Poisoned Texts
un ejemplo de desarrollo informático para la detección del plagio
y la caracterización del idiolecto discursivoa
Poisoned Texts
AN EXAMPLE OF SOFTWARE DEVELOPMENT FOR PLAGIARISM DETECTION
AND TEXTUAL IDIOLECT CHARACTERIZATION
Adrián Cabedo Nebot
Universitat de València
adrian.cabedo@uv.es
https://orcid.org/0000-0002-3881-9308
Resumen: Este artículo presenta una investiga-
ción de caso relacionada con dos áreas normal-
mente abordadas desde la Lingüística forense:
la detección de plagio y la caracterización del
estilo idiolectal. Desarrollado en el contexto
universitario, el uso de un programa informá-
tico, Poisoned texts, sirve tanto para analizar
el plagio como el estilo de un conjunto de 13
trabajos de estudiantes universitarios que son
sospechosos de haber copiado un mismo texto
fuente. Los resultados muestran que 6 estu-
diantes plagiaron un amplio número de largas
secuencias textuales (n-gramas). En una segun-
da capa de análisis, el texto tomado como fuen-
te maniesta un estilo discursivo más completo
y depurado que el utilizado por los estudiantes.
En denitiva, este artículo, desde un estudio de
caso real, expone una metodología de análisis
del plagio y del idiolecto que combina tanto el
apartado computacional como el interpretativo.
Abstract: This article presents a case study re-
lating two areas of Forensic Linguistics: plagia-
rism detection and characterization of idiolec-
tal style. Based on a real case study, a method of
analysis of plagiarism and idiolect is presented
that combines both the computational and in-
terpretive approaches. To do so, the software
Poisoned texts is used to detect and analyze
the style and the eventual plagiarism in a set
of 13 academic works delivered by university
students who are suspected of having copied
the same source text. The results on plagiarism
and style reveal, respectively, (a) that 6 students
plagiarized a signicant number of textual se-
quences (n-grams), and (b) that the source text
has a more complete and rened discursive
style than the students’ assignments.
Palabras clave: Plagio académico, idiolecto, pro-
grama informático.
Keywords: Academic plagiarism, idiolect, soft-
ware.
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Recibido: 11/10/2022
Aceptado: 12/12/2022
ĐL
REVISTA DE LENGUA
ESPAÑOL
N
De lingüística forense, sección monográca dirigida por María García Antuña
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
1. Introducción:
el plagio como principio
El plagio constituye un ámbito de estudio muy general en nuestros días.
Tradicionalmente, la Lingüística forense ha separado como dos ramas sepa-
radas la detección del plagio y la atribución de autoría, de tal manera que los
programas informáticos que han sido desarrollados en los últimos tiempos
se dirigen hacia una u otra según el objetivo concreto de análisis. Algunas
propuestas, sin embargo, se presentan como soluciones integradoras; de
este modo, un mismo acercamiento computacional permite al investigador
realizar estudios tanto de plagio como de autoría. En esa línea, se sitúan
programas como Copycatch (Woolls, 2010) o Wcopynd (Bloomeld, 2016),
que basan sus resultados en la cuanticación de frecuencias léxicas y en el
porcentaje de similitud textual de caracteres y/o palabras.
Siguiendo la perspectiva de análisis establecida por estos programas, el
objetivo de este artículo es presentar un caso de análisis práctico que sirva
de ejemplo tanto para la detección del plagio entre textos como para una
caracterización estilística básica; para poder realizar esa tarea, se parte del
diseño y uso de un entorno computacional desarrollado con lenguaje de
programación R, Poisoned Texts (Cabedo, 2022). Esta herramienta permite
observar el grado de coincidencia textual entre documentos basándose en
las concurrencias de n-gramas denidos previamente por el investigador;
al mismo tiempo, los textos se han etiquetado gramaticalmente mediante
el uso del paquete UdPipe (Wijels, 2022); este etiquetado permite observar
singularidades estilísticas como, por ejemplo, qué categorías gramaticales o
combinación de categorías son más frecuentes al inicio de una oración.
No obstante, abordar el plagio y la caracterización discursiva del idiolecto
es una tarea complicada si se tiene en cuenta la denición operativa de los
conceptos teóricos que subyacen o a la metodología de trabajo que se aplica
(como veremos en la sección 2 y la sección 3); no se trata únicamente de uti-
lizar programas informáticos que realicen cómputos estadísticos, sino que
el papel del investigador será crucial en la interpretación valorativa de estos.
Inicialmente, la denición de plagio es aparentemente muy básica: «at its
simplest, plagiarism, or more accurately the type of plagiarism linguists are
competent to deal with, is the theft, or unacknowledged use, of text created
| 234 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
by another» (Coulthard, Johnson, Kredens y Wools, 2010: 523). Según Cicres
i Bosch y Gavaldà (2014: 68)1:
El plagio consiste en la apropiación de ideas y palabras escritas por
otra persona y, posteriormente, hacerlas pasar por propias. Así, pode-
mos establecer dos tipos de plagio: el plagio de ideas, que se produce
cuando una persona utiliza ideas de otra sin hacer ningún reconoci-
miento explícito, o bien el plagio lingüístico, que sucede cuando, ade-
más de copiar las ideas, se utilizan las mismas palabras o estructuras
lingüísticas que el autor del texto original. Esta práctica constituye un
delito contra la propiedad intelectual y, en litigios de este tipo, el perito
lingüista puede ayudar a establecer el nivel de similitud textual entre
dos o más textos y establecer la probabilidad de que no hayan sido
producidos independientemente y, por tanto, que haya habido plagio
lingüístico. [La traducción es nuestra].
Habitualmente, otros factores relacionados con la atribución de plagio de-
ben tomarse con reserva: por ejemplo, Coulthard, Johnson, Kredens y Wools
(2010) indican que la voluntariedad de quien plagia no puede tenerse en
cuenta por el investigador, ya que sobrepasa sus competencias y capacidades,
mientras que el plagio más habitual, el verbatim o la copia directa literal, solo
consiste en una de las maneras en las que puede realizarse la copia.
Al mismo tiempo, el plagio se vincula a cuestiones de ámbito jurídico,
más concretamente a situaciones en las que pueda existir un benecio por
parte de quien plagia, bien en forma de remuneración económica, bien en
forma de consolidación profesional (plazas públicas, concursos…). Mientras
la documentación jurídica2 prohíbe expresamente la reproducción total o
1 Texto original: «El plagi consisteix en l’apropiació d’idees i paraules escrites per una altra
persona i fer-les passar per pròpies. Així, podem establir dos tipus de plagi: el plagi d’idees, que
es produeix quan una persona utilitza idees d’una altra sense fer-ne cap reconeixement explícit,
o bé el plagi lingüístic, que succeeix quan, a més de copiar les idees, utilitza les mateixes parau-
les o les mateixes estructures lingüístiques que l’autor del text original. Aquesta pràctica cons-
titueix un delicte contra la propietat intel·lectual, i en litigis d’aquest tipus, el pèrit lingüista
pot ajudar a establir el nivell de similitud textual entre dos o més textos i establir la probabilitat
que no hagin estat produïts independentment, i per tant, que hi hagi hagut plagi lingüístic».
