IA per a l’anàlisi crítica d’arguments
criteri m.
Del ll. criterium ‘judici’, i aquest, del gr. kritḗrion ‘facultat de jutjar’.
Gran Diccionari de la llengua catalana
La IA ha accelerat la creació de textos. Però una redacció convincent no garanteix que les conclusions estiguin ben fonamentades.
Epistemic Engine examina els arguments d’un document científic, jurídic o empresarial, tant si l’ha redactat una persona com una IA. Connecta afirmacions i evidències, fa visibles els supòsits i n’assenyala les possibles debilitats, de manera traçable.
Ajuda professionals, institucions i empreses a revisar el que llegeixen, millorar el que escriuen i fonamentar el que decideixen.
Els models generatius han abaratit la creació de text versemblant. Cada vegada hi ha més articles, treballs acadèmics i informes que redacta en part una màquina i signa una persona. El que no s’ha multiplicat és el temps de qui té el criteri expert per validar-los.
| Àmbit | Què està passant | Font | Com hi respon Epistemic Engine |
|---|---|---|---|
| Ciència | El 2022 es van indexar un 47 % més d’articles que el 2016, i l’atenció experta no ha crescut al mateix ritme. | Hanson et al., Quantitative Science Studies, 2024 | Una prerevisió estructurada, perquè l’expert dediqui la seva atenció al que està en joc. |
| Edició científica | Una gran editorial va retirar més d’11 300 articles d’una sola cartera en dos anys, després d’un escàndol d’integritat. | The Register, 2024 | El mateix estàndard estructurat per a milers d’enviaments: què sosté cadascun i on falla. |
| Revisió automàtica | Els revisors automàtics premien l’estil: reescriure un article amb un LLM n’apuja la nota 0,45 punts sense millorar la ciència. | Baumann et al., ICML, 2026 | L’estil no compta com a evidència. Cada observació és un objecte estructurat, amb traçabilitat fins a la frase. |
| Universitat | El 45 % dels estudiants de grau espanyols fa servir la IA per redactar o corregir els seus treballs. | Fundación CYD, 2025 | No intenta endevinar si l’ha escrit una IA: examina si l’argument se sosté i ho mostra al director entre lliuraments. |
| Dret | En tres anys, els tribunals s’han hagut d’ocupar de més de 1400 casos d’errors d’una IA, sobretot cites inventades. | Scientific American, 2026 | Separa el que l’escrit afirma del que les seves fonts permeten afirmar, i marca el que no té una font identificable. |
Per aplicar el criteri, primer cal disseccionar l’argument.
Epistemic Engine analitza el text, sigui un article científic, un dictamen o un informe d’inversió, i el descompon en una cadena d’objectes epistèmics i les seves relacions. Cada objecte és traçable: està ancorat al passatge exacte d’on procedeix.
Tria un exemple. Compara el text amb la seva lectura crítica i torna al passatge que origina cada observació.
Quatre exemples de disciplines diferents
Abast. La tesi depèn d’E i d’S, i cap dels dos no la sosté tal com està escrita. Reparació. Dades desagregades per grup, la premissa normativa explícita i una resposta a l’objecció del biaix.
Decideix l’equip editorial
Abast. La tesi descansa en S, que és justament el que la jurisprudència discuteix. Reparació. Argumentar la desproporció i justificar-ne l’aplicació entre empreses, o canviar de fonament.
Decideix el lletrat que signa
Abast. La recomanació descansa en una xifra sense font i en un supòsit no declarat. Reparació. Citar la font del 30 %, explicitar la hipòtesi de quota i afegir un escenari advers.
Decideix el consell
Abast. L’afirmació promocional diu més del que l’assaig permet dir. Reparació. Limitar-la al subgrup, informar de la reducció absoluta i retirar la recomanació general.
Decideix el comitè medicolegal
Exemples il·lustratius escrits per a aquesta pàgina. Un informe real és més extens i cada observació enllaça amb el seu passatge i la seva font. Prova-ho amb un document teu.
Epistemic Engine representa la cadena epistèmica de cada document en un graf persistent, que es pot consultar, comparar i agregar. Sobre una col·lecció sencera, sigui una revista científica, un arxiu de dictàmens o els informes d’un comitè, respon preguntes de conjunt: quins conceptes la recorren, quines fonts s’hi citen o on discrepen els autors, amb un agent conversacional per explorar-les.
Com recorda la seva primera accepció, el criteri és també norma, i cada camp té la seva. Un article de física teòrica no es pot avaluar amb els mateixos criteris epistemològics que un d’economia. Per això Epistemic Engine permet construir una rica capa semàntica, específica per a cada camp o disciplina: els perfils. Els models de llenguatge actuen com a motors d’inferència dins d’aquesta arquitectura.
Tota la plataforma es recorre amb cinc preguntes.
Reconstrueix unitats argumentals: premisses, evidències, supòsits, garantia i conclusió, cadascuna amb la seva adreça en el text.
Aplica el perfil del camp: què compta com a evidència i quina garantia exigeix cada tipus d’afirmació. Un dictamen jurídic no argumenta com un assaig clínic.
