¿Puede una puntuación alta de IA bajar tu nota? Un experimento con 214 profesores

En un experimento ocurrió justo eso, y por una diferencia notable. 214 profesores universitarios calificaron el mismo trabajo de curso tras ver un informe de detección. Cuando el informe indicaba un 7% de IA, clasificaba el texto como de bajo riesgo y no resaltaba nada, el trabajo obtuvo una media de 73.30 sobre 100. Cuando marcaba un 87%, lo calificaba de alto riesgo y mostraba cuatro de las frases del trabajo en rojo, la media cayó a 51.61. El texto del trabajo fue idéntico en todo momento.

Esto no significa que tu nota vaya a bajar 22 puntos, ni que vaya a bajar en absoluto. El informe fue inventado por los investigadores, el trabajo estaba escrito en chino, los profesores lo calificaron en una encuesta online y no en una clase real, y solo 16 de los 214 (7.5%) habían utilizado alguna vez una herramienta de detección de IA. Lo que sí demuestra el estudio es que una cifra y el veredicto que la acompaña pueden cambiar la forma en que se juzga la redacción en sí, y no solo si el lector sospecha que se usó IA.

El estudio se titula "Automation bias in teachers' evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports" (Sesgo de automatización en la evaluación docente de la redacción estudiantil: efectos de las advertencias algorítmicas y los indicios visuales de riesgo en los informes de detección de IA), obra de Peitao Du y Tingting Liu, de la Al-Farabi Kazakh National University, y Xujin Xian, de The Catholic University of Korea. Se publicó en Frontiers in Psychology el 7 de julio de 2026 y es de acceso abierto. Los autores no declaran financiación ni conflictos de interés comerciales o financieros.

Los investigadores redactaron un trabajo, "The Effects and Challenges of Online Education" (Los efectos y desafíos de la educación online), planteado como un ensayo universitario de nivel medio: fluido, con una estructura básica, ideas convencionales y poca profundidad. En él insertaron cuatro frases hechas. No contenían errores factuales evidentes ni rupturas lógicas; eran simplemente el tipo de fórmulas trilladas que pueden sonar genéricas.

Luego crearon cuatro versiones del informe de un detector inexistente, llamado "AcademicCheck":

A cada profesor se le asignó una versión al azar, con entre 52 y 55 profesores por grupo. Primero examinaron el resumen del informe y después leyeron el trabajo. Cada informe incluía además una breve conclusión junto a la cifra. Las versiones con el 7% indicaban "Low risk" (bajo riesgo) y describían "predominantly human-authored writing characteristics" (características de redacción predominantemente humana); las versiones con el 87% señalaban "High risk" (alto riesgo) y "a high likelihood of AI-assisted writing." (una alta probabilidad de redacción asistida por IA). En las versiones con frases marcadas en rojo, el informe también advertía de que los pasajes resaltados requerían revisión manual, por lo que «en rojo» aquí implica color más una indicación explícita, no solo el color. Al terminar la tarea, se informó a los profesores de que el informe era simulado.

El informe del 87% fue el que causó la mayor parte del impacto. Cambiar el informe del 7% de "bajo riesgo" por el del 87% de "alto riesgo", sin nada resaltado, le costó al trabajo unos 13 puntos de media. Y los profesores no solo consideraron más probable que estuviera escrito por IA; también le otorgaron puntuaciones más bajas en originalidad, redacción y estructura lógica, a pesar de que el texto que tenían delante era exactamente el mismo palabra por palabra.

Las frases en rojo tuvieron mayor impacto cuando el informe ya indicaba un riesgo alto. Con el 7%, resaltar cuatro frases no alteró la puntuación de 0 a 100 de forma estadísticamente significativa. Sí redujo la valoración que los profesores hicieron de la redacción, lo cual tiene sentido: eran justo las frases que les acababan de señalar. Con el 87%, ese mismo resaltado restó aproximadamente otros 9 puntos.

Los profesores afirmaron que intervendrían más. La última columna evaluaba la probabilidad de que exigieran correcciones, recordaran al estudiante la importancia de redactar de forma independiente o de seguir las normas sobre el uso de IA, o le pidieran que explicara cómo había elaborado el trabajo y de dónde procedían sus fuentes. La media pasó de 3.40 a 5.66 en una escala de 7 puntos. Eso fue lo que los profesores dijeron que harían, no algo que se observara en la práctica.

Los propios autores califican sus resultados de "preliminary and context-specific" (preliminares y dependientes del contexto). A continuación te explicamos por qué encaja esa etiqueta.

