🇺🇸 Peter Fernández Dulay

Peter Fernández Dulay es de Jacksonville, Florida. Su método fue deliberadamente sencillo. Seleccionó cuatro plataformas de generación de imágenes por IA —Shutterstock, Canva, DALL·E y Midjourney— y cinco prompts sobre carreras científicas: actuario, científico de datos, analista de seguridad de la información, analista de investigación de operaciones y científico de investigación informática y de la información. Luego generó las imágenes y codificó los resultados.

El conteo es el hallazgo. Entre las imágenes generadas, registró 1,459 que representaban a hombres frente a 347 que representaban a mujeres; solo el 17.4 por ciento mostraba a mujeres solas. Al comparar las plataformas, descubrió que Shutterstock era la menos sesgada de las cuatro y Midjourney la más sesgada.

Es un estudio que un estudiante de posgrado podría haber realizado, y la razón por la que destaca es que muy poca gente lo había hecho sobre la pregunta específica que hizo una niña de nueve años. Los generadores de imágenes están entrenados con imágenes históricas extraídas de la red; las profesiones en su lista de prompts son aquellas donde la representación histórica tiende a ser masculina; los modelos reproducen ese sesgo y lo presentan como una imagen del presente. Cuantificar la brecha por plataforma es lo que convierte una queja en evidencia.

Fue uno de los treinta finalistas nacionales seleccionados entre casi dos mil solicitantes de cuarenta y ocho estados y cuatro territorios de los Estados Unidos. El premio de $10,000 que obtuvo es uno de los máximos galardones del desafío.

La cobertura local de WOKV en Jacksonville completó la historia: el origen del proyecto en la pregunta de su hermana y el hecho de que es un esgrimista de rango regional y miembro del equipo de robótica de su escuela; un recordatorio de que la investigación competitiva a los quince años suele ser solo una de las varias cosas que una persona hace.

Los modelos de generación de imágenes aprenden de lo que ya ha sido fotografiado. Cuando una profesión ha sido documentada durante un siglo con un elenco sesgado, el modelo hereda el sesgo y lo devuelve como una respuesta neutral a un prompt neutral. La literatura científica llama a esto daño representacional, y el método estándar para medirlo es exactamente el que se usó aquí: fijar los prompts, generar en volumen y codificar la salida manualmente.

El Thermo Fisher Scientific Junior Innovators Challenge es la competencia científica nacional de los Estados Unidos para estudiantes de secundaria, organizada por la Society for Science, la misma organización detrás del Regeneron Science Talent Search. Sus finalistas son seleccionados en ferias afiliadas a nivel nacional y juzgados por el diseño experimental y el razonamiento en lugar de la sofisticación de su equipo, por lo que un estudio construido totalmente a partir de herramientas públicas y codificación manual puede ganar sus premios principales.

En una entrevista de la Society for Science publicada el 4 de junio de 2026, describió lo que estaba construyendo a continuación: "Generations AI", un proyecto comunitario para enseñar inteligencia artificial a personas de diferentes edades en términos accesibles y éticos. Su consejo en el mismo artículo se resume en cuatro palabras: si él pudo hacerlo, el lector también puede.