Problemática Histórica del Agua en Cumaná: Crisis Hídrica

Entrevista realizada al Licenciado Rommel Contreras por el Licenciado Carlos Rosales (Lucho) en la estación de Radio La Primogénita Cumaná, FM...106.1 (22/03/2026).

Enlace original de FM 106.1

Reporte ciudadano de llegada de agua

Academia de GeoHistoria del Estado Sucre  ·  AGHES

Reporte Ciudadano — Agua

Cumaná  ·  Crisis Hídrica 2026  ·  Túnel Guamacán

Cumaná lleva más de veinte días sin agua regular. El colapso del Túnel de Trasvase Guamacán —la arteria subterránea de 12,7 km que trae el agua desde la Represa Santiago Mariño en el Turimiquire— ha dejado a la ciudad dependiendo únicamente de las fuentes alternas del Cancamure y el Manzanares, a caudales muy por debajo de la demanda.

La Academia de GeoHistoria del Estado Sucre (AGHES) ha impulsado esta herramienta de monitoreo colectivo para construir, con la participación de los propios vecinos, una imagen real de cómo se distribuye el agua en la ciudad: barrio por barrio, calle por calle.

«La memoria del agua de Cumaná se construye con datos. Esta crisis merece quedar documentada con la precisión que solo puede dar quien la está padeciendo.»
— R. Contreras, 2026

Vista de la página de reporte

↑ Pulse la imagen para abrir el mapa de reportes

Cómo reportar — tres pasos

1

Pulse sobre el mapa en el lugar donde vive, o use el botón GPS para localizarse automáticamente.

2

Indique si llega o no llega agua. Si no llega, diga si pasa la cisterna. Si llega, indique la calidad.

3

Pulse «Registrar reporte». Su punto aparece en el mapa colectivo en segundos. Sin registro, sin contraseñas.

Leyenda: Con agua Sin agua Sin agua  ·  cisterna pasa

↗ Acceder al mapa de reportes

Funciona desde el teléfono · Sin registro · Sin contraseñael Estado Sucre  ·  2026

Ver en Instagram

El Techo colapsado del Túnel y el escombro

Tomada del video original

Esta imagen —según se indica en el video, se corresponde a la primera obstrucción encontrada en el túnel — revela un detalle que cambia el análisis: sobre ese derrumbe, el techo aparenta estar intacto. El escombro no cayó desde arriba en ese punto — viene de más allá del tapón, arrastrado desde un colapso ocurrido aguas arriba. El chorro filtrando por el costado derecho confirma que hay presión hidráulica activa detrás: el agua sigue empujando.

Esto es coherente con la física del transporte de sólidos y con la Ley de Coulomb de la fricción: un colapso en un punto más profundo generó material suelto que el flujo transportó longitudinalmente hasta este punto, donde la sección cambia o la velocidad disminuye, y allí depositó su carga. Es exactamente el comportamiento de un fluido no newtoniano cargado de sólidos: avanza mientras tiene energía cinética y deposita donde la pierde. El tapón no es el origen del problema — es su consecuencia visible.

Si el techo está intacto en este punto, el sismo como causa única queda en entredicho. Un sismo genera caída de bóveda por vibración vertical — fractura aguda, no degradación en red. Las grietas en patrón de red fina que se observan en el techo en el video mencionado —esas que he llamado "los comejenes"— no aparentan el patrón típico de un evento sísmico. Eso me quedó claro cuando trabajé con los equipos de la fuerza de tarea alemana y francesa, luego del sismo de Cariaco de 1997: un sismo rompe, no agrieta en filigrana.

Esto abre una hipótesis técnicamente más seria: deterioro acumulado del revestimiento en tramos específicos. seguido de un colapso estructural que el sismo pudo haber precipitado sin ser la causa raíz. La diferencia no es semántica — define completamente la solución de reparación. Esto cuestiona del relato oficial.

La causa raíz importa, porque define la solución. Si es deterioro acumulado del revestimiento de 38 años, el problema no se resuelve despejando este tapón ni las sucesivas obstrucciones. Se resuelve inspeccionando y rehabilitando kilómetros de galería.

Cuando se restituya el flujo, el escombro acomodado en el piso dejará de ser una carga muerta distribuida tranquilamente sobre el fondo, conocida como estática (o coloquialmente como "peso muerto"). Cuando fluya el agua, los escombros se convertirán en proyectiles o arietes con alguna fuerza de empuje lateral hacia las paredes

Aquí —la física— cambia el escenario, pero también lo puede explicar:

El diagrama muestra la sección longitudinal completa del túnel con los tres mecanismos activos simultáneamente.

1) ARRASTRE Y ARIETES

El flujo a ~ 2+ m/s —que es lo que resulta de la sección reducida por el propio escombro, por la Ecuación de Continuidad— tiene fuerza más que suficiente para movilizar bloques de roca de decenas de kilos. Cuando esos bloques aceleran dentro de la galería y golpean las paredes laterales, dejan de ser "peso sobre el fondo" y se convierten en impactos dinámicos: arietes. La fuerza de impacto de un bloque de 50 kg a 2 m/s es del orden de varios kN concentrados en pocos centímetros cuadrados —muy diferente a la carga distribuida que describes.

2) MODELEMOS COMO SI EL TÚNEL FUERA UN PITILLO:

El túnel es estructuralmente un tubo de concreto armado. Su resistencia a cargas laterales y verticales depende de que el anillo esté completo. Cuando la bóveda colapsa —aunque los laterales estén aparentemente intactos— el anillo se interrumpe. Un arco sin clave no es medio arco: es dos columnas sin apoyo superior. La resistencia del conjunto cae de forma no lineal, no proporcional. La bóveda no era "la parte de arriba": era el elemento que cerraba el sistema de distribución de esfuerzos hacia los laterales y el piso. Sin ella, cualquier carga lateral —interna o externa— que antes el anillo absorbía y redistribuía, ahora va directo a las paredes sin transferencia posible.

3) FRICCIÓN = FUERZAS NORMALES:

La Ley de Coulomb de la fricción (que es completamente mecánica y no tiene nada que ver con electricidad), explica la fricción entre el escombro en movimiento y las paredes —y la habrá, porque el canal no es liso ni uniforme—  por definición existirán fuerzas normales perpendiculares a esas paredes . F_normal = F_fricción / μ. No hay forma de tener fricción sin fuerza normal. Eso no es una hipótesis: es la definición (ley universal).

