Plagio y autenticidad académica en la era de la IA

Qué cambia y qué permanece

#

El plagio sigue nombrando prácticas relevantes: presentar como propia una aportación ajena, ocultar una fuente o reutilizar material en contra de las reglas acordadas. La IA complica el análisis porque una salida generada no siempre reproduce una fuente identificable y porque su uso puede abarcar desde corrección lingüística hasta producción sustantiva de argumentos.

Por eso la pregunta no puede ser solamente «¿intervino una IA?». También hay que preguntar:

• ¿qué usos permitía o restringía la actividad?;
• ¿qué debía declararse y atribuirse?;
• ¿qué decisiones tomó la persona?;
• ¿qué aprendizaje puede demostrar?;
• ¿qué procedimiento permite revisar una duda sin invertir la carga de la prueba?

Sarah Elaine Eaton (2023) propone postplagiarism como un marco para pensar ética e integridad cuando tecnologías avanzadas no pueden separarse con facilidad de la producción humana. Su planteamiento conserva la responsabilidad: quien entrega un trabajo responde por su calidad y credibilidad. También conserva la atribución como práctica de reconocimiento y cuidado del conocimiento, y sostiene que debe ser posible demostrar el aprendizaje propio. El artículo no establece una técnica única de trazabilidad ni una lista obligatoria de muestras del proceso.

Perkins (2023) aborda el problema desde las reglas de integridad académica. Su conclusión es más acotada: usar una herramienta de IA no constituye por sí mismo una falta; importa si el uso contradice las políticas aplicables o si no se declara cuando las reglas exigen hacerlo. No ofrece una definición general de autenticidad basada en bitácoras o conversaciones orales.

Del producto aislado a un conjunto proporcional de evidencias

#

Un trabajo final puede ser insuficiente para reconocer cómo se aprendió, pero acumular rastros tampoco resuelve el problema. La muestra que se pida debe corresponder a lo que la actividad quiere observar y a su riesgo (una práctica breve pide menos que una tesis).

Estas opciones pueden combinarse (por ejemplo, una declaración de uso más una nota de decisiones). Una práctica breve quizá necesite una declaración y dos decisiones explicadas; un proyecto de alto impacto puede requerir versiones y una conversación. La carga debe ser razonable para estudiantes y docentes. La privacidad importa: no se deben exigir conversaciones completas, historiales de navegación o datos personales si una muestra menos intrusiva (una nota de decisiones, por ejemplo) responde la misma pregunta.

Bearman et al. (2024) ofrecen una guía para elegir qué pedir: desarrollar juicio evaluativo sobre la calidad de trabajos, procesos y decisiones (por ejemplo, saber por qué una fuente es más confiable que otra). Lo importante es que el estudiante pueda reconocer criterios (por ejemplo, qué hace confiable una fuente), contrastar una salida y hacerse responsable de lo que incorpora, más que registrar cada interacción.

Qué sabemos sobre detectores de texto generado

#

Los detectores estiman patrones estadísticos; no observan quién escribió un texto ni reconstruyen cómo se produjo. Sus resultados dependen de herramientas, idiomas, corpus, versiones de modelos y transformaciones posteriores.

Liang et al. (2023) evaluaron siete detectores sobre 91 ensayos TOEFL escritos por personas y compararon el resultado con 88 ensayos estadounidenses de octavo grado. La tasa media de falsos positivos del corpus TOEFL fue 61.22 %. Esa cifra describe ese estudio y esas herramientas; no puede trasladarse a toda escritura multilingüe ni a detectores posteriores.

Weber-Wulff et al. (2023) encontraron que las herramientas evaluadas no alcanzaban precisión y fiabilidad suficientes, y que la edición, traducción o paráfrasis reducían su desempeño. Por ello, un detector nunca debe funcionar como prueba única ni como prueba autónoma de una falta. Puede, a lo sumo, originar una pregunta que debe revisarse con fuentes, reglas, trabajo previo y posibilidad de respuesta.

Tres escenarios hipotéticos para ordenar el criterio

#

Los siguientes son casos hipotéticos. No anticipan una resolución disciplinaria: muestran qué preguntas faltan antes de decidir.

Caso 1. Edición lingüística declarada

#

Una estudiante usa una herramienta generativa para reformular transiciones. Las reglas permiten asistencia de estilo si se declara; los argumentos y las fuentes son suyos.