2 Nos referimos concretamente al Artículo 270 del Código Penal (Ley Orgánica 10/1995,
de 23 de Noviembre 1995), por el que «será castigado con la pena de prisión de seis meses a
cuatro años y multa de doce a veinticuatro meses el que, con ánimo de obtener un benecio
económico directo o indirecto y en perjuicio de tercero, reproduzca, plagie, distribuya, comuni-
| 235 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
parcial de los textos que se comercializan, existen otros documentos jurídi-
cos, basados en sentencias judiciales o en la Ley sobre la propiedad intelectual,
que sí facilitan un cierto grado de coincidencia textual3 y que también per-
miten la cita directa siempre que esta se establezca como tal y se haga una
referencia a la fuente original4. Por otro lado, un factor clave que facilite la
mencionada «copia en forma de cita» es el potencial permiso concedido por
los autores originales, elemento que suele ser muy habitual en el entorno de
la investigación cientíca.
Así mismo, existen ciertas zonas de vaguedad que no siempre se expli-
citan convenientemente; por ejemplo, en cuanto a las citas, no siempre se
alude al porcentaje lícito de caracteres o palabras que pueden ser citados en
un mismo bloque. Estas citas, por tanto, pueden comprender desde una o
varias líneas hasta varias páginas.
En general, por tanto, la detección de plagio consiste en averiguar el por-
centaje de similitud entre dos textos y determinar si ese porcentaje y la ma-
nera en la que se ha cometido la copia puedan ser motivo de delito y, por tan-
to, de denuncia. Mientras que la copia directa es más fácilmente detectable
mediante programas informáticos (Barrón Cedeño, 2014; Kiss, 2013; Sun,
2013; Woolls, 2010), otro tipo de copias requiere de la participación activa de
los investigadores y entra más en el ámbito de la estilística textual y la llama-
da atribución de autoría (McMenamin, 1993).
que públicamente o de cualquier otro modo explote económicamente, en todo o en parte, una
obra o prestación literaria, artística o cientíca, o su transformación, interpretación o ejecución
artística jada en cualquier tipo de soporte o comunicada a través de cualquier medio, sin la
autorización de los titulares de los correspondientes derechos de propiedad intelectual o de sus
cesionarios».
3 La Sentencia número 1204/2008, Sala 1ª, de lo Civil, 18 de diciembre de 2008 (STS 1204/2008,
18 de diciembre de 2008, 2009), contempla que «el sentido general del plagio se centra en
la copia sustancial, como actividad material mecanizada y poco intelectual y menos creativa,
carente de toda originalidad […] y no constituye plagio cuando son dos obras distintas y diferen-
ciables aunque tengan puntos comunes de exposición».
4 El Artículo 32 de la Ley de Propiedad Intelectual («Ley de propiedad intelectual, regularizan-
do, aclarando y armonizando las disposiciones legales vigentes sobre la materia (Real Decreto
Legislativo 1/1996, de 12 de Abril)» 1996) indica que «es lícita la inclusión en una obra propia
de fragmentos de otras ajenas de naturaleza escrita, sonora o audiovisual, así como la de obras
aisladas de carácter plástico o fotográco gurativo, siempre que se trate de obras ya divulga-
das y su inclusión se realice a título de cita o para su análisis, comentario o juicio crítico. Tal
utilización solo podrá realizarse con nes docentes o de investigación, en la medida justicada
por el n de esa incorporación e indicando la fuente y el nombre del autor de la obra utilizada».
| 236 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
2. La intertextualidad
en el marco académico
En la actualidad, existe un enorme interés por estudiar el plagio en el
ámbito académico. De hecho, son innumerables las referencias hacia el pla-
gio académico y su tipología general en el ámbito de la Educación Secun-
daria (Morey López , Sureda Negre, Oliver Trobat y Comas Forgas, 2013;
Díaz Arce, 2016) o de la educación universitaria (Alfaro Torres y Juan Juárez,
2014; Anson, 2022; Cayuela Mateo, Tauste Francés, Seguí Crespo, Esteve
Faubel y Ronda Pérez, 2015; Eret y Gokmenoglu, 2010); pero también hacia
el perl del estudiante plagiario (Law, Ting y Jerome, 2013; Ochoa y Cueva,
2016; Sureda, Comas y Morey, 2009).
El plagio, aunque resulte llamativo, no siempre es reconocido como una
actividad punible por parte del estudiante. Concretamente en la Educación
universitaria, un estudio centrado en 305 estudiantes de las titulaciones de
Óptica, Magisterio y Relaciones Laborales (Ronda Pérez, Seguí Crespo, Ca-
yuela Mateo, Tauste Francés, Lumbreras Lacarra y Esteve Faubel, 2016) de-
tecta, a partir de un cuestionario de actitudes y creencias, que la mayor parte
de los alumnos desconocen qué es el plagio y consideran inevitable su uso.
No obstante, la formación previa al alumnado sobre el plagio consigue que
exista un 30 % menos de probabilidades de que se cometa.
Al mismo tiempo, los argumentos que justican la copia en el marco
académico son múltiples y variados: inexperiencia, comodidad, pereza, bús-
queda de precisión, hábito, desconocimiento de las normas de redacción,
búsqueda de mejores notas… (Sureda Negre, Comas Forgas y Morey López,
2009; Sureda Nergre y Comas Forgas, 2006). Como ejemplo bastante re-
presentativo, en el año 2000, se realizó una encuesta a 1189 estudiantes de
la Escuela de Informática de la universidad australiana de Monash (Sheard,
Markham y Dick, 2003). En él se descubrieron distintas motivaciones, entre
las que sobresalían, además de las ya mencionadas, otras como la falta de
tiempo, la dicultad de una asignatura o un trabajo, pérdida de clases por
enfermedad, ayudar a un amigo, presión familiar, deseo de no fallar (o, cu-
riosamente, la indiferencia ante el fallo), etc.
Como comentábamos en la introducción (sección 1), no queda claro el por-
centaje de similitud entre dos textos que pueda considerarse plagio y, por lo
tanto, en el ámbito docente, suele ser el profesor el que decide qué límite es
el máximo de coincidencia aceptable para poder aprobar o superar una tarea.
En general, una copia superior al 20 % o 30 %, indica una similitud muy am-
| 237 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
plia que difícilmente puede explicarse por citación directa. En casos en los
que hubiera una similitud de 20 % a 50 %, incluso con una cita adecuada me-
diante comillas o sangría y reducción de tamaño de letra, depende siempre
del profesor establecer qué parte ha sido redactada, o al menos parafraseada,
y qué parte es simplemente una transliteración. Evidentemente, el esfuerzo
de transliterar o parafrasear no suele ser el mismo, por lo que ambas accio-
nes se evalúan normalmente con evaluaciones diferentes, es decir, con una
sanción para la primera y una mejor consideración para la segunda.
