Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Fantasmas en los datos: ¿puede la IA analizar la Historia sin heredar sus prejuicios?

En entradas anteriores de este blog, hemos explorado el enorme potencial que la aplicación de herramientas de Inteligencia Artificial (IA) ofrecen a las Humanidades Digitales en general y a la Musicología en particular. La capacidad de procesar y analizar grandes corpus de texto, como los archivos de prensa histórica, nos abre las puertas a una comprensión a gran escala de la evolución del lenguaje musical y su terminología. Estas herramientas prometen una objetividad casi matemática, permitiéndonos identificar patrones y tendencias que escaparían a la lectura humana tradicional. Sin embargo, esta aparente neutralidad algorítmica esconde una complejidad que, como humanistas, tenemos la obligación de desvelar: ¿qué ocurre cuando la máquina, supuestamente objetiva, aprende de un pasado profundamente sesgado?

© treety | istockphoto.com

La respuesta es que la IA, lejos de eliminar los prejuicios históricos, puede reproducirlos e incluso amplificarlos bajo un velo de certeza empírica. Los corpora de prensa que alimentan nuestros algoritmos no son un reflejo fiel de la realidad musical de su tiempo, sino un espejo de las estructuras de poder que la gobernaban. El corpus es, en sí mismo, el primer sesgo. Por ejemplo, históricamente la crítica musical ha priorizado la música “culta” (la ópera, el concierto sinfónico, etc.), relegando las músicas populares o folclóricas a un segundo plano o tratándolas con condescendencia. Del mismo modo, la presencia de la mujer en estas páginas ha estado sistemáticamente condicionada: su aparición es menos frecuente en muchas épocas y el lenguaje empleado para describirla a menudo difiere radicalmente del usado para sus colegas masculinos. Mientras a ellos se les reservaban adjetivos como “virtuoso”, “maestro” o “genio”, a ellas se las describía a través de su sensibilidad, su apariencia física o su “delicadeza”, confinándolas a un rol secundario y cosificado.


Cuando aplicamos herramientas computacionales a estos textos sin una perspectiva crítica, corremos el riesgo de que la máquina “confirme” estas desigualdades. Un análisis de frecuencia léxica, por ejemplo, destacará inevitablemente los nombres de compositores e intérpretes masculinos, no porque fueran intrínsecamente más relevantes, sino porque gozaron de una mayor cobertura mediática. El algoritmo, en su lógica cuantitativa, nos presenta este desequilibrio como un dato objetivo, sin revelar que es un artefacto del sesgo de la fuente. De forma similar, técnicas como el modelado temático (topic modeling), que agrupa palabras que suelen aparecer juntas, pueden empaquetar y reforzar estereotipos. Podríamos encontrar un tema que asocie “mujer”, “salón”, “sentimiento” y “piano”, mientras otro vincula “hombre”, “orquesta”, “técnica” y “sinfonía”, con todas las connotaciones que esto trae inmediatamente a nuestra mente. La herramienta no inventa el prejuicio, pero lo estructura y lo presenta como un hallazgo significativo.


Entonces, ¿debemos renunciar a estas poderosas metodologías? En absoluto. La solución no reside en descartar las herramientas, sino en integrarlas dentro de un marco de escepticismo metodológico. Nuestra labor como investigadores se vuelve, si cabe, más crucial. Se trata de dialogar con la máquina, de interrogar sus resultados. Esto implica, por ejemplo, segmentar nuestros corpus para formular preguntas más precisas: ¿cómo cambia el discurso si analizamos únicamente los textos que hablan de conciertos en espacios populares? ¿O si aislamos los artículos escritos por las pocas mujeres críticas de la época?


Además, podemos utilizar estas herramientas procedentes de enfoques de Análisis Crítico del Discurso (ACD) Estas nos ayudarán no solo a ver lo que está presente, sino a identificar sistemáticamente las ausencias y los silencios. ¿Qué términos asociados a la profesionalidad y la genialidad nunca se aplican a las mujeres? ¿Qué artistas fueron ignoradas en los grandes debates sobre la “música nacional”? La combinación de esta visión distante que nos ofrecen los datos con la lectura atenta y cualitativa de textos específicos nos permite contextualizar los patrones y comprender las fuerzas sociales que los produjeron.


En definitiva, las herramientas de IA son una lente de un aumento extraordinario, pero debemos recordar siempre que el material que observamos a través de ella ya está distorsionado. La pretendida objetividad de los algoritmos puede convertirse en un espejismo si no la abordamos con una conciencia crítica de las condiciones en que se produjeron nuestras fuentes. Nuestra tarea en este proyecto no es solo extraer datos, sino interpretar silencios y cuestionar patrones, asegurándonos de que la tecnología nos sirva para escribir una historia de la música tanto más completa como matizada.


OpenEdition le sugiere que cite este post de la siguiente manera:
Marta Rodrigo Hernández (10 de julio de 2025). Fantasmas en los datos: ¿puede la IA analizar la Historia sin heredar sus prejuicios? Léxico de la música en español. Recuperado 14 de mayo de 2026 de https://leximus.hypotheses.org/610


Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

This site uses Akismet to reduce spam. Learn how your comment data is processed.