Projects may use experiments, surveys, interviews, observational data, administrative records, field studies, case comparisons, or mixed methods to examine how AI affects people, institutions, systems, or environments. These studies may test relationships, compare groups, identify patterns, evaluate effects, or examine unintended consequences. They should make clear what evidence was used, how it was analyzed, and what the findings contribute. Los proyectos pueden usar experimentos, encuestas, entrevistas, datos observacionales, registros administrativos, estudios de campo, comparaciones de casos, o métodos mixtos para examinar cómo la IA afecta a personas, instituciones, sistemas o entornos. Estos estudios pueden poner a prueba relaciones, comparar grupos, identificar patrones, evaluar efectos, o examinar consecuencias no previstas. Deben dejar claro qué evidencia se utilizó, cómo se analizó, y qué aportan los hallazgos.

Contributions may develop AI models, pipelines, platforms, interfaces, chatbots, decision-support tools, multimodal systems, data extraction systems, or other technical artifacts. These projects should explain what was built, why it matters, how it works, and what is known about its performance, usability, safety, limitations, or potential for deployment. Las contribuciones pueden desarrollar modelos de IA, pipelines, plataformas, interfaces, chatbots, herramientas de apoyo a la decisión, sistemas multimodales, sistemas de extracción de datos, u otros artefactos técnicos. Estos proyectos deben explicar qué se construyó, por qué importa, cómo funciona, y qué se sabe sobre su desempeño, usabilidad, seguridad, limitaciones, o potencial de despliegue.

Some contributions advance the field by improving how AI systems are measured. This includes benchmarks, datasets, metrics, audits, taxonomies, fairness assessments, safety tests, transparency measures, and model comparison studies. These projects should clarify what is being evaluated, why the evaluation matters, and how it improves current practice. Algunas contribuciones avanzan el campo mejorando cómo se miden los sistemas de IA. Esto incluye benchmarks, datasets, métricas, auditorías, taxonomías, evaluaciones de equidad, pruebas de seguridad, medidas de transparencia, y estudios comparativos de modelos. Estos proyectos deben aclarar qué se está evaluando, por qué importa la evaluación, y cómo mejora la práctica actual.

Projects may apply AI in real-world or near-real-world settings: schools, clinics, courts, public agencies, community organizations, workplaces, infrastructure systems, or digital platforms. These contributions may involve pilots, user studies, co-design, institutional deployment, training programs, community partnerships, or translational research. They should describe the context, the people or institutions involved, and the evidence of feasibility, adoption, impact, or lessons learned. Los proyectos pueden aplicar IA en entornos reales o cercanos a la realidad: escuelas, clínicas, tribunales, agencias públicas, organizaciones comunitarias, lugares de trabajo, sistemas de infraestructura, o plataformas digitales. Estas contribuciones pueden involucrar pilotos, estudios de usuario, co-diseño, implementación institucional, programas de capacitación, asociaciones comunitarias, o investigación traslacional. Deben describir el contexto, las personas o instituciones involucradas, y la evidencia de factibilidad, adopción, impacto o lecciones aprendidas.

Contributions may develop practical ways to guide responsible AI design, deployment, oversight, or evaluation. Examples include checklists, maturity models, ethical protocols, governance frameworks, safety procedures, regulatory tools, or decision-making models. These projects should show how general principles can become usable guidance for researchers, practitioners, institutions, or policymakers. Las contribuciones pueden desarrollar formas prácticas de guiar el diseño, despliegue, supervisión o evaluación responsable de la IA. Ejemplos incluyen checklists, modelos de madurez, protocolos éticos, marcos de gobernanza, procedimientos de seguridad, herramientas regulatorias, o modelos de toma de decisiones. Estos proyectos deben mostrar cómo los principios generales pueden convertirse en orientación práctica para investigadores, profesionales, instituciones o responsables de política pública.

Not every valuable contribution builds a system or tests a statistical relationship. Conceptual and normative work can clarify ideas, expose risks, develop ethical arguments, interpret legal implications, or propose new ways to govern AI. These contributions should be rigorous, grounded in relevant traditions or evidence, and connected to real decisions, technologies, institutions, or communities. No toda contribución valiosa construye un sistema o pone a prueba una relación estadística. El trabajo conceptual y normativo puede clarificar ideas, exponer riesgos, desarrollar argumentos éticos, interpretar implicancias legales, o proponer nuevas formas de regular la IA. Estas contribuciones deben ser rigurosas, fundamentadas en tradiciones o evidencia relevantes, y conectadas con decisiones, tecnologías, instituciones o comunidades reales.

In fast-moving areas of AI, careful description can be a scientific contribution. Projects may map emerging practices, synthesize literature, build taxonomies, identify gaps, or characterize new risks and opportunities. These contributions should explain why the phenomenon matters, how it was studied or organized, and what new understanding it provides. En áreas de rápida evolución de la IA, una descripción cuidadosa puede ser una contribución científica. Los proyectos pueden mapear prácticas emergentes, sintetizar literatura, construir taxonomías, identificar vacíos, o caracterizar nuevos riesgos y oportunidades. Estas contribuciones deben explicar por qué importa el fenómeno, cómo fue estudiado u organizado, y qué nueva comprensión aporta.