Cerca objeccions per famílies i en registra la cobertura: què s’ha examinat, què no s’hi aplicava i què ha quedat indeterminat.
Una objecció possible no és un defecte demostrat, i prendre posició en una qüestió oberta no és un error.
Separa la mesura del paradigma i de la política: el camp decideix quin estàndard s’aplica; la institució, què fa amb el resultat.
Els criteris són del camp i de la institució
Cada avaluació combina tres capes. El motor és el nucli comú. Els perfils són la capa semàntica específica del camp o la disciplina i de la institució. Els perfils guien el comportament del motor.
Per què no preguntar-ho directament a un LLM?
La diferència és d’arquitectura i d’enfocament. Epistemic Engine no és una IA que revisa un article: la prosa generada no és la font de veritat i l’atenció crítica no es deixa al criteri implícit del model. Un LLM generalista no proporciona per si sol traçabilitat verificable, cobertura crítica governada ni una capa semàntica amb estàndards de la disciplina i criteris institucionals explícits.
La plataforma s’ha dissenyat per resoldre les necessitats més exigents. Les revistes científiques i els programes de postgrau són el nostre primer àmbit d’aplicació, perquè és on l’anàlisi de l’argumentació és més complexa i el criteri expert està més sotmès a pressió: editors, revisors i directors llegeixen cada vegada més textos escrits amb ajuda d’una IA. Epistemic Engine ajuda les revistes a prerevisar cada enviament i els programes de postgrau a acompanyar cada lliurament, sense delegar el criteri.
Prerevisió de cada enviament
Abans de la revisió externa per parells, una lectura estructurada de cada manuscrit: què sosté la tesi, on falla i quina afirmació no té suport. L’editor decideix amb més informació, i els revisors dediquen la seva atenció al que està en joc.
Els manuscrits no entrenen models i els fitxers es guarden a la Unió Europea.
TFM i tesis doctorals, entre lliuraments
Un informe de progrés per al director, que el revisa i el comenta amb l’estudiant: què afirma el treball, què el sosté i què convé reforçar en la versió següent, també quan s’ha escrit amb ajuda d’una IA.
No qualifica: l’avaluació continua sent del director i del tribunal.
Epistemic Engine també es pot aplicar a altres àmbits en què una conclusió mal fonamentada costa diners, reputació o responsabilitat legal.
Integritat editorial a gran escala
El mateix estàndard estructurat per a milers d’enviaments: què sosté cadascun, on falla i quina afirmació no té suport.
Despatxos i assessories jurídiques
Escrits, dictàmens i informes: quina norma o sentència sosté cada afirmació, quin salt va del cas a la regla i quina línia contrària no es tracta.
Consells, comitès i serveis professionals
Informes, memoràndums d’inversió i lliurables fets amb IA que algú signa: on se sosté la recomanació i on descansa en un supòsit.
Farma, finances, energia i administració
Afirmacions promocionals, reguladores i de política pública, traçades fins a l’evidència que les sosté i marcades quan la superen.
Agents que redacten raonaments
Una capa de verificació per al que produeixen els agents: estructura, procedència i judicis validats per criteri expert.
Comencem amb una prova de calibratge: cada domini es calibra amb experts propis abans de passar a producció. Canvien el perfil de camp i l’institucional (§ 2); el motor és el mateix.
Una eina al servei del criteri expert ha de demostrar on hi coincideix, i dir on no. Epistemic Engine utilitza una metodologia de calibratge per fer una mesura científica dels nivells d’acord entre els experts de la institució o empresa i els veredictes del motor epistèmic. El calibratge permet, a més, ajustar els perfils del camp i de la institució.
Abans de començar es fixa què es mesura, amb quina escala i què comptarà com a èxit. Durant la ronda no canvien ni aquestes condicions ni la versió del sistema.
Els teus expertsValoren els documents sense veure la lectura del sistema.
Epistemic EngineLlegeix els mateixos documents amb els perfils del teu camp i de la teva institució.
Entre els mateixos experts i entre els experts i el sistema, descomptant l’acord que es donaria per atzar.
Cada desacord es documenta i s’analitza amb el teu equip. Si cal, s’ajusten els perfils.
Nova ronda, amb els perfils ajustats
Per saber fins a quin punt coincideix amb els teus experts, demana una prova pilot.
No et demanem que confiïs en el sistema: et proposem mesurar-lo amb els teus documents i amb el criteri dels teus experts, abans de decidir.
Quins documents revisa el teu equip, quines decisions en depenen i on se’n va el temps. Amb això sabem si una prova té sentit.
Triem un flux de treball real i una mostra dels seus documents, sigui en una revista, un màster o un programa de doctorat, o en un despatx o un comitè. Es pot fer amb documents ja revisats, per mesurar sense cap risc. Pactem per endavant què comptaria com a èxit.
Amb condicions fixades i mètriques preregistrades: l’acord entre tots dos i el temps de cada revisió.
El que funciona passa a producció supervisada. El que no, es documenta i es corregeix.
Per on començar
Tria què vols fer. En els tres casos et respon una persona.
Rebut.
Un últim pas