Modelo de detección de textos generados con inteligencia artificial y generación de propuestas de retroalimentación pedagógica

Mario Alberto Camarillo Cabrera

doi:10.5281/zenodo.23127130

Autores/as

Mario Alberto Camarillo Cabrera Tecnologico de Estudios Superiores del Oriente del Estado de México https://orcid.org/0000-0003-3904-5401

DOI:

https://doi.org/10.5281/zenodo.23127130

Palabras clave:

Inteligencia artificialeducación detección retroalimentación escritura académica, detección de textos, retroalimentación formativa, escritura académica, procesamiento del lenguaje natural

Resumen

La irrupción de la inteligencia artificial generativa plantea un desafío complejo en la educación superior, dificultando la distinción entre producciones auténticas y textos generados automáticamente. Las herramientas de detección actuales presentan fallas significativas al analizar textos en español y se basan en un enfoque sancionador que omite la formación del alumno. Este artículo propone el desarrollo de un modelo de detección automatizada de modelos de lenguaje extensos que integra la generación de propuestas de retroalimentación pedagógica. Mediante un enfoque integrador, se aplican técnicas de procesamiento del lenguaje natural y estilometría con estrategias de evaluación formativa fundamentadas en el socio-constructivismo. El objetivo es transformar la simple detección algorítmica en un recurso que guía al estudiante, permitiendo reducir las tasas de falsos positivos y fortalecer competencias de escritura y pensamiento crítico. Se concluye que abordar la dependencia tecnológica desde la enseñanza, y no solo desde la vigilancia, promueve la autoría auténtica y la integridad académica.

Biografía del autor/a

Mario Alberto Camarillo Cabrera, Tecnologico de Estudios Superiores del Oriente del Estado de México

Estudiante de la Mestría en Ingeniería en Sistemas Computacionales

Citas

Bender, E. M., Gebru, T., McMillan-Major, A., Shmitchell, S., (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623. DOI: 10.1145/3442188.3445922

Boud, D., Molloy, E., (2013). Rethinking models of feedback for learning: The challenge of design. Assessment & Evaluation in Higher Education 38(6), 698-712. DOI: 10.1080/02602938.2012.691462

Cotton, D. R. E., Cotton, P. A., Shipway, J. R., (2024). Chatting and cheating: Ensuring academic integrity in the era of ChatGPT. Innovations in Education and Teaching International 61(2), 228-239. DOI: 10.1080/14703297.2023.2190148

Elkhatat, A. M., Elsaid, K., Almeer, S., (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity 19, 17. DOI: 10.1007/s40979-023-00140-5

Gao, C. A., Howard, F. M., Markov, N. S., Dyer, E. C., Ramesh, S., Luo, Y., Pearson, A. T., (2023). Comparing scientific abstracts generated by ChatGPT to real abstracts with detectors and blinded human reviewers. npj Digital Medicine 6, 75. DOI: 10.1038/s41746-023-00819-6

Hattie, J., Timperley, H., (2007). The power of feedback. Review of Educational Research 77(1), 81-112. DOI: 10.3102/003465430298487

Hyland, K., Hyland, F., (2006). Feedback on second language students’ writing. Language Teaching 39(2), 83-101. DOI: 10.1017/S0261444806003399

Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., Kasneci, G., (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences 103, 102274. DOI: 10.1016/j.lindif.2023.102274

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., Zou, J., (2023). GPT detectors are biased against non-native English writers. Patterns 4(7), 100779. DOI: 10.1016/j.patter.2023.100779

Miao, F., Holmes, W., (2023). Guidance for generative AI in education and research. UNESCO.

Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., Finn, C., (2023). DetectGPT: Zero-shot machine-generated text detection using probability curvature. Proceedings of the 40th International Conference on Machine Learning, 24950-24962.

Nicol, D. J., Macfarlane-Dick, D., (2006). Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Studies in Higher Education 31(2), 199-218. DOI: 10.1080/03075070600572090

Perkins, M., (2023). Academic integrity considerations of AI large language models in the post-pandemic era: ChatGPT and beyond. Journal of University Teaching & Learning Practice 20(2). DOI: 10.53761/1.20.02.07

Shute, V. J., (2008). Focus on formative feedback. Review of Educational Research 78(1), 153-189. DOI: 10.3102/0034654307313795

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, 26. DOI: 10.1007/s40979-023-00146-z

Zimmerman, B. J., (2002). Becoming a self-regulated learner: An overview. Theory Into Practice 41(2), 64-70. DOI: 10.1207/S15430421TIP4102_2