• El informe era ficticio y deliberadamente extremo. Se inventó la herramienta "AcademicCheck" para que las opiniones previas de los profesores sobre programas reales no interfirieran. Las dos cifras se eligieron para que estuvieran muy alejadas entre sí. Los autores explican que el contraste "was intentionally strong" (fue intencionadamente marcado) para comprobar si los profesores reaccionaban ante una advertencia claramente baja frente a una claramente alta, y añaden que se debe actuar con cautela al extrapolar estos resultados a puntuaciones intermedias del mundo real.
• Un único trabajo, escrito en chino. Todos los profesores leyeron el mismo ensayo en lengua china. Su calificación como de «calidad media» fue una decisión propia de los investigadores, quienes señalan que no se contrastó mediante un estudio piloto ni con evaluadores externos. Un trabajo excelente o uno deficiente podrían no arrojar los mismos resultados.
• La mayoría de los profesores nunca había usado un detector. Fueron reclutados online a través de la plataforma de encuestas Wenjuanxing y de comunidades docentes a cambio de una pequeña compensación, y cerca de dos tercios impartían ciencias sociales. Solo 16 (el 7.5%) habían utilizado alguna vez herramientas de detección de IA o de plagio por IA. Ni el artículo ni su archivo complementario desglosan los resultados específicos de esos 16 participantes.
• Era una encuesta, no un acta de calificaciones. Los profesores solo tenían delante el informe y el trabajo, prácticamente nada más, y sus notas no repercutían en ningún alumno. La propia conclusión de los autores es que los hallazgos "should not be generalized directly to all real grading contexts." (no deben generalizarse directamente a todos los contextos reales de calificación).
• La brecha es inusualmente nítida. En cada grupo, las puntuaciones de la mayoría de los profesores se situaron a menos de unos 5 puntos de la media de su grupo; aun así, las medias de los grupos A y D acabaron separadas por casi 22 puntos. Los propios autores afirman que un efecto de tal magnitud "should be interpreted cautiously." (debe interpretarse con cautela). Lo atribuyen en parte al marcado contraste entre el 7% y el 87% y a la escasa información de contexto de la que disponían los docentes: "In real teaching, teachers may see intermediate rates and have richer information about students and writing processes, so actual bias may be smaller." (En la enseñanza real, los profesores pueden encontrar porcentajes intermedios y disponer de información más completa sobre los alumnos y los procesos de redacción, por lo que el sesgo real podría ser menor).

Si dejamos a un lado las circunstancias concretas del experimento, hay una conclusión que se mantiene firme: los profesores vieron el informe antes de leer el trabajo, y el informe condicionó su forma de leerlo. La explicación de los autores es que una indicación como "AI content: 87%" (contenido de IA: 87%) transforma la tarea: en lugar de evaluar el trabajo, el profesor pasa a comprobar si el sistema ha acertado. Una de sus propuestas para las universidades es un proceso en dos fases en el que los docentes "complete their quality evaluation before reviewing the detection report" (completen su evaluación de calidad antes de revisar el informe de detección).

La mayoría de nuestros lectores lidia con Turnitin y no con una herramienta inventada, por lo que conviene contrastar este estudio con tres hechos documentados por la propia Turnitin.

• Por lo general, no puedes ver lo que ve tu profesor. Las preguntas frecuentes de Turnitin indican que "only instructors and administrators are able to see the indicator" (solo los profesores y administradores pueden ver el indicador), aunque un profesor puede descargar el informe de IA en PDF y compartirlo. En ¿Pueden los estudiantes ver su puntuación de IA en Turnitin? Vista de estudiante frente a vista de profesor se detalla qué ve cada parte.
• Las puntuaciones bajas no llevan frases resaltadas. Turnitin señala que "no score or highlights are attributed for AI detection scores in the 1% to 19% range." (no se atribuye ninguna puntuación ni resaltado para las puntuaciones de detección de IA en el rango del 1% al 19%). En su lugar, el informe muestra un asterisco. Por tanto, la combinación del grupo B (una cifra baja con frases señaladas) no es algo que verías en un informe actual de Turnitin. Por debajo del 20%, no hay frases marcadas por la IA que condicionen la mirada de nadie. Tienes más detalles en ¿Qué significa el asterisco (*%) en la puntuación de IA de Turnitin?.
• Turnitin aclara que esa cifra no es una calificación. Las mismas preguntas frecuentes advierten de que el porcentaje "should not be used as the sole basis for action or a definitive grading measure by instructors." (los profesores no deben utilizarlo como base única para tomar medidas ni como una medida de calificación definitiva). Sin embargo, a nadie en este experimento se le pidió que usara la puntuación como criterio de evaluación: simplemente se les pidió que calificaran un trabajo y el informe venía adjunto. En ¿La puntuación de Turnitin equivale a una calificación? se analiza de dónde debe proceder realmente una nota.

Por tanto, este estudio no puede decirte si tu propio profesor se ha visto condicionado, ni en qué medida. Lo que sí hace es trasladar "the report might color how my paper gets read" (el informe podría condicionar la forma en que se lee mi trabajo) del terreno de la paranoia al de una duda legítima sobre la que merece la pena preguntar.