3. Sobre el estilo discursivo idiolectal
Una de las primeras deniciones creadas sobre el concepto de idiolecto es
la desarrollada por Bloch (1948: 7), para quien el concepto consiste en:
The totality of possible utterances of one speaker at one time in
using a language to interact with one other speaker is an idiolect… Our
denition implies (a) that an idiolect is peculiar to one speaker, (b) that
a given speaker may have dierent idiolects at successive stages of his
career, and (c) that he may have two or more dierent idiolects at the
same time. (Bloch, 1948: 7)
En cuanto al objeto de análisis lingüístico, se podría considerar que, en
la práctica, la selección de los métodos para identicar el idiolecto o el estilo
discursivo depende principalmente de dos factores: la tarea que se desarrolla
y la metodología del experto, en la medida en que este puede determinar las
variables de análisis a partir de las características del texto concreto o, de dis-
tinto modo, puede realizar el análisis partiendo de unas características (mar-
cas) establecidas previamente (Grant, 2010: 521). En la actualidad, este aná-
lisis combina el conocimiento lingüístico del experto con el uso de software.
Las tareas de atribución de autoría y de identicación de estilo discursivo
consisten en analizar y/o comparar conjuntos de textos escritos u orales (o
varios, dependiendo de las necesidades de la investigación policial, judicial
o académica), con el objetivo de analizar si los grupos de textos comparten
una serie de características lingüísticas distintivas; se analiza cuáles son las
características lingüísticas individualizadoras o idiolectales de cada grupo de
textos y si tales características se reproducen en los grupos de textos que se
comparan. Al realizar esta actividad analítica, siempre a través de la lupa va-
lorativa del investigador, se delimita un potencial perl discursivo del autor
| 238 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
y, por tanto, de su idiolecto. Grant (2010) desarrolla una visión del idiolecto
que integra concepciones teóricas cognitivas y estilísticas para servir de base
a una atribución de autoría:
My exposure to a certain variety of language containing one set of
collocates would be dierent from my neighbour’s and this persona-
lisation would gradually cause individual dierences in our language
production. Idiolectal consistency and variation would draw on the re-
source of my cognitive capacity for language production and also draw
on the complexity of my personal sociolinguistic history. According to
this potential theory of idiolect, the cognitive capacity is itself struc-
tured but malleable and the sociolinguistic history is realised in in-
cremental changes to that neuro-cognitive capacity (Grant, 2010: 514).
En la medida en que el uso de un rasgo lingüístico puede caracterizar las
producciones de un número de hablantes indenido, resulta clave la percep-
ción de esas características habituales como conjunto: «In forensic authors-
hip attribution, the linguist’s task is to identify the writer’s habitual choices
and dene them as a set» (McMenamin, 1993: 158).
Así pues, como puede observarse, tanto la detección de plagio como la
identicación del estilo de autor son actividades emparentadas y el investi-
gador puede cruzar constantemente entre ambas áreas sin ser plenamente
consciente de ello. Es por ello por lo que los métodos informáticos, con-
venientemente trazados, deben facilitar esa transición y facilitar el enfoque
concreto del analista.
4. Métodos informáticos para la detección del plagio
y la denición del estilo discursivo
En cuanto a los programas informáticos diseñados para estudiar el plagio
o caracterizar el estilo discursivo, la mayor parte se basan en la búsqueda de
coincidencias formales entre los textos, normalmente en forma de caracte-
res, palabras o n-gramas (Wright, 2017). En cualquier caso, estos programas
presentan tanto fortalezas como debilidades:
The strengths are clearly the size of data and the speed of proces-
sing of the texts, without mental fatigue and with consistent applica-
tion of the rules. The weaknesses come from the complexity of the
| 239 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
concept of similarity and the fact that any computer program can only
be an approximation of what human readers can recognise and handle
with ease (Woolls, 2010: 590).
Algunos programas como Antconc (Anthony, 2022) han sido diseñados
para observar concordancias y frecuencias entre textos sin una voluntad fo-
rense, pero pueden utilizarse para este n con una debida adaptación de los
datos por parte del investigador. Sí existen, sin embargo, programas dirigidos
al procesamiento y la búsqueda del plagio, como Copycatch (Woolls, 2010) o
Wcopynd (Bloomeld, 2016). En el caso de Copycatch, se trata de un pro-
grama no gratuito, desarrollado hace más de veinte años por David Wools,
mientras que Wcopynd, de uso gratuito y desarrollado por Lou Bloomeld,
no se actualiza desde el año 2016. En ambos casos, los programas observan
concordancias entre textos y generan un porcentaje de coincidencia basado
en frecuencias léxicas, es decir, en la cantidad de palabras que se comparten.
En este sentido, es importante la inclusión de factores como los hapax
legomena, secuencias que ocurren una única vez en un texto. Si hay una coin-
cidencia de una o varias palabras que solo se repitan una vez entre dos textos,
se considera un elemento valioso en la determinación del plagio, ya que es
una coincidencia difícilmente explicable por el azar (Grant, 2010; Woolls,
2010). En el caso de Copycatch, además, puede utilizarse una lista de palabras
que, por la naturaleza de los textos, se determine que no son susceptibles
de ser valoradas en la coincidencia entre textos. Por ejemplo, en un trabajo
sobre dinosaurios del Cretácico es posible que palabras como años, miles, pe-
riodo, Cretácico, dinosaurio, época… aparezcan de forma ineludible; lo mismo
sucedería con algunas categorías gramaticales, como los determinantes o las
preposiciones.
5. Metodología
Con ánimo de exponer un caso de identicación del plagio y de caracteri-
zación de los rasgos estilísticos de uno o varios autores, exponemos en este
artículo el estudio de un conjunto de textos procedentes de una prueba uni-
versitaria. La metodología elegida en esta investigación, y que coincide con lo
señalado por la bibliografía (Lukashenko, Graudina y Grundspeņķis 2007;
Grant 2010; Cicres i Bosch y Gavaldà, 2014), utiliza la gestión computacional
como recurso de apoyo para el análisis realizado por el especialista. Al n y
| 240 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
al cabo, más allá de lo extenso o pormenorizado del estudio cuantitativo, será
siempre la interpretación del investigador la que determine en qué medida
dos o más textos son similares u originales y, también, cuáles son los rasgos
más característicos del estilo discursivo o idiolectal de los autores
5.1 Corpus de análisis
El corpus de textos seleccionado para el análisis procede de un entorno
docente real. En el curso académico 2021-2022, como prueba nal de la asig-
natura Dialectología y Sociolingüística Españolas, se indicó a los estudian-
tes que debían presentar la redacción de un texto de 1000 a 2000 palabras
en el que se ampliara y comentara un párrafo5 de un artículo de Fernández
Ordóñez (2016), titulado «Dialectos del español peninsular». Para esta in-
vestigación, se seleccionaron aleatoriamente 13 de esas pruebas escritas; su
distribución queda reejada en la Tabla 1, donde el texto «dialectos.txt» hace
referencia al artículo de Fernández Ordóñez (2016) y el resto, nombrado con
letras del alfabeto, a cada uno de los alumnos.