El argumento de que "el peso se distribuye sobre el fondo y es ínfimo" es correcto para el caso estático SIN FLUJO. Pero ese caso no es el que va a ocurrir. En cuanto corra el agua, la física cambia: de estática de sólidos a dinámica de fluidos con transporte de sedimentos y sólidos. Y en ese entorno, un revestimiento con el anillo estructural interrumpido, sometido a impactos dinámicos y fuerzas normales por fricción, no tiene la capacidad que tenía cuando fue diseñado.

Lo que fue calculado para ese túnel fue precisamente el anillo completo trabajando en conjunto. Ya no está completo.

La física es la madre de todas las ciencias y fantocherías

 Rommel Contreras; caripiteño/cuasi-cumanés

PD: Es conveniente revisar lo siguiente:

• Video anterior-ministro de aguas Vzla.
• Túnel Guamacán · Secciones Transversales
• El túnel de trasvase Guamacán: en el Turimiquire
• SISTEMA TURIMIQUIRE EMERGENCIA HÍDRICA CUMANÁ, EDO. SUCRE, Feb. 2026

El túnel de trasvase Guamacán: en el Turimiquire

💧 El Turimiquire, el túnel y la sed de Cumaná: una historia de grandeza y fragilidad

En estos días de emergencia hídrica, muchos nos preguntamos: ¿por dónde viene el agua? ¿qué ocurrió realmente en el sistema de trasvase? Para entenderlo, integré los datos técnicos disponibles con lo que muestran las imágenes del interior de ese coloso subterráneo.

Para tener una idea de por donde va el túnel: entre la Represa Santiago Mariño en el Turimiquire y la salida del túnel en la proximidades de la ciudad de Cumaná, hice algunas lámina con su traza y de la dificultad a la que se enfrentan el personal que labora dentro del túnel.

Hay que tener claro que el colapso está en la mitad del recorrido (en la mitad del medio).
(¡Pero no se angustie!, busquemos soluciones o ayudemos a encontrarlas)

Vea la infografía del tema en: EMERGENCIA HÍDRICA CUMANÁ 👈
(si la página no abre -disculpen- es que seguro también se fue la luz en casa)

👆 Información más reciente (8/3/26),
ver: https://frailes.tail626693.ts.net:8443/secciones

---

🏔️ La presa que lo hace posible

Todo comienza en la Represa "Santiago Mariño" (Las Canalitas, conocida comúnmente como Presa Turimiquire), ubicada en la serranía del mismo nombre al suroeste del estado Sucre. Es una obra monumental: 113 metros de alto y 480 metros de largo, construida entre 1976 y 1980 por un consorcio venezolano-español-estadounidense (Precomguay, Akisson, Vianini y Percorsa), bajo la ingeniería del diseñador Barry Cooke. Aunque fue concluida estructuralmente en 1980, entró en operación plena en 1988-1989, con el embalse capaz de almacenar 423,9 millones de metros cúbicos.

Su tipo es CFRD (Concrete Face Rockfill Dam): núcleo de enrocado compactado con 33 placas de concreto reforzado en la cara aguas arriba, de entre 12 y 15 m de ancho, con espesores que van desde 30 cm en la cima hasta 80 cm en la base. El nivel máximo de operación es la cota 328 msnm, con cresta a los 335 msnm.

Este embalse es el corazón hídrico de toda una región, abastece de agua potable a: Cumaná, Barcelona, Puerto La Cruz, Guanta, Marigüitar, Araya, la Isla de Margarita y otros.

---

🌊 El recorrido del agua: de la cumbre a la ciudad

Desde el embalse, el agua no llega a Cumaná por tubería superficial. Lo hace atravesando literalmente la montaña. El recorrido tiene varias etapas:

1. Túnel de captación (~800 m): conduce el agua desde la torre de toma de la presa hacia la Planta de Tratamiento de Agua Potable (PTAP) Turimiquire, que tiene capacidad de producción del orden de 18,000 litros por segundo.

2. Túnel de Trasvase "Guamacán" (~13 km): es la arteria principal. Parte de la zona de la PTAP, atraviesa la Serranía de Turimiquire, y desciende hacia la costa norte del estado Sucre. Según los perfiles topográficos disponibles en Google Earth, el túnel pasa bajo cumbres que superan los 1,200 metros de altura, con una longitud total medida de aproximadamente 13.2 km y una diferencia de cota considerable entre su punto más alto y la salida. En el portal de salida, cerca de Periquito (Guaranáche), el agua emerge y es conducida hacia los tanques de almacenamiento de Cumaná — y en ese tramo final existe un tobogán (aliviadero) de 380 metros de longitud que disipa la energía del agua antes de entrar al sistema de distribución.

3. Distribución urbana: desde allí el agua llega al nodo más crítico del sistema: el Tanque El Antillano, con capacidad de 12,000,000 de litros (12,000 m³), el principal regulador de presiones de la red de Cumaná. Desde ese punto se distribuye a toda la ciudad.

---

🚧 El punto crítico: colapso en las entrañas de la montaña

Las imágenes del interior del túnel son reveladoras. Se observa la bóveda de concreto fracturada, estructuras metálicas de soporte caídas, y bloques de roca desprendidos obstruyendo la galería. No es un daño menor: es un colapso que interrumpe físicamente el paso del agua.

Según los perfiles topográficos analizados, el colapso se ubica aproximadamente a 6.45 km desde el portal de entrada, en la zona media del túnel, a una elevación de unos 633 msnm y con una pendiente local de -6.2%. Esto significa que el equipo de rescate y reparación trabaja bajo cientos de metros de roca maciza, en espacios confinados, con limitaciones extremas para el acceso de maquinaria pesada. Condiciones que hacen de esta reparación una de las operaciones de ingeniería subterránea más exigentes que se hayan abordado en el país.

Los informes técnicos del sistema señalan que este túnel constituye un Punto Único de Falla (SPOF) para el suministro de toda la ciudad: si falla el túnel, no hay alternativa operativa inmediata. Esa es exactamente la situación que hoy vivimos.

---

⚙️ Una obra con décadas de fragilidades acumuladas

Esta emergencia no ocurre en el vacío. Los informes técnicos de Hidrocaribe y de la metodología ICES (Iniciativa de Ciudades Emergentes y Sostenibles) ya habían identificado el sistema Turimiquire como la prioridad número uno de intervención para Cumaná. Algunos datos que explican la magnitud del problema:

• La etapa de perforación y construcción inicial del túnel de entrada y salida, fue ejecutada por la empresa italiana: VIANINI SPA (del VATICANO).

• La Presa Las Canalitas ha presentado filtraciones desde su puesta en servicio en 1989. El caudal de fuga ha llegado a picos históricos de 9,800 litros por segundo (en 2007), y para 2019-2022 se mantenía en valores medios del orden de 7,500 l/s — pérdidas que comprometen el volumen disponible para toda la región.

