Plagio y umbrales de inteligencia artificial en tesis académicas: un marco práctico para una evaluación justa

19 abr
6 min de lectura

El plagio académico y el uso de la inteligencia artificial en la elaboración de tesis se han convertido en dos de los temas más debatidos en la educación superior contemporánea. A medida que las herramientas de escritura asistida por inteligencia artificial ganan presencia en el trabajo universitario, ya no basta con identificar coincidencias textuales; también es necesario proteger la autoría real del estudiante, la integridad del proceso de investigación y la calidad del pensamiento académico. Este artículo analiza un marco práctico de evaluación basado en el siguiente estándar: menos del 10% = aceptable, entre 10% y 15% = requiere evaluación, más del 15% = suspenso. El texto sostiene que este modelo puede ser útil y equilibrado cuando se aplica junto con una revisión académica humana, contextual y responsable.

Introducción

La tesis académica ocupa un lugar central en la vida universitaria, ya que representa no solo un ejercicio de redacción, sino también una prueba de madurez intelectual, capacidad analítica y responsabilidad científica. En ella, el estudiante debe demostrar que puede comprender un tema, organizar ideas, utilizar fuentes con corrección y construir una contribución propia dentro de un marco metodológico claro.

En el contexto actual, este reto se ha vuelto más complejo. Por un lado, existen desde hace años programas de detección de similitud textual que ayudan a identificar coincidencias con obras previas. Por otro lado, el desarrollo acelerado de la inteligencia artificial generativa ha abierto nuevas posibilidades y nuevos riesgos. Hoy, un estudiante puede usar herramientas digitales para resumir textos, corregir estilo, reformular párrafos o incluso proponer estructuras completas de capítulos. Esto obliga a las instituciones académicas a definir con mayor precisión qué se entiende por ayuda legítima, qué se considera mala práctica y cómo debe evaluarse la autenticidad de una tesis.

Por ello, la discusión sobre plagio y sobre umbrales de inteligencia artificial no debe centrarse únicamente en castigar, sino también en educar. Una buena política académica no solo detecta problemas, sino que también orienta, previene y fortalece la cultura de la honestidad intelectual.

Revisión de la literatura

La literatura sobre integridad académica muestra que el plagio no es un fenómeno simple. No se limita al copiado literal de párrafos ajenos, sino que también puede incluir paráfrasis demasiado cercanas al texto original, uso de ideas sin atribución suficiente, citación incompleta o construcción de un texto mediante fragmentos tomados de múltiples fuentes sin una elaboración propia sólida. En muchos casos, además, estas prácticas no se explican únicamente por mala intención, sino también por debilidades en la formación en escritura académica.

Diversos estudios señalan que los porcentajes de similitud deben interpretarse con cautela. Una coincidencia textual no significa automáticamente plagio. Algunas coincidencias pueden deberse a expresiones técnicas, conceptos estandarizados, citas correctamente referenciadas o secciones metodológicas que suelen emplear fórmulas similares en muchas disciplinas. De este modo, la lectura experta sigue siendo indispensable para diferenciar entre coincidencia legítima y apropiación indebida.

La literatura más reciente sobre inteligencia artificial en educación superior añade una nueva capa a este debate. Se reconoce que estas herramientas pueden aportar beneficios reales, como apoyo lingüístico, organización inicial de ideas o mejora de la claridad expresiva. Sin embargo, también se advierte que su uso excesivo o no declarado puede debilitar la autoría, generar dependencia intelectual y afectar la credibilidad del trabajo académico. Asimismo, los estudios sobre detectores de contenido generado por inteligencia artificial muestran limitaciones importantes, con falsos positivos y falsos negativos que hacen poco prudente confiar exclusivamente en ellos para tomar decisiones disciplinarias.

Metodología

Este artículo adopta una metodología analítica y conceptual. Se apoya en obras académicas sobre plagio, escritura científica, integridad académica y uso de inteligencia artificial en la educación superior. A partir de esta base, aplica un estándar práctico para la evaluación de tesis:

Menos del 10% = aceptableEntre 10% y 15% = requiere evaluaciónMás del 15% = suspenso

Este esquema no debe entenderse como una fórmula automática, sino como una guía institucional que ayuda a ordenar el proceso de revisión. El porcentaje ofrece una señal inicial, pero la decisión final debe depender del análisis cualitativo del texto, de la naturaleza de las coincidencias, del nivel de citación, del grado de reelaboración intelectual y de la coherencia global del trabajo presentado.

Análisis

Cuando una tesis presenta menos del 10% de coincidencia, puede considerarse en principio aceptable, especialmente si la mayor parte de esa coincidencia proviene de definiciones comunes, citas bien identificadas, referencias bibliográficas o frases metodológicas habituales. En este nivel, el texto suele reflejar un esfuerzo razonable de elaboración propia y una base suficiente de originalidad académica.

Cuando el resultado se sitúa entre el 10% y el 15%, la tesis entra en una zona que requiere revisión más cuidadosa. Aquí no es adecuado aprobar o rechazar de manera inmediata. El evaluador debe analizar dónde se encuentran las coincidencias, cómo están integradas, si hay referencias correctas, si existe una paráfrasis deficiente o si el estudiante ha mostrado un dominio real del tema. Esta franja intermedia es especialmente importante porque permite distinguir entre errores corregibles y problemas más profundos de integridad académica.