5 El párrafo en cuestión era el siguiente: «El español hablado en la Península Ibérica está
articulado en una doble división dialectal: por un lado, en áreas dialectales que se disponen
de norte a sur y que parecen relacionarse con el proceso de ocupación del territorio durante la
Edad Media, tal como la disposición vertical norte-sur de las lenguas romances peninsulares
[...]. Con frecuencia los varios rasgos lingüísticos que caracterizan a estas áreas no coinciden en
sus límites geográcos ni en su distribución social, de forma que se plantea inevitablemente el
problema de decidir qué rasgos deben prevalecer en la caracterización...» (Fernández Ordóñez,
2016: 387).
| 241 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
texto párrafos oraciones tokens
A.txt 15 85 1948
B.txt 17 48 1209
C.txt 17 48 1209
D.txt 9 56 1019
dialectos.txt 96 546 8566
E.txt 25 119 2018
F.txt 16 60 1492
G.txt 16 63 1812
H.txt 9 45 1098
I.txt 16 63 1812
J.txt 22 60 1274
K.txt 14 44 900
L.txt 6 56 1459
M.txt 7 54 1468
Tabla 1. Resumen de los textos sometidos a análisis
Llaman la atención distribuciones como las de L o M, en las que hay 6 y
7 párrafos respectivamente y, sin embargo, la cantidad de párrafos es más o
menos comparable con la de otros textos que tienen más párrafos e, incluso,
con aquellos que tienen más párrafos con menos oraciones, como B o C. El
texto con menos palabras, K (900), contrasta con el que más palabras pre-
senta, E (2018).
Tanto los 13 archivos como el artículo de Fernández Ordóñez se cotejaron
unos con otros. Con este procedimiento, los textos no se comparan solo con
el sospechoso de haber sido copiado (dialectos.txt, en este caso), sino también
entre ellos; de este modo, no solo puede observarse si algunos estudiantes
puedan haber compartido la redacción de la prueba, sino que posiblemente
han tomado como fuente de copia una misma obra de consulta.
| 242 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
5.2. Poisoned texts: una herramienta informática de apoyo
En el epígrafe de este apartado se usa una palabra clave, como es «apoyo»,
es decir, los recursos de computación, los programas informáticos en gene-
ral, son en la mayor parte de las veces herramientas de soporte o apoyo que
facilitan la labor de investigación de los especialistas. En el caso del plagio o
de la atribución de autoría, los programas proporcionan valores clave, como
las frecuencias léxicas, el tipo de categorías gramaticales utilizadas, las posi-
ciones de las palabras, las colocaciones… Todos ellos son recursos que sirven
a los especialistas para mejorar sus informes lingüísticos, pero el valor del
investigador será siempre fundamental y jerárquicamente más importante
que los resultados arrojados por cualquier entorno computacional. Como se-
ñalan Lukashenko, Graudina y Grundspenkis (2007: 5):
Analysis of the known plagiarism detection tools shows that althou-
gh these tools provide excellent service in detecting matching text be-
tween documents, even advanced plagiarism detection software can’t
detect plagiarism so good as human does. They have several draw-
backs and, so manual checking and human judgment is still needed.
Human brain is universal plagiarism detection tool, which is able to
analyze document using statistical and semantical methods, is able to
operate with textual and non-textual information (Lukashenko, Grau-
dina y Grundspeņķis 2007: 5)
En la actualidad, acercarse al estudio cuantitativo de la similitud textual
puede realizarse con programas especializados (previamente, en la sección
4, hemos mencionado Copycatch o Wcopynd), pero también con programas
dirigidos al tratamiento textual más genérico (Antconc). Estos programas tie-
nen a veces algunos problemas, normalmente relacionados con el sistema
operativo en el que se ejecutan, que pueden dicultar su uso: Copycatch, por
ejemplo, es una herramienta desarrollada en lenguaje de programación Java
(por tanto, de uso general en cualquier sistema operativo), pero es un progra-
ma comercial; Wcopynd, por su parte, es gratuito, pero solo funciona en sis-
tema operativo Windows y, a fecha de realización de este artículo, no ha sido
actualizado desde 2016. Finalmente, Antconc es la solución más operativa,
desarrollada en Java, actualizado regularmente y gratuito, pero no enfocado
precisamente a la detección de plagio o a la creación de informes de similitud
lingüística o de descripción de estilo.
| 243 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Es en este contexto en el que hemos considerado útil crear un progra-
ma en lenguaje de programación R (R Core Team, 2022) y en un entorno
de ejecución Shiny (Chang y otros 2021) que es gratuito, multiplataforma
y completamente ampliable o extensible con un mínimo de conocimiento
de R (Cabedo. 2021). Actualmente, este programa, llamado Poisoned Texts
(Cabedo, 2022), está disponible en https://github.com/acabedo/poisoned-
texts y puede ejecutarse directamente mediante una versión demo o descar-
garse e instalarse en el propio ordenador. Aunque no se almacenan los textos
que se procesan en la versión demo del navegador, podría darse el caso de
que el especialista no se sintiera cómodo subiendo los textos de análisis a un
entorno web, así que el programa puede descargarse en el sistema operativo
nativo del investigador y ser ejecutado en modo oine, sin ningún tipo de
ltración a la web. La interfaz general del programa puede verse en la Figura 1:
Figura 1. Imagen general del programa Poisoned Texts.
R es actualmente uno de los lenguajes de programación más utilizados en
la comunidad cientíca a nivel internacional. En primer lugar, se trata de un
lenguaje más accesible para investigadores que no necesariamente procedan
del sector de la Informática; en segundo lugar, los programas desarrollados
con R son fácilmente escalables, por lo que siempre pueden añadirse nuevas
funcionalidades sin necesidad de modicar en gran medida el código fuente
del programa. Finalmente, un último factor no menos importante es que
precisamente la gran comunidad de usuarios que existe se preocupa cons-
| 244 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
tantemente de mejorar y potenciar, mediante librerías, las funcionalidades,
ya de por sí ingentes, del propio lenguaje.
En general, la codicación de programas por parte de los investigadores
tiene la opción de estar al servicio de los intereses particulares de quien los
diseña, pero también pueden ofrecerse de modo gratuito a la comunidad
cientíca, tanto para que esta los utilice sin más, como para que los descar-
gue y modique a partir del código fuente. En el caso de Poisoned Texts, el
programa puede descargarse desde la plataforma Github, cuyo objetivo es la
de permitir a los desarrolladores, y a otros investigadores, compartir progra-
mas creados normalmente con código de libre acceso.
