Saltar al contenido

ARTÍCULO ACADÉMICO

Más allá de la detección

Un marco para la integración ética de la IA en la investigación académica

Alex SpezowkaInvestigación con Jenni2026Referencias (81)

  • <80%Precisión de detectores de IA en pruebas independientes
  • 50%Falsos positivos en plataformas de uso común
  • 61%De textos de no nativos en inglés marcados como IA

La proliferación de la IA generativa en el ámbito académico ha revelado una verdad fundamental que las instituciones se han resistido a reconocer:

El paradigma de la detección ha fracasado.

Las herramientas de detección de IA alcanzan tasas de precisión que suelen estar por debajo del 80% en pruebas independientes.1 Wakjira et al. (2025) Las tasas de falsos positivos pueden llegar a ser hasta del 50% en las plataformas más utilizadas.2 Weber-Wulff et al. (2023) También se ha documentado un sesgo sistemático, donde más del 61% de los textos escritos por personas no nativas en inglés se clasifican erróneamente como generados por IA.3 Liang et al. (2023) Por lo tanto, el enfoque actual de "detectar y castigar" causa más daño del que evita.

Mientras tanto, la integración de la IA en el trabajo académico ya se ha producido a gran escala. Las investigaciones indican que entre el 13.5% y el 22.5% de los artículos académicos actuales muestran signos de asistencia por IA.4 Liang et al. (2025a) Los procesos de revisión por pares se ven afectados de manera similar: al menos el 15.8% de las revisiones en ciertas conferencias muestran indicios de asistencia de IA.5 Latona et al. (2024) Este documento sostiene que el dilema para la educación superior ya no es cómo evitar el uso de la IA, sino cómo construir marcos institucionales que hagan que su integración sea transparente, con límites claros y pedagógicamente sólida.

El camino a seguir requiere abandonar la vigilancia ineficaz e implementar arquitecturas de transparencia: herramientas y políticas diseñadas desde su origen para que las contribuciones de la IA sean visibles, auditables y debidamente delimitadas. Lejos de ser una rendición ante el avance tecnológico, este cambio representa una oportunidad para reinventar la integridad académica en una nueva era.

Parte I: Los límites epistemológicos de la detección de IA

El despliegue masivo de herramientas de detección de IA en entornos académicos se basa en una premisa errónea: que los textos generados por IA y los creados por humanos pertenecen a categorías tan distintas que pueden separarse de forma fiable mediante análisis algorítmicos. La evidencia empírica acumulada demuestra que esta hipótesis no se sostiene bajo un análisis riguroso.6 Weber-Wulff et al. (2023); Sadasivan et al. (2023)

La evaluación independiente más completa de estas herramientas, realizada por Weber-Wulff y colaboradores y publicada en el International Journal for Educational Integrity, analizó catorce herramientas de detección (doce de libre acceso y dos sistemas comerciales).7 Weber-Wulff et al. (2023) Las conclusiones fueron definitivas: todas las herramientas se situaron por debajo del 80% de precisión, y solo cinco superaron el 70%. El estudio concluyó que estas utilidades no son precisas ni fiables, y presentan una clara tendencia a clasificar el contenido como escrito por humanos en lugar de detectar el texto generado por IA.

La pérdida de eficacia se agrava en condiciones reales. Los estudios indican que, incluso con textos de IA relativamente sencillos, las herramientas de detección muestran fallos notables, y su precisión cae drásticamente ante contenidos manipulados o técnicas de ocultación como el parafraseo.8 Perkins et al. (2024c); Weber-Wulff et al. (2023) Se ha demostrado que varios detectores de contenido por IA son ineficaces a la hora de identificar textos parafraseados.9 Liu et al. (2024)

Turnitin, un sistema comercial ampliamente utilizado en el ámbito académico, ha intentado resolver estas limitaciones mediante una calibración deliberada, aceptando un cierto porcentaje de falsos negativos para mantener baja la tasa de falsos positivos a nivel de documento.10 Jabarian and Imas (2025) Este compromiso estratégico, aunque sea una decisión de diseño, pone de manifiesto un gran desafío: los sistemas de detección a menudo no pueden lograr simultáneamente una alta sensibilidad (identificar contenido de IA) y una alta especificidad (evitar clasificar erróneamente el contenido humano). La incapacidad de los detectores tradicionales para diferenciar entre un parafraseo humano legítimo y la generación por IA compromete seriamente su utilidad para hacer cumplir la integridad académica.11 Bordalejo et al. (2025)

Las bases teóricas de esta limitación fueron establecidas por Sadasivan y colaboradores en la Universidad de Maryland.12 Sadasivan et al. (2023) Su análisis matemático demostró que con modelos de lenguaje avanzados, incluso los mejores detectores apenas superan la clasificación aleatoria, especialmente tras aplicar transformaciones como el parafraseo.13 Cheng et al. (2025); Sadasivan et al. (2023) Como resumió el profesor Soheil Feizi: "Existe un límite superior insuperable en nuestros detectores, por lo que es muy poco probable que podamos desarrollar herramientas que identifiquen de manera fiable el contenido generado por IA".14 University of Maryland (2025)

Esto no es un simple bache técnico a la espera de una solución de software. A medida que los modelos de lenguaje mejoran y sus textos se asemejan más a la redacción humana, las características estadísticas en las que se basa la detección se desvanecen. Esta convergencia dificulta que tanto los usuarios como los sistemas automatizados distingan entre textos humanos y artificiales.15 Knott et al. (2024); Frank et al. (2024) Sadasivan y sus colegas demostraron de forma matemática que cuanto más sofisticado y capaz de emular la escritura humana sea un modelo, menor será el rendimiento de cualquier detector, lo que evidencia una barrera fundamental imposible de superar con mejores algoritmos.