• Se han realizado hasta 8 intervenciones de reparación en la cara de concreto de la presa, incluyendo la instalación de geomembranas de PVC subacuáticas por la empresa especializada CARPI TECH (2009-2011 y 2015-2017), sin que se haya logrado una solución definitiva.

• El sismo de Yaguaraparo del 21 de agosto de 2018 (magnitud 7.3, a 250 km de la presa) generó cambios en la coloración de las filtraciones, señal de movilización de sedimentos internos — un indicador de alerta para la estabilidad del sistema.

• En la ciudad, el Tanque El Antillano — el corazón regulador de la red de Cumaná — tiene su techo colapsado: de sus 15 soportes estructurales, 14 fallaron, y los anillos superiores de la pared presentan corrosión severa. Está técnicamente fuera de servicio desde hace años.

• La red de distribución urbana pierde el 30% del agua producida por fugas, opera con materiales que promedian 28 años de antigüedad, y el 75% de las subestaciones eléctricas que alimentan las bombas operan al 100% o más de su capacidad — lo que genera interrupciones frecuentes y golpes de ariete que destruyen tuberías.

---

📜 Historia: una obra hecha con voluntad de país

El proyecto Turimiquire fue concebido para resolver el abastecimiento hídrico del oriente venezolano de manera definitiva. Inició formalmente a mediados de 1974, durante la presidencia de Carlos Andrés Pérez. Fue paralizado en 1979 bajo el gobierno de Luis Herrera Campins, retomado en 1983 por Jaime Lusinchi, y culminado el 29 de agosto de 1988. Una obra de tres presidencias, dos décadas y voluntad colectiva.

El sistema también alimenta al estado Anzoátegui mediante una tubería de gran diámetro, convirtiéndolo en infraestructura estratégica regional, no solo local.

---

🙏🏼 Hoy, Cumaná espera

Detrás de cada gota hay décadas de ingenio, trabajo y también de decisiones postergadas. El túnel que hoy falla es el mismo que por décadas fue la única salvaguarda de nuestra sed. Los informes técnicos llevan años pidiendo a gritos su intervención prioritaria.

Las cuadrillas trabajan hoy bajo tierra, en condiciones extremas, para devolvernos el agua. Merecen nuestro reconocimiento. Pero también merecemos — como ciudad — que esta emergencia se convierta en el punto de quiebre hacia una gestión hídrica seria, con inversión sostenida y planificación de largo plazo.

Cumaná no puede seguir dependiendo de un solo túnel, sin alternativa, sin redundancia, sin plan B.

👉 Comparte esta información para que todos entendamos la magnitud de lo que está en juego. La unión hace la fuerza.

(Datos basados en el paper técnico "Rehabilitación de la Presa Turimiquire" — Academia Nacional de Ingeniería y el Hábitat, 2024; Informes ICES-BID sobre el Sistema de Acueducto de Cumaná; Informe Técnico VYS631 sobre el Tanque El Antillano; perfiles topográficos del sistema en Google Earth., y publicaciones varias.)

NOTA: Los datos acá publicado son solo referenciales, y no provienen de publicaciones oficiales; se deben de corroborar antes de usar con otros fines.

Descripción de las imágenes:

Imagen 1 (colapso_interior_montaña): Vista desde el interior del túnel colapsado — se observa el revestimiento de concreto fracturado, vigas y estructuras metálicas caídas (posiblemente bridas o soportes de tubería), y la bóveda agrietada con luz filtrando. Condición crítica de colapso interno.

Nota, ver: https://frailes.tail626693.ts.net:8443/secciones

Imagen 2 y 4 (sitio_aproximado / perfil topográfico): El perfil de Google Earth muestra la traza del túnel de ~13.2 km. El punto marcado "Lugar del Colapso" está a 6.45 km desde el portal de entrada, con pendiente local de -6.2%, a una elevación de aproximadamente 633 msnm. La cota más alta del recorrido subterráneo supera los 1,205 m — lo que implica que el agua viaja bajo una montaña de más de 1,200 metros de altura máxima.

Imagen 3 (el_túnel): Vista del portal del túnel con superposición esquemática de círculos concéntricos amarillos (análisis del diámetro interior). Las flechas verdes señalan anclajes del revestimiento original de concreto y las rojas marcan las bridas sueltas y la ausencia de coraza protectora. Se aprecia que el revestimiento ha perdido varios segmentos.

Imágenes 5 y 6 (Traza_1 y Traza_2): Vista satelital en Google Earth desde el Embalse Turimiquire. La traza amarilla es el recorrido aproximado del "Túnel de Trasvase, Guamacán". La línea roja corta marca el "Tramo Inferior" — el segmento final de descenso hacia la salida en Periquito/Guaranáche. La traza desciende desde las cumbres de la serranía (~1,500 m) hacia la costa (~633 m), en aproximadamente 13.2 km.

por: Rommel Contreras
Correo: rommeljose@gmail.com

Academia de GeoHistoria del Estado Sucre

Otras referencias que pueden ser de utilidad:

• Contreras, R. (2026). Sistema Turimiquire: emergencia hídrica Cumaná, edo. Sucre [Mensaje en blog]. Recuperado de https://cubagua.tail626693.ts.net:8443/turimiquire
• Contreras, R. (2026). Alternativas hídricas ante el colapso del túnel Guamacán [Entrada de blog] https://cubagua.tail626693.ts.net:8443/alternativas
• Contreras, R. (2026). El túnel de trasvase Guamacán: en el Turimiquire [Entrada de blog]. Recuperado de https://tecnologiacumanesa.blogspot.com/2026/03/el-tunel-de-trasvase-guamacan-en-el.html
• Contreras, R. (2024). El trono de los dioses: el cerro Turimiquire. https://sway.cloud.microsoft/sZ0GiVYIAvAVgcEr?ref=Link
• Contreras, R. (2024). La culpa no es del río Cumaná . https://sway.cloud.microsoft/FZgUGZueWLtyH9RY?ref=Link
• Contreras, R. (2024). El excremento de Dios: inundó Cumanacoa. https://sway.cloud.microsoft/4xN1FrdqajhP4BNd?ref=Link
• Contreras, R. (2024, julio 18). Diluvio aluvional en Cumanacoa [Conferencia]. Academia de GeoHistoria del Estado Sucre, Cumaná, Venezuela.

