Dado el flujo diario de publicaciones científicas, los investigadores a menudo enfrentan desafíos para identificar contenido relevante en medio del vasto volumen de información disponible, recurriendo típicamente a métodos convencionales como búsquedas por palabras clave o navegación manual. Utilizando un conjunto de datos que comprende 1895 usuarios y 3122 artículos de la colección CI&T Deskdrop, así como 7947 usuarios y 25,975 artículos de CiteULike-t, examinamos la efectividad de enfoques de recomendación colaborativa y basada en contenido y híbrida en recomendaciones de literatura científica. Estos métodos generan sugerencias de artículos automáticamente analizando las preferencias de los usuarios y su comportamiento histórico. Nuestros hallazgos, evaluados en base a precisión (Precision@K), calidad de clasificación (NDCG@K) y novedad, revelan que el enfoque híbrido supera significativamente a otros métodos, abordando algunos desafíos como los problemas de inicio en frío y de dispersión. Esta investigación ofrece conocimientos teóricos sobre la efectividad del modelo de recomendación e implicaciones prácticas para desarrollar herramientas que mejoren el descubrimiento de contenido y la productividad de los investigadores.