¿Qué pruebas se usan en los casos de falta académica por IA? Estudio de 1.162 expedientes

En una universidad australiana, las puntuaciones de los detectores fueron una parte pequeña y menguante de las pruebas. A lo largo de 1.162 casos de faltas académicas relacionadas con IA entre 2023 y 2025, los resultados de herramientas de detección como GPTZero representaron el 5,8% de las pruebas registradas en 2023, el 8,8% en 2024 y el 0,5% en 2025, lo que supuso cinco elementos en un año con 618 casos de este tipo. Durante los tres años, los informes de detectores aparecieron en 67 de los 1.162 casos. Mucho más habituales fueron las admisiones durante la entrevista con el estudiante (en el 34,3% de los casos), referencias bibliográficas que no pudieron encontrarse (30,6%) y el criterio del evaluador de que el texto parecía escrito por IA (20,6%). El tipo y la solidez de las pruebas solo explicaron de forma modesta cómo se resolvieron los casos.

El estudio se titula "How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis" (¿Cuán sólidas son las pruebas en las acusaciones de falta académica relacionadas con IA generativa? Un análisis de métodos mixtos), obra de Albert Munoz, Mercedez Hinchcliff, Cameron Langfield y Ann Rogerson, de la University of Wollongong. Se publicó en el International Journal for Educational Integrity el 2 de septiembre de 2026 y está disponible en acceso abierto. Los expedientes proceden de su propia universidad, donde trabajan los autores. Rogerson forma parte del consejo editorial de la revista, circunstancia que el artículo declara como conflicto de intereses.

La universidad registró 5.127 casos de falta académica entre enero de 2023 y diciembre de 2025. El equipo extrajo los 1.162 expedientes que implicaban una sospecha de uso de IA generativa, lo que representa el 22,7% del total. Dicho porcentaje aumentó cada año:

Estar incluido en este grupo no significa que se determinara que el estudiante hubiera cometido una falta. El artículo es tajante al respecto: "This study does not adjudicate whether individual students engaged in the misuse of generative artificial intelligence." (Este estudio no dictamina si estudiantes individuales incurrieron en el uso indebido de inteligencia artificial generativa).

Dentro de los expedientes encontraron 1.855 elementos de prueba independientes y los clasificaron en 15 categorías. Cada elemento se evaluó según tres escalas procedentes de la doctrina jurídica: relevancia, credibilidad y fuerza inferencial (es decir, en qué medida una prueba respalda la acusación por sí sola). Estas valoraciones son el criterio de los investigadores, aplicado a todo el corpus mediante un modelo de lenguaje ejecutado en local y calibrado con su propia codificación manual. No evalúan si una prueba concreta era acertada o no.

Las 15 categorías completas, ordenadas según el número de casos en los que aparecieron. Un mismo caso puede incluir varios tipos de pruebas, por lo que la suma de los porcentajes supera el 100%.

Las referencias bibliográficas que no pudieron localizarse fueron la categoría que más rápido creció: pasaron del 10,4% de las pruebas registradas en 2023 al 30,0% en 2025.

Estos porcentajes se refieren a elementos de prueba y no a casos, y el artículo solo publica el recuento exacto de 2025. Solo como contexto y no como denominador: el número de casos relacionados con IA fue de 214, 330 y 618 en esos tres años. En el conjunto del trienio, las herramientas de detección de IA sumaron 69 elementos en 67 de los 1.162 casos.

Antes de interpretar esto como que «los detectores no cuentan», conviene tener claras dos cosas.

Las valoraciones se establecieron de partida, no se midieron. Cada elemento de detección de IA se calificó como de baja credibilidad, y esa fue una regla que los investigadores aplicaron desde el principio: el artículo señala que estos resultados "were treated in the present analysis as low-credibility evidence" (se trataron en el presente análisis como pruebas de baja credibilidad), y su escala de credibilidad se diseñó para tener en cuenta "documented limitations such as AI detector false positive rates" (limitaciones documentadas como las tasas de falsos positivos de los detectores de IA). El estudio no comprobó si alguna puntuación concreta era errónea. Si quieres ver en qué se traduce una tasa de error pequeña en toda una universidad, en lo que supone una tasa de falsos positivos del 1% cuando una universidad entrega 75.000 trabajos se desglosan esos cálculos.