Parte II: La transformación sistémica de la producción académica

Mientras que las instituciones vigilan de cerca el uso de la IA en estudiantes de grado, a menudo pasan por alto una transformación mucho mayor que ya se ha consolidado en la investigación académica profesional. Los datos indican que la redacción asistida por IA se ha convertido en una práctica habitual en las publicaciones científicas en los dos años posteriores al lanzamiento de ChatGPT.16 Matsui (2025); Yip et al. (2025)

El estudio más riguroso de este fenómeno, publicado por Kobak y su equipo en Science Advances en julio de 2025,17 Kobak et al. (2025) analizó 15.1 millones de resúmenes biomédicos en inglés indexados en PubMed entre 2010 y 2024. Mediante una metodología de "exceso de palabras" inspirada en estudios epidemiológicos sobre la mortalidad por COVID-19, identificaron términos que aparecían con una frecuencia muy superior a la prevista antes de la llegada de ChatGPT. Sus resultados apuntan a que al menos el 13.5% de los resúmenes biomédicos de 2024 (aproximadamente uno de cada siete) se redactaron con ayuda de modelos de lenguaje. Este límite mínimo variaba considerablemente según la disciplina, el país y la revista, llegando a alcanzar el 40% en determinados casos.

Los investigadores identificaron 379 "palabras de estilo" que delataban el uso de IA, tales como "delve" (profundizar), "crucial", "meticulous" (meticuloso) o "intricate" (intrincado), cuya frecuencia de aparición se disparó tras noviembre de 2022. El estudio concluyó que "los LLM han tenido un impacto sin precedentes en la redacción científica del área biomédica, superando incluso el efecto de grandes acontecimientos mundiales como la pandemia de COVID".18 Kobak et al. (2025)

La revisión por pares refleja una transformación similar. El análisis presentado por Liang y colaboradores en la International Conference on Machine Learning de 202419 Liang et al. (2024) reveló que entre el 6.5% y el 16.9% de las revisiones por pares en prestigiosas conferencias de IA fueron modificadas sustancialmente por LLM (término que excluye la simple corrección ortográfica). Al analizar las evaluaciones de conferencias como ICLR 2024, NeurIPS 2023, CoRL 2023 y EMNLP 2023, observaron que palabras como "commendable" (elogiable) multiplicaron su frecuencia por 9.8, y "meticulous" por 34.7 en ICLR 2024 en comparación con la era pre-ChatGPT. Los patrones de conducta asociados a un mayor uso de LLM incluían una menor confianza expresada por los revisores, entregas de última hora y menor disposición a responder a las réplicas de los autores.

Las respuestas de las instituciones empiezan a asimilar este nuevo escenario. En octubre de 2025, arXiv anunció directrices específicas en su categoría de informática para artículos de revisión o de opinión.20 Sun et al. (2025); Jianghao et al. (2025) Esta medida se tomó ante el gran aumento de artículos de revisión elaborados con asistencia de LLM, que a menudo se limitaban a ser recopilaciones bibliográficas comentadas de escaso valor añadido.21 Liang et al. (2025b); Wang et al. (2024) La plataforma recibe cientos de estos textos cada mes y se enfrenta a importantes retos para identificar y descartar las aportaciones de baja calidad.

Estas cifras demuestran que estamos ante una reconfiguración total del ecosistema de investigación, no ante simples casos aislados de fraude académico. Centrar las normativas y sanciones únicamente en los estudiantes representa un error de perspectiva por parte de las instituciones.

13.5%
De los resúmenes biomédicos en 2024 muestran uso de LLM
40%
En áreas, países y revistas específicas
16.9%
De las revisiones por pares en conferencias clave de IA

Parte III: El sesgo de detección como una crisis de equidad

Además de su falta de fiabilidad, los detectores de IA presentan un sesgo sistemático que convierte su uso en un problema ético y de derechos civiles.22 Gorichanaz (2023); Giray (2024) Este sesgo perjudica de manera desproporcionada a los estudiantes no nativos en inglés, pero también afecta a alumnos neurodivergentes y otros colectivos cuyos patrones de escritura difieren de la norma estadística que los algoritmos asocian con lo "humano".23 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025)