El enfoque de Poisoned Texts parte en cierta medida de otros programas
citados previamente como Copycatch o Wcopynd, pero presenta otras nove-
dades que desarrollamos en la siguiente lista:
• Uso del etiquetado gramatical de las palabras, realizado automá-
ticamente mediante el uso de la librería UdPipe, en el que se in-
cluyen categorías gramaticales tradicionales (sustantivo, adjetivo,
adverbio…), pero también números o puntuación.
• Frecuencias léxicas absolutas y relativizadas de los n-gramas cuyo
tamaño ha sido seleccionado por el analista (con un máximo de 50
palabras consecutivas).
• Para aproximarse al estilo del autor, los textos pueden caracteri-
zarse a partir de una tabla en el que se calcula la media de la canti-
dad de palabras, sustantivos, adjetivos, comas… que aparecen por
oración en los textos analizados. Estas frecuencias se relativizan
además sobre una base de 100 palabras.
• Los datos anteriores se proyectan para mejorar su visibilidad en
un mapa de calor en el que los valores se han relativizado por
columna.
• Los n-gramas se etiquetan, de manera similar a como hace Copy-
catch, en aquellos que aparecen más de una vez (shared), los que
se aparecen una única vez y coinciden una sola vez con otro o más
textos (once) y los que aparecen solo en un único texto, sin coinci-
dir con ningún otro texto (only).
• Es posible exportar un informe general a html, Word o PDF, en el
que se añade más información, como las palabras más frecuentes
y n-gramas de 2, 3 y 4 palabras que aparecen a principio de ora-
ción.
| 245 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
• En el informe que se genera puede observarse también las catego-
rías gramaticales más frecuentes, pero también las combinaciones
de 2, 3 y 4 categorías más frecuentes que aparecen a principio de
oración. De este modo, siempre pueden observarse características
particulares del idiolecto o estilo de los sujetos en un ámbito más
profundo que el meramente supercial de la coincidencia formal
de los tokens o formas léxicas en general. Imagínese, por ejemplo,
que una secuencia DET NOUN VERB ADJ (por ejemplo, subya-
cente a oraciones como el hombre viene ligero) fuera la más fre-
cuentes a inicio de oraciones y coincidiera solo entre dos textos de
una comparación realizada entre 30 textos. No tendría que con-
cluirse necesariamente que esos dos textos pertenecieran al mismo
autor, pero sí podría ser un argumento de apoyo a un análisis más
amplio y detallado.
Al haber sido diseñado con R, Poisoned Texts puede ampliarse con nuevas
funciones para la explotación estadística, bien descriptiva (grácos de fre-
cuencias, diagramas de caja…), bien inferencial (árboles de decisiones, regre-
siones, análisis factorial, análisis discriminante…).
6. Análisis de caso
A partir del uso de Poisoned Texts hemos podido realizar dos tipos de aná-
lisis: el primero, centrado en la similitud textual entre los textos analizados;
el segundo, por su parte, nos ha permitido explorar algunas características
discursivas de los autores de los textos, con la voluntad de observar cuáles
se asemejan, más allá de una mera coincidencia de secuencias textuales. De
esta manera, con este estudio de caso, ejemplicamos tanto la detección de
plagio como caracterización de estilo o idiolecto.
6.1 Porcentaje de plagio
En la Figura 2 se expone el porcentaje de similitud entre los textos que más
coincidencia han presentado en el análisis del programa; en este caso, los
n-gramas tomados en consideración han sido de tamaño 10, dado que la
bibliografía ha establecido que, en general, secuencias que superen 8 o 9
| 246 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
palabras consecutivas deberían ser idiolectales; esto lo sugiere, por ejemplo,
Grant (Grant 2010), que toma como base un experimento previo realizado en
Google por Malcolm Coulthard.
Figura 2. Porcentajes de similitud más altos en n-gramas de tamaño 10 en los textos del corpus.
En la Figura 2, por tanto, se observa que hay tres textos (H, B y M) que pre-
sentan un 10 % de coincidencia de n-gramas tamaño 10 con el archivo dia-
lectos.txt, que incluye el texto del artículo de Fernández Ordóñez (2016). Por
ejemplo, en el caso del estudiante H, se observan 75 secuencias de n-gramas
tamaño 10 que coinciden con dialectos.txt. Si ese tamaño de n-gramas se re-
duce a dos, o incluso a uno, el porcentaje de copia asciende necesariamente;
de hecho, aunque no aportamos imagen de ello, las coincidencias ascienden
en ese último caso a 42-44 % en los mismos textos.
Por lo tanto, en este caso el resultado no solo establece un porcentaje de
similitud como elemento que señale el plagio del estudiante (de hecho, un
10 % puede no parecer demasiado), sino que es precisamente el tipo de simi-
litud el que señala en la dirección de una copia verbatim o literal con secuen-
cias que, como señalábamos con el ejemplo de Coulthard, supera el umbral
habitual en construcciones que deberían ser propias de los estudiantes.
Si ahondamos en esas secuencias de 10 palabras consecutivas, podemos
ver en la Figura 3 una matriz de coincidencias, en la que aparece una colum-
na con los distintos n-gramas de 10 detectados en los textos analizados y,
extendidos a la derecha, la cantidad de esos n-gramas por texto.
| 247 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Figura 3. Ejemplo de coincidencia de n-gramas de 10 entre los textos.
En el caso de la Figura 3, por tanto, hemos seleccionado aquellos n-gramas
que coinciden una única vez entre los textos (once), es decir, que aparecen
una vez, por lo menos, en uno de los textos y se repiten en otro. Este fenóme-
no, denominado hapax legomena, se utiliza también como criterio habitual
en la determinación de plagio (Woolls 2010). Por ejemplo, el n-grama a algu-
nas zonas del oriente andaluz con la repoblación del aparece una única vez en el
texto dialectos.txt y en el texto del estudiante F.
Todos los n-gramas se resumen también visualmente como se muestra
en la Figura 4, en la que, para cada texto, se indica qué distribución por texto
se determina para el conjunto de n-gramas que se repiten más de una vez
(shared), los que aparecen una sola vez y se repiten con otro texto (once) y los
que son exclusivos de cada texto (only).
Así pues, la Figura 4, muestra las distribuciones de los textos que, en prin-
cipio, no han copiado tanto secuencias de n-gramas tamaño 10, como sería el
caso de los estudiantes G e I; por su parte, el estudiante H, aunque presenta
un 88.89 % de contenido presuntamente original (o quizá mejor parafrasea-
do), sí incluye el resto de su texto como copia en forma de hapax legomena o
recurrente.
| 248 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Figura 4. Ejemplo de vocabulario por frecuencia de aparición en alguno de los textos analizados.
Por su parte, en la Figura 5, a modo de visualización más atractiva, los
distintos n-gramas de 10 que han sido identicados como coincidentes,
se proyectan para poder ser utilizados en una posible justicación ante el
alumno por haber recibido este algún tipo de sanción o reducción de nota
en la evaluación nal.
Figura 5. Ejemplo de concordancias coincidentes entre textos.
