15 ISSNe 2445-365X | Depósito Legal AB 199-2016 la escritura humana con un vocabulario limitado y patrones altamente predecibles (por ejemplo, la de estudiantes de inglés o español como segunda lengua) se clasifica erróneamente como generada por una máquina. Además, este método exige acceder a las métricas internas del modelo original, algo que empresas como OpenAI ya bloquean en sus modelos comerciales. Como alternativa, Binoculars (Hans et al., 2024) enfrenta dos modelos de lenguaje distintos para detectar esa “firma estadística” de baja entropía típica de las máquinas sin necesitar el modelo original. Aunque es ingenioso para aislar los “anacronismos” humanos, falla estrepitosamente en dominios estructurados y técnicos (como informática o medicina), necesita textos muy largos y es totalmente vulnerable si el alumno parafrasea el contenido (Wilcox et al., 2023). En un ejemplo sencillo, si un usuario le pide a ChatGPT: “Escribe un ensayo sobre el Siglo de Oro, pero usa un tono informal, comete algún error gramatical leve y utiliza vocabulario poco común”, la firma estadística se rompe por completo. El texto resultante tendrá una alta entropía y Binoculars asumirá erróneamente que es prosa humana. Más recientemente, el marco DivEye (Basani, 2025) ha propuesto fijarse en el “factor sorpresa”: los humanos somos estructuralmente caóticos e impredecibles al escribir, mientras que la IA es monótona y coherente. Es una teoría conceptualmente sólida, pero inviable en la realidad de las aulas. Desplegar modelos tan pesados para calcular estas probabilidades requiere una infraestructura de servidores que ningún instituto de secundaria ni departamento estándar posee. Por otro lado, aproximaciones como SynthID-Text de DeepMind (Omidi et al., 2026) intentan atajar el problema incrustando marcas de agua invisibles durante la propia generación del texto mediante muestreo por torneo. Aunque es un avance robusto, nos devuelve a la casilla de salida operativa: requiere que la industria estandarice el mecanismo, exige acceso total a los modelos y sigue siendo inútil frente a la paráfrasis o a la reescritura profunda por parte de humanos. THANOS (Talento Humano: Análisis de Narrativa Original y Singular) En lugar de limitarse a dar un simple porcentaje de “copiado” o “no copiado”, THANOS actúa como un asistente de investigación que busca indicios a través de distintas métricas e indicadores. Su objetivo principal no es simplemente penalizar el uso de la IA, sino ayudar al profesor a descubrir y valorar la voz única del estudiante, su pensamiento crítico y esas pequeñas imperfecciones creativas que demuestran que hay un humano detrás del texto. Para hacer esto sin saturar los ordenadores del centro educativo, el sistema funciona mediante una serie de indicadores ligeros divididos en tres capas o filtros sucesivos en los que solo los trabajos que levantan sospechas pasan al siguiente nivel de revisión, lo que permite minimizar el uso de los recursos computacionales (véase figura 6). El proceso comienza con un escaneo rápido que evalúa la forma global del texto. En este primer paso, el sistema comprueba si la escritura tiene la estructura mecánica y rígida típica de una máquina, y compara el documento con el resto de las entregas “ “Al ser textos que la IA “conoce” de memoria, a menudo son etiquetados como IA simplemente porque carecen de errores y su estructura es magistral Un conjunto de herramientas de código abierto, autoalojado y centrado en las necesidades de los profesores EDICIÓN ESPECIAL 2026
RkJQdWJsaXNoZXIy MTY1NTA=