Preguntas relevantes: ¿la declaración describe el alcance real?, ¿la estudiante puede explicar y revisar las decisiones?, ¿la asistencia respeta las reglas de la actividad? Si las respuestas son afirmativas, el uso puede ser compatible con integridad académica. No hace falta exigir toda la conversación para demostrarlo.

Caso 2. Puntaje alto de un detector

#

Un ensayo recibe un puntaje de 87 % en un detector. El estudiante conserva esquemas y versiones, explica sus fuentes y puede responder por el texto.

Preguntas relevantes: ¿qué herramienta produjo el puntaje?, ¿qué tasa de error tiene para este idioma y género?, ¿existe una prueba independiente de una infracción (versiones, fuentes, trabajo previo)? El porcentaje no basta para acusar ni desplaza la carga de la prueba al estudiante.

Caso 3. Traducción asistida

#

Un estudiante redacta un texto y usa IA para traducirlo. La actividad no había explicado si ese uso estaba permitido o debía declararse.

Preguntas relevantes: ¿qué aprendizaje pretendía valorar la actividad?, ¿la traducción era parte de ese aprendizaje?, ¿qué regla estaba disponible antes de entregar?, ¿puede ofrecerse una política clara para el siguiente ciclo? Sin una regla previa, no corresponde inventar retroactivamente una prohibición universal.

Acuerdo de aula y procedimiento en cuatro pasos

#

Cotton et al. (2024) recomiendan instrucciones claras y revisar el diseño de evaluación. No afirman que la falta de acuerdos sea la primera causa de todos los conflictos. A partir de esa recomendación puede construirse este procedimiento adaptable:

1. Explicar las reglas antes de trabajar. Señalar usos permitidos, restringidos y sujetos a declaración. Incluir ejemplos y una vía para preguntar.
2. Elegir una muestra proporcional. Seleccionar una o dos opciones de la tabla que respondan al aprendizaje buscado (por ejemplo, declaración de uso y nota de decisiones); evitar historiales completos por defecto.
3. Usar la muestra para aprender. La declaración o la versión previa debe conducir a retroalimentación, revisión o explicación, no funcionar solo como control.
4. Establecer un procedimiento de duda. Revisar la regla aplicable, comunicar lo que se tiene (por ejemplo, el puntaje y las versiones entregadas), escuchar al estudiante y permitir respuesta o apelación conforme a la normativa institucional. Un detector no reemplaza ninguna de estas etapas.

El procedimiento del punto 4 puede representarse como un flujo de decisiones. Ante una duda, la primera pregunta no es qué produjo el texto, sino qué regla estaba disponible y qué evidencia independiente existe:

graph TD
    A["Surge una duda sobre un trabajo"] --> B{"¿Había una regla previa aplicable?"}
    B -- "No" --> C["No corresponde una sanción retroactiva:<br/>aclarar la regla para el siguiente ciclo"]
    B -- "Sí" --> D["Revisar la regla y la evidencia disponible:<br/>declaración, versiones, fuentes, trabajo previo"]
    D --> E{"¿Hay evidencia independiente<br/>además del detector?"}
    E -- "No" --> F["El puntaje no basta como prueba:<br/>cerrar la duda sin acusación"]
    E -- "Sí" --> G["Comunicar la evidencia y<br/>escuchar al estudiante"]
    G --> H{"¿La explicación responde la duda?"}
    H -- "Sí" --> I["Registrar el cierre y<br/>ofrecer retroalimentación"]
    H -- "No" --> J["Canalizar conforme a la normativa,<br/>con derecho de respuesta y apelación"]

La conversación puede ser útil, pero su duración y formato dependen de la tarea. Puede sustituirse por una explicación escrita, una revisión comentada o una comparación de fuentes cuando esas opciones muestran lo mismo (qué decidió la persona y por qué) y reducen barreras de accesibilidad.

Conexiones con el resto del sitio

#

La guía de evaluación formativa con IA explica cómo usar lo que el estudiantado entrega (borradores, respuestas, preguntas) para ajustar enseñanza y aprendizaje. La práctica de análisis crítico de sesgos y la alfabetización crítica en IA ayudan a evaluar salidas y límites. El marco ético para el uso de IA en educación superior sitúa estas decisiones en responsabilidades institucionales.