Concretamente, en la Figura 5 se proyectan las coincidencias del estudian-
te M con el artículo de Fernández Ordóñez (2016). Podrían haberse seleccio-
| 249 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
nado más textos o incluso todos ellos, pero normalmente la funcionalidad de
este apartado de Poisoned Texts está pensada para ser ejecutada en grupos de
dos. Debe tenerse en cuenta que esta selección es una de las partes que, si se
deciden exportar los resultados, aparecerá en el archivo de exportación nal,
bien sea en PDF, HTML o Word.
Así pues, en general, puede decirse que los estudiantes que mayor plagio
han mostrado han sido H, B y M; por su parte, A, I y K también presentan
coincidencias entre ellos. La revisión general de los textos muestra que no se
han copiado realmente entre sí, sino que han tomado como base el texto de
Fernández Ordóñez (2016), si bien en algunas ocasiones las labores de pa-
rafraseo han sido bastante compartidas. Finalmente, el resto de estudiantes
como C, D, E, F, J y L presentan porcentajes de copia, al menos de n-gramas
tamaño 10, menores e incluso residuales.
6.2 Estilos discursivos
En la sección anterior (6.1.) se observaba la similitud textual entre los do-
cumentos analizados. En el caso del presente apartado, más dirigido hacia
el estudio del estilo discursivo, Poisoned Texts realiza una caracterización
gramatical básica de los textos, tomando como base el etiquetado en part of
speech tags realizado con UdPipe (Wijels, 2022). El resumen de la media de
categorías gramaticales y otras variantes por oración, con una relativización
sobre 100 palabras, se puede observar en la Figura 6.
En el caso de esta funcionalidad, el investigador puede seleccionar las va-
riables que quiere que aparezcan en el mapa de calor, con lo que este mapa
puede ser más o menos amplio según los intereses particulares. Al mismo
tiempo, como se señalaba en el apartado 5.2, Poisoned Texts puede ampliar
sus variables de análisis con sencillas modicaciones del código fuente.
| 250 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Figura 6. Mapa de calor con dendograma (análisis de clúster)
que une en grupos a los textos analizados
La Figura 6 incluye mucha información tanto en la disposición y el orden
vertical en el que aparecen los textos, como en el color de las diferentes va-
riables o el análisis de clúster de la parte izquierda del mapa. El análisis de
clúster horizontal acumula las variables que presentan una mayor cercanía,
como, por ejemplo, es el caso de la cantidad de adjetivos, determinantes,
preposiciones y nombres que aparecen de media por oración. En cuanto a los
colores, las tonalidades más oscuras (cercanos al rojo o marrón oscuro) in-
dican que los documentos presentan un mayor valor de las variables corres-
pondientes. Los colores, en realidad, representan las medias de las variables,
que en Poisoned texts, aparecen en una tabla. A modo de ejemplicación, se
incluyen en la Figura 7:
| 251 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Figura 7. Valores medio por oración de las variables introducidas en el mapa de calor.
Por ejemplo, a partir de lo que se proyecta en la Figura 6 y en la Figura 7,
el documento de Fernández Ordóñez (2016) se desliga del resto de los docu-
mentos en la parte nal del mapa y se consolida como una rama única en el
análisis de clúster de la parte izquierda. Si atendemos a las variables expues-
tas sobre el mapa, Fernández Ordóñez utiliza un mayor número de punto y
comas (qcolon [semicolon quantity]) y de nombres propios (qpropn [proper noun
quantity]). El uso del punto y coma denota un mayor cuidado por la expresión
y la presentación textual, por lo que el registro formal del texto cientíco que-
da maniesto; por su parte, los nombres propios están relacionados con gran
citación de ciudades o de nombres relacionados con lugares o pertenencias
geográcas (Barcelona, Madrid, Asturias, Vasco, Catalán…); también debe te-
nerse en cuenta que el artículo de Fernández Ordóñez (2016) es mucho más
extenso que el resto de textos comparados y que, además, presenta un aparta-
do de bibliografía en el que mayoritariamente abundan los nombres propios.
Al mismo tiempo, las variables que presentan valores más bajos son la
cantidad de determinantes (qdet), preposiciones (qprep), verbos (qverb) y
nombres comunes (qnoun); pero esto último tiene también sentido si se tie-
ne en cuenta que la cantidad de palabras por oración es menor que en mu-
chos de los textos de los estudiantes. La variable words maniesta la media
| 252 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
de palabras por oración de Fernández Ordóñez (2016); así pues, el estilo de
la autora es claramente mucho más preciso y cuidado, ya que no solo utiliza
oraciones breves, las cuales mejoran la recepción por parte del lector en el
marcado de aprendizaje académico, sino que combina este dato con el uso de
punto y coma, signo de puntuación que, como hemos comentado, dosica la
información y estructura mejor el contenido de lo dicho.
Por su parte, el resto de las variables que caracterizan el estilo son la can-
tidad de comas (qcomma), la de conjunciones no subordinadas (qcconj) y la
de adverbios (qadv), que tienen algo más de presencia que otras categorías
gramaticales.
En cuanto al resto de estudiantes, los textos se agrupan de la siguiente
forma:
• H, F y A. Tienen extensión similar de oraciones, con unos valores
medio altos, y usan un gran número de verbos, nombres y conjun-
ciones coordinantes, así como pocos adjetivos.
• I, G, C y B. Presentan una extensión mayor de oraciones, con pocos
adverbios y verbos.
• M, K, L y D. Usan menos verbos y conjunción coordinantes, pero
más determinantes y nombres. La extensión de las oraciones, en
general, suele ser breve en este grupo.
• J y E. Estos dos textos presentan un estilo más compensado, con
una distribución más o menos similar por cada una de las catego-
rías gramaticales incluidas, además del uso de punto y coma, más
usado en el caso de E. En todo caso, destaca el uso de adjetivos y
de verbos.
Si recordamos los textos que presentaban una mayor cantidad de plagio
(H, B y M), vemos que quedan repartidos en tres grupos distintos si atende-
mos al estilo discursivo. De este modo, mientras que el plagio puede ser más
o menos constante en un estudio de similitud textual, la consideración de las
características lingüísticas de los autores, desde un punto de vista intratex-
tual, puede conllevar la creación de otros grupos diferentes.
Esto no debe llevar a confusión, dado que los presupuestos del plagio y
de la caracterización de estilo no son exactamente los mismos. En los tex-
tos académicos de los estudiantes que hemos analizado hay marcas propias,
más allá de las secuencias que pueden coincidir con el texto de Fernández
Ordóñez (2016). Debemos recordar que, atendiendo a n-gramas de tamaño
| 253 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
10, las coincidencias eran de un 10 %, por lo que sigue existiendo un 90 %
textual en el que los estudiantes utilizan sus propias palabras o, al menos,
su manera idiosincrásica de expresarse; incluso en los casos en los que haya
existido un parafraseo también directo del texto tomado como fuente.
