¿Cómo detecta Canvas la IA? La verdadera mecánica detrás de la puntuación

¿Cómo detecta Canvas la IA en una presentación, paso a paso?

¿Cómo detecta Canvas la IA en una presentación? El proceso comienza en el momento en que un estudiante hace clic en enviar, no cuando un instructor abre la tarea. Si la tarea se creó con una integración LTI vinculada a Turnitin o similar, Canvas envía la presentación a la herramienta conectada a través de LTI 1.3, la versión actual del estándar Learning Tools Interoperability que permite que las aplicaciones externas funcionen dentro de un LMS como si fueran funciones nativas. Esa entrega lleva el contenido de texto de la presentación, el ID de la tarea y suficientes metadatos para enrutar el resultado al estudiante y la columna de calificación correctos — pero nada sobre cómo escribió el estudiante. La herramienta externa extrae texto legible de cualquier formato de archivo que se haya enviado, pone en cola el texto extraído para su análisis y lo ejecuta a través de un modelo de clasificación entrenado. Una vez que se completa la puntuación, la herramienta devuelve el resultado a Canvas a través de la misma conexión LTI usando una llamada de servicio de resultado, y la puntuación aparece en la vista SpeedGrader del instructor junto al informe de similitud de plagio, típicamente dentro de minutos para presentaciones cortas y hasta una hora durante períodos de alto tráfico como la semana de exámenes finales. Canvas no almacena una copia de la lógica de análisis, no realiza ninguna parte de la puntuación en sí y no tiene visibilidad sobre cómo el modelo externo llegó a su conclusión — es un mensajero del texto que sale y una puntuación que regresa.

1. Un estudiante envía un archivo o texto pegado a través de la página de tarea de Canvas
2. Canvas inicia una conexión LTI 1.3 a la herramienta de detección vinculada (comúnmente Turnitin)
3. La herramienta externa extrae texto legible del archivo enviado
4. El texto extraído se pone en cola y se ejecuta a través del modelo de clasificación de la herramienta
5. La puntuación resultante se devuelve a Canvas mediante una llamada de servicio de resultado LTI
6. La puntuación aparece en SpeedGrader junto al informe de similitud de plagio

Qué sucede realmente durante el escaneo: tokenización, puntuación y agregación de texto

El paso de escaneo en sí no es una búsqueda de palabras clave o una coincidencia de estilo plagio contra una base de datos — no hay texto fijo para comparar porque la escritura podría ser completamente original. En cambio, el modelo de clasificación divide el texto extraído en segmentos superpuestos, a menudo unos pocos cientos de palabras cada uno, y evalúa cada segmento para detectar patrones estadísticos asociados con la salida del modelo de lenguaje. Dos propiedades impulsan la mayoría de estos clasificadores: perplejidad, que mide qué tan predecible es cada elección de palabra dada las palabras anteriores, y ráfaga, que mide cuánto varía la longitud y la estructura de las oraciones en todo un pasaje. Los modelos de lenguaje grande tienden a generar texto con menor perplejidad porque se entrenan para seleccionar palabras de alta probabilidad, y con menor ráfaga porque su ritmo de oración permanece relativamente uniforme. El modelo asigna a cada segmento una puntuación de probabilidad, luego agrega esas puntuaciones de nivel de segmento en el único porcentaje que aparece en el informe, junto con resaltado a nivel de oración que marca los pasajes específicos que impulsan el número general. Este es un clasificador entrenado haciendo un juicio probabilístico, no una búsqueda — que es exactamente por qué los mismos mecanismos subyacentes que atrapan texto generado por IA también atrapan escritura humana que sucede compartir esas propiedades estadísticas, como prosa académica formal o borradores fuertemente editados.

"El modelo no está comparando su oración con una base de datos de salida de ChatGPT — está preguntando qué tan estadísticamente insólita es su elección de palabras en comparación con la variación humana típica." — Investigador de NLP describiendo detección de IA basada en clasificadores, 2025

¿Qué tipos de presentación de Canvas puede analizar realmente la canalización?