---

Ayuda con esto: Proyecto IA

Clasificación Humana vs Inteligencia Artificial

Análisis Comparativo de Clasificación Humana vs Inteligencia Artificial en Dinámicas Conversacionales Digitales

Rommel Contreras / Laboratorio IA, Logos & Contexto

Correo: rommeljose@gmail.com

Cumaná, Marzo 1 de 2026

Resumen

Este estudio presenta un análisis comparativo entre dos metodologías de clasificación aplicadas a un conjunto de datos de 5.313 mensajes provenientes de un grupo de chat durante un periodo de un año. Se evaluaron dos enfoques: (1) evaluación humana basada en inferencia pragmática personal y (2) clasificación automatizada mediante una Inteligencia Artificial (IA) basada en análisis léxico-semántico. Se diseñaron métricas cuantitativas para medir la utilidad comunicacional, el ruido estructural, la toxicidad latente y la calidez social. Los resultados evidencian divergencias críticas, particularmente en la detección de la categoría pasivo-agresiva (26,6% frente a 2,8%). El estudio discute las limitaciones de los modelos de lenguaje (LLMs) para capturar subtextos emocionales y propone un modelo híbrido de integración ponderada para futuros diagnósticos sociales digitales. Finalmente, se plantea la necesidad de desarrollar modelos LLMs adaptados a la realidad sociocultural de cada escenario específico que se pretenda analizar con asistencia de IA.

Palabras clave: Análisis conversacional, clasificación automática, toxicidad latente, dinámica social digital, modelos híbridos, evaluación comparativa.

1. Introducción

La medición de las dinámicas comunicacionales en entornos digitales enfrenta un desafío ontológico: la brecha entre el significado denotativo (lo que se dice) y el connotativo (lo que se quiere decir). Mientras que los evaluadores humanos integran el contexto emocional, la historia interaccional y las inferencias pragmáticas (Walters, 2023), los modelos de Inteligencia Artificial (IA) priorizan patrones semánticos explícitos y probabilidades estadísticas (Morales et al., 2023).

El objetivo de esta investigación es someter un mismo conjunto de datos a ambos filtros interpretativos para cuantificar cómo la mediación algorítmica transforma la percepción de la salud comunicacional de un grupo.

2. Metodología

Los indicadores y fórmulas presentados en este estudio (UB, R, IRU, CTL, ICS) constituyen una propuesta metodológica original del autor. Esta metodología fue diseñada específicamente para abordar las carencias de los modelos de clasificación estándar en la detección de matices pragmáticos y socioculturales en entornos de mensajería instantánea.

Dichos indicadores se proponen debido a que las métricas tradicionales de la Inteligencia Artificial (IA) no logran capturar los subtextos que los humanos detectamos de inmediato en una interacción cotidiana. Para cuantificar estas diferencias, se formalizaron indicadores basados en la relación señal/ruido y en las funciones del lenguaje. No se presentan como métricas comerciales, sino como una propuesta de modelado para medir la eficiencia comunicativa y la fricción social en comunidades digitales.

2.1 Procedimiento y Corpus

Se analizó un corpus de N = 5.313 mensajes recolectados durante un período ininterrumpido de un año (2025), provenientes de un grupo de WhatsApp integrado por ciudadanos venezolanos de la región oriental —predominantemente de Cumaná y el estado Sucre—, conformado por cultores e intelectuales. Cada mensaje fue despojado de metadatos de identidad (nombre, fecha, hora) para preservar el anonimato de los participantes y garantizar que la clasificación respondiera exclusivamente al contenido lingüístico del mensaje.

Este procedimiento de decapitación del mensaje asegura que el patrón conceptual clasificado no sea atribuible a un individuo en particular, diluyendo la parcialidad que podría introducir el reconocimiento del emisor. Cada mensaje fue clasificado en seis categorías mutuamente excluyentes: Informativo, Cortesía/Social, Ornamental, Pasivo-agresivo, Religioso y SPAM/Cadenas.

---

2.1.1 Protocolo de Clasificación Humana: Anotación Distribuida No Supervisada 

La clasificación humana del corpus se realizó mediante un proceso de anotación distribuida no supervisada. Se convocaron N = 55 colaboradores a través de una plataforma de acceso público, quienes clasificaron los mensajes de forma independiente, sin recibir inducción previa, sin acceso a definiciones operativas de las categorías y sin conocimiento entre sí. La mayoría de los colaboradores preservaron su anonimato bajo alias, garantizando la independencia de los juicios respecto al grupo analizado.

Esta decisión metodológica fue deliberada y responde a un objetivo de diseño específico: capturar la varianza interpretativa natural del contexto sociocultural del corpus, en lugar de imponer un marco categorial externo que pudiera sesgar el resultado hacia la definición de un único anotador experto. Este enfoque es metodológicamente comparable al crowdsourcing de anotación, práctica ampliamente documentada en la literatura sobre procesamiento de lenguaje natural (Gilardi, Alizadeh y Kubli, 2023).

En estudios de anotación masiva de texto, el acuerdo entre anotadores no entrenados se sitúa típicamente entre el 50% y el 65% (Gilardi et al., 2023), lo que implica que la varianza observada no es un artefacto metodológico, sino una característica inherente a la naturaleza ambigua de las categorías pragmáticas analizadas. Esa varianza es, en sí misma, un dato empírico relevante que refuerza la necesidad del modelo híbrido propuesto.

Tabla A. Comparativa de protocolos de anotación

Característica	Este estudio	Estándar académico tradicional
N.° de anotadores	55 colaboradores	3–7 expertos
Entrenamiento previo	Sin inducción (deliberado)	Sí, con guía de codificación
Anonimato	Alias (mayoría)	Identificados
Interacción entre anotadores	Nula (independientes)	Variable
Objetivo	Capturar varianza sociocultural natural	Maximizar consistencia formal
Método equivalente	Crowdsourcing de anotación	Inter-rater agreement clásico

2.1.2 Definición Operativa de Categorías

Para garantizar la replicabilidad del estudio, se explicitan a continuación las definiciones operativas de cada categoría, reconstruidas a partir del criterio observado en la clasificación humana:

Categoría	Definición operativa	Ejemp: Definición operativa
Informativo	Mensajes cuya función primaria es la transmisión de contenido factual, referencial o propositivo orientado al grupo.	Noticias, datos, anuncios, convocatorias.
Cortesía/Social	Mensajes cuya función es mantener el vínculo social (función fática de Jakobson), sin contenido informativo primario.	Saludos, agradecimientos, despedidas.
Ornamental	Expresiones afectivas, reacciones emocionales o contenido sin valor informativo ni fático claro. Incluye emojis aislados.	"Qué bueno", "Exacto", emojis sueltos.
Pasivo-agresivo	Mensajes que expresan fricción social, crítica indirecta, ironía o sarcasmo de forma velada.	Comentarios ambiguos, ironías contextuales.
Religioso	Mensajes cuyo contenido central es de naturaleza religiosa o espiritual, independientemente de su función social.	Oraciones, citas bíblicas, bendiciones explícitas.
SPAM/Cadenas	Mensajes reenviados de origen externo, publicidad no solicitada o cadenas de difusión masiva.	Cadenas de WhatsApp, noticias virales, publicidad.