La caída coincide además con una normativa interna. Desde 2025, la política de evaluación de la universidad prohíbe al personal subir trabajos a detectores externos. Según su redacción actual, los docentes "are not permitted to upload student work to third party tools, including generative artificial intelligence (GenAI) or misconduct detection software" (no tienen permitido subir trabajos de estudiantes a herramientas de terceros, incluyendo software de inteligencia artificial generativa [GenAI] o de detección de faltas académicas). Esa misma cláusula sigue autorizando el "approved detection software" (software de detección aprobado) respaldado por la universidad, y los informes de similitud siguieron representando el 3,1% de las pruebas en 2025. El procedimiento vigente de faltas de la universidad también enumera el software que puede utilizarse, como el cotejo de texto (Turnitin) y el "language analysis software (e.g. Turnitin Authorship)" (software de análisis lingüístico, p. ej., Turnitin Authorship). Los autores interpretan este descenso como una asunción por parte del personal de que los resultados de los detectores no alcanzan el estándar de la preponderancia de las pruebas. Tu universidad tendrá su propia normativa, y recopilamos varias en 19 universidades que limitan el uso o las pruebas de detectores de IA.

Un detalle que el artículo no aclara es dónde se clasificó la puntuación de escritura por IA de Turnitin. La categoría de informes de similitud se define como prueba de coincidencia de texto, y su ejemplo es un informe que muestra "a similarity score of 1%, which is unusually low" (un porcentaje de similitud del 1%, inusualmente bajo) para ese tipo de tarea. La categoría de detección de IA menciona a GPTZero y ZeroGPT.

Entre las pruebas extraídas del propio texto, la más frecuente fue la impresión del evaluador de que parecía escrito por IA, en 239 casos. El artículo recoge como ejemplo la forma en que lo expresó el profesorado: "generic transitional phrases, unnaturally uniform paragraph structure, and unsolicited definitions of basic terms not required by the task." (conectores genéricos, una estructura de párrafos con una uniformidad poco natural y definiciones espontáneas de términos básicos no solicitadas por la tarea).

Los investigadores calificaron la mayoría de estos elementos como débiles, porque esos rasgos "not exclusive to GenAI misuse." (no son exclusivos del uso indebido de IA generativa). Su porcentaje en el total de pruebas pasó del 19,5% de los elementos en 2023 al 14,5% en 2025.

Una categoría más reducida compara la entrega con lo que el estudiante suele presentar normalmente (65 casos), y sus valoraciones se dividen casi a partes iguales entre moderadas y débiles. La sección de antecedentes del artículo señala el problema: la escritura de los estudiantes evoluciona con el tiempo, "which can make legitimate improvement difficult to distinguish from anomalies attributable to misuse." (lo que puede hacer que una mejora legítima resulte difícil de distinguir de anomalías atribuibles a un uso indebido). Si esa es la acusación a la que te enfrentas, en usar trabajos anteriores como base de estilo se analiza en qué puntos se sostiene una comparación con entregas previas y en cuáles se puede rebatir.

La categoría que apareció en más casos que cualquier otra fue la admisión durante la entrevista (399 casos), calificada como fuerte prácticamente siempre. Una segunda categoría vinculada a la entrevista —que el estudiante no fuera capaz de explicar su propio trabajo— apareció en 63 casos. Se calificó de forma generalizada como moderada, porque resulta "consistent with GenAI use but equally consistent with alternative explanations such as poor comprehension or test anxiety" (compatible con el uso de IA generativa, pero igualmente compatible con explicaciones alternativas como una comprensión deficiente o la ansiedad ante los exámenes).

Los propios autores extraen la conclusión: "in a substantial proportion of cases, the strongest evidence available emerged only after the institution had already determined the allegation was sufficient to proceed." (en una proporción sustancial de casos, la prueba más sólida disponible surgió solo después de que la institución ya hubiera determinado que la acusación era suficiente para seguir adelante).