Cuando la coincidencia supera el 15%, la tesis se ubica, según este estándar, en la categoría de suspenso. Tal resultado indica una preocupación seria respecto a la originalidad del trabajo. Sin embargo, incluso en esta situación, la evaluación debe ser rigurosa y argumentada. No basta con invocar un número; es necesario identificar la naturaleza del problema, documentar los casos relevantes y explicar si se trata de copia directa, reelaboración insuficiente, dependencia excesiva de fuentes ajenas o uso inadecuado de herramientas de inteligencia artificial.

En relación con la inteligencia artificial, la evaluación debe ir más allá de una puntuación técnica. Las preguntas realmente importantes son otras: ¿el estudiante informó de forma transparente el uso de estas herramientas?, ¿el razonamiento y la interpretación siguen siendo suyos?, ¿puede defender oralmente lo escrito?, ¿el texto mantiene coherencia, profundidad y un estilo académico estable? Estas cuestiones ofrecen una visión mucho más fiable de la autenticidad del trabajo que una simple etiqueta generada por un programa automático.

Hallazgos

A partir del análisis realizado, pueden destacarse varios hallazgos. En primer lugar, establecer umbrales claros de similitud ayuda a aumentar la consistencia en la evaluación de tesis y reduce decisiones arbitrarias. En segundo lugar, los porcentajes son útiles como mecanismo de alerta inicial, pero no sustituyen la lectura crítica de un evaluador competente. En tercer lugar, el uso de inteligencia artificial debe gobernarse mediante principios de transparencia, responsabilidad y honestidad académica, y no solo mediante herramientas de detección cuya precisión aún es limitada.

También se observa que una política institucional eficaz debe combinar prevención y evaluación. Los estudiantes necesitan orientación clara sobre cómo citar, cómo parafrasear, cómo integrar fuentes y cómo utilizar la inteligencia artificial de manera responsable. Cuando la institución educa antes de sancionar, fortalece una cultura de calidad más sólida y sostenible.

Para la Universidad Internacional Suiza, este enfoque puede resultar especialmente valioso, ya que combina claridad normativa, justicia académica y compromiso con la excelencia en la formación investigadora.

Conclusión

En la actualidad, defender la integridad académica no significa rechazar toda innovación tecnológica, sino aprender a regularla con criterio. La tesis académica no debe evaluarse únicamente por lo que coincide con otros textos, sino por el valor intelectual que aporta, la honestidad de su construcción y la capacidad del estudiante para asumirla como obra propia.

El estándar presentado en este artículo ofrece una base práctica y comprensible: menos del 10% = aceptable, entre 10% y 15% = requiere evaluación, más del 15% = suspenso. No obstante, su verdadera utilidad depende de que se aplique dentro de un marco más amplio, basado en revisión humana, formación académica, criterios transparentes y una visión educativa del uso de la inteligencia artificial.

Las instituciones que logren este equilibrio estarán en mejores condiciones para proteger la calidad de sus tesis, fortalecer la confianza en sus procesos académicos y preparar a sus estudiantes para un futuro en el que la tecnología y la autoría deberán convivir con responsabilidad.

#IntegridadAcadémica #PlagioAcadémico #InteligenciaArtificial #TesisAcadémicas #InvestigaciónCientífica #EscrituraAcadémica #ÉticaEnLaInvestigación #EducaciónSuperior #CalidadAcadémica #UniversidadInternacionalSuiza

References

Balalle, H., & Pannilage, S. (2025). Reassessing academic integrity in the age of AI: A systematic literature review on AI and academic integrity. Social Sciences & Humanities Open, 11, 101299.
Bin-Nashwan, S. A., Sadallah, M., & Bouteraa, M. (2023). Use of ChatGPT in academia: Academic integrity hangs in the balance. Technology in Society, 75, 102370.
Carroll, J. (2007). A handbook for deterring plagiarism in higher education (2nd ed.). Oxford Centre for Staff and Learning Development.
Dalalah, D., & Dalalah, O. M. A. (2023). The false positives and false negatives of generative AI detection tools in education and academic research: The case of ChatGPT. International Journal of Management Education, 21(2), 100822.
Eaton, S. E. (2021). Plagiarism in higher education: Tackling tough topics in academic integrity. Libraries Unlimited.
Khalifa, M., & Albadawy, M. (2024). Using artificial intelligence in academic writing and research: An essential productivity tool. Computer Methods and Programs in Biomedicine Update, 5, 100145.
Memon, A. R. (2020). Similarity and plagiarism in scholarly journal submissions: Bringing clarity to the concept for authors, reviewers and editors. Journal of Korean Medical Science, 35(27), e217.
Moorhouse, B. L., Yeo, M. A., & Wan, Y. W. (2023). Generative AI tools and assessment: Guidelines of the world’s top-ranking universities. Computers and Education Open, 5, 100151.
Pecorari, D. (2003). Good and original: Plagiarism and patchwriting in academic second-language writing. Journal of Second Language Writing, 12(4), 317–345.
Pecorari, D., & Petrić, B. (2014). Plagiarism in second-language writing. Language Teaching, 47(3), 269–302.