Test cuestionario: ¿IA o real?
Estructura de medición
¿Quiénes suelen realizar esta prueba?
Descubre cómo se compara
A continuación, te ofrecemos una vista previa de los puntos de referencia que utilizamos para situar tu puntaje en contexto.
Ejemplos de preguntas de la prueba
- Todos los acontecimientos visibles en la escena ocurrieron exactamente como se presentan
- La imagen no contiene ningún encuadre engañoso ni contexto omitido
- Una fuente y un historial de edición documentados para el archivo, no la veracidad de todas las afirmaciones sobre su contenido
- No pudo haberse utilizado ninguna herramienta generativa en ninguna parte del flujo de trabajo
- La escena podría incluir una maqueta, una puesta en escena, composición, perspectiva o generación, por lo que la inverosimilitud por sí sola no permite identificar el origen
- La criatura debe haber existido porque los edificios proporcionan una referencia de escala
- El archivo necesariamente es una imagen generada por completo mediante IA
- Los metadatos de la cámara necesariamente revelarán qué es la criatura
- Demuestra que toda la imagen fue generada por IA
- Garantiza que la mano se pegó manualmente en la escena
- Indica específicamente que el lente de la cámara está defectuoso
- Es una anomalía útil para investigar, pero no constituye una prueba por sí sola
Test cuestionario: ¿IA o real? - Descripción y metodología del test
Quienes quieren valorar imágenes virales o fotografías fuera de contexto encontrarán en el Test cuestionario: ¿IA o real? una guía para razonar antes de aceptar una conclusión. Está dirigido a personas curiosas y a quienes comparten contenido digital; ayuda a revisar procedencia, edición, coherencia visual y límites de la evidencia. También permite practicar la evaluación de imágenes sospechosas, sin reducir el juicio a una sola señal.
Qué mide esta evaluación
El cuestionario examina conocimientos aplicados sobre indicios de imágenes generadas por IA, artefactos de cámara, procedencia y métodos de verificación. Sus situaciones preguntan qué demuestra cada indicio y qué permanece incierto. Así, ayuda a valorar la procedencia, los indicios visuales y la evidencia contextual de una imagen, sin convertirlas en categorías excluyentes: una captura puede haber sido editada después.
Las dimensiones temáticas que organizan esa lectura son:
- La procedencia conecta archivos originales, metadatos y credenciales con lo que realmente documentan.
- La coherencia visual reúne manos, texto, reflejos, sombras y perspectiva como indicios sujetos a contexto.
- El contexto temporal contrasta pies de foto y publicaciones anteriores para detectar atribuciones engañosas.
- La incertidumbre impide convertir un detalle llamativo en veredicto.
El resultado aparece en Conocimientos sobre imágenes reales o generadas por IA (0–16): Básico 0–6, En desarrollo 7–12 y Sólido 13–16. Estos niveles describen la forma de valorar evidencia, no certifican el origen de una imagen concreta.
Metodología y base científica
Las preguntas presentan escenas concretas y cuatro alternativas. Unas tratan la procedencia firmada, los metadatos y el software; otras, anomalías de manos, letras, reflejos, sombras, compresión y pies de foto. La mejor respuesta distingue una señal útil de una prueba concluyente y conserva explicaciones alternativas.
Como cuestionario educativo, esta evaluación se alinea conceptualmente con principios técnicos sobre juicio humano, credenciales de contenido y transparencia en IA. La investigación sobre juicio humano muestra que identificar contenido sintético puede resultar difícil. Las credenciales de contenido pueden registrar origen y transformaciones sin demostrar que todas las afirmaciones sean verdaderas; la transparencia es una medida entre varias para abordar riesgos técnicos.
Este marco organiza criterios para interpretar indicios, la procedencia de imágenes y señales contradictorias, de modo que el puntaje refleje conocimientos sobre evaluación de evidencias. El formato en línea ofrece una lectura educativa: el resultado depende de las respuestas elegidas y de la información disponible al valorar cada escenario. Ante señales contradictorias, conviene mantener la incertidumbre y comprobar más evidencia.
- Cooke, Di; Edwards, Abigail; Barkoff, Sophia; Kelly, Kathryn. "As Good as a Coin Toss: Human Detection of AI-Generated Content." Communications of the ACM 68, no. 10 (2025): 100–109. 10.1145/3729417
- Coalition for Content Provenance and Authenticity. Content Credentials: C2PA Technical Specification, version 2.2. C2PA, 2025.
- Chandra, Bilva; Dunietz, Jesse; Roberts, Kathleen; Lee, Yooyoung; Fontana, Peter; Awad, George. Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency. NIST AI 100-4. National Institute of Standards and Technology, 2024. 10.6028/NIST.AI.100-4
Updated: