Caso de estudio · IA centrada en las personas
Detección humana de video generado por IA
En pocos años, el video generativo ha pasado de inquietante a convincente. Este estudio controlado mide con qué precisión lo detectan espectadores sin entrenamiento y en qué condiciones falla la detección.
en 3,132 juicios de real o IA de 87 participantes, frente a un nivel de azar del 50%.
Resumen
Diseñador e investigador, primer autor
Con el Prof. R. M. Karim (NUST) y el Prof. KwanMyung Kim (UNIST)
IASDR 2025, sección de pictorials, Taipéi
87 adultos de 18 a 70 años, ninguno con experiencia profesional en IA, gráficos o video
Estudio en línea intrasujetos, elección forzada binaria, orden aleatorio
Regresión logística con corrección de Holm–Bonferroni
La investigación sobre medios sintéticos se ha centrado en los deepfakes de rostro y voz. Sin embargo, diseñadores y artistas de medios usan hoy el video con IA de tres maneras distintas: generar clips a partir de texto, animar imágenes fijas y extender grabaciones reales más allá de su encuadre. Estas técnicas no se habían comparado lado a lado.
¿Con qué precisión pueden los espectadores sin entrenamiento detectar cada técnica de generación?
¿Cómo modera el tema del contenido la detección en las distintas técnicas?
Un conjunto equilibrado de 36 clips como estímulos
La mitad reales y la mitad generados por IA, repartidos por igual entre tres temas. Las pruebas piloto mostraron que la IA representa algunos sujetos, como los objetos estáticos, mucho mejor que las personas o el movimiento; variar los temas mantuvo la comparación equilibrada.
Diseño de los estímulos
Clips por tema y fuente
Generación de estímulos
Un único pipeline, para que solo variara la técnica
Todos los clips de IA se produjeron en ComfyUI, cuyos grafos de nodos permitieron replicar los pasos de difusión, la guía y los pesos de los prompts entre métodos. Cinco diseñadores generaron candidatos para cada condición, y se eligió uno por su fidelidad visual, coherencia temporal y relevancia temática.
Los clips reales se tomaron de grabaciones de stock y de archivo disponibles públicamente, ajustadas a los mismos temas. Los 36 clips se recortaron a 8–12 segundos, se normalizaron a 1080p y se presentaron sin sonido.
Procedimiento
Elección forzada binaria en 36 ensayos
Cada clip se muestra por separado, en orden aleatorio, y puede reproducirse sin límite.
“¿Crees que este video es real o generado por IA?” Opciones de respuesta: real o IA.
Una breve pausa tras 18 clips para limitar la fatiga.
No se informó a los participantes de la proporción de clips de IA y se les indicó que juzgaran cada clip solo por su contenido visual.
La precisión de detección dependió de la técnica y del tema
Precisión por fuente
Proporción de clips clasificados correctamente. En las grabaciones reales, correcto significa “real.”
La precisión con texto a video cayó por debajo del azar, y la del outpainting quedó al nivel del azar. Imagen a video conservó señales de movimiento que los espectadores podían detectar.
Las grabaciones reales de naturaleza a menudo se juzgaron sintéticas. Los clips reales de medio ambiente se clasificaron correctamente solo alrededor del 48% de las veces; los paisajes naturales impecables a menudo parecían generados por IA.
El tema moderó con fuerza la detección del outpainting. El outpainting se detectó en el 61% de los ensayos de medio ambiente, pero solo en el 32% de los ensayos históricos.
Las señales de imagen a video se mantuvieron en todos los temas. Los clips de imagen a video se identificaron de forma constante en los temas de cine, historia y medio ambiente.
| Término, comparado con grabaciones reales de cine | Razón de probabilidades | p |
|---|---|---|
| Imagen a video | 1.13 | n.s. |
| Texto a video | 0.50 | .001 |
| Outpainting | 0.45 | .001 |
| Tema medio ambiente | 0.37 | < .001 |
| Imagen a video × Medio ambiente | 8.22 | < .001 |
| Outpainting × Medio ambiente | 6.89 | < .001 |
| Texto a video × Historia | 0.44 | .003 |
| Outpainting × Historia | 0.41 | < .001 |
| La técnica, el tema y su interacción fueron significativos (p < .001). Valores p ajustados con Holm–Bonferroni. 87 participantes × 36 clips = 3,132 observaciones. | ||
Implicaciones para la alfabetización mediática y la práctica creativa
Ser consciente de la IA socava la confianza en las grabaciones reales
Los clips reales se clasificaron correctamente solo el 64% de las veces. Cuando los espectadores esperan contenido de IA, las grabaciones auténticas también empiezan a parecer sintéticas.
El realismo percibido depende del contenido, no solo del modelo
El realismo percibido no es una propiedad fija de un modelo; depende de lo que muestra un clip. Los creadores pueden usarlo de forma deliberada para ajustar lo real que parece una pieza.
La formación en detección debe abordar el contexto además de los artefactos
Los programas de alfabetización mediática y las herramientas de detección deberían cubrir las señales de contexto además de los artefactos propios de cada modelo; la intuición por sí sola no basta.
Limitaciones y próximos pasos. Los clips cortos y sin sonido vistos en línea limitan la validez ecológica. El trabajo futuro debería incluir técnicas como inpainting, ControlNet y video con información de profundidad, recoger valoraciones de confianza, ampliar la muestra demográfica y comprobar si el entrenamiento mejora la detección con el tiempo.
