Qué hacer cuando un estudiante impugna una decisión sobre mala conducta en IA y cómo pueden prepararse las instituciones

Cuando un estudiante impugna una detección de mala conducta por parte de la IA, la solidez de la respuesta de la institución depende por completo de las pruebas recopiladas antes de la acusación. Las puntuaciones del detector no son prueba suficiente; los registros del proceso sí lo son. Las instituciones que basan su flujo de trabajo para la gestión de la mala conducta en pruebas de escritura revisables, historial de revisiones y detección de contenido copiado y pegado, se encuentran en una posición mucho más ventajosa ante una disputa que aquellas que se basan en una puntuación de probabilidad de una herramienta de escaneo.

Esto ya está sucediendo y los casos no van a desaparecer.

Las disputas estudiantiles sobre decisiones de mala conducta en IA ya no son raras. Se están convirtiendo en una práctica habitual.

En 2025, un estudiante de Yale presentó una demanda tras ser suspendido por una detección de mala conducta de IA. La demanda alegaba discriminación, irregularidades procesales durante el proceso de apelación y falta de oportunidad para la defensa . Entre los problemas, la detección inicial se basó en una herramienta de detección de IA, y el estudiante —no hablante nativo de inglés— argumentó que la herramienta tenía un sesgo en su contra. Como informó Crowell & Moring , el caso planteó interrogantes sobre cómo las instituciones utilizan las herramientas de detección en contextos judiciales.

Este no es un caso aislado. En el Reino Unido, la Oficina del Defensor Independiente dio parcialmente la razón a una estudiante tras constatar que un comité de mala conducta académica no pudo demostrar qué pruebas específicas la llevaron a concluir que se había utilizado inteligencia artificial. Los propios procedimientos del proveedor exigían revisar los borradores y las versiones anteriores de los trabajos para ayudar a los estudiantes a demostrar su proceso. Este paso nunca se llevó a cabo.

Ambos casos ponen de manifiesto la misma deficiencia. Las instituciones emiten conclusiones que no pueden justificar adecuadamente cuando un estudiante las cuestiona .

¿Por qué las puntuaciones de los detectores fallan al ser examinadas?

El problema fundamental radica en la falta de pruebas. Una puntuación de probabilidad obtenida mediante una herramienta de análisis posterior a la entrega no demuestra que el estudiante haya utilizado inteligencia artificial. La mayoría de los principales proveedores lo reconocen abiertamente.

Un conocido estudio de Stanford reveló que los detectores de IA identificaron como generados por IA a más del 61 % de los ensayos escritos por hablantes no nativos de inglés, mientras que los ensayos de hablantes nativos fueron evaluados con una precisión casi perfecta. En aproximadamente el 20 % de los casos de hablantes no nativos, la evaluación errónea fue unánime entre varios detectores. Los investigadores concluyeron que estas herramientas son demasiado poco fiables para su uso en entornos de evaluación o educativos, especialmente cuando intervienen autores no nativos de inglés.

El sesgo existe porque los detectores miden la previsibilidad y la simplicidad del lenguaje. Los hablantes no nativos de inglés tienden a escribir de forma más sencilla en su segundo idioma. Lo mismo ocurre con la IA. La herramienta no puede distinguir la diferencia de forma fiable, y el estudiante paga las consecuencias.

Más allá de los sesgos, el análisis jurídico de Nesenoff & Miltenberg señala que las universidades deben basar sus conclusiones sobre mala conducta en pruebas creíbles y verificables, no en algoritmos opacos ni puntuaciones poco fiables. Las instituciones que consideran el resultado de un detector como prueba concluyente se exponen a apelaciones y, en algunos casos, a litigios.

Esto no significa que las herramientas de detección no tengan cabida. Significa que una alerta debe dar pie a una investigación, no a su cierre.

Cómo se desarrolla realmente una disputa para un miembro del profesorado o un responsable de integridad.

La mayoría de las disputas por mala conducta en el ámbito de la IA siguen un patrón predecible. Un estudiante recibe una resolución. La niega, a menudo con vehemencia. El profesor o el responsable de integridad se enfrenta entonces a la pregunta más incómoda de la disciplina académica: ¿cuáles son, concretamente, las pruebas?

Si la respuesta es “el sistema calificó el trabajo con un 78 % de IA”, la disputa ya parte de una base incierta. Un estudiante que afirma “yo mismo escribí esto” y puede señalar la falta de fiabilidad documentada de la herramienta tiene los primeros elementos para una impugnación creíble.

Los datos de HCR Law del Reino Unido muestran que las quejas formales de estudiantes en Inglaterra y Gales aumentaron un 15 % en 2024, el mayor incremento anual en una década. Los casos de mala conducta en IA representan una parte creciente de esta cifra. Si bien la mayoría de las apelaciones elevadas no se sostienen finalmente —los datos de Times Higher Education sugieren que el 78 % de las apelaciones académicas en 2024 no prosperaron— , el proceso para llegar a ese resultado es lento, costoso y agotador para todos los involucrados. Una institución que puede resolver una disputa rápidamente gracias a que cuenta con evidencia clara del proceso sufre mucho menos daño institucional que una que no puede.

Qué significa realmente “prepararse para las disputas”

La preparación no consiste en ganar discusiones a posteriori, sino en crear un flujo de trabajo para casos de mala conducta que genere registros defendibles desde el principio.

Hay tres cosas que toda institución debe tener preparadas antes de que una disputa llegue al escritorio de alguien.

