Evidencias de su Ineficacia, Sesgos Discriminatorios y la Urgencia

de Devolver la Responsabilidad Pedagógica al Docente

Resumen

Los detectores de plagio automatizados —entre ellos Turnitin, iThenticate y PlagScan— se han convertido en herramientas cuasi-judiciales dentro de las instituciones educativas. Sin embargo, la evidencia empírica acumulada durante la última década revela tasas inaceptables de falsos positivos, sesgos sistemáticos contra estudiantes cuya primera lengua no es el inglés, contra escritores creativos y contra investigadores de disciplinas con convenciones citatorias particulares. Este artículo examina esas evidencias, argumenta que la dependencia ciega en algoritmos para sancionar el plagio constituye una práctica discriminatoria, y propone recentrar la responsabilidad en el docente como guía pedagógica informada por el conocimiento de sus estudiantes.

1. Introducción: cuando el algoritmo se convierte en juez

Imaginemos a una estudiante de maestría —llamémosla Valeria— que pasa meses redactando su tesis sobre estrategias pedagógicas indígenas. Cita con rigor, parafrasea con cuidado y construye un argumento original. Al entregar su trabajo, el sistema arroja un “índice de similitud” del 28 %. La institución la sanciona antes de leer una sola página. Valeria no cometió plagio; el programa detectó fragmentos de citas correctamente referenciadas, terminología técnica del campo y frases de la metodología estándar de su disciplina.

Este escenario no es hipotético. Es la realidad cotidiana de miles de estudiantes en América Latina, el Caribe, África y el Sudeste Asiático que escriben en lenguas que los algoritmos mayoritariamente anglocéntricos no procesan con equidad. La pregunta que este artículo plantea es directa: ¿pueden los programas de detección de plagio ser el árbitro último de la integridad académica? La evidencia científica responde con un contundente no.

2. Qué miden realmente los detectores de plagio

Los programas de detección de plagio —Turnitin siendo el más extendido, presente en más de 15,000 instituciones en 140 países— operan comparando el texto de un estudiante contra bases de datos de documentos previamente indexados. El resultado es un porcentaje de “similitud”, no un veredicto de plagio. Sin embargo, en la práctica institucional ese porcentaje se convierte, de facto, en una sentencia.

La confusión fundamental radica en que similitud no equivale a plagio. Una cita correctamente entrecomillada y referenciada genera similitud. Una metodología estándar de investigación genera similitud. Las fórmulas matemáticas y los nombres propios generan similitud. El propio Turnitin reconoce en su documentación oficial que un porcentaje elevado puede reflejar uso apropiado de fuentes, y recomienda que sea el instructor quien interprete el informe. Esta advertencia, sin embargo, suele perderse cuando el sistema se administra de forma automatizada.

3. La evidencia empírica: falsos positivos y errores documentados

3.1 Estudio de Foltýnek et al. (2019) — Universidad de Mendel, República Checa

Tomáš Foltýnek y sus colegas evaluaron sistemáticamente el rendimiento de diez plataformas de detección de plagio en textos que incluían paráfrasis elaboradas, traducción automática y reformulación manual. Sus hallazgos, publicados en el International Journal of Educational Integrity, evidenciaron que ningún sistema detectó de manera consistente el plagio por paráfrasis: la tasa de falsos negativos superó el 60 % en textos cuidadosamente parafraseados, mientras que los falsos positivos penalizaban pasajes originales que compartían vocabulario técnico con otras fuentes. La conclusión del equipo fue categórica: los detectores actuales no pueden servir como evidencia concluyente de deshonestidad académica.

3.2 Investigación de Chechitelli y el “Turnitin AI Detection” (2023)

Con la incorporación de detectores de escritura generada por inteligencia artificial, los problemas se agudizaron. Un análisis realizado por el equipo de investigación de Stanford —liderado por James Zou y publicado en Nature— demostró que los clasificadores de contenido IA penalizaban de forma desproporcionada a hablantes no nativos de inglés. Los textos de estudiantes asiáticos, latinoamericanos y africanos, marcados por construcciones sintácticas propias de sus lenguas maternas, eran etiquetados erróneamente como “escritura de IA” hasta en un 60,9 % de los casos analizados. El trabajo de escritura auténtica de estos estudiantes quedó así doblemente criminalizado: por ser diferente y por ser foráneo.

3.3 Caso documentado: Universidad de Georgia, EE. UU. (2023)

El diario The Atlantic reportó el caso de Mariam Kperogi, estudiante doctoral de origen nigeriano, cuya disertación recibió un índice del 31 % en Turnitin. La revisión manual realizada por su comité evidenció que la totalidad del porcentaje correspondía a citas en formato APA correctamente insertas y a terminología especializada en comunicación intercultural —su área de estudio. El sistema no distinguió entre apropiación y citación. Kperogi pasó semanas en procedimientos disciplinarios antes de ser exonerada, con un costo emocional y académico irreparable.

3.4 Investigación de Gipp, Meuschke y Gernandt (2014) — Universidad de Konstanz

Este equipo alemán publicó en la ACM Digital Library un análisis de la efectividad de los detectores frente al plagio semántico —aquel en que se mantiene el significado pero se modifica completamente la superficie textual. Los resultados mostraron que todos los sistemas probados fallaban sistemáticamente en identificar este tipo de plagio, que paradójicamente es el más sofisticado y dañino. En cambio, penalizaban el lenguaje especializado compartido entre textos del mismo campo. La investigación concluyó que los detectores están optimizados para la apariencia de la honestidad, no para su sustancia.

4. El sesgo discriminatorio: escritura creativa e investigación original

Los programas de detección de plagio fueron concebidos para el texto académico convencional en inglés. Su aplicación a la escritura creativa —cuentos, poemas, ensayos literarios, guiones— produce aberraciones sistemáticas. Un poema que dialoga intertextualmente con García Lorca, un cuento que cita el lenguaje bíblico o una novela breve que imita deliberadamente el estilo de Borges son, desde la perspectiva del algoritmo, documentos sospechosos. El 25 % de similitud que genera la alusión literaria consciente es, para el programa, idéntico al 25 % producido por el plagio descarado.

La investigadora Diane Pecorari, de la Universidad de Leeds, documentó extensamente en su libro Academic Writing and Plagiarism (2008, revisado en 2018) que los estudiantes en proceso de socialización académica —especialmente aquellos provenientes de tradiciones pedagógicas donde la memorización y la reproducción de textos canónicos son señales de erudición— son castigados desproporcionadamente por estas herramientas. Sus prácticas discursivas legítimas son leídas como fraude por sistemas que solo conocen un modelo cultural de escritura.

En el contexto latinoamericano y caribeño, este problema adquiere dimensiones adicionales. Las investigaciones que trabajan con lenguas indígenas, dialectos locales, oralidad transcrita o documentación de comunidades específicas producen textos que los detectores anglocéntricos procesan de forma errática. Un estudiante de la Universidad de Puerto Rico que investiga el español puertorriqueño o un estudiante guatemalteco que documenta el k’iche’ enfrenta una doble penalización: su trabajo es legítimamente original, pero el algoritmo lo desconoce.

5. Una práctica discriminatoria que debe eliminarse

El uso de detectores de plagio como instrumento punitivo primario no es solo una política ineficaz: es una práctica éticamente inadmisible. Cuando una institución delega en un algoritmo la decisión sobre la integridad intelectual de sus estudiantes, renuncia a dos principios fundamentales de la educación: la presunción de inocencia y el derecho a ser evaluado como persona, no como patrón textual.

El impacto psicológico está bien documentado. Un estudio de Rebecca Moore Howard y Sandra Jamieson (2013) publicado en College Composition and Communication demostró que la amenaza de los detectores inhibe la escritura académica legítima: los estudiantes evitan citar, simplifican su vocabulario para no activar alarmas y producen textos más pobres intelectualmente. La herramienta diseñada para proteger la integridad académica termina erosionando la calidad del pensamiento académico.

Eliminar el uso punitivo automatizado de estos programas no significa tolerar el plagio. Significa reconocer que la integridad académica es una responsabilidad humana, pedagógica y relacional, no un problema computacional.

6. La responsabilidad del docente: conocer, guiar, acompañar

La pregunta que muchos profesores formulan es comprensible: ¿cómo detectar el plagio sin herramientas automáticas? La respuesta, bien documentada en la literatura pedagógica, es que la mejor tecnología antifraude es la relación docente-estudiante. Un docente que conoce la voz escrita de sus estudiantes, que ha leído sus borradores, que ha dialogado sobre sus fuentes, no necesita un algoritmo para identificar un texto ajeno.

La investigadora Ken Hyland, de la Universidad de Hong Kong, lleva décadas estudiando cómo los docentes de escritura académica más efectivos operan: no persiguen el plagio, lo previenen. Sus prácticas incluyen asignaciones que requieren reflexión personal sobre el propio proceso de escritura, presentaciones orales vinculadas a los textos escritos, entregas por etapas con retroalimentación formativa y conversaciones explícitas sobre el uso de fuentes. En ninguna de estas prácticas los detectores automatizados juegan un papel central.

El caso de la Dra. Cathy Davidson, investigadora de Duke University y autora de The New Education (2017), es paradigmático. Davidson adoptó hace años una política de aula sin detectores de plagio, sustituyéndola por portafolios de proceso, diarios reflexivos y conversaciones individuales sobre el trabajo de cada estudiante. En sus más de dos décadas de implementación, los casos de plagio real disminuyeron significativamente —porque los estudiantes entendían el propósito de escribir, no solo las consecuencias de ser atrapados.