Si la canalización de detección puede analizar una presentación de Canvas en absoluto depende completamente de si la herramienta puede extraer texto utilizable de ella. Esta es la respuesta práctica a cómo detecta Canvas la IA a nivel de tipo de archivo — depende de lo que el clasificador pueda leer, no de lo que un estudiante realmente escribió. Las entradas de texto escrito, el texto pegado y las cargas de documentos estándar — archivos de Word, archivos de texto y PDF con una capa de texto genuina — se extraen limpiamente y se mueven a través de la canalización sin problemas. Los PDF escaneados y las páginas escritas a mano fotografiadas son una historia diferente: si el archivo es esencialmente una imagen sin capa de texto incrustada, la herramienta de detección no tiene nada para tokenizar, y la presentación pasa sin ningún análisis de IA a menos que la institución también ejecute reconocimiento óptico de caracteres primero, que la mayoría de las integraciones estándar de Canvas-Turnitin no hacen automáticamente. Los cuestionarios de Canvas construidos a partir de preguntas de opción múltiple, verdadero/falso o coincidencia no producen prosa analizable en absoluto — no hay texto a nivel de oración para que un clasificador evalúe, que es por qué estos tipos de preguntas quedan completamente fuera de la detección de texto de IA sin importar qué herramienta haya conectado una escuela. Las preguntas de respuesta corta y estilo ensayo pueden analizarse si la institución ha configurado esa integración, aunque esto es menos común que la detección a nivel de tarea. Las presentaciones de código se ejecutan a través de la mayoría de las canalizaciones de detección de manera poco confiable, ya que los clasificadores se entrenan en patrones de lenguaje natural y el código sigue reglas estadísticas completamente diferentes. Las presentaciones en grupo se califican como un único documento, lo que significa que la canalización no tiene forma de atribuir qué porciones provienen de qué colaborador.

1. Entradas de texto escrito o pegado — analizadas de manera confiable
2. Documentos de Word y PDF basados en texto — analizados de manera confiable
3. Páginas escaneadas o fotografiadas sin capa de texto — generalmente omitidas
4. Preguntas de cuestionario de opción múltiple, verdadero/falso y coincidencia — no analizables
5. Respuestas de cuestionario de respuesta corta o estilo ensayo — analizadas solo si se configura por separado
6. Presentaciones de código — pasadas a través de la canalización pero clasificadas de manera poco confiable
7. Presentaciones en grupo — puntuadas como un documento sin atribución por autor

¿Cómo detecta Canvas la IA de manera confiable — y dónde falla?

Incluso cuando una presentación es completamente basada en texto y se mueve limpiamente a través de la canalización, varios límites estructurales dan forma a cuánto la puntuación resultante puede realmente decirle a un instructor. La mayoría de las herramientas de detección requieren un número mínimo de palabras — comúnmente alrededor de 300 palabras — antes de generar una puntuación en absoluto, porque los pasajes más cortos no proporcionan suficiente muestra estadística para que el modelo llegue a una estimación de probabilidad estable; las presentaciones por debajo de ese umbral típicamente devuelven un aviso de 'texto insuficiente' en lugar de un porcentaje. La confiabilidad también disminuye para presentaciones en idiomas no ingleses, ya que la mayoría de los clasificadores se entrenaron principalmente en pares de texto en idioma inglés, y para contenido que mezcla varios idiomas dentro de un único documento. Canvas en sí no rastrea de forma nativa el historial a nivel de pulsación de tecla ni datos de revisión con marca de tiempo para la mayoría de los tipos de tareas, por lo que la herramienta de detección no tiene una línea de tiempo de borrador para comparar con la presentación final — solo ve el texto terminado, sin forma de verificar si ese texto se escribió durante tres horas o se pegó en un movimiento, a menos que una extensión de proctoreo separada se coloque encima. Los clasificadores también son específicos de la versión: un modelo entrenado para reconocer patrones de una generación de herramientas de escritura de IA puede rezagarse con respecto a modelos más nuevos que producen salida más naturalmente variada, que es parte de por qué la precisión de detección cambia con el tiempo a medida que tanto las herramientas de escritura de IA como los clasificadores de detección continúan actualizándose. Ninguno de estos límites significa que la puntuación sea sin sentido, pero sí significa que es una estimación de probabilidad construida sobre información incompleta, no un registro verificado de cómo se escribió un documento.

¿Por qué la misma canalización produce puntuaciones diferentes para texto similar?

