Comparación del rendimiento de modelos de aprendizaje profundo para distinguir entre imágenes de noticias reales y falsas generadas por IA en redes sociales

Simple item page
dc.contributor.advisorPalta, Felipe
dc.contributor.authorRamírez Gutiérrez, Mateo
dc.date.accessioned2026-09-01T16:24:55Z
dc.date.available2026-09-01T16:24:55Z
dc.date.issued2026
dc.description.abstractEste trabajo realizó una comparación experimental de seis detectores basados en aprendizaje profundo para distinguir imágenes noticiables reales de imágenes sintéticas generadas por IA, con énfasis en su capacidad de generalización a generadores contemporáneos. Los modelos (UniversalFakeDetect, D3, DistilDIRE y tres detectores disponibles en Hugging Face) se integraron y adaptaron mediante aprendizaje por transferencia usando el split de entrenamiento de MiRAGeNews, utilizando únicamente la modalidad visual. La comparación se llevó a cabo sobre un conjunto de validación personalizado y balanceado (n=100; 50 reales y 50 sintéticas), y se cuantificó con métricas de clasificación (exactitud, precisión, recall, F1 y ROC-AUC), considerando “fake'' como clase positiva, para caracterizar tanto la separabilidad como el perfil de error (falsos positivos vs falsos negativos) relevante en escenarios de verificación periodística. Debido al tamaño limitado y a la selección manual del conjunto externo, estos resultados deben considerarse indicativos de una evidencia inicial pero no equivalen a una validación amplia en escenarios reales de redes sociales. Además, aunque el problema está motivado por el contexto colombiano, la evidencia experimental no se basa en un conjunto de datos específicamente colombiano y por tanto las implicaciones para dicho contexto deben interpretarse con cautela. Los resultados muestran que UniversalFakeDetect y D3 alcanzaron el mejor desempeño (exactitud 0,91/0,90; ROC-AUC 0,974/0,973), mientras que DistilDIRE presentó un comportamiento cercano al azar (exactitud 0,54; ROC-AUC 0,568) y los modelos de Hugging Face obtuvieron rendimiento intermedio (exactitud 0,68--0,73). En conjunto, estos hallazgos aportan evidencia inicial que puede orientar la selección y calibración de detectores para mitigar la desinformación visual, pero no deben interpretarse como una validación concluyente ni como prueba de impacto directo en contextos específicos. Se reconoce que la evaluación externa presenta limitaciones relevantes: tamaño reducido del conjunto de validación, selección manual de ejemplos y posible sesgo de dominio en las imágenes reales (p. ej., diferencias en fuentes, formatos o contexto). Estudios futuros con muestras más amplias y representativas, evaluación en datos procedentes de redes sociales y análisis del rendimiento por subdominios geográficos son necesarios para establecer recomendaciones operativas.spa
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero(a)de Sistemas y Computación
dc.format.extent93 p.
dc.format.mimetypeapplication/pdf
dc.identifier.urihttp://hdl.handle.net/11522/5768
dc.language.isospa
dc.publisherPontificia Universidad Javeriana Cali
dc.publisher.departmentFacultad de Ingeniería y Ciencias
dc.publisher.programIngeniería de Sistemas y Computación
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAprendizaje automáticospa
dc.subjectAprendizaje profundospa
dc.subjectInteligencia artificialspa
dc.subjectDetección de imágenes sintéticasspa
dc.subjectVisión por computadorspa
dc.subjectMachine learningeng
dc.subjectDeep learningeng
dc.subjectArtificial intelligenceeng
dc.subjectAI-generated image detectioneng
dc.subjectComputer visioneng
dc.titleComparación del rendimiento de modelos de aprendizaje profundo para distinguir entre imágenes de noticias reales y falsas generadas por IA en redes socialesspa
dc.typebachelor thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcolhttps://purl.org/redcol/resource_type/TP
Files
Original bundle
Now showing 1 - 2 of 2
No Thumbnail Available
Name:
Comparacion_rendimiento_modelos.pdf
Size:
8.08 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Licencia_autorizacion.pdf
Size:
229.36 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería de Sistemas y Computación