Una política escrita que los estudiantes puedan leer antes de entregarla.

Un caso federal de 2024 en Massachusetts confirmó la decisión de una escuela de sancionar a un estudiante por el uso de IA, en parte porque el tribunal determinó que el estudiante había recibido instrucciones por escrito sobre el uso de IA al comienzo del año. Una política clara y accesible es la primera línea de protección institucional. Una política vaga o poco transparente es lo primero que un estudiante impugnará en una apelación.

Un proceso de investigación que va más allá de la puntuación del detector. El caso de la OIA mencionado anteriormente falló a favor del estudiante en parte porque la institución no revisó los borradores ni los materiales de trabajo previos. Su propia política establecía que sí lo haría. Esta falla de procedimiento tuvo más peso que las conclusiones sustantivas. Las instituciones necesitan una lista de verificación de investigación documentada: qué pasos se seguirán, en qué orden y quién decide cada etapa.

Evidencia basada en el proceso, no solo en los resultados. Este es el cambio estructural que transforma el debate. Cuando se registra la sesión de escritura de un estudiante (pulsaciones de teclas, patrones de revisión, pausas para pensar, eventos de copiar y pegar, interacciones con contenido de IA), la revisión de la mala conducta ya no se reduce a “tu palabra contra la herramienta”. Existe un registro. Ese registro puede ser revisado por el profesor, el responsable de integridad y, si es necesario, por un comité de apelaciones.

Sugerencia visual: Flujo de trabajo de revisión de mala conducta: antes y después de la documentación del proceso. Una tarjeta comparativa de dos columnas que muestra la revisión típica de mala conducta sin evidencia del proceso (bandera del detector > confrontación con el profesorado > negación del estudiante > disputa irresoluble) frente a la misma revisión con un registro del proceso (bandera del detector > registro del proceso revisado > patrón de comportamiento identificado o resuelto > decisión estructurada y defendible). Formato: tarjeta de escenario lado a lado. Valor: hace que la mejora del flujo de trabajo sea concreta para los responsables de integridad académica y los administradores que diseñan o revisan los procedimientos de mala conducta.

La cuestión del debido proceso que las instituciones no pueden ignorar

El debido proceso para los estudiantes en los procedimientos disciplinarios es una consideración legal real, no una formalidad burocrática. Cuando un estudiante es acusado, tiene un interés legítimo en saber qué pruebas se utilizaron en su contra y en poder responder a ellas.

Una puntuación de probabilidad obtenida mediante un algoritmo de caja negra no cumple bien con ese estándar. Un estudiante no puede cuestionar de forma significativa un número. Puede cuestionar un registro del proceso, y hacerlo suele conducir a una resolución más rápida, ya sea porque el registro respalda el hallazgo o porque su revisión revela que la alerta era incorrecta.

El estudio de la Universidad de Lindenwood (2025), que reformula la integridad académica, reveló que instituciones como la Universidad Estatal de Arizona, la Universidad Estatal de Montclair y Cornell utilizan cada vez más los resultados de los detectores como “puntos de partida para el diálogo” en lugar de como prueba concluyente. Este enfoque es crucial, ya que sitúa la alerta como el inicio de un diálogo estructurado, no como un veredicto. La evidencia del proceso es lo que otorga sustancia a dicho diálogo.

Desarrollar la preparación institucional a nivel de curso y departamental.

No todas las instituciones están preparadas para una revisión completa de sus procedimientos para casos de mala conducta. Es comprensible. Sin embargo, la preparación puede construirse gradualmente, a nivel de curso o departamento, sin esperar un mandato central.

Un miembro del profesorado puede documentar los pasos que sigue antes de llegar a una conclusión. Un responsable de integridad puede actualizar la lista de verificación de la investigación para exigir la revisión de borradores o materiales de trabajo anteriores. Un departamento puede probar una herramienta de documentación del proceso de escritura en uno o dos cursos y familiarizarse con ella a nivel institucional antes de su adopción generalizada. Cada una de estas medidas supone una mejora significativa en la capacidad de defensa.

El caso judicial de Massachusetts destacó específicamente que la minuciosa documentación que el profesor realizó de cada paso dado antes de llegar a una conclusión impresionó al tribunal. Dicha documentación formó parte de la defensa . Este es un modelo que cualquier institución puede seguir, independientemente de su tamaño.

De la acusación a la evidencia: un camino más defendible hacia adelante.

La pregunta que los responsables de la integridad académica y el profesorado se hacen cada vez con más frecuencia no es “¿utilizó el estudiante inteligencia artificial?”, sino “¿cómo lo sabemos y cómo demostramos que lo sabemos?”.

La puntuación de un detector no responde de forma fiable a ninguna de esas preguntas. Un registro del proceso de escritura responde a ambas. Muestra lo que ocurrió durante la sesión, no cómo es el texto final, sino cómo se construyó. Se trata de un tipo de evidencia completamente diferente, y su validez varía cuando un estudiante cuestiona un hallazgo.

Las instituciones que están desarrollando sus flujos de trabajo de validación de autoría están descubriendo que herramientas como DocuMark de Trinka brindan a los responsables de integridad algo que rara vez habían tenido antes: un registro estructurado y revisable del proceso de escritura que puede presentarse en cualquier etapa de una revisión o apelación por mala conducta. No elimina las disputas, pero proporciona a las instituciones la evidencia para resolverlas de manera justa.