Un estudio de referencia liderado por Liang y publicado en Patterns evaluó siete detectores de GPT muy difundidos con dos grupos de textos: 91 ensayos de TOEFL escritos por estudiantes no nativos y 88 ensayos de secundaria redactados por estudiantes nativos.24 Liang et al. (2023) Mientras que los detectores mostraron una precisión casi perfecta con los estudiantes nativos, clasificaron erróneamente como IA más de la mitad de los ensayos redactados por no nativos. En concreto, las herramientas basadas en GPT fallaron en el 61.3% de los casos de autores no nativos.25 Perkins et al. (2024c) El sesgo fue abrumador: el 97.80% de los ensayos del TOEFL fueron señalados como IA por al menos un detector, y el 19.78% fueron clasificados erróneamente de forma unánime por los siete detectores evaluados.26 Arango et al. (2024)

El origen de este sesgo es puramente algorítmico y estructural.27 Liang et al. (2023) Los sistemas de detección miden la "perplejidad", que evalúa qué tan predecible es la elección de palabras en un texto.28 Park (2024) Quienes escriben en una segunda lengua tienden a emplear un vocabulario más acotado y estructuras sintácticas más sencillas y repetitivas. Los ensayos del TOEFL que resultaron falsos positivos presentaban niveles de perplejidad significativamente bajos. De este modo, los detectores penalizan de forma directa los patrones de redacción propios de cualquier estudiante que aprende un nuevo idioma.

Las consecuencias a nivel de equidad son alarmantes. En los Estados Unidos, los estudiantes en proceso de aprendizaje del inglés representan más del 10% del alumnado y están protegidos por el Título VI de la Ley de Derechos Civiles frente a la discriminación por origen nacional o raza. Las falsas acusaciones basadas en el sesgo de estos detectores podrían constituir una base jurídica para demandas por discriminación.30 Jacob et al. (2024); Ovalle (2023); Jiang et al. (2024) Para los estudiantes internacionales, además de las sanciones académicas, una acusación infundada puede poner en riesgo su visado de estudios y frenar en seco su trayectoria investigadora.31 Bannister et al. (2024); Giray (2024) A menudo, los alumnos se ven obligados a demostrar su inocencia frente a un veredicto de sospecha generado por un algoritmo opaco.32 Gorichanaz (2023)

Los estudiantes neurodivergentes sufren una vulnerabilidad similar. Las investigaciones indican que las personas neurodivergentes tienen una probabilidad notablemente más alta de que sus textos legítimos sean marcados como falsos positivos por los detectores de IA.33 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025) El proceso lógico detrás de este error es el mismo: el estilo de redacción de muchas personas en el espectro autista se caracteriza por una mayor rigidez formal, precisión léxica y menor variación lingüística, rasgos que los algoritmos asocian estrechamente con textos de IA.34 França et al. (2024); Chambers and Kelley (2025); Carik et al. (2024)

Sancionar en base a estos sistemas crea una brecha injusta motivada por el privilegio lingüístico y cognitivo. Los alumnos cuya forma natural de escribir coincide con las expectativas del algoritmo de lo que es "humano" disfrutan de tranquilidad, mientras que aquellos con expresiones lingüísticas diferentes corren un riesgo injustificado e inaceptable.35 Giray (2024)

Parte IV: La arquitectura de transparencia como alternativa indispensable

Si la detección resulta ineficaz y perjudicial, ¿cuál es la alternativa para garantizar la honestidad académica? La clave reside en integrar de origen la transparencia en las propias herramientas de asistencia, diseñando aplicaciones donde la intervención de la IA sea visible y rastreable, en lugar de intentar descubrirla a posteriori mediante métodos de control intrusivos.

Este enfoque se basa en el marco de "Transparencia por Diseño" descrito por Felzmann y colaboradores en Science and Engineering Ethics, que traslada los principios de privacidad por diseño del RGPD al desarrollo de la IA.36 Felzmann et al. (2020) El modelo propone incorporar la transparencia como un valor fundamental desde el inicio del desarrollo, y no como una capa añadida al final. En la educación y la investigación, esto se traduce en utilizar plataformas donde el flujo de edición asistida permanezca registrado y pueda ser compartido abiertamente.

Jenni AI se diseñó partiendo precisamente de esta filosofía de transparencia como pilar básico de su arquitectura. En lugar de funcionar como una herramienta de generación automatizada en bloque donde el usuario simplemente copia el resultado, Jenni AI actúa como un asistente interactivo que asegura que el criterio y el control correspondan siempre al autor humano, manteniendo el proceso documentado y accesible desde el primer momento. Esta estructura se diferencia claramente de los generadores automáticos masivos por sus características de diseño esenciales:

  • La sugerencia de autocompletado frase a frase fomenta el desarrollo del pensamiento crítico y la redacción activa. En lugar de redactar páginas completas de manera automática, Jenni AI ofrece sugerencias concisas y frase por frase, requiriendo que el autor las valore, las edite y decida de forma activa si las incorpora. Esto asegura que el estudiante o investigador mantenga siempre el control del hilo conductor, los argumentos y la estructura del texto.
  • La revisión e integración automática de fuentes reales a través de la biblioteca de investigación de Jenni soluciona uno de los mayores problemas de la IA generativa básica: las citas erróneas o inventadas. El usuario puede subir sus documentos de referencia en formato PDF, archivos BibTeX o búsquedas integradas por DOI/PMID/arXiv, y la plataforma asiste al autor conectando y justificando cada sugerencia directamente con este material científico legítimo.37 Walters and Wilder (2023); Spennemann (2025); Mustaffa et al. (2025)
  • La posibilidad de delimitar y documentar los niveles de asistencia de forma personalizada ayuda a las instituciones y a los autores a cumplir con los límites éticos de cada tarea or proyecto. La IA se convierte así en un excelente apoyo para tareas de corrección estética, fluidez o búsqueda de bibliografía, permitiendo que la elaboración conceptual del trabajo permanezca indiscutiblemente en manos del autor.38 Shimray and Subaveerapandiyan (2025); Xu (2025); Liao et al. (2024); Arroyo-Machado et al. (2025)
  • La herramienta de traducción integrada y soporte multilingüe en más de treinta idiomas ofrece un entorno de redacción de primer nivel que iguala las oportunidades para toda la comunidad investigadora, permitiendo transformar borradores o ideas en múltiples idiomas a un inglés formal excelente sin alterar el fondo de la investigación original o el esfuerzo del autor.40 Filimonovic and Rutzer (2025); Prakash et al. (2025); Amano et al. (2025); Rueda et al. (2025); Sebastian and Baron (2024); Lepp and Sarin (2024)

Al situar la transparencia en el centro, Jenni AI redefine el papel de la tecnología inteligente en la academia: en lugar de ser una amenaza oculta a la honestidad investigadora, se convierte en un acelerador del potencial académico legítimo y verificable.

Parte V: Estrategias de implantación institucional

El cambio de la detección punitiva a los sistemas basados en la visibilidad requiere cambios en las normativas, redefinir el diseño de las evaluaciones y formar a la comunidad docente de forma continuada, como ya se está observando en destacadas universidades internacionales.

Establecer normativas claras enfocadas en la declaración honesta de las herramientas constituye el cimiento de esta transformación. Las directrices de la Universidad de Cornell, por ejemplo, indican: "No recomendamos recurrir a algoritmos de detección automática de IA para evaluar presuntas infracciones de integridad académica, dada la falta de fiabilidad constatada en los mismos".42 Cornell University (2025) Del mismo modo, la Universidad de Columbia recalca que "los detectores de IA deben interpretarse con cautela y nunca como única métrica determinante".43 Columbia University (2025) En esta misma línea, la Universidad de Pittsburgh ha prescindido del uso de estos sistemas ante su baja precisión.44 University of Pittsburgh (2025a)

El futuro radica en políticas claras de transparencia activa. Comités de ética como COPE definen bien esta postura: los investigadores que utilicen herramientas de IA generativa deben describirlo con claridad en los apartados de metodologías de sus publicaciones, asumiendo siempre la autoría y responsabilidad final del trabajo desarrollado.45 da Veiga (2025)

Otras metodologías de evaluación resultan más eficaces para comprobar el aprendizaje que el control algorítmico, tales como el seguimiento del historial de versiones y revisiones del texto por parte de los profesores o la defensa oral de trabajos y pruebas basadas en portafolios formativos que se construyen y comentan de manera continuada y guiada durante el curso.48 Chan and Colloton (2024); Generative AI in Higher Education (2025b); Kong et al. (2024); Pedersen et al. (2018)

Conclusión

La abundante documentación presentada en este análisis conduce a una conclusión evidente: es inviable intentar mantener la excelencia y la integridad académica utilizando herramientas obsoletas e inestables orientadas exclusivamente a la penalización.

Las aplicaciones de supervisión externa fallan por su propia naturaleza teórica y técnica, arrojando alarmantes niveles de inexactitud y sesgos dañinos hacia estudiantes internacionales y colectivos neurodivergentes. Intentar erradicar el uso del asistente académico por IA resulta insostenible cuando la comunidad investigadora global y las principales publicaciones ya están integrando de forma activa estas herramientas de productividad para mejorar y agilizar la fluidez del conocimiento.

El camino óptimo consiste en promover ecosistemas de aprendizaje honestos y transparentes apoyados en plataformas diseñadas específicamente con este enfoque ético. Facilitar a la comunidad universitaria utilidades rigurosas como Jenni AI —que promueve la autoría activa humana, conecta las de ideas con fuentes reales rastreables y asegura un seguimiento de edición transparente— ayuda a potenciar los estándares de calidad ética de la docencia sin caer en el perjuicio académico o la desconfianza mutua.

Adoptar soluciones innovadoras basadas en la transparencia de diseño consolida a las instituciones a la vanguardia de la nueva era de innovación educativa, protegiendo tanto la integridad intelectual como el valioso potencial creativo del talento académico.

Declaración de uso de IA

Durante la preparación de este informe, los autores utilizaron Jenni AI para optimizar el estilo de la redacción, verificar el formato de las citas académicas y agilizar la claridad expresiva de la comunicación escrita. Tras el uso de estas herramientas, se procedió a revisar y validar el contenido final, asumiendo la autoría y plena responsabilidad de las conclusiones aquí presentadas.

Qué pueden hacer ahora las instituciones

  1. 1Audite los contratos actuales de herramientas de detección frente a los datos de precisión y sesgo que se presentan aquí.
  2. 2Elabore políticas de divulgación que traten la asistencia de la IA como algo que se declara, no que se prohíbe.
  3. 3Invierta en formación del profesorado que desarrolle la alfabetización en IA.
  4. 4Evalúe las herramientas orientadas a la transparencia como infraestructura, no como amenazas.

