Este estudio investiga el aprendizaje basado en prompts para la generación automática de resúmenes de artículos académicos con el fin de abordar la falta de datos de entrenamiento etiquetados en los métodos supervisados existentes. Los investigadores diseñaron plantillas de prompts específicas para la tarea combinadas con los resúmenes de los artículos como entradas para varios modelos de lenguaje, incluyendo GPT-2 y T5 desplegados localmente, así como ChatGPT accesible a través de API. Los experimentos realizados en tres conjuntos de datos demostraron que ChatGPT con plantillas de prompts logró un rendimiento comparable a métodos supervisados anteriores sin requerir muestras de entrenamiento específicas para la tarea. Cuando se añadieron un pequeño número de ejemplos a los prompts, el modelo superó significativamente a los métodos más avanzados en dos de los conjuntos de datos. El análisis reveló que, aunque ChatGPT posee fuertes capacidades de modelado de lenguaje, su rendimiento es altamente sensible a la información específica proporcionada dentro del prompt. Los estudios de caso indicaron que los resúmenes generados son generalmente coherentes, informativos y se asemejan estrechamente a los escritos por los autores. Este enfoque no depende de corpus de entrenamiento específicos del dominio, apoyando la minería de texto posterior y la investigación bibliométrica para artículos que carecen de resúmenes existentes.