7. Reexiones nales
En este artículo hemos pretendido situar la detección del plagio académi-
co en un entorno de análisis real, procedente del estudio de trece trabajos
nales de una asignatura; algunos de estos trabajos copiaron en mayor me-
dida un trabajo fuente sobre dialectología del español de Fernández Ordóñez
(2016).
Precisamente, el utilizar un análisis de caso real nos ha permitido introdu-
cir brevemente, como marco teórico, elementos importantes en la identica-
ción y determinación del plagio, como la legalidad de la acción de copia, su
tipología, el valor que le conceden los estudiantes… Al mismo tiempo, hemos
visto que la detección del plagio y la caracterización del estilo discursivo de
los autores son actividades que pueden quedar integradas en un mismo blo-
que de análisis.
Por ello mismo, cuando un caso real de estudio requiere de la interpre-
tación por parte del analista (o profesor, generalmente, en el ambiente aca-
démico), los problemas se articulan sobre todo en la medida en la que el
análisis valorativo se realiza de un modo operativo, funcional y ágil. Es en
este sentido en el que el entorno computacional cobra sentido, ya que las
herramientas informáticas contribuyen en enorme medida a simplicar la
tarea de análisis, siempre que ofrezcan una gestión visualmente simple, pero
completa, del apartado cuantitativo.
Por esta razón, en este artículo introducimos el uso de un programa in-
formático, Poisoned Texts, desarrollado con lenguaje de programación R, que
permite distintas operaciones de análisis textual, en las que destacan no solo
la búsqueda de intertextualidad a partir de la coincidencia de n-gramas de dife-
rente tamaño, sino el etiquetado gramatical automático, la caracterización dis-
cursiva del estilo de los autores, basada en la proyección de un mapa de calor,
etc. Este programa, disponible gratuitamente en Github, puede ser libremente
utilizado, mejorado y ampliado por los investigadores siempre que sea la vo-
luntad de estos incorporar nuevas funcionalidades; por ejemplo, el programa
podrá mejorarse, en futuras versiones, con la añadidura de otros elementos de
| 254 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
estudio, como el análisis de sentimientos presente en los textos o el ltrado
más consistente de secuencias establecidas claramente como citas.
En los trece estudiantes seleccionados de forma aleatoria para el estudio
efectuado, se ha determinado que algunos de ellos (H, B y M, de manera
más evidente; y A, I y K, de modo más secundario) copiaron de forma literal
el texto de Fernández Ordóñez (2016); el resto de estudiantes, aunque tam-
bién pudieron incluir algunos fragmentos coincidentes, no superaron un
porcentaje llamativo, siempre teniendo en cuenta que en el ámbito académi-
co, sobre todo en el desarrollo de trabajos o pruebas de evaluación, es común
tomar un texto externo como fuente directa y, en tal sentido, es permisible
un cierto grado de intertextualidad directa. Esta similitud, si bien puede rea-
lizarse lícitamente mediante citas directas, no siempre queda maniesta de
esa manera en el texto nal redactado por los estudiantes. Las motivaciones,
de carácter variado, se han comentado ya en este trabajo (sección 1.1).
Como reexión general, podemos concluir que en actividades relaciona-
das con el análisis textual, orientado a detección de plagio o caracterización
del estilo idiolectal, es importante que los investigadores posean conocimien-
tos de programación para no solo poder ingeniar y desarrollar sus propios
programas de análisis, sino también para poder utilizar programas ya crea-
dos por otros especialistas o, en el caso de que estos sean de libre uso, poder
adaptarlos y ampliarlos según las necesidades particulares que un estudio
concreto pueda requerir.
| 255 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Alfaro Torres, Paloma; y Juan Juárez, Teresa de
(2014). «El plagio académico: formar
en competencias y buenas prácticas
universitarias», RUIDERAe: Revista de
Unidades de Información, 6, 1, pp. 1-20.
Anson, Daniel W. J. (2022). «Personas of
plagiarism: the construction of the
plagiarist in Australian university
subreddits», Linguistics and Education,
69, pp. 1-12, https://doi.org/10.1016/j.lin-
ged.2022.101050.
Anthony, Laurence (2022). AntConc, Tokio,
Waseda University, http://www.laurence-
anthony.net/software/antconc/.
Barrón Cedeño, Alberto (2014). «Software para
la detección de plagio académico», en
R. Comas Forgas y J. Sureda Negre
(coord.), El plagio académico en Edu-
cación Secundaria: características del
fenómeno y estrategias de intervención,
Palma, Grupo de investigación de la
Universidad de las Islas Baleares, pp.
85-100.
Bloch, Bernard (1948). «A Set of Postulates
for Phonemic Analysis», Language 24,
1, pp. 3-46, https://doi.org/10.2307/410284.
Bloomeld, Lou (2016). Wcopynd, https://pla-
giarism.bloomeldmedia.com/.
Cabedo Nebot, Adrián (2021). Fundamentos de
estadística con R para lingüistas, Valen-
cia, Tirant Lo Blanch.
— (2022). Poisoned Texts, https://github.com/
acabedo/poisonedtexts.
Cayuela Mateo, Ana; Tauste Francés, Ana; Seguí
Crespo, Mar; Esteve Faubel, José María; y Ron-
da Pérez, Elena (2015). «¿Cómo medir el
plagio entre alumnos universitarios?:
Revisión de instrumentos utilizados
en artículos cientícos», en María
Teresa Tortosa Ybáñez, José Daniel
Álvarez Teruel y Neus Pellín Buades
(coords.), XIII Jornadas de Redes de In-
vestigación en Docencia Universitaria:
nuevas estrategias organizativas y meto-
dológicas en la formación universitaria
para responder a la necesidad de adapta-
ción y cambio, Alicante, Universidad de
Alicante, pp. 210-216.
Cebrián Robles, Violeta (2020). Estudio sobre
el plagio en las facultades de educación.
tesis doctoral dirigda por Manuela Ra-
poso Rivas, Vigo, Universidad de Vigo.
Chang, Winston; Cheng, Joe; Allaire, JJ.; Sievert,
Carson; Schloerke, Barret; Xie, Yihui; Allen,
Je; McPherson, Jonathan; Dipert, Alan; y
Borges, Barbara (2021). «Shiny: Web Ap-
plication Framework for R», https://
CRAN.R-project.org/package=shiny.
Bibliografía
| 256 |
Poisoned Texts. Un ejemplo de desarrollo informático para la detección del plagio...
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Cicres i Bosch, Jordi; y Gavaldà, Núria (2014): «La
lingüística forense: la llengua com a
evidència», Revista de llengua i dret, 61,
pp. 60-71.
Código Penal (Ley Orgánica 10/1995, de 23 de
Noviembre), 1995, Noviembre. https://vlex.es/
vid/ley-organica-codigo-penal-126987.