Para instituciones

Lleve a su departamento o biblioteca una herramienta de escritura que da prioridad a la transparencia.

Ver Jenni para equipos

Para investigadores

Únete a miles de investigadores que confían en Jenni para realizar un trabajo transparente y verificable.

Comience a escribir

Referencias

Alejandro, S. (2024). The education balancing act: AI progression, fairness and biases. Policy Perspectives, 31. https://doi.org/10.4079/pp.v31i0.15
Amano, T., Bowker, L., & Burton-Jones, A. (2025). AI-mediated translation presents two possible futures for academic publishing in a multilingual world. PLoS Biology, 23(6). https://doi.org/10.1371/journal.pbio.3003215
Arango, M. C., Hincapié-Otero, M. M., Hardeman, K. N., Shao, B., Starbird, L., & Starbird, C. A. (2024). Special considerations for the use of AI tools by PEERs as a learning and communication aid. Carolina Digital Repository (University of North Carolina at Chapel Hill). https://doi.org/10.17615/m0hg-9687
Arroyo‐Machado, W., Ma, J., Chen, T., Johnson, T. P., Islam, S., Michalegko, L., & Welch, E. W. (2025). Generative AI and academic scientists in US universities: Perception, experience, and adoption intentions. PLoS ONE, 20(8). https://doi.org/10.1371/journal.pone.0330416
Bannister, P., Peñalver, E. A., & Urbieta, A. S. (2024). International students and generative artificial intelligence. Journal of International Students, 14(3), 149–170. https://doi.org/10.32674/jis.v14i3.6277
Bordalejo, B., Pafumi, D., Onuh, F., Khalid, A. K. M. I., Pearce, M. S., & O’Donnell, D. P. (2025). “Scarlet Cloak and the Forest Adventure”: A preliminary study of the impact of AI on commonly used writing tools. International Journal of Educational Technology in Higher Education, 22(1). https://doi.org/10.1186/s41239-025-00505-5
Carik, B., Ping, K., Ding, X., & Rho, E. H. (2024). Exploring large language models through a neurodivergent lens: Use, challenges, community-driven workarounds, and concerns. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2410.06336
Chambers, S., & Kelley, M. C. (2025). The misclassification of autistic writing as AI-generated. In Lecture notes in computer science (pp. 89–103). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-98420-4_7
Chan, C. K. Y., & Colloton, T. (2024). Generative AI in higher education. https://doi.org/10.4324/9781003459026
Cheng, Y., Sadasivan, V. S., Saberi, M., Saha, S., & Feizi, S. (2025). Adversarial paraphrasing: A universal attack for humanizing AI-generated text. https://doi.org/10.48550/ARXIV.2506.07001
Chiu, T. K. F., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171. https://doi.org/10.1016/j.caeo.2024.100171
Columbia University. (2025). Office of the Provost — Generative AI. https://provost.columbia.edu/content/generative-ai
da Veiga, A. (2025). Ethical guidelines for the use of generative artificial intelligence and artificial intelligence-assisted tools in scholarly publishing: A thematic analysis. Science Editing, 12(1), 28–34. https://doi.org/10.6087/kcse.352
Felzmann, H., Fosch-Villaronga, E., Lutz, C., & Tamò-Larrieux, A. (2020). Towards transparency by design for artificial intelligence. https://doi.org/10.1007/s11948-020-00276-4
Figueroa, B. M., Eaton, S. E., Pethrick, H., Hayden, A., Brennan, R. W., Wiens, J., & McDermott, B. (2024). Academic integrity and artificial intelligence in higher education (HE) contexts: A rapid scoping review. Canadian Perspectives on Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123
Filimonovic, D., & Rutzer, C. (2025). Generative AI as a linguistic equalizer in global science. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2511.11687
Frank, J. H., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. https://doi.org/10.1109/sp54263.2024.00159
França, A. B. C., Reategui, E. B., Mintz, J., Meira, R. R., & Motz, R. (2024). Writing analytics and AI for special education: Preliminary results on students with autism spectrum disorder. In Communications in computer and information science (pp. 192–199). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-64312-5_23
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI assessment scale (AIAS) in action: A pilot implementation of GenAI-supported assessment. Australasian Journal of Educational Technology. https://doi.org/10.14742/ajet.9434
Gaines, T., & Burrows, N. L. (2024). Exploring alternative assessments during COVID: Instructor experiences using oral exams. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1379886
Gegg-Harrison, W., & Quarterman, C. (2024). AI detection's high false positive rates and the psychological and material impacts on students. In Advances in educational marketing, administration, and leadership book series (pp. 199–219). IGI Global. https://doi.org/10.4018/979-8-3693-0240-8.ch011
Generative AI in higher education. (2025). Edward Elgar Publishing. https://doi.org/10.4337/9781035326020
Giray, L. (2024). The problem with false positives: AI detection unfairly accuses scholars of AI plagiarism. The Serials Librarian, 1–9. https://doi.org/10.1080/0361526x.2024.2433256
Gorichanaz, T. (2023). Accused: How students respond to allegations of using ChatGPT on assessments. Learning Research and Practice, 9(2), 183–196. https://doi.org/10.1080/23735082.2023.2254787
Gupta, A., Atef, Y., Mills, A., & Bali, M. (2024). Assistant, parrot, or colonizing loudspeaker? ChatGPT metaphors for developing critical AI literacies. Open Praxis, 16(1), 37–53. https://doi.org/10.55982/openpraxis.16.1.631
Hysaj, A., Dean, B. A., & Freeman, M. (2025). Exploring the purposes and uses of generative artificial intelligence tools in academic writing for multicultural students. Higher Education Research & Development, 1–15. https://doi.org/10.1080/07294360.2025.2488862
Is AI-generated content actually detectable? (2025). University of Maryland. https://cmns.umd.edu/news-events/news/ai-generated-content-actually-detectable
Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection. https://doi.org/10.2139/ssrn.5407424
Jacob, S., Tate, T., & Warschauer, M. (2024). Emergent AI-assisted discourse: A case study of a second language writer authoring with ChatGPT. Journal of China Computer-Assisted Language Learning. https://doi.org/10.1515/jccall-2024-0011
Jiang, Y., Hao, J., Fauss, M., & Li, C. (2024). Detecting ChatGPT-generated essays in a large-scale writing assessment: Is there a bias against non-native English speakers? Computers & Education, 217, 105070. https://doi.org/10.1016/j.compedu.2024.105070
Jianghao, L., Rong, S., Jiachen, Z., Xi, Y., Yong, Y., & Zhang, W. (2025). Stop DDoS attacking the research community with AI-generated survey papers. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.09686
Knott, A., Pedreschi, D., Jitsuzumi, T., Leavy, S., Eyers, D., Chakraborti, T., Trotman, A., Sundareswaran, S., Baeza‐Yates, R., Biecek, P., Weller, A., Teal, P. D., Basu, S., Haklıdır, M., Morini, V., Russell, S., & Bengio, Y. (2024). AI content detection in the emerging information ecosystem: New obligations for media and tech companies. Ethics and Information Technology, 26(4). https://doi.org/10.1007/s10676-024-09795-1
Kobak, D., González-Márquez, R., Horvát, E. Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27). https://doi.org/10.1126/sciadv.adt3813
Kong, S. C., Lee, J. C., & Tsang, O. (2024). A pedagogical design for self-regulated learning in academic writing using text-based generative artificial intelligence tools: 6-P pedagogy of plan, prompt, preview, produce, peer-review, portfolio-tracking. Research and Practice in Technology Enhanced Learning, 19, 30. https://doi.org/10.58459/rptel.2024.19030
Kwon, D. (2025). Is it OK for AI to write science papers? Nature survey shows researchers are split. Nature, 641(8063), 574–578. https://doi.org/10.1038/d41586-025-01463-8
Laflamme, A. S., & Bruneault, F. (2025). Redefining academic integrity in the age of generative artificial intelligence: The essential contribution of artificial intelligence ethics. Journal of Scholarly Publishing, 56(2), 481–509. https://doi.org/10.3138/jsp-2024-1125
Latona, G. R., Ribeiro, M. H., Davidson, T. R., Veselovsky, V., & West, R. (2024). The AI review lottery: Widespread AI-assisted peer reviews boost paper scores and acceptance rates. https://doi.org/10.48550/ARXIV.2405.02150
Lepp, H., & Sarin, P. (2024). A global AI community requires language-diverse publishing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2408.14772
Liang, W., Izzo, Z., Zhang, Y., Lepp, H., Cao, H., Zhao, X., Chen, L., Ye, H., Liu, S., Huang, Z., McFarland, D. A., & Zou, J. (2024). Monitoring AI-modified content at scale: A case study on the impact of ChatGPT on AI conference peer reviews. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2403.07183
Liang, W., Yüksekgönül, M., Mao, Y., Wu, E. Q., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., Cao, H., Liu, S., He, S., Huang, Z., Yang, D., Potts, C., Manning, C. D., & Zou, J. (2025a). Quantifying large language model usage in scientific papers. Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02273-8
Liang, X., Yang, J., Wang, Y., Tang, C., Zheng, Z., Niu, S., Song, S., Wang, H., Tang, B., Xiong, F., Mao, K., & Li, Z. (2025). SurveyX: Academic survey automation via large language models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.14776
Liao, Z., Antoniak, M., Cheong, I., Cheng, E. Y. Y., Lee, A. H., Lo, K., Chang, J. C., & Zhang, A. X. (2024). LLMs as research tools: A large scale survey of researchers' usage and perceptions. https://doi.org/10.48550/ARXIV.2411.05025
Liu, J. Q. J., Hui, K. T., Zoubi, F. A., Zhou, Z. Z. X., Samartzis, D., Yu, C. C. H., Chang, J. R., & Wong, A. Y. L. (2024). The great detectives: Humans versus AI detectors in catching large language model-generated medical writing. International Journal for Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00155-6
Lund, B., Orhan, Z., Mannuru, N. R., Bevara, R. V. K., Porter, B., Vinaih, M. K., & Bhaskara, P. (2025). Standards, frameworks, and legislation for artificial intelligence (AI) transparency. AI and Ethics, 5(4), 3639–3655. https://doi.org/10.1007/s43681-025-00661-4
Matsui, K. (2025). Delving into PubMed records: How AI-influenced vocabulary has transformed medical writing since ChatGPT. Perspectives on Medical Education, 14(1), 882–890. https://doi.org/10.5334/pme.1929
Miah, M. (2024). Unveiling the evolutionary impact of artificial intelligence on the workforce. Informatica Economica, 28, 39–58. https://doi.org/10.24818/issn14531305/28.1.2024.04
MLA-CCCC Joint Task Force on Writing and AI. (2023). Academic integrity and assignment design. https://aiandwriting.hcommons.org/2023/09/22/academic-integrity-and-assignment-design/
Mustaffa, N. E., Lai, K. H., Preece, C., & Wong, F. Y. (2025). A bibliometric review of large language model hallucination. International Journal of Research and Innovation in Social Science, 5025–5037. https://doi.org/10.47772/ijriss.2025.909000409
Ng, B., Liu, J., Tong, X., Ye, K., Yenne, G., Chandrasekaran, V., & Li, J. (2025). Analyzing security and privacy challenges in generative AI usage guidelines for higher education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.20463
