¿Marca Turnitin los textos en inglés de autores no nativos? Un estudio publicado en 2026

En este estudio, a veces sí, y con una tasa similar a la de los artículos de noticias de la BBC. De 48 ensayos redactados por estudiantes de inglés como lengua extranjera (EFL), todos escritos antes de agosto de 2022, Turnitin situó 4 por encima del 20%, al igual que Originality. En 48 textos periodísticos profesionales de la BBC, Turnitin puntuó 3 por encima del 20% y Originality ninguno. Los autores no hallaron diferencias significativas en Turnitin entre ambos grupos, y una casi significativa en Originality. Ambos detectores obtuvieron malos resultados con textos que combinaban mitad autoría humana y mitad IA.

El estudio es "Evaluating the accuracy and reliability of AI content detectors in academic contexts" (Evaluación de la precisión y fiabilidad de los detectores de contenido de IA en contextos académicos), realizado por Mohammad Hadra, Karleen Cambridge y Mostefa Mesbah, de la Universidad Sultán Qaboos, publicado en acceso abierto en el International Journal for Educational Integrity el 2 de febrero de 2026. Los autores declaran no tener conflictos de intereses.

Prepararon 192 textos divididos en cuatro grupos de 48:

• Redacción de estudiantes de EFL. Trabajos finales de las asignaturas de inglés para ciencias del Foundation Program de la universidad, todos entregados antes de agosto de 2022, antes de que herramientas como ChatGPT estuvieran al alcance del alumnado.
• Redacción profesional. Textos procedentes de XSum, un conjunto de datos para investigación compuesto por artículos de noticias de la BBC.
• Textos generados por IA. Textos producidos por dos modelos de lenguaje de gran tamaño a partir de tareas de redacción similares a las de los estudiantes.
• Híbrido. Aproximadamente la mitad de redacción de estudiantes de EFL y la mitad de texto generado por IA, combinados en un solo documento.

Los textos tenían entre 300 y 1.100 palabras, y 135 de los 192 trataban temas científicos. Las pruebas con los detectores se realizaron entre enero y mayo de 2025. La puntuación de cada detector se clasificó en tres franjas: del 0 al 20% se consideró humano, del 21 al 79% híbrido y el 80% o más como IA.

En el caso de Turnitin, la diferencia entre los ensayos de los estudiantes y los textos periodísticos no fue estadísticamente significativa (p = 0.50). Los autores señalan que esto "suggests that Turnitin did not exhibit measurable bias against EFL writers within this dataset." (sugiere que Turnitin no mostró un sesgo medible contra los autores de EFL en este conjunto de datos). Originality clasificó correctamente todos los textos de noticias, pero falló en cuatro ensayos de estudiantes, una discrepancia que los autores describen como una tendencia limítrofe (p unilateral = 0.058), en la misma dirección que investigaciones anteriores sobre el sesgo de los detectores contra autores no nativos.

Conviene interpretar estos datos teniendo en cuenta el tamaño de la prueba. Cuatro ensayos de 48 representan aproximadamente uno de cada doce. No es una cifra cero, y un resultado por encima del 20% es precisamente el tipo de calificación por el que podrían pedir explicaciones a un estudiante. Asimismo, se trata de una comparación con el periodismo de noticias, no con ensayos académicos redactados por hablantes nativos.

En los textos mitad humanos y mitad de IA, ambos detectores fallaron en su mayoría a la hora de situarlos en la franja intermedia. Turnitin ubicó allí al 31% y Originality apenas al 2%. La lectura de los autores es que los detectores "appear calibrated primarily for binary distinctions (AI vs. Human) and struggle to identify partial or mixed AI involvement." (parecen calibrados principalmente para distinciones binarias, IA frente a humano, y les cuesta identificar una intervención parcial o mixta de la IA).

La precisión global en los cuatro grupos fue de 0.61 para Turnitin y de 0.69 para Originality.

Ambos detectores fueron mucho menos precisos con los textos de ciencias que con los de humanidades:

Estas cifras abarcan los cuatro grupos en conjunto, por lo que miden errores en todas las direcciones, no solo textos humanos catalogados como IA. Los autores sugieren que ciertos rasgos habituales en la redacción científica, "such as lexical density, technical terminology, and formulaic sentence structure, may be more difficult for detectors to distinguish from AI-generated text." (como la densidad léxica, la terminología técnica y las estructuras oracionales formulaicas, pueden ser más difíciles de distinguir del texto generado por IA para los detectores).