Ninguno de estos pasos requiere que nadie te haya acusado de nada.

1. Si una nota te parece extraña, pregunta por los criterios de evaluación, no por el porcentaje. "Which rubric criteria lost marks, and which passages show it?" (¿Qué criterios de la rúbrica han restado puntos y en qué pasajes se refleja?) es una pregunta perfectamente normal tras recibir cualquier calificación. Las frases resaltadas también cambiaron los comentarios que los profesores devolvieron: cuando se les preguntó qué recomendarían revisar al alumno, el 65.4% de los profesores que vieron el informe del 7% con frases en rojo sugirieron correcciones de redacción, frente al 7.5% de los que lo vieron sin frases en rojo; además, las sugerencias sobre profundizar en el contenido pasaron de cerca de la mitad a prácticamente ninguna. (Los autores consideran exploratoria esta codificación de respuestas abiertas). Si todas las observaciones recibidas se centran en la redacción y no dicen nada sobre tu argumentación, pregunta también por tus argumentos.
2. Pregunta si se utilizó un informe de IA y, de ser así, solicita el PDF. Un porcentaje por sí solo te dice muy poco; es en el informe donde se ve qué pasajes se han señalado.
3. Ten preparado tu proceso de redacción para poder mostrarlo. Las medidas de seguimiento por las que preguntaba este estudio no eran sanciones, sino peticiones: corregir el texto, explicar cómo se redactó o mostrar las fuentes utilizadas. Los profesores a los que se les mostró el informe del 87% con frases en rojo se inclinaron claramente por plantear estas solicitudes. Contar con borradores, notas y el historial de versiones te permite responder con rapidez a ese tipo de peticiones.
4. Si aún estás en fase de revisión y dispones de un informe, lee primero los pasajes señalados. Estas fueron las cuatro frases marcadas en rojo en el experimento, según la traducción inglesa de los propios autores: "With the rapid development of information technology, online education has gradually become an important component of higher education." (Con el rápido desarrollo de la tecnología de la información, la educación online se ha convertido gradualmente en un componente importante de la educación superior). "This paper analyzes this issue from three aspects: learning effects, interaction modes, and technical conditions." (Este trabajo analiza esta cuestión desde tres aspectos: efectos en el aprendizaje, modalidades de interacción y condiciones técnicas). "In conclusion, online education brings convenience but also faces many practical challenges." (En conclusión, la educación online aporta comodidad, pero también afronta numerosos desafíos prácticos). "Therefore, this issue deserves continued attention and further research from the education community." (Por lo tanto, esta cuestión merece una atención continuada y una mayor investigación por parte de la comunidad educativa). Una vez señaladas, frases como estas hicieron caer en picado la valoración de la redacción. Introducciones, frases de transición que anticipan la estructura y conclusiones que podrían encajar en el trabajo de cualquiera merecen de todos modos redactarse con tus propias palabras.

Si tienes un informe de Turnitin o iThenticate, todavía estás revisando tu trabajo y tu curso permite este tipo de ayuda, la función para humanizar texto de HumanPen trabaja sobre los pasajes señalados. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. Revisa tú mismo el archivo devuelto antes de entregarlo.

¿Sabían los profesores que el informe era falso? Los investigadores no se lo comunicaron mientras calificaban. Solo al terminar se les informó de que se trataba de una simulación y no de una evaluación real de integridad académica.

¿Se evaluó Turnitin en este estudio? No. El informe procedía de una herramienta inventada, "AcademicCheck", para evitar que las opiniones sobre detectores reales sesgaran los resultados.

¿Influyó el texto marcado en rojo con el 7%? No en la puntuación de 0 a 100, donde la diferencia no fue estadísticamente significativa. Sin embargo, sí redujo la valoración que los profesores hicieron de la redacción del trabajo.

Turnitin muestra un asterisco por debajo del 20%. ¿Podría tener el mismo efecto? Este estudio no evaluó ese supuesto. Su condición de riesgo bajo consistió en la cifra del 7% junto con el veredicto de "bajo riesgo", no en un asterisco. Un asterisco sí indica al profesor que se detectó algo, pero el modo en que los docentes interpretan esa señal es algo que este estudio no puede responder.

• Peitao Du, Tingting Liu y Xujin Xian, Automation bias in teachers' evaluation of student writing: effects of algorithmic warnings and visual risk cues in AI detection reports, Frontiers in Psychology 17:1889402, publicado el 7 de julio de 2026; consultado el 2 de octubre de 2026 (secciones 3–6, tablas 1 y 3; archivo complementario, apéndice A, tablas B1 y F4).
• Turnitin, Preguntas frecuentes sobre las capacidades de detección de escritura con IA de Turnitin.