Coulthard, Malcolm; Johnson, Alison; Kredens,
Krzysztof; y Wools David (2010). «Plagiarism
Four forensic linguists’ responses to
suspected plagiarism», en Malcolm
Coulthard y Alison Johnson (eds.),
The Routledge Handbook of Forensic
Linguistics, Londrés, Routledge (col.
Routledge Handbooks in Applied Lin-
guistics), pp. 523-538.
Díaz Arce, Dariel (2016). «Plagio académico
en estudiantes de bachillerato: ¿qué
detecta TURNITIN?». RUIDERAe:
Revista de unidades de información, 9,
pp. 1-31.
Eret, Esra; y Gokmenoglu, Tuba (2010). «Plagia-
rism in higher education: a case study
with prospective academicians», Proce-
dia - Social and Behavioral Sciences, In-
novation and Creativity in Education, 2,
2, pp. 3303-3307, https://doi.org/10.1016/j.
sbspro.2010.03.505.
Fernández-Ordóñez, Inés (2016). «Dialectos
del Español Peninsular», en Javier
Gutiérrez Rexach (ed.), Enciclopedia de
Lingüística Hispánica, Londres, Routle-
dge, pp. 387-404.
Grant, Tim (2010). «Text Messaging Forensics
Txt 4n6: Idiolect Free Authorship Anal-
ysis?», en Malcolm Coulthard y Alison
Johnson (eds.), The Routledge Hand-
book of Forensic Linguistics, Londres,
Routledge (col. Routledge Handbooks
in Applied Linguistics), pp. 508-522.
Kiss, András Károly (2013). «Loopholes of
Plagiarism Detection Software», en
Aytekin Isman, Colleen Sexton, Te-
resa Franklin, Ahmet Eskicumali
(ed.), Procedia - Social and Behavioral
Sciences, 4th International Conference
on New Horizons in Education, 106
(diciembre), pp. 1796-1803, https://doi.
org/10.1016/j.sbspro.2013.12.202.
Law, Lily; Ting, Su-Hie; y Collin, Jerome (2013).
«Cognitive dissonance in dealing with
plagiarism in academic writing», en
Chee Siong Teh, Hee-Rahk Chae,
Shahren Ahmad Zaidi Adruce, Philip
Nuli Anding, Chwen Jen Chen, Nora-
zila Abd Aziz, Kock Wah Tan (ed.),
Procedia - Social and Behavioral Sci-
ences, The 9th International Conference
on Cognitive Science, 97 (noviembre),
pp. 278-284, https://doi.org/10.1016/j.sb-
spro.2013.10.234.
Ley de propiedad intelectual, regularizando,
aclarando y armonizando las disposiciones
legales vigentes sobre la materia (Real De-
creto Legislativo 1/1996, de 12 de Abril)»,
1996, abril. http://vlex.com/vid/regularizan-
do-aclarando-armonizando-127567.
Lukashenko, Romans; Graudina, Vita; y Grund-
speņķis, Janis (2007). «Computer-Based
plagiarism detection methods and
tools: an overview», en Boris Rachev,
Angel Smrikarov y Dimo Dimov (ed.),
Proceedings of the 2007 International
Conference on Computer Systems and
Technologies, Rousse, Bulgaria, Asso-
ciation for Computing Machinery, pp.
1-6, https://doi.org/10.1145/1330598.1330642.
McMenamin, Gerald R. (1993). Forensic stylis-
tics, Ámsterdam, Elsevier.
Morey López, Mercedes; Sureda Negre, Jaume; Ol-
iver Trobat, Miquel Francesc; y Comas Forgas,
Rubén Lluc (2013). «Plagio y rendimiento
académico entre el alumnado de Edu-
cación Secundaria Obligatoria», ESE:
| 257 |
Adrián Cabedo Nebot
Del Español. Revista de Lengua, 1, 2023, pp. 233-258
ISSN: 3020-2434 (en línea), 3045-543X (impresa). https://doi.org/10.33776/dlesp.v1.7922
Estudios sobre educación, 24, pp. 225-
244.
Ochoa Sierra, Ligia y Cueva, Alberto (2016). «Per-
cepciones de estudiantes acerca del
plagio: datos cualitativos», Encuentros
14, 2, pp. 25-41.
R Core Team. 2022. R: A language and envi-
ronment for statistical computing, Viena,
Austria, R Foundation for Statistical
Computing, https://www.R-project.org/.
Ronda Pérez, Elena; Seguí Crespo, Mar; Cayuela
Mateo, Ana; Tauste Francés, Ana; Lumbreras
Lacarra, Blanca; y Esteve Faubel, José María
(2016). «RedPlag: el plagio en los tra-
bajos docentes de los estudiantes uni-
versitarios», en José Daniel Álvarez
Teruel, Salvador Grau Company y Ma-
ría Teresa Tortosa Ybáñez (coords.),
Innovaciones metodológicas en docencia
universitaria: resultados de investigación,
San Vicente de Raspeig, Universidad
de Alicante, pp. 633-648.
Sheard, Judy; Markham, Selby; y Dick, Martin
(2003). «Investigating dierences in
cheating behaviours of IT undergrad-
uate and graduate students: the ma-
turity and motivation factors», Higher
Education Research & Development, 22,
pp. 91-108, https://doi.org/10.1080/0729436
032000056526.
STS 1204/2008, 18 de diciembre de 2008. http://
vlex.com/vid/intelectual-sistema-informati-
co-datos-52043815.
Sun, Yu-Chih (2013). «Do journal authors
plagiarize? Using plagiarism detec-
tion software to uncover matching
text across disciplines», Journal of
English for Academic Purposes, 12, 4,
pp. 264-272, https://doi.org/10.1016/j.
jeap.2013.07.002.
Sureda Negre, Jaume; y Comas Forgas, Rubén Lluc
(2006). «Ciber-Plagio académico. Una
aproximación al estado de los conoci-
mientos», Textos de la CiberSociedad,
10, pp. 1-6.
Sureda Negre, Jaume; Comas Forgas, Rubén
Lluc; y Morey López, Mercedes (2009). «Las
causas del plagio académico entre el
alumnado universitario según el pro-
fesorado», Revista Iberoamericana de
Educación 50, 1, pp. 197-220.
Wijels, Jan (2022). «Udpipe: Tokenization,
Parts of Speech Tagging, Lemmati-
zation and Dependency Parsing with
the ’UDPipe’ ’NLP’ Toolkit», https://
CRAN.R-project.org/package=udpipe.
Woolls, David (2010). «Computational Fo-
rensic Linguistics searching for simi-
larity in large specialised corpora», en
Malcolm Coulthard y Alison Johnson
(eds.), The Routledge Handbook of Fo-
rensic Linguistics (col. Routledge Hand-
books in Applied Linguistics), Lon-
dres, Routledge, pp. 576-590.
Wright, David (2017). «Using word n-grams
to identify authors and idiolects: a
corpus approach to a forensic linguis-
tic problem», International Journal of
Corpus Linguistics, 22, 2, pp. 212-241,
https://doi.org/10.1075/ijcl.22.2.03wri.
| 258 |