Por: Nataly Dayana Galeano Leon
Los detectores de texto generado por inteligencia artificial se han multiplicado en las aulas universitarias. Sin embargo, Ángelo Andrés Laverde Barrera, coordinador de evaluación de la Universidad El Bosque, coincide en que estas plataformas son imperfectas, fallan con frecuencia y perjudican a los estudiantes no nativos mediante falsos positivos.
El verdadero reto no es seguir a la máquina, sino repensar cómo enseñamos y evaluamos. Un estudiante entrega su ensayo. El docente procesa el documento en un detector y la pantalla arroja una cifra en rojo. De inmediato, se activa una acusación de fraude. Empieza un proceso. Días o semanas después, tras la revisión de trabajos previos, historiales de versiones y sustentaciones orales, el profesorado confirma que el texto era original.
La acusación, sin embargo, ya está hecha; eso genera ansiedad, pérdida de confianza y la sensación constante de estar bajo sospecha. Esta escena se repite de manera sistemática desde la irrupción de ChatGPT. Laverde lo resume con claridad: “Es solamente una alerta; no una afirmación. No podemos categorizar que, porque el resultado arrojó un 60 %, ese porcentaje de trabajo lo realizó la inteligencia artificial”.
Desde el ámbito escolar, Álvaro Amador, coordinador académico de la Institución Educativa Técnico Comercial Sagrado Corazón de Jesús de Chiquinquirá, es aún más contundente: “Uno de los daños más graves es la vulneración de la presunción de inocencia”. Y explica: “Cuando acusas a un muchacho de haber hecho trampa con una máquina sin tener pruebas irrefutables, rompes el vínculo pedagógico y generas frustración, angustia e impotencia”.
Herramientas que advierten, no que castigan
Laverde insiste en que cualquier sospecha debe transitar por una ruta institucional clara. Primero es necesario recopilar la información, analizar los criterios de la consigna y verificar el historial del documento. Solo después actúa un comité humano especializado.
Amador coincide y detalla cómo debe defenderse un falso positivo:
“El camino de defensa se basa en trazabilidad y metacognición. Hay que mostrar el historial de cambios del archivo en Word para evidenciar el proceso de redacción paso a paso.” “Presentar los esquemas previos o apuntes de clase. Y, sobre todo, la defensa oral: si el estudiante escribió el texto, es capaz de explicarlo, sustentarlo y responder preguntas sobre la estructura y las ideas contenidas en él sin tenerlo memorizado”.
Las plataformas Turnitin, GPTZero y Copyleaks entregan indicios, pero sus propios desarrolladores advierten sobre sus limitaciones. Muestra de ello es que la Universidad de Vanderbilt, en Estados Unidos, suspendió el uso de estas herramientas porque aún no se sabe con exactitud qué están reportando como escrito por una IA.
Aunque algunos estudios señalan tasas de falsos positivos de entre el 1 % y el 2 %, Laverde advierte que incluso un margen de error tan bajo puede arruinar la trayectoria de un estudiante si se traduce en una acusación directa. Los estudios internacionales refuerzan esta precaución. Un equipo liderado por Debora Weber-Wulff y que contó con la participación de otros investigadores de (Alemania, Letonia, Suecia, República Checa, Reino Unido y México) evaluó 14 detectores de IA en 2023.
Ninguno de estos superó el 80 % de éxito global. Fallaron especialmente con textos parafraseados, editados o traducidos. La conclusión fue contundente; los detectores no ofrecen garantías suficientes para sustentar acusaciones de fraude académico.
Cuando el idioma se convierte en un muro: la discriminación invisible del algoritmo
Uno de los hallazgos más documentados es el sesgo contra quienes no tienen el inglés como lengua materna. un estudio de la Universidad de Stanford reveló que los detectores clasificaron erróneamente más del 61 % de los ensayos escritos por hablantes no nativos, mientras que su margen de error fue prácticamente nulo en textos de hablantes nativos.
Asimismo, investigaciones sobre la fiabilidad de las herramientas de detección en la educación superior nos confirman el riesgo constante de clasificar erróneamente el trabajo genuino de estudiantes no nativos
Laverde analiza este fenómeno desde la práctica universitaria:
“Los hispanohablantes recurrimos a ciertas herramientas de traducción o usamos un inglés demasiado básico, con repeticiones de palabras. Como el uso del idioma es más básico, el software asume que fue generado por una máquina debido a la estructura repetitiva del texto”.