Ovalle, A. (2023). Decoding the digital fuku: Deciphering colonial legacies to critically assess ChatGPT in Dominican education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2310.17533
Park, S. (2024). AI chatbots and linguistic injustice. Journal of Universal Language, 25(1), 99–119. https://doi.org/10.22425/jul.2024.25.1.99
Pastva, J., Jebbia, D., Reilly, M., & Werlinich, A. (2024). The implementation of Keenious at Carnegie Mellon University. Journal of eScience Librarianship, 13(1). https://doi.org/10.7191/jeslib.800
Pedersen, A. Y., Caviglia, F., Kay, J., & Luckin, R. (2018). Researcher or fellow citizen?: Looking for a role model in the humanities. Research Portal Denmark, 2, 945–948.
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The artificial intelligence assessment scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2024). The AI assessment scale revisited: A framework for educational assessment. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2412.09029
Perkins, M., Roe, J., Vu, B., Postma, D., Hickerson, D., McGaughran, J., & Khuat, H. Q. (2024). GenAI detection tools, adversarial techniques and implications for inclusivity in higher education. Cornell University. https://doi.org/10.48550/arxiv.2403.19148
Prakash, A., Aggarwal, S., Varghese, J. J., & Varghese, J. (2025). Writing without borders: AI and cross-cultural convergence in academic writing quality. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05484-6
Rueda, J., Ivanković, V., & Blunden, C. (2025). A cautiously optimistic view on large language model use against linguistic injustice in academia. Nature Machine Intelligence, 7(11), 1773–1774. https://doi.org/10.1038/s42256-025-01138-z
Rughiniș, C., Vulpe, S., Țurcanu, D., & Rughiniș, R. (2025). AI at the knowledge gates: Institutional policies and hybrid configurations in universities and publishers. Frontiers in Computer Science, 7. https://doi.org/10.3389/fcomp.2025.1608276
Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2303.11156
Sebastian, F., & Baron, R. (2024). Artificial intelligence: What the future holds for multilingual authors and editing professionals. Science Editor. https://doi.org/10.36591/se-d-4702-01
Shimray, S. R., & Subaveerapandiyan, A. (2025). Artificial intelligence in academic writing and research: Adoption and effectiveness. Open Information Science, 9(1). https://doi.org/10.1515/opis-2025-0026
Smith, J. I., & Tanner, K. D. (2010). The problem of revealing how students think: Concept inventories and beyond. CBE—Life Sciences Education, 9(1), 1–5. https://doi.org/10.1187/cbe.09-12-0094
Spennemann, D. (2025). The origins and veracity of references ‘cited’ by generative artificial intelligence applications: Implications for the quality of responses. Publications, 13, 12. https://doi.org/10.3390/publications13010012
Sun, Z., Zhu, X., Zhou, X., Tong, X., Wang, S., Fu, J., Li, G., Liu, Z., & Wu, F. (2025). SurveyBench: Can LLM(-agents) write academic surveys that align with reader needs? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.03120
Tadimalla, S. Y., & Maher, M. L. (2024). AI literacy for all: Adjustable interdisciplinary socio-technical curriculum. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.10552
Theobold, A. S. (2021). Oral exams: A more meaningful assessment of students’ understanding. Journal of Statistics and Data Science Education, 29(2), 156–159. https://doi.org/10.1080/26939169.2021.1914527
UNESCO. (2024). AI competency framework for teachers. https://doi.org/10.54675/zjte2084
University of Pittsburgh. (2025). Generative AI: Encouraging academic integrity. https://teaching.pitt.edu/resources/encouraging-academic-integrity/
Wakjira, T. G., Tijani, I. A., Alam, M. S., Mashal, M., & Hasan, K. (2025). Can we trust AI content detection tools for critical decision-making? Information, 16(10), 904. https://doi.org/10.3390/info16100904
Walters, W. H. (2023). The effectiveness of software designed to detect AI-generated writing: A comparison of 16 AI text detectors. Open Information Science, 7(1). https://doi.org/10.1515/opis-2022-0158
Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-41032-5
Wang, Y., Guo, Q., Yao, W., Zhang, H., Zhang, X., Wu, Z., Zhang, M., Dai, X., Zhang, M., Wen, Q., Ye, W., Zhang, S., & Zhang, Y. (2024). Autosurvey: Large language models can automatically write surveys. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.10252
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1). https://doi.org/10.1007/s40979-023-00146-z
Wu, C., Zhang, H., & Carroll, J. M. (2024). AI governance in higher education: Case studies of guidance at Big Ten universities. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.02017
Xu, Z. (2025). Patterns and purposes: A cross-journal analysis of AI tool usage in academic writing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.00632
Yip, R., Sun, Y. J., Bassuk, A. G., & Mahajan, V. B. (2025). Artificial intelligence’s contribution to biomedical literature search: Revolutionizing or complicating? PLOS Digital Health, 4. https://doi.org/10.1371/journal.pdig.0000849
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. https://doi.org/10.1186/s40561-024-00316-7
Zhang, X., Zhang, J., & Oubibi, M. (2025). Effects of Chinese college students’ academic integrity perceptions on the intention to disclose AI-generated outputs: A moderated mediation model. Journal of Academic Ethics, 23(4), 1709–1728. https://doi.org/10.1007/s10805-025-09622-2