Los estudiantes a veces notan que dos pasajes que se leen tan formales o tipo IA para el ojo producen puntuaciones muy diferentes, y la mecánica explica por qué. El clasificador puntúa patrones estadísticos a nivel de segmento, por lo que un documento con un par de párrafos influenciados por IA mezclados en secciones escritas por humanos puede producir una puntuación mezclada moderada en lugar de una uniformemente alta — el paso de agregación promedia entre segmentos, lo que significa que editar pesadamente solo las porciones marcadas puede cambiar el número general sustancialmente incluso si la mayoría del documento permanece sin cambios. Esta es parte de por qué la pregunta de cómo detecta Canvas la IA no tiene una única respuesta fija — la misma canalización puede devolver números diferentes para texto similar dependiendo del tiempo, la configuración y qué porciones resulten caer en un segmento marcado. Las herramientas de parafraseo complican esto aún más: la paráfrasis ligera que solo intercambia sinónimos tiende a preservar la firma de baja perplejidad y baja ráfaga que desencadenó el marcado original, mientras que la paráfrasis que reestructura el orden de las oraciones y varía la longitud de manera más significativa puede reducir la puntuación sin cambiar necesariamente el significado subyacente. La configuración institucional agrega otra capa de variación — algunas escuelas configuran su integración para mostrar un porcentaje sin procesar, mientras que otras aplican un umbral que solo muestra un marcado por encima de un cierto punto de corte, por lo que la misma puntuación subyacente puede verse diferente dependiendo de cómo esté configurada la instancia de Canvas de un instructor. Y debido a que los clasificadores mismos se reentrena y se recalibran periódicamente, el mismo texto exacto enviado meses después a través de la canalización de la misma institución puede devolver una puntuación mediblemente diferente, simplemente porque el modelo que hace la puntuación ha cambiado.

¿Qué sucede con la puntuación después de que se completa el escaneo?

Una vez que la puntuación llega a SpeedGrader, el trabajo de la canalización está hecho — todo después de eso es una decisión humana, no una mecánica. Canvas no marca automáticamente, no falla automáticamente ni informa automáticamente nada basado en el número; simplemente muestra lo que devolvió la herramienta conectada, de la misma manera que muestra un porcentaje de similitud de plagio. Algunas instituciones han establecido políticas de umbral donde las puntuaciones por encima de un punto de corte definido desencadenan una notificación automática a una oficina de integridad académica, pero esa política vive a nivel institucional o de departamento, configurada por separado de la herramienta de detección en sí. En ausencia de una política de umbral, la interpretación queda completamente al instructor, quien generalmente sopesa la puntuación junto con otro contexto: muestras de escritura anteriores del estudiante, la naturaleza de la tarea y si los pasajes marcados coinciden con patrones que el instructor ya asocia con la voz de ese estudiante. Debido a que la mecánica subyacente produce una probabilidad en lugar de un veredicto, la mayoría de la orientación institucional — incluidos los marcos publicados por oficinas de integridad académica desde 2024 — trata la puntuación como punto de partida para una conversación con el estudiante en lugar de evidencia independiente de mala conducta.

¿Cómo puede verificar su escritura contra la misma mecánica que Canvas utiliza?

Dado que la canalización de detección califica patrones estadísticos en lugar de buscar un 'indicador' específico, lo más útil que puede hacer un estudiante antes de enviar es ver cómo su propio borrador se desempeña contra un tipo similar de análisis. Ejecutar un borrador a través de una herramienta de detección que puntúa perplejidad y ráfaga a nivel de oración muestra qué pasajes específicos se leen como estadísticamente uniformes — los mismos pasajes que una herramienta integrada en Canvas probablemente marcaría — mientras aún hay tiempo para revisar antes de la fecha límite. El detector de texto de NotGPT aplica este tipo de análisis a nivel de oración y destaca exactamente qué porciones impulsan la puntuación de probabilidad general, que es más útil que un único porcentaje mezclado porque muestra dónde enfocar. Si un pasaje marcado realmente refleja su propio estilo de escritura formal en lugar de asistencia de IA, la función Humanizar puede ajustar el ritmo de las oraciones y la redacción en intensidad Light, Medium o Strong para reducir la uniformidad estadística que desencadena marcas falsas, sin cambiar la sustancia de lo que dice. El objetivo no es manipular una puntuación — es entender, antes de que lo haga un instructor, qué partes de una presentación comparten la huella digital estadística que estos clasificadores están diseñados para detectar.

1. Termine su borrador con tiempo suficiente para revisarlo antes de la fecha límite de Canvas
2. Ejecute el texto completo a través de una herramienta de detección de IA a nivel de oración
3. Anote qué pasajes específicos tienen la puntuación más alta en lugar de solo el porcentaje general
4. Verifique si los pasajes marcados están fuertemente editados, altamente formales o inusualmente uniformes en longitud de oración
5. Revise los pasajes marcados para obtener variación natural, o use una herramienta de humanización si el estilo marcado es genuinamente el suyo
6. Vuelva a verificar el borrador revisado antes de enviar a través de Canvas