Un nuevo estudio académico presenta un pipeline técnico que transforma los detectores de texto generado por IA en clasificadores interpretables y auditables. El problema central es que los detectores más precisos suelen ser clasificadores neuronales finamente ajustados, cuyas decisiones son opacas, mientras que las alternativas transparentes, basadas en características estilométricas o lingüísticas, rinden significativamente peor. La solución propuesta consiste en entrenar autoencodedores esparsos (SAEs) directamente sobre la corriente residual de un detector neural existente. Este proceso asigna etiquetas de auto-interpretación a cada característica del SAE y retiene únicamente aquellas que superan un umbral global de fidelidad en sus descripciones generadas. Posteriormente, se entrena un clasificador ligero sobre estas características extraídas. Los resultados indican que los SAEs recuperan conceptos latentes que corresponden a indicios lingüísticos específicos y predictivos del texto generado por IA. Los clasificadores construidos sobre estas características no solo son altamente interpretables, sino que muestran un rendimiento superior en textos fuera de distribución en comparación con las alternativas neuronales o estilométricas. Este enfoque permite que las decisiones de los detectores se basen en conceptos humanos legibles, facilitando la auditoría y la transparencia en entornos críticos como la revisión por pares, la educación, las admisiones, el periodismo y la moderación de contenido.