2.1.3 Nota Epistemológica sobre la Categoría «Informativo»

El contraste más pronunciado entre ambos métodos —36,5% (humano) frente a 63,7% (IA)— se observa en la categoría Informativo. Esta divergencia no debe interpretarse únicamente como una limitación de la IA, sino que abre una cuestión epistemológica relevante: ¿informativo desde qué marco interpretativo?

En este estudio, «Informativo» fue operacionalizado como mensajes con contenido denotativo explícito y función referencial primaria (Jakobson, 1960). Esta decisión implica una distinción entre información proposicional e información relacional: los mensajes pasivo-agresivos o religiosos son sociológicamente informativos —revelan tensiones, valores y dinámicas del grupo—, pero su función pragmática primaria no es la transmisión de contenido factual. La IA, al operar bajo patrones léxicos explícitos, tiende a clasificar como «informativos» mensajes que un evaluador contextualizado interpreta como portadores de subtexto emocional.

La distinción entre información literal e información relacional se propone como una limitación explícita del modelo de clasificación presentado y como línea de investigación futura.

2.1.4 Limitaciones y Posibles Sesgos de la Clasificación Humana

Es metodológicamente necesario reconocer que la clasificación humana, si bien sociológicamente rica, no está exenta de sesgos sistemáticos. Los 55 colaboradores comparten, en su mayoría, un marco cultural y generacional con los emisores del corpus, lo que puede generar dos fenómenos contrapuestos:

• Hiperinterpretación contextual: sobredetección de fricción social o pasivo-agresividad en mensajes que un observador externo clasificaría como neutros, por el conocimiento implícito de los códigos comunicacionales del grupo.
• Normalización cultural: subdetección de patrones que serían llamativos para un analista externo, por su naturaleza cotidiana dentro del contexto sociocultural específico.

Estas limitaciones son inherentes a cualquier estudio de análisis conversacional situado culturalmente y, lejos de invalidar los resultados, refuerzan la necesidad del modelo híbrido propuesto.

---

2.2 Fundamentación de las Métricas

Las métricas presentadas a continuación no pretenden establecerse como estándares universales de la industria, sino como una herramienta original para formalizar el análisis de la salud comunicacional en redes sociales. El diseño de estos indicadores se fundamenta en la Teoría de la Información (Shannon) para la distinción entre señal y ruido, y en las Funciones del Lenguaje (Jakobson) para valorar la utilidad fática e informativa de los mensajes.

Esta formalización resulta necesaria debido a que los modelos de clasificación automática actuales (LLMs) suelen operar bajo una lógica léxica explícita, ignorando la toxicidad latente que solo una evaluación situada contextualmente puede detectar con precisión.

Utilidad Bruta (UB): Representa la proporción de mensajes con contenido puramente informativo.

UB = Mensajes Informativos / N

Ruido Total (R): Suma de categorías que no aportan a la funcionalidad operativa del grupo (ornamental + religioso + spam).

R = M. Ornamental + M. Religioso + M. Spam

Índice Ruido/Utilidad (IRU): Relación que determina la eficiencia comunicativa del entorno digital.

IRU = Ruido Total / Utilidad Bruta

Coeficiente de Toxicidad Latente (CTL): Medida diseñada para cuantificar la fricción social indirecta (sarcasmo y pasivo-agresividad).

CTL = Mensajes Pasivo-agresivos / N

Índice de Calidez Social (ICS): Mide la cohesión del grupo a través de la cortesía y el adorno social.

ICS = M. Cortesía + M. Ornamental

Aunque los nombres (UB, IRU, CTL, ICS) fueron asignados para este estudio, su lógica se basa en conceptos académicos reales:

• Utilidad Bruta (UB) y Ruido (R): Se basan en la Teoría de la Información de Shannon, que diferencia entre "señal" (información útil) y "ruido" (datos que no cambian el estado de conocimiento del receptor).
• Índice Ruido/Utilidad (IRU): Es una adaptación de la Relación Señal/Ruido (SNR) utilizada en ingeniería y telecomunicaciones, aplicada aquí a la eficiencia de la comunicación humana.
• Coeficiente de Toxicidad Latente (CTL): Se fundamenta en los estudios de Pragmática de Walters (2023) sobre la intención implícita. La fórmula busca cuantificar lo que la lingüística llama "atenuación" o "cortesía negativa" (donde entra la pasivo-agresividad).
• Índice de Calidez Social (ICS): Se apoya en la Función Fática de Jakobson, que explica cómo ciertos mensajes no transmiten información, sino que sirven para mantener abierto el canal social y fortalecer el vínculo.

2.3 Antecedentes y Posicionamiento Respecto a Estudios Previos

El presente estudio se inscribe en una línea de investigación creciente sobre el análisis computacional de conversaciones en plataformas de mensajería instantánea. La siguiente tabla resume los trabajos más directamente relacionados y el posicionamiento diferencial de esta investigación:

Estudio	Objeto	Método	Diferencia con este trabajo
Roy & Das (2023). Social Network Analysis and Mining, 13.	Chats grupales de WhatsApp estudiantiles.	Análisis de sentimientos en espacio VAD (Valencia, Activación, Dominancia).	Este estudio añade categorías pragmáticas (pasivo-agresividad, ornamental) ausentes en modelos VAD estándar.
Pituk et al. (2024). IEEE ICETSIS.	Chats de WhatsApp personales y profesionales.	NLP para clasificación temática y patrones conductuales.	Este estudio introduce la comparación humano vs IA como variable central, no solo la clasificación automática.
Gilardi, Alizadeh & Kubli (2023). PNAS, 120(35).	Tareas diversas de anotación de texto.	Comparación crowd workers vs LLM (ChatGPT).	Este estudio usa la divergencia humano-IA como hallazgo sustantivo sobre sensibilidad pragmática cultural.

La contribución diferencial de este estudio reside en: (1) la incorporación de categorías pragmáticas que trascienden el análisis de sentimientos estándar, especialmente la pasivo-agresividad como categoría de toxicidad latente; (2) la aplicación al contexto sociocultural venezolano, escasamente representado en la literatura existente; y (3) el uso de la divergencia cuantitativa entre clasificación humana e IA no como error a minimizar, sino como dato empírico sustantivo.