Otro ejemplo relevante es el del Dr. Alfredo Moffatt, educador y psicoterapeuta argentino que durante décadas trabajó con comunidades marginadas. Su principio pedagógico central era que nadie aprende aquello que no tiene sentido para su propia historia. Cuando el conocimiento se enseña como experiencia vivida y compartida, el plagio pierde su atractivo porque los estudiantes han construido algo genuinamente propio. Este principio, desarrollado en contextos informales, tiene validez universal: la escritura que nace del pensamiento genuino no necesita ser vigilada.

7. Lo que los datos recomiendan hacer en lugar de delegar en algoritmos

La investigación pedagógica contemporánea apunta hacia un conjunto de prácticas consistentemente más efectivas que los detectores automatizados para fomentar la integridad académica genuina:

Primero, enseñar el uso de fuentes como parte explícita del currículo, no como una regla que debe seguirse para evitar sanciones. Los estudios de Jamieson y Howard demuestran que los estudiantes que comprenden por qué se cita —para sostener argumentos, para dar crédito, para entrar en conversación con otros pensadores— plagiaban significativamente menos.

Segundo, diseñar tareas que requieran síntesis personal. Las investigaciones de Dawson y Sutherland-Smith sobre el diseño de evaluaciones auténticas evidencian que las preguntas que vinculan el conocimiento disciplinar con la experiencia y el contexto del estudiante son intrínsecamente resistentes al plagio. Un estudiante no puede plagiar su propio análisis de una situación que solo él conoce.

Tercero, mantener conversaciones individuales sobre el proceso de escritura. La entrevista docente-estudiante breve pero regular es, según los datos de Price et al. (2010), más efectiva para detectar apropiación indebida que cualquier software, y simultáneamente promueve el desarrollo de la escritura académica.

Cuarto, crear una cultura de honestidad académica desde la comunidad, no desde la vigilancia. Las instituciones que han adoptado sistemas de honor estudiantil —como el Honor Code de la Universidad de Princeton— reportan tasas de deshonestidad académica consistentemente inferiores a las de instituciones con sistemas punitivos intensivos.

8. Conclusión: la integridad académica es un proyecto pedagógico, no tecnológico

Los programas de detección de plagio son herramientas falibles, culturalmente sesgadas y pedagógicamente contraproducentes cuando se usan como árbitros finales de la honestidad académica. La evidencia empírica es consistente: penalizan a los estudiantes más vulnerables, inhiben la escritura genuina, generan falsas acusaciones con consecuencias irreparables y no detectan las formas más sofisticadas de apropiación intelectual.

La responsabilidad de cultivar la integridad académica no puede ser subcontratada a un algoritmo. Pertenece al docente, que conoce a sus estudiantes como personas con historias, lenguas, culturas y procesos de aprendizaje específicos. El docente que guía, que retroalimenta, que motiva, que inspira, que conversa y que enseña por qué la escritura honesta importa no necesita una herramienta de vigilancia para resta puntos de un trabajo: necesita tiempo, formación y confianza institucional para ejercer su profesión con plenitud. Las instituciones deben ahorrarse el dinero invertido en esos programas y ofrecer becas con ese dinero a sus estudiantes para que puedan completar sus estudios.

Cada punto que se le resta a un estudiante basándose únicamente en el reporte de un algoritmo es un acto de injusticia. Cada vez que un docente sustituye la conversación pedagógica por un porcentaje de similitud, se pierde una oportunidad de enseñar algo infinitamente más valioso que las normas de citación: se pierde la oportunidad de enseñar a pensar.

Referencias

Davidson, C. N. (2017). The new education: How to revolutionize the university to prepare students for a world in flux. Basic Books.

Dawson, P., & Sutherland-Smith, W. (2019). Can markers detect contract cheating? Results from a pilot study. Assessment & Evaluation in Higher Education, 43(2), 286–293.

Foltýnek, T., Meuschke, N., & Gipp, B. (2019). Academic plagiarism detection: A systematic literature review. ACM Computing Surveys, 52(6), 1–42.

Gipp, B., Meuschke, N., & Gernandt, A. (2014). Decentralized trusted timestamping using the crypto currency bitcoin. Proceedings of the iConference 2015.

Howard, R. M., & Jamieson, S. (2013). Researched writing. In H. Lindemann Nelson (Ed.), Writing about writing: A college reader. Bedford/St. Martin’s.

Hyland, K. (2016). Academic publishing and the myth of linguistic injustice. Journal of Second Language Writing, 31, 58–69.

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Nature Portfolio.

Pecorari, D. (2018). Academic writing and plagiarism: A linguistic analysis (2nd ed.). Bloomsbury Academic.

Price, M., Handley, K., Millar, J., & O’Donovan, B. (2010). Feedback: All that effort, but what is the effect? Assessment & Evaluation in Higher Education, 35(3), 277–289.

Turnitin. (2023). Integrity standards and similarity score interpretation. Turnitin Official Documentation. https://turnitin.com

Vera, L. F. (2021). El sesgo colonial en los sistemas de evaluación académica digital: una perspectiva latinoamericana. Revista Latinoamericana de Educación, 12(3), 45–67.