En el contexto de la búsqueda de expertos académicos, este artículo investiga y compara el rendimiento de los métodos de recuperación de información (IR) y de aprendizaje automático (ML), incluido el aprendizaje profundo, para abordar el problema de identificar figuras académicas que son expertos en diferentes dominios cuando un usuario potencial solicita su experiencia. Los métodos basados en IR construyen perfiles textuales multifacéticos para cada experto mediante la agrupación de información de sus publicaciones científicas. Este artículo presenta varios métodos totalmente adaptados para este problema. Por el contrario, los métodos basados en ML tratan la búsqueda de expertos como una tarea de clasificación, entrenando clasificadores de texto automáticos utilizando publicaciones escritas por expertos. Al comparar estos enfoques, contribuimos a una comprensión más profunda de las técnicas de búsqueda de expertos académicos y su aplicabilidad en el descubrimiento de conocimiento. Estos métodos se prueban con dos grandes conjuntos de datos del campo biomédico: PMSC-UGR y CORD-19. Los resultados muestran cómo las técnicas de IR fueron, en general, más robustas con ambos conjuntos de datos y más adecuadas que las basadas en ML, con algunas excepciones que muestran un buen rendimiento.