Turnitin rechazó mi PDF escaneado: por qué fallan los archivos basados en imágenes

Un PDF escaneado, o cualquier archivo basado en imágenes, falla en Turnitin porque Turnitin exige texto extraíble y seleccionable, y una página escaneada es una imagen, no texto. La propia página de soporte de Turnitin indica que el archivo debe contener al menos 20 palabras de texto extraíble, y que los documentos escaneados, los PDF basados en imágenes, los formularios y los portafolios se rechazan automáticamente. La solución también está documentada: convierte la imagen en texto con OCR antes de enviarla o pega el texto directamente en el campo de envío. Cambiar el formato sin convertir la imagen no sirve de nada.

La página de soporte de Turnitin "Why am I unable to submit my paper to Turnitin?" (¿Por qué no puedo enviar mi trabajo a Turnitin?) enumera las reglas técnicas que deben cumplir los archivos para generar un Similarity Report:

"Supported file types: Your file must be in a supported format (e.g., .docx, .pdf, .txt, .rtf)." (Tipos de archivo admitidos: tu archivo debe estar en un formato compatible, por ejemplo .docx, .pdf, .txt o .rtf.)

"Size & length limits: The file must be under 100 MB and fewer than 800 pages." (Límites de tamaño y extensión: el archivo debe pesar menos de 100 MB y tener menos de 800 páginas.)

"Minimum word count: The document must contain at least 20 words of extractable prose text." (Recuento mínimo de palabras: el documento debe contener al menos 20 palabras de texto extraíble.)

"No images or scanned text: The text in your document must be selectable and copyable. Scanned documents, image-based PDFs, forms, or portfolios will be automatically rejected." (Sin imágenes ni texto escaneado: el texto de tu documento debe poder seleccionarse y copiarse. Los documentos escaneados, los PDF basados en imágenes, los formularios y los portafolios se rechazarán automáticamente.)

La palabra clave es extraíble. El texto debe poder seleccionarse con el cursor y copiarse: el proceso lee la capa de texto del archivo, no los píxeles.

El error más común en este caso está documentado en el centro de ayuda de Turnitin:

"The error message 'Your submission must contain 20 words or more' indicates that the file you are attempting to submit does not meet the minimum requirement of 20 words of extractable text." (El mensaje de error «Your submission must contain 20 words or more» indica que el archivo que intentas enviar no cumple el requisito mínimo de 20 palabras de texto extraíble.)

"This commonly occurs when the submitted document does not contain enough extractable text. For example, the file may consist primarily of images rather than selectable text, or it may contain fewer than 20 words." (Esto suele ocurrir cuando el documento enviado no contiene suficiente texto extraíble. Por ejemplo, el archivo puede estar compuesto sobre todo por imágenes en lugar de texto seleccionable, o puede tener menos de 20 palabras.)

La autocomprobación oficial es una prueba de copiar y pegar:

"Try highlighting the text in your document and copying and pasting it into another application. If you cannot select or copy the text, the document may contain images instead of extractable text." (Intenta seleccionar el texto de tu documento, cópialo y pégalo en otra aplicación. Si no puedes seleccionarlo ni copiarlo, puede que el documento contenga imágenes en lugar de texto extraíble.)

Si no puedes seleccionar y copiar el texto, el archivo es una imagen desde el punto de vista del proceso, por muy bien que se vea el escaneado a simple vista.

La página de errores de envío de Turnitin lo dice sin rodeos:

"If you scanned the document you are trying to submit, the document is likely an image. In order to submit a document that has been scanned, you must use a program to convert the image into text." (Si escaneaste el documento que intentas enviar, lo más probable es que sea una imagen. Para enviar un documento escaneado debes usar un programa que convierta la imagen en texto.)

La misma página explica la comprobación de fondo:

"The file you are trying to submit does not contain at least 20 words or 100 characters of text." (El archivo que intentas enviar no contiene al menos 20 palabras o 100 caracteres de texto.)

Así que la solución no es «exportar el mismo escaneado en otro formato»: la solución es convertir la imagen en una capa de texto con OCR o pegar el texto directamente en el campo de envío.

La página de requisitos de archivos de Turnitin agrupa los rechazos relacionados:

"Turnitin will not accept PDF image files, forms, or portfolios, files that do not contain highlightable text (e.g. a scanned file - usually an image), documents containing multiple files or files created with software other than Adobe Acrobat." (Turnitin no acepta archivos PDF de imagen, formularios ni portafolios, ni archivos que no contengan texto seleccionable, por ejemplo un archivo escaneado, que normalmente es una imagen, ni documentos que contengan varios archivos, ni archivos creados con un software distinto de Adobe Acrobat.)

La misma guía recomienda cómo deben crearse los PDF:

"Turnitin recommends using Adobe Acrobat or Microsoft Word 365 to create PDF files. PDFs generated by other applications may not always be processed successfully." (Turnitin recomienda usar Adobe Acrobat o Microsoft Word 365 para crear archivos PDF. Los PDF generados por otras aplicaciones pueden no procesarse siempre correctamente.)

Fallos relacionados que parecen distintos, pero tienen la misma raíz:

• La primera página contiene una imagen y nada de texto: el archivo puede no procesarse en absoluto.
• Los archivos con imágenes vectoriales densas pueden tardar demasiado o no llegar a procesarse.
• Los archivos protegidos con contraseña se rechazan.

Todos estos casos son lo mismo: el proceso no puede leer el texto como necesita.

La propia guía de Turnitin marca el camino que funciona, en orden:

1. Comprueba si el archivo tiene texto extraíble: selecciona y copia una parte del texto en un editor de texto plano. Si no se copia nada, el archivo es una imagen.
2. Convierte la imagen en texto con un programa de OCR y revisa después el resultado: el OCR puede introducir errores de caracteres.
3. Vuelve a enviar el archivo convertido, ya basado en texto, o pega el texto directamente en el campo de texto de la tarea.

La línea que importa: cambiar el formato, por ejemplo de PNG a PDF, no sirve de nada si el texto sigue siendo píxeles. El texto tiene que existir como caracteres seleccionables antes de que el proceso pueda compararlo.

Un PDF escaneado falla en Turnitin por un motivo documentado: el proceso exige al menos 20 palabras de texto extraíble y seleccionable, y una página escaneada es una imagen. Las propias páginas de Turnitin fijan el mínimo, mencionan el rechazo automático de los PDF basados en imágenes y dan la autocomprobación oficial: si no puedes seleccionar y copiar el texto, para el proceso no es texto. La solución es convertir la imagen en texto con OCR y revisarlo, o pegar el texto en el campo de envío, no volver a exportar el mismo escaneado en otro formato. Entiende la regla, revisa tu archivo como indica la fuente oficial y el error deja de ser un misterio.