Otro estudio de 2026, que analizó Pangram y GPTZero con resúmenes académicos ya publicados, detectó que los resúmenes recientes de ciencias políticas y teología se marcaban con mayor frecuencia que los de química e informática. Aquel trabajo evaluaba otro aspecto con detectores distintos, algo que analizamos en si pulir un texto con IA hace que lo marquen. Combinar ambos resultados no permite establecer una regla sobre qué disciplinas son más seguras.

La longitud también influyó, aunque no de forma lineal. Considerando los cuatro grupos, ambos detectores mostraron la mayor precisión en los textos más cortos (de 300 a 330 palabras) y la menor en la franja intermedia (de 450 a 550 palabras): Turnitin obtuvo 0.87, 0.56 y 0.68 en textos cortos, medianos y largos, respectivamente; mientras que Originality registró 0.96, 0.63 y 0.84.

• Dos detectores, evaluados a principios de 2025. Solo se pusieron a prueba Turnitin y Originality, entre enero y mayo de 2025, y estos sistemas cambian con cada actualización.
• Un único grupo de estudiantes. Los ensayos de EFL procedían de un solo programa preparatorio en una única universidad.
• Textos periodísticos, no prosa académica, como término de comparación. Los textos profesionales eran artículos de la BBC.
• Proporciones fijas de mezcla. Cada texto híbrido estaba dividido aproximadamente al 50/50, algo que, según señalan los autores, rara vez ocurre en los trabajos reales de los estudiantes.

Su conclusión es que "neither detector achieves the level of reliability required for high-stakes decision-making." (ninguno de los dos detectores alcanza el nivel de fiabilidad requerido para tomar decisiones de gran trascendencia).

1. Comprueba en qué franja estás. En este estudio, una puntuación del 20% o menos se consideró de autoría humana. Turnitin muestra un asterisco en lugar de un número en las puntuaciones bajas; consulta qué significa el asterisco en la puntuación de IA de Turnitin.
2. Conserva tus borradores y el historial de versiones. Muestran cómo se redactó el texto, algo que una simple puntuación no puede demostrar.
3. Revisa qué pasajes se han resaltado. Esos son los que debes estar preparado para explicar.
4. Aporta las pruebas. Estudios como este, junto con las investigaciones previas sobre autores no nativos recogidas en por qué se marca con más frecuencia a los autores no nativos de inglés, respaldan el hecho de que la puntuación de un detector no constituye una prueba por sí sola.

Si tienes un informe de Turnitin o iThenticate y los pasajes señalados necesitan una reescritura, eso es precisamente lo que hace la función de humanización de HumanPen. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. Consulta primero la normativa de tu curso sobre el uso de asistencia de IA y lee el resultado antes de entregarlo.

¿Tiene Turnitin un sesgo contra los autores no nativos de inglés? En este conjunto de datos, Turnitin puntuó los ensayos de estudiantes de EFL y los textos periodísticos de la BBC de manera casi idéntica, sin diferencias significativas. Se trata de una prueba realizada con un solo grupo de estudiantes, no de una respuesta general.

¿Qué significaba «marcado» en este estudio? Una puntuación por encima del 20%. Las puntuaciones del 21% al 79% contaron como híbridas y del 80% o más como IA.

¿Realmente se redactaron los ensayos de los estudiantes sin IA? Se entregaron antes de agosto de 2022. Los autores explican que herramientas como ChatGPT aún no estaban disponibles para esos alumnos, y que los generadores de texto existentes por aquel entonces requerían accesos restringidos y configuraciones técnicas complejas.

¿Qué detector funcionó mejor? Originality obtuvo una mayor precisión general (0.69 frente a 0.61). En los ensayos de estudiantes ambos empataron, situando cada uno 4 de 48 por encima del 20%, mientras que Originality acertó todos los textos periodísticos. Ninguno de los dos gestionó bien los textos mixtos.

• Mohammad Hadra, Karleen Cambridge y Mostefa Mesbah, Evaluating the accuracy and reliability of AI content detectors in academic contexts, International Journal for Educational Integrity 22, artículo 4, publicado el 2 de febrero de 2026; consultado el 28 de septiembre de 2026 (tablas 1–5).