Citar este artículo

Spezowka, Alex. Más allá de la detección: Un marco metodológico para la integración ética de la IA en la investigación académica. Investigación con Jenni, 2026. jenni.ai/es/whitepaper.

Confiado por Universidades y negocios alrededor del mundo

google logo
penn logo
cambridge university
aston university logo

Confiado por Universidades y negocios alrededor del mundo

google logo
penn logo
cambridge university
aston university logo

Confiado por Universidades y negocios alrededor del mundo

google logo
penn logo
cambridge university
aston university logo
INTEGRIDAD DESDE EL DISEÑO

Diseñado para ofrecer confianza, no solo rapidez

Cada trabajo creado con Jenni incorpora transparencia y verificabilidad integradas.

Escribe con total confianza

Verifica el texto directamente con las fuentes citadas para asegurarte de que tus afirmaciones reflejen con precisión la literatura.

Reclama tu confianza

El análisis de confianza de las afirmaciones abordó problemas de citas redundantes, débiles o faltantes, junto con casos de contradicciones en los argumentos de citas.

Desvirtuado

Contradicho

3

No compatible

4

Débilmente respaldado

2

Exagerado

No verificable

Detecta problemas a tiempo y evita múltiples rondas de comentarios

Verifica tus afirmaciones en comparación con investigaciones existentes, asegurándote de que tus argumentos sean defendibles.

El hogar de tu escritura académica

Olvídate de lidiar con integraciones de aplicaciones y redacta tu próximo trabajo en un solo lugar.

Privacidad de datos

Tus borradores se mantienen privados. Jenni no utiliza tus escritos para entrenar modelos, y nuestros proveedores de IA externos tienen prohibido contractualmente entrenar con los datos de los usuarios de Jenni.

Declaración sobre IA

Inserte una declaración de cumplimiento que se ajuste a los estándares de divulgación de marcos como los Principios de IA de la OCDE y la Ética de la IA de la UNESCO.

Diseñado para la colaboración

Escribe, edita y cita junto a tus coautores en un editor de documentos único y fácil de usar. Olvídate de los problemas de control de versiones gracias a una colaboración fluida y sin complicaciones.

Usé Jenni para elaborar resúmenes para mis solicitudes de doctorado, centrados en la digitalización, la optimización de la cadena de suministro y la resiliencia. La herramienta me ayudó a transformar mis ideas de investigación en propuestas concisas y convincentes que captaron la atención de muchos lectores.

Rebecca Nakalanda | Profesora, Makerere University Business School

¿Listo para escribir con total confianza?

Únete a miles de investigadores que confían en Jenni para realizar un trabajo transparente y verificable.

Comienza gratis

No se requiere tarjeta de crédito

Cancela en cualquier momento

Más de 6 millones

Académicos en todo el mundo

5.2 horas ahorradas

En promedio por documento

Más de 15 millones

Documentos escritos en Jenni

¿Listo para escribir con total confianza?

Únete a miles de investigadores que confían en Jenni para realizar un trabajo transparente y verificable.

Comienza gratis

No se requiere tarjeta de crédito

Cancela en cualquier momento

Más de 6 millones

Académicos en todo el mundo

5.2 horas ahorradas

En promedio por documento

Más de 15 millones

Documentos escritos en Jenni

¿Listo para escribir con total confianza?

Únete a miles de investigadores que confían en Jenni para realizar un trabajo transparente y verificable.

Comienza gratis

No se requiere tarjeta de crédito

Cancela en cualquier momento

Más de 6 millones

Académicos en todo el mundo

5.2 horas ahorradas

En promedio por documento

Más de 15 millones

Documentos escritos en Jenni