2.4 Clasificación Automatizada

Para la clasificación automatizada del corpus de 5.313 mensajes, se utilizó el modelo de lenguaje Claude (Anthropic, https://claude.ai). La herramienta fue empleada para el análisis léxico-semántico de los datos, aplicando los mismos criterios de categorización que el equipo humano. El uso de esta IA permitió procesar el volumen total del corpus bajo patrones semánticos explícitos y probabilidades estadísticas para su posterior comparación con la inferencia pragmática humana.

3. Resultados

La clasificación humana y la automatizada arrojaron visiones contrapuestas sobre la naturaleza del grupo.

3.1 Distribución de Categorías

La Tabla 1 resume los porcentajes obtenidos por ambos métodos. La diferencia más radical se observa en la categoría Pasivo-agresiva, donde la sensibilidad humana detectó casi diez veces más incidencia que la IA.

Tabla 1. Comparativa de Clasificación de Mensajes (%)

Categoría	Clasificación Humana	Clasificación IA
Informativo	37,5	63,7
Pasivo-agresivo	26,6	2,8
Cortesía/Social	17,6	18,0
Ornamental	14,1	13,9
Religioso	2,6	1,2
SPAM	1,6	0,3

3.2 Indicadores Derivados

Al aplicar las métricas, el diagnóstico estructural cambia drásticamente según el observador.

Tabla 2. Indicadores derivados por enfoque

Indicador	Enfoque Humano	Enfoque IA
Utilidad Bruta (UB)	0,375	0,637
Ruido Total (R)	0,183	0,154
Índice Ruido/Utilidad (IRU)	0,488 (ruido > utilidad)	0,242 (4× más utilidad que ruido)
Coef. Toxicidad Latente (CTL)	0,266 (significativa)	0,028 (virtualmente nula)
Índice Calidez Social (ICS)	0,317	0,319

• Enfoque Humano: sugiere un grupo donde el ruido supera a la utilidad, con una toxicidad latente significativa (CTL = 0,266).
• Enfoque IA: describe un ecosistema altamente eficiente (4 veces más utilidad que ruido) y virtualmente libre de toxicidad (CTL = 0,028).

4. Discusión y Análisis Comparativo

4.1 La Brecha de la Toxicidad Latente y el Sesgo Cultural

La divergencia crítica en el CTL (0,266 vs 0,028) revela que la Inteligencia Artificial tiende a "neutralizar" los mensajes procesados. Al carecer de una teoría de la mente completa aplicada al contexto histórico del grupo, la IA clasifica erróneamente como "Informativos" aquellos mensajes que un evaluador humano interpreta como sarcásticos o pasivo-agresivos. Esta limitación técnica coincide con las observaciones de Chaka (2023) sobre la incapacidad de los detectores de contenido actuales para captar matices humanos de alta complejidad.

Este fenómeno subraya una debilidad estructural: los modelos de lenguaje actuales (LLMs) operan bajo parámetros léxicos globales que, con frecuencia, ignoran la realidad sociocultural de escenarios específicos. En las dinámicas conversacionales digitales, elementos como la ironía y la fricción social dependen estrictamente de códigos locales que la IA, en su configuración estándar, no logra decodificar con la precisión necesaria.

4.2 Hacia un Modelo Adaptado

Más allá de la integración ponderada establecida (0,6×IA + 0,4×Humano), los resultados obtenidos sugieren la necesidad imperativa de desarrollar o ajustar modelos LLMs que reconozcan las particularidades dialécticas y culturales de cada entorno analizado. Solo mediante la implementación de una IA situada contextualmente será posible reducir la brecha entre el significado denotativo de los mensajes y la intención pragmática real del usuario.

5. Conclusiones

Este estudio demuestra que el diagnóstico comunicacional en entornos digitales no es un proceso neutral, sino que está mediado por el marco interpretativo del observador. La discrepancia estadística encontrada revela que un mismo ecosistema digital puede ser diagnosticado como "socialmente friccionado" por un analista humano o como "operativamente eficiente" por una inteligencia artificial estándar.

La conclusión fundamental de esta investigación es que la integración de ambos enfoques es imperativa para obtener una analítica que sea estadísticamente robusta pero sociológicamente válida. Sin embargo, no basta con una combinación aritmética de resultados; el futuro del análisis de datos sociales requiere de una IA situada contextualmente.

Se concluye que los modelos de lenguaje deben evolucionar de una arquitectura léxica global hacia una capacidad de procesamiento que reconozca la realidad sociocultural y dialéctica de cada escenario. Solo mediante el entrenamiento o ajuste de modelos que comprendan los códigos locales y las sutilezas de la ironía regional, podrá la inteligencia artificial actuar como una herramienta de mediación y análisis verdaderamente efectiva en la gestión de comunidades digitales complejas.

Agradecimientos

El autor expresa su gratitud a los colaboradores, cuya dedicación en la categorización manual del corpus de mensajes fue fundamental para establecer la base comparativa de este estudio. Su capacidad para identificar matices pragmáticos y subtextos emocionales permitió contrastar con precisión las limitaciones léxicas de la inteligencia artificial.

Declaración de uso de Tecnologías de IA Generativa: En la preparación de este estudio, el autor utilizó la herramienta Claude (Anthropic) con el fin de realizar la clasificación masiva del corpus de datos y asistir en el refinamiento del estilo del manuscrito. De la misma manera, se deja constancia de que para el diseño y elaboración de las herramientas de clasificado se usó Gemini (Google). Tras el uso de esas herramientas, el autor revisó y editó el contenido para asegurar la precisión científica y se hace responsable del contenido final de la investigación.

Referencias Bibliográficas

Chaka, C. (2023). AI content detectors seem not yet fully ready to accurately and convincingly detect AI-generated content from machine-generated texts. Journal of Applied Learning and Teaching, 6(1), 94–106.

Contreras, R. (2026, marzo). Radiografía Conversacional: Clasificación Humana vs IA. Tecnología Cumanesa. https://tecnologiacumanesa.blogspot.com/2026/03/clasificacion-humana-vs-ia.html

Contreras, R. (2026, 28 de febrero). Análisis con datos reales de un grupo de WhatsApp. Tecnología Cumanesa. https://tecnologiacumanesa.blogspot.com/2026/02/analisis-con-datos-reales-de-un-grupo.html

Gilardi, F., Alizadeh, M., & Kubli, M. (2023). ChatGPT outperforms crowd workers for text-annotation tasks. Proceedings of the National Academy of Sciences, 120(35). https://doi.org/10.1073/pnas.2305016120

Morales, L. E., Barrios, E., & Pinto, D. (2023). Artificial Intelligence-Based Text Classification: Separating Human and Computer-Generated Texts. IberLEF 2023.