Además, avanza rápido. La mediana de tiempo transcurrido entre la acusación y la resolución final fue de 12 días (el 50% central de los casos tardó entre 6 y 20). Según el procedimiento de faltas en asignaturas de la universidad, se te ofrece una entrevista y, antes de celebrarla, el coordinador de la asignatura debe asegurarse de que se te envíe por correo electrónico "the summary of the allegation and evidence that has been collected" (el resumen de la acusación y las pruebas recopiladas). Puedes llevar a una persona de apoyo, aunque no puede intervenir en tu representación. La guía para estudiantes de la universidad advierte de que "you may be asked to explain how you developed an assessment item" (es posible que se te pida explicar cómo desarrollaste la tarea evaluable).

Nada de esto pretende ser un consejo para que digas menos. Si recurriste a la IA de una forma no permitida por la tarea, en falsos positivos por IA: cómo recurrir y qué pruebas aceptará tu universidad hay un apartado específico sobre esa situación, cuya recomendación es exponerlo con sinceridad. Si no la utilizaste, la entrevista es el momento en el que puedes demostrar cómo elaboraste el trabajo.

A juzgar por estos datos, no de forma clara. Los investigadores comprobaron si el tipo, el número y la valoración de las pruebas guardaban relación con el nivel de escalada del caso y con su desenlace. Encontraron algunas correlaciones, pero "the explanatory power of evidence characteristics across all model specifications is modest" (el poder explicativo de las características de las pruebas en todas las especificaciones del modelo es modesto).

Su explicación radica en el propio procedimiento. Que un caso escale responde a la determinación del docente, no a las valoraciones de las pruebas. Que un expediente concluya con una falta académica o con una consideración de "poor academic practice" (mala práctica académica, que conlleva una medida educativa en lugar de una sanción disciplinaria) suele depender de factores como si se trataba de una primera infracción. Las desestimaciones en la fase del comité pueden originarse en el testimonio del estudiante, en un defecto de procedimiento o en motivos de bienestar personal, y los expedientes no recogen los argumentos expuestos durante la audiencia. En palabras de los autores, no existe "no minimum evidentiary threshold at any stage of the pipeline" (ningún umbral probatorio mínimo en ninguna fase del procedimiento).

Ese último aspecto se reflejó en los números. En 58 casos (el 5,0%) no se describió ninguna prueba más allá de la propia acusación. Esas acusaciones vacías se hicieron más escasas, pasando del 7,6% de los elementos de prueba en 2023 a aproximadamente el 2,5% en 2025.

• Una sola universidad, tres años. La University of Wollongong, de 2023 a 2025. Los autores indican que estas pautas podrían no repetirse en otros centros.
• Expedientes, no audiencias. "The evidence records capture what was documented in the case file, not what was argued, tested, or weighed during the hearing." (Los registros de pruebas reflejan lo que quedó documentado en el expediente del caso, no lo que se argumentó, examinó o sopesó durante la audiencia).
• Sin desglose por perfil de estudiante. El nivel (grado o posgrado), el origen (nacional o internacional) y la disciplina académica no figuran en los datos, por lo que el estudio no puede responder a quién se acusa con más frecuencia.
• Las valoraciones forman parte de un marco analítico. Proceden del esquema de los autores, aplicado por un modelo de lenguaje calibrado con 12 casos y comprobado después en 54 casos que no había visto, donde su nivel de coincidencia con dos codificadores humanos fue estadísticamente indistinguible del acuerdo entre los dos evaluadores humanos entre sí.
• Personal interno. Los autores son empleados de la universidad cuyos expedientes analizaron, circunstancia que, según señalan, "introduces potential bias, especially during the calibration exercise." (introduce un posible sesgo, especialmente durante el ejercicio de calibración).
• La normativa cambió a mitad del periodo. La restricción de 2025 que prohíbe subir trabajos a detectores de terceros se introdujo dentro del periodo analizado.