En la Universidad de California, de 17 estudiantes sancionados por un detector, 15 eran falsos positivos; la mayoría procedía de entornos no angloparlantes, donde el inglés no era su lengua materna. En Texas, varios estudiantes perdieron el curso hasta que demostraron con escritos anteriores que su trabajo era original.
Amador detalla las variables técnicas que confunden al algoritmo: la perplejidad qué tan predecible es una palabra tras otra y variación en la extensión de las oraciones. Si un estudiante redacta de forma rígida, muy estructurada o formal, como “en conclusión” o “por lo tanto”, el software interpreta esa falta de variabilidad como un patrón artificial.
A esto podemos sumar que los detectores muestran seria dificultad para clasificar textos de autoría híbrida combinando el contenido humano y el de la IA, un escenario cada vez más habitual en el espacio académico.
Amador añade: “La falta de variabilidad en el ritmo estructural hace que la herramienta atribuya un estilo formal a un patrón generado por IA”.
Este mismo patrón perjudica a estudiantes neurodivergentes autistas o con TDAH, quienes tienden a redactar de forma más estructurada y con menor variabilidad rítmica.
Más allá del falso positivo: el problema de fondo
Centrarse solo en los errores técnicos de los detectores es quedarse en la superficie. Álvaro apunta que el problema más grave es reemplazar el criterio pedagógico por una herramienta tecnológica.
“Creer que un porcentaje en una pantalla tiene la verdad absoluta sobre la honestidad de un ser humano en formación es un error inmenso. El verdadero problema no es la IA ni si el muchacho la usó o no; el problema es que estamos perdiendo el espacio para hablar con el estudiante sobre cómo aprende”.
Laverde coincide en el diagnóstico:
“La pregunta de fondo es otra: ¿estoy dejando las tareas adecuadas para que mi estudiante aprenda? O simplemente le estoy pidiendo cosas por pedirle”. Si un ensayo de cinco páginas se puede generar en dos minutos, la evaluación está mal diseñada.
Ángelo y Amador proponen un cambio de paradigma: pasar de una evaluación del aprendizaje a una evaluación para el aprendizaje. Esto implica sustentaciones orales, comparación de estilos a lo largo del semestre, escritura en clase, revisión del proceso y preguntas que obliguen al estudiante a explicar sus decisiones “¿por qué descartaste este ángulo?”, “¿por qué usaste estos verbos?
También proponen un uso ético y crítico de la inteligencia artificial: lluvia de ideas, corrección gramatical, auditoría de lo que genera la propia máquina e identificación de sus alucinaciones. Un profesor en Hong Kong, por ejemplo, hace que sus estudiantes generen texto con IA y luego lo auditen para que aprendan a ser críticos y no solo consumidores.
Tanto Laverde como los informes técnicos y la evidencia empírica sobre integridad académica coinciden en varias líneas de acción: en primer lugar, no depender exclusivamente del software; en segundo lugar, valorar el proceso sobre el producto final; además, crear protocolos de apelación claros y transparentes, informar a la comunidad académica sobre cómo funcionan.
“Estas herramientas fallan, rediseñar las tareas para que la IA sea un aliado controlado, no un atajo, formar a los docentes no solo en detección, sino en pedagogía en esta era de la IA” advierte.
Y añade que los detectores de IA no van a desaparecer. Seguirán avanzando, mejorando y equivocándose. Y, en ese proceso, cada acusación falsa desgasta la confianza entre profesores y estudiantes.
Ángelo lo resume con una invitación más amplia, “No se trata de satanizar a ChatGPT ni al estudiante. Volver a situar al estudiante y al pensamiento crítico en el centro, es preguntarnos para qué enseñamos, para qué dejamos esas tareas y cómo las evaluamos.”
La prioridad institucional ha dejado de ser la detección tecnológica para centrarse en la evaluación del pensamiento crítico en las aulas.
Para mas información de Rizoma
https://www.uniminutoradio.com.co/rizoma/
