entra ahora en un nuevo capítulo. Aunque ofrece una gran eficiencia, el uso de modelos de lenguaje de gran tamaño o Large Language Models (LLM) sigue estando empañado por el fenómeno de la 'alucinación', es decir, la tendencia de la IA a generar información que suena convincente pero es fácticamente errónea. En la disciplina de la historia, el menor riesgo de error, como la imprecisión cronológica o la identidad de los personajes, puede socavar la integridad de la narrativa histórica presentada.
Para responder a este desafío, una investigación realizada por estudiantes de sistemas de información del ITB intentó implementar el enfoque Retrieval Augmented Generation (RAG). A diferencia de la IA convencional, que depende únicamente de la memoria interna del modelo, el método RAG obliga al sistema a realizar una búsqueda (retrieval) en una base de datos de documentos curados antes de redactar (generation) una respuesta. En otras palabras, el sistema actúa como un investigador que recurre a archivos y literatura creíbles en lugar de simplemente adivinar una respuesta.
Las pruebas en el período de la historia de Indonesia de 1945-1998 mostraron resultados prometedores. Al integrar libros de historia con autoridad académica en la base de conocimientos, el motor de búsqueda pudo presentar narrativas equipadas con referencias específicas, incluidos los nombres de los documentos y los números de página. Esto permite a los usuarios o investigadores realizar verificaciones cruzadas de forma independiente, lo que aumenta drásticamente la credibilidad de los resultados de la información presentada.
Aunque RAG ha demostrado ser eficaz para minimizar las alucinaciones en temas históricos específicos o poco debatidos, su eficacia sigue dependiendo de la calidad del corpus de documentos disponible. Kresno Brahmantyo, un historiador público, considera que esta tecnología tiene el potencial de convertirse en la columna vertebral de la digitalización de archivos en el futuro. Un mayor desarrollo, como la integración con documentos del archivo nacional procesados mediante Optical Character Recognition (OCR), creará un ecosistema de aprendizaje de la historia transparente, interactivo y científicamente responsable.
En última instancia, este enfoque no es solo una simple mejora técnica, sino una forma de AI-mediated public history (historia pública mediada por IA). Esta innovación cierra la brecha entre la complejidad de la investigación histórica académica y la necesidad del público de un acceso rápido a la información histórica pero basado en hechos empíricos precisos.