1. Pregunta con exactitud qué es cada prueba. Una puntuación, un pasaje que alguien considera que parece de IA, una comparación con tus trabajos anteriores o un problema con una fuente: pide que te las enumeren una a una. En el 5,0% de los casos analizados no había nada más allá de la acusación. El procedimiento de tu universidad debe indicar qué tienes derecho a ver antes de la reunión. El resto de las pautas de preparación está en reunión de integridad académica tras una acusación por IA.
2. Si en el expediente figura una puntuación de un detector, averigua de qué herramienta se trata y si tu universidad permite al profesorado utilizarla.
3. Si la acusación se refiere a cómo suena la redacción, aporta el registro de cómo la escribiste. Borradores, notas y el historial de versiones del archivo. En cómo conservar el historial de versiones en Word, Google Docs y Overleaf se explica dónde reside cada uno de ellos.
4. Prepárate para explicar tu trabajo. Por qué la argumentación está estructurada de esa forma, qué dicen realmente tus fuentes principales y qué cambió entre borradores. En 63 de los casos estudiados, el no poder explicarlo quedó registrado como prueba en contra.
5. Aporta tus pruebas desde la primera fase. En esta universidad, solo cabe recurrir una resolución por falta de garantías procesales o por "new and substantial evidence that has not previously been considered." (pruebas nuevas y sustanciales que no hayan sido consideradas previamente). Revisa la normativa de tu universidad para localizar la frase equivalente.

Nada de lo que explicamos aquí sirve para un caso que ya esté abierto. Ese expediente juzga la versión que ya entregaste, y reescribirla después no altera lo que hay en el expediente. Esta sección está pensada para un momento previo: todavía estás revisando un borrador, tienes un informe de Turnitin o iThenticate para él y has comprobado que la guía de tu asignatura permite que una herramienta de IA externa reformule tu redacción (y no solo una herramienta concreta autorizada por su nombre), así como la forma en que exige declarar dicha ayuda. La guía para estudiantes de Wollongong, por ejemplo, indica que se debe "use only the permitted gen AI technology" (utilizar únicamente la tecnología de IA generativa permitida) y considera uso indebido cualquier empleo que vaya más allá de las instrucciones de la tarea. Si se cumplen todos esos requisitos, este es el supuesto para el que se diseñó HumanPen. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. Revisa el resultado cotejándolo con tu propio borrador antes de entregarlo, porque deberías ser capaz de explicar cada una de las frases que presentes.

¿Siguen utilizando las universidades las puntuaciones de los detectores de IA como prueba? En esta universidad, su presencia era residual en 2025: cinco elementos, el 0,5% de las pruebas registradas ese año, tras una normativa que prohibió al profesorado subir trabajos a detectores externos. Otras universidades establecen sus propias normas, por lo que esto no anticipa lo que hará la tuya.

¿Basta por sí solo con que «parezca escrito por IA»? Los investigadores calificaron la mayoría de esos elementos como débiles, porque los rasgos señalados no son exclusivos del uso de IA. Se trata de su propio marco de evaluación, no de la normativa de la universidad. En esta institución, la decisión se toma según la preponderancia de las pruebas, valorando el conjunto de elementos del caso. El artículo detalla qué significa esto: debe ser más probable que la falta se haya cometido a que no se haya cometido, "with the burden of proof resting with the institution and the academic raising the allegation rather than the student" (recayendo la carga de la prueba en la institución y en el docente que plantea la acusación, y no en el estudiante).

En este estudio, ¿qué se consideró la prueba más sólida? Las admisiones (por escrito o manifestadas en la entrevista), los registros conservados por programas de supervisión de exámenes y las conductas no permitidas que reflejan esos registros. Cada una de estas categorías fue calificada como fuerte en la mayor parte de sus elementos.

¿Demuestra el estudio si los estudiantes acusados habían utilizado IA? No. Se limita a contabilizar y valorar lo que constaba en los expedientes. Figurar entre los 1.162 casos significa que se sospechaba de un uso indebido de IA, no que este quedara probado.

• Albert Munoz, Mercedez Hinchcliff, Cameron Langfield y Ann Rogerson, How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis, International Journal for Educational Integrity 22, artículo 26, publicado el 2 de septiembre de 2026 (versión de registro del 10 de septiembre de 2026); consultado el 2 de octubre de 2026 (tabla 2, figuras 1 y 2).
• University of Wollongong, Academic Misconduct (Coursework) Procedure, versión en vigor a partir del 3 de noviembre de 2025, cláusulas 35, 80, 119; consultado el 2 de octubre de 2026.
• University of Wollongong, Assessment and Feedback Policy, versión en vigor a partir del 14 de marzo de 2025, cláusula 14; consultado el 2 de octubre de 2026.
• University of Wollongong, Using Generative Artificial Intelligence (Gen AI) in Assessments; consultado el 2 de octubre de 2026.