21 ISSNe 2445-365X | Depósito Legal AB 199-2016 datos y la privacidad del alumnado. Asimismo, frente a la crisis de autoría provocada por la inteligencia artificial generativa, el marco de evaluación forense THANOS representa un esfuerzo por superar la dependencia de métricas probabilísticas opacas, proponiendo un diagnóstico transparente que valora y aísla la singularidad del pensamiento crítico humano frente a la mera penalización. Al delegar el cálculo de la volatilidad semántica a un modelo de embedding de coste casi nulo y bajo demanda (text-embedding-3-small), el sistema reduce el consumo de memoria local a niveles despreciables. Esto permite que la herramienta se ejecute de forma fluida en entornos de computación en la nube gratuitos o de bajos recursos, como Streamlit Cloud o Hugging Face8 Spaces o en entornos locales. En definitiva, este conjunto de herramientas pretende ser un primer paso funcional para inspirar otros desarrollos e iniciativas que nos acerquen a una digitalización del entorno escolar más ética, respetuosa con la legalidad de los datos y, sobre todo, centrada genuinamente en facilitar el día a día de la labor docente. Un conjunto de herramientas de código abierto, autoalojado y centrado en las necesidades de los profesores 8 Disponible en https://huggingface.co/spaces/jagarcia1980/Thanos [Consultado el 12 de junio de 2026] Bibliografía Cómo citar: García, J.A. (2026). Escritorio Docente. Un conjunto de herramientas de código abierto, autoalojado y centrado en las necesidades de los profesores. Campus Educación Revista Digital Docente, Edición Especial, 5-21. Disponible en: https://www.campuseducacion.com/revista-digital-docente/numeros/ edicion-especial/ • Baddeley, A. (2007). Working memory, thought, and action. Oxford University Press. https://doi. org/10.1093/acprof:oso/9780198528012.001.0001 • Basani, A. R., & Chen, P.-Y. (2026). Diversity boosts AI-generated text detection. Transactions on Machine Learning Research. https://openreview.net/ forum?id=QuDDXJ47nq • Dugan, L., Hwang, A., Trhlík, F., Zhu, A., Ludan, J. M., Xu, H., Ippolito, D., & Callison-Burch, C. (2024). RAID: A shared benchmark for robust evaluation of machine-generated text detectors. Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 12463–12492. https://doi.org/10.18653/v1/2024. acl-long.674 • Fiedler, A., & Döpke, J. (2025). Do humans identify AI-generated text better than machines? Evidence based on excerpts from German theses. International Review of Economics Education, 49, 100321. https:// doi.org/10.1016/j.iree.2025.100321 • Guo, H., Cheng, S., Jin, X., Zhang, Z., Zhang, K., Tao, G., Shen, G., & Zhang, X. (2024). BiScope: AIgenerated text detection by checking memorization of preceding tokens. Advances in Neural Information Processing Systems, 37. • Hans, A., Schwarzschild, A., Cherepanova, V., Kazemi, H., Saha, A., Goldblum, M., Geiping, J., & Goldstein, T. (2024). Spotting LLMs with Binoculars: Zero-shot detection of machine-generated text. Proceedings of the 41st International Conference on Machine Learning, 235, 17519–17537. • Hu, X., Chen, P.-Y., & Ho, T.-Y. (2023). RADAR: Robust AI-text detection via adversarial learning. arXiv. https://doi.org/10.48550/arXiv.2307.03838 • Ismayilzada, A., Karimov, A., & Saarela, M. (2025). Mining for knowledge, not trouble: GDPR’s impact on educational data mining. In Proceedings of the 18th International Conference on Educational Data Mining. • Maslej, N., Fattorini, L., Perrault, R., Gil, Y., Parli, V., Kariuki, N., Capstick, E., Reuel, A., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Niebles, J. C., Shoham, Y., Wald, R., Walsh, T., Hamrah, A., Lotufo, J. B., & Oak, S. (2025). Artificial intelligence index report 2025. Stanford Institute for Human-Centered Artificial Intelligence. https://arxiv. org/abs/2504.07139 • Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., & Finn, C. (2023). DetectGPT: Zero-shot machinegenerated text detection using probability curvature. In Proceedings of the 40th International Conference on Machine Learning (pp. 24950–24962). PMLR. • Neut Aguayo, P., Blanco-Navarro, M., Lozano-Mulet, P., & Dussel, I. (2024). Plataformización educativa y profesionalidad docente: Tensiones y nudos críticos. Edutec. Revista Electrónica de Tecnología Educativa, 87, 74–89. https://doi.org/10.21556/ edutec.2024.87.3107 • Omidi, R., Dong, Y., & Wang, B. (2026). On Google’s SynthID-Text LLM watermarking system: Theoretical analysis and empirical validation. arXiv. https://doi.org/10.48550/arXiv.2603.03410 • Rivera-Vargas, P., & Jacovkis, J. (Eds.). (2024). Plataformas digitales y corporaciones tecnológicas en la escuela: Una mirada desde los derechos de la infancia. Octaedro. • Wilcox, E. G., Pimentel, T., Meister, C., Cotterell, R., & Levy, R. P. (2023). Testing the predictions of surprisal theory in 11 languages. arXiv. https://doi. org/10.48550/arXiv.2307.03667 • Xu, W., Pakhomov, S., Heagerty, P., Horvitz, E., Bradley, E. R., & Cohen, T. (2025). Perplexity and proximity: Large language model perplexity complements semantic distance metrics for the detection of incoherent speech. Journal of Biomedical Informatics, 170, 104899. https://doi.org/10.1016/j. jbi.2025.104899 EDICIÓN ESPECIAL 2026
RkJQdWJsaXNoZXIy MTY1NTA=