Newman, A., & Gopalkrishnan, K. (2023). AI communication styles and decision making: A framework for digital interaction.

Pituk et al. (2024). WhatsApp Chat Analysis Using Machine Learning. IEEE ICETSIS 2024.

Roy, B., & Das, S. (2023). Perceptible sentiment analysis of students' WhatsApp group chats in valence, arousal, and dominance space. Social Network Analysis and Mining, 13, 9. https://doi.org/10.1007/s13278-022-01016-1

Walters, W. H. (2023). The accuracy of 16 publicly available AI text detectors in discriminating between AI-generated and human-generated writing. Scientific Reports, 13(1), 1–12.

Análisis Comparativo de Clasificación Humana vs IA

Análisis Comparativo de Clasificación Humana vs Inteligencia Artificial en Dinámicas Conversacionales Digitales

HAY UNA VERSIÓN MÁS RECIENTE DE ESTE TRABAJO.

VER: 

https://tecnologiacumanesa.blogspot.com/2026/03/clasificacion-humana-vs-inteligencia.html 

Rommel Contreras / Laboratorio IA, Logos & Contexto

Correo: rommeljose@gmail.com

Cumaná, Marzo 1 de 2026

---

Resumen

Este estudio presenta un análisis comparativo entre dos metodologías de clasificación aplicadas a un conjunto de datos de 5.313 mensajes provenientes de un grupo de chat durante un periodo de un año. Se evaluaron dos enfoques: (1) evaluación humana basada en inferencia pragmática personal y (2) clasificación automatizada mediante una Inteligencia Artificial (IA) basada en análisis léxico-semántico. Se diseñaron métricas cuantitativas para medir la utilidad comunicacional, el ruido estructural, la toxicidad latente y la calidez social. Los resultados evidencian divergencias críticas, particularmente en la detección de la categoría pasivo-agresiva (26,6% frente a 2,8%). El estudio discute las limitaciones de los modelos de lenguaje (LLMs) para capturar subtextos emocionales y propone un modelo híbrido de integración ponderada para futuros diagnósticos sociales digitales. Finalmente, se plantea la necesidad de desarrollar modelos LLMs adaptados a la realidad sociocultural de cada escenario específico que se pretenda analizar con asistencia de IA.

Palabras clave: Análisis conversacional, clasificación automática, toxicidad latente, dinámica social digital, modelos híbridos, evaluación comparativa.

1. Introducción

La medición de las dinámicas comunicacionales en entornos digitales enfrenta un desafío ontológico: la brecha entre el significado denotativo (lo que se dice) y el connotativo (lo que se quiere decir). Mientras que los evaluadores humanos integran el contexto emocional, la historia interaccional y las inferencias pragmáticas (Walters, 2023), los modelos de Inteligencia Artificial (IA) priorizan patrones semánticos explícitos y probabilidades estadísticas (Morales et al., 2023).

El objetivo de esta investigación es someter un mismo conjunto de datos a ambos filtros interpretativos para cuantificar cómo la mediación algorítmica transforma la percepción de la salud comunicacional de un grupo.

2. Metodología

Los indicadores y fórmulas presentados en este estudio (UB, R, IRU, CTL, ICS) constituyen una propuesta metodológica original del autor. Esta metodología fue diseñada específicamente para abordar las carencias de los modelos de clasificación estándar en la detección de matices pragmáticos y socioculturales en entornos de mensajería instantánea.

Dichos indicadores se proponen debido a que las métricas tradicionales de la Inteligencia Artificial (IA) no logran capturar los subtextos que los humanos detectamos de inmediato en una interacción cotidiana. Para cuantificar estas diferencias, se formalizaron indicadores basados en la relación señal/ruido y en las funciones del lenguaje. No se presentan como métricas comerciales, sino como una propuesta de modelado para medir la eficiencia comunicativa y la fricción social en comunidades digitales.

2.1 Procedimiento

Se analizó un conjunto de datos compuesto por N = 5.313 mensajes recolectados durante un periodo ininterrumpido de un año (2025). El corpus proviene de un grupo de WhatsApp integrado por ciudadanos venezolanos, específicamente de la región oriental (predominantemente de Cumaná y el estado Sucre), conformado por cultores e intelectuales. Cada mensaje fue clasificado en seis categorías mutuamente excluyentes: Informativo, Cortesía/Social, Ornamental, Pasivo-agresivo, Religioso y SPAM/Cadenas.

2.2 Fundamentación de las Métricas

Las métricas presentadas a continuación no pretenden establecerse como estándares universales de la industria, sino como una herramienta original para formalizar el análisis de la salud comunicacional en redes sociales. El diseño de estos indicadores se fundamenta en la Teoría de la Información (Shannon) para la distinción entre señal y ruido, y en las Funciones del Lenguaje (Jakobson) para valorar la utilidad fática e informativa de los mensajes.

Esta formalización resulta necesaria debido a que los modelos de clasificación automática actuales (LLMs) suelen operar bajo una lógica léxica explícita, ignorando la toxicidad latente que solo una evaluación situada contextualmente puede detectar con precisión.

• Utilidad Bruta (UB): Representa la proporción de mensajes con contenido puramente informativo. Fórmula: UB = Mensajes Informativos / N 

• Ruido Total (R): Suma de categorías que no aportan a la funcionalidad operativa del grupo (ornamental + religioso + spam). Fórmula: R = M. Ornamental + M. Religioso + M. Spam 

• Índice Ruido/Utilidad (IRU): Relación que determina la eficiencia comunicativa del entorno digital. Fórmula: IRU = Ruido Total / Utilidad Bruta

• Coeficiente de Toxicidad Latente (CTL): Medida diseñada para cuantificar la fricción social indirecta (sarcasmo y pasivo-agresividad). Fórmula: CTL = Mensajes Pasivo-agresivos / N 

• Índice de Calidez Social (ICS): Mide la cohesión del grupo a través de la cortesía y el adorno social. Fórmula: ICS = M. Cortesía + M. Ornamental    

Aunque los nombres (UB, IRU, CTL, ICS) fueron asignados para este estudio, su lógica se basa en conceptos académicos reales:

• Utilidad Bruta (UB) y Ruido (R): Se basan en la Teoría de la Información de Shannon, que diferencia entre "señal" (información útil) y "ruido" (datos que no cambian el estado de conocimiento del receptor). 

• Índice Ruido/Utilidad (IRU): Es una adaptación de la Relación Señal/Ruido (SNR) utilizada en ingeniería y telecomunicaciones, aplicada aquí a la eficiencia de la comunicación humana. 

• Coeficiente de Toxicidad Latente (CTL): Se fundamenta en los estudios de Pragmática de Walters (2023) sobre la intención implícita. La fórmula busca cuantificar lo que la lingüística llama "atenuación" o "cortesía negativa" (donde entra la pasivo-agresividad). 

• Índice de Calidez Social (ICS): Se apoya en la Función Fática de Jakobson, que explica cómo ciertos mensajes no transmiten información, sino que sirven para mantener abierto el canal social y fortalecer el vínculo. 

2.3 Clasificación Automatizada

Para la clasificación automatizada del corpus de 5.313 mensajes, se utilizó el modelo de lenguaje Claude (Anthropic, https://claude.ai). La herramienta fue empleada para el análisis léxico-semántico de los datos, aplicando los mismos criterios de categorización que el equipo humano. El uso de esta IA permitió procesar el volumen total del corpus bajo patrones semánticos explícitos y probabilidades estadísticas para su posterior comparación con la inferencia pragmática humana.

3. Resultados

La clasificación humana y la automatizada arrojaron visiones contrapuestas sobre la naturaleza del grupo.

3.1 Distribución de Categorías

La Tabla 1 resume los porcentajes obtenidos por ambos métodos. La diferencia más radical se observa en la categoría Pasivo-agresiva, donde la sensibilidad humana detectó casi diez veces más incidencia que la IA.

Tabla 1.Comparativa de Clasificación de Mensajes (%)

Categoría	Clasificación Humana	Clasificación IA
Informativo	37,5	63,7
Pasivo-agresivo	26,6	2,8
Cortesía/Social	17,6	18,0
Ornamental	14,1	13.9
Religioso	2,6	1,2
SPAM	1,6	0,3

 

3.2 Indicadores Derivados

Al aplicar las métricas, el diagnóstico estructural cambia drásticamente según el observador.

●     Enfoque Humano: El sugiere un grupo donde el ruido supera a la utilidad, con una toxicidad latente significativa .

●     Enfoque IA: El  describe un ecosistema altamente eficiente (4 veces más utilidad que ruido) y virtualmente libre de toxicidad ( ).

4. Discusión y Análisis Comparativo 

4.1 La Brecha de la Toxicidad Latente y el Sesgo Cultural

La divergencia crítica de  revela que la Inteligencia Artificial (IA) tiende a "neutralizar" los mensajes procesados. Al carecer de una teoría de la mente completa aplicada al contexto histórico del grupo, la IA clasifica erróneamente como "Informativos" aquellos mensajes que un evaluador humano interpreta como sarcásticos o pasivo-agresivos. Esta limitación técnica coincide con las observaciones de Chaka (2023) sobre la incapacidad de los detectores de contenido actuales para captar matices humanos de alta complejidad.

Este fenómeno subraya una debilidad estructural: los modelos de lenguaje actuales (LLMs) operan bajo parámetros léxicos globales que, con frecuencia, ignoran la realidad sociocultural de escenarios específicos. En las dinámicas conversacionales digitales, elementos como la ironía y la fricción social dependen estrictamente de códigos locales que la IA, en su configuración estándar, no logra decodificar con la precisión necesaria.

4.2 Hacia un Modelo Adaptado

Más allá de la integración ponderada establecida (0,6×IA+0,4×Humano), los resultados obtenidos sugieren la necesidad imperativa de desarrollar o ajustar modelos LLMs que reconozcan las particularidades dialécticas y culturales de cada entorno analizado. Solo mediante la implementación de una IA situada contextualmente será posible reducir la brecha entre el significado denotativo de los mensajes y la intención pragmática real del usuario.

5. Conclusiones

Este estudio demuestra que el diagnóstico comunicacional en entornos digitales no es un proceso neutral, sino que está mediado por el marco interpretativo del observador. La discrepancia estadística encontrada revela que un mismo ecosistema digital puede ser diagnosticado como "socialmente friccionado" por un analista humano o como "operativamente eficiente" por una inteligencia artificial estándar.

La conclusión fundamental de esta investigación es que la integración de ambos enfoques es imperativa para obtener una analítica que sea estadísticamente robusta pero sociológicamente válida. Sin embargo, no basta con una combinación aritmética de resultados; el futuro del análisis de datos sociales requiere de una IA situada contextualmente.

Se concluye que los modelos de lenguaje deben evolucionar de una arquitectura léxica global hacia una capacidad de procesamiento que reconozca la realidad sociocultural y dialéctica de cada escenario. Solo mediante el entrenamiento o ajuste de modelos que comprendan los códigos locales y las sutilezas de la ironía regional, podrá la inteligencia artificial actuar como una herramienta de mediación y análisis verdaderamente efectiva en la gestión de comunidades digitales complejas.

Agradecimientos

El autor expresa su gratitud a los colaboradores, cuya dedicación en la categorización manual del corpus de mensajes fue fundamental para establecer la base comparativa de este estudio. Su capacidad para identificar matices pragmáticos y subtextos emocionales permitió contrastar con precisión las limitaciones léxicas de la inteligencia artificial.  

Declaración de uso de Tecnologías de IA Generativa

En la preparación de este estudio, el autor utilizó la herramienta Claude (Anthropic) con el fin de realizar la clasificación masiva del corpus de datos y asistir en el refinamiento del estilo del manuscrito. De la misma manera, se deja constancia de que para el diseño y elaboración de las herramientas de clasificado se usó Gemini (Google). Tras el uso de esas herramientas, el autor revisó y editó el contenido para asegurar la precisión científica y se hace responsable del contenido final de la investigación.  

Referencias

●     Chaka, C. (2023). AI content detectors seem not yet fully ready to accurately and convincingly detect AI-generated content from machine-generated texts. Journal of Applied Learning and Teaching, 6(1), 94-106.

●     Contreras, R. (2026, marzo). Radiografía Conversacional: Clasificación Humana vs IA.Tecnología Cumanesa. https://tecnologiacumanesa.blogspot.com/2026/03/clasificacion-humana-vs-ia.html

●     Contreras, R. (2026, 28 de febrero). Análisis con datos reales de un grupo de WhatsApp. Tecnología Cumanesa. https://tecnologiacumanesa.blogspot.com/2026/02/analisis-con-datos-reales-de-un-grupo.html

●     Morales, L. E., Barrios, E., & Pinto, D. (2023). Artificial Intelligence-Based Text Classification: Separating Human and Computer-Generated Texts. IberLEF 2023.

●     Newman, A., & Gopalkrishnan, K. (2023). AI communication styles and decision making: A framework for digital interaction.

●     Walters, W. H. (2023). The accuracy of 16 publicly available AI text detectors in discriminating between AI-generated and human-generated writing. Scientific Reports, 13(1), 1-12.

DESCARGAR EN PDF