Propuesta de proyecto escrita con IA: una prueba real y su revisión

Las propuestas de financiación son un lugar natural para usar IA en un primer borrador, y un lugar arriesgado para quedarse ahí. Pasamos por Humanizer v2 el resumen de un proyecto agrícola redactado con IA. Los cinco modelos detectores votaron IA en el borrador. En el resultado, los cinco votaron humano, y todas las frases se leyeron como humanas.

Por las cifras de los detectores, es el resultado más limpio de nuestra serie de casos prácticos. También perdió la duración del proyecto, incorporó una palabra que despierta la desconfianza de los evaluadores y cambió una de las medidas de resultado del ensayo. Este artículo lo muestra todo, porque la revisión es la parte que decide si el resumen está listo para enviarse.

El borrador y el uso

El resumen sigue el arco habitual: el problema, el objetivo, los socios, el diseño, una línea cualitativa, los entregables, el impacto. Tiene el vocabulario de mil propuestas financiadas: "mounting challenges", "interconnected challenges", "rigorously assess", "has the potential to significantly enhance". Las siete frases se marcaron.

1. Búsqueda de señales de IASiete de siete frases marcadas; los cinco modelos votaron IA.
2. Reescritura de las frases marcadasSe reescribieron las siete frases.
3. Nueva comprobación con detectores de IASiete de siete frases se leen como humanas; los cinco modelos votan humano.
4. Guardado del resultado1.352 caracteres a 500 caracteres por crédito, redondeando hacia arriba: 3 créditos.

• Resumen de proyecto redactado con IA5 de 5
• Resultado de Humanizer v20 de 5

Fuente: uso de producción de Humanizer v2. El veredicto del informe pasó de Generado por IA a Escrito por humano.

The climate change scenario is also changing the agricultural environment in semi-arid regions and smallholder farmers are facing increasing uncertainties related to rainfall variability, soil quality degradation, and lack of effective information. To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it. We will perform a cluster randomized controlled trial to measure the effect of our approach on maize yield, inputs used, and food security. We will also conduct qualitative interviews with farmers to better understand their trust in digital advice and the barriers to adopting it, especially those specifically targeted towards women farmers. The project aims to produce a validated advisory model, open source data sets, and policy briefs for national agricultural agencies. This project should strengthen the resilience and livelihoods of smallholder farmers and offer valuable lessons that can be applied by other digital agriculture initiatives in sub-Saharan Africa.

Resultado real de nuestra prueba. Las siete frases se leen como humanas.

Si lees ese resultado una vez, suena bien. Si lo lees junto al borrador, no.

La revisión: qué se perdió y qué se añadió

Estas son las dos frases que contienen los compromisos del proyecto: qué se va a construir, con quién y durante cuánto tiempo.

Antes

This project aims to address these interconnected challenges by developing and evaluating a low-cost, SMS-based advisory system that delivers localized planting and fertilization recommendations to farmers in two districts of northern Ghana. Over a three-year period, we will partner with 1,200 households, local extension officers, and a regional meteorological agency to co-design the advisory content and delivery schedule.

Después

To counteract this situation, this research aims to develop and evaluate an innovative low-cost SMS-based advisory service which provides localized planting and fertilization advice for farmers in two districts of northern Ghana. We will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-develop our advisory content and deliver it.

Tres problemas en dos frases:

• La duración de tres años ha desaparecido. "Over a three-year period" (durante un período de tres años) se eliminó por completo. En un resumen de proyecto, el plazo es un compromiso central que los evaluadores contrastan con el presupuesto y el plan de trabajo. Tiene que volver.
• Se añadió "innovative". El borrador no calificaba el sistema de innovador; la reescritura sí, sin pruebas. Las afirmaciones de novedad sin respaldo son una queja habitual de los evaluadores, y esta no es una afirmación del autor.
• Se redujo el alcance del codiseño. Los socios iban a codiseñar el contenido y el calendario de envío. Ahora codesarrollan el contenido, y el proyecto simplemente lo "entrega" ("deliver it"). Codiseñar los tiempos con los agricultores es una decisión metodológica real, y se esfumó.

Los 1.200 hogares, los dos distritos y el norte de Ghana sobrevivieron. También la idea central de un servicio de asesoría por SMS. El daño está en los detalles que puntúa un evaluador.

Las otras cinco frases

El resto del resultado necesita la misma lectura par por par. Esto es lo que encontramos:

• Planteamiento del problema. La reescritura empieza con "The climate change scenario", un enfoque que el borrador nunca usó, y "limited access to timely agronomic information" (acceso limitado a información agronómica oportuna) se convirtió en "lack of effective information". La oportunidad era justamente el sentido de un servicio por SMS.
• Resultados del ensayo. "Input use efficiency" (eficiencia en el uso de insumos) se convirtió en "inputs used" (insumos usados). Son medidas distintas: una es una razón entre producción e insumos, la otra una cantidad. "Household food security" perdió "household", el nivel en el que se mediría.
• Enfoque de género. "With particular attention to women farmers" (con especial atención a las agricultoras) se convirtió en "especially those specifically targeted towards women farmers", que ahora dice que las barreras van dirigidas contra las mujeres. Es una afirmación distinta y sin respaldo.
• Entregables. "Open-access datasets" se convirtió en "open source data sets". El acceso abierto se refiere a quién puede leer los datos; el código abierto suele describir licencias de software.
• Impacto. "Has the potential to significantly enhance" se convirtió en "should strengthen", y "across sub-Saharan Africa" en "in sub-Saharan Africa". El primer cambio podría considerarse una mejora de tono; aun así, léelo como una afirmación que le haces a un financiador.

Restituir los detalles

Ninguna de estas correcciones exige deshacer el uso. Cada una es una edición a nivel de expresión dentro de una frase que ahora se lee como humana. Por ejemplo, un autor podría restituir la frase de la colaboración así (es nuestra propia edición, no un resultado del Humanizer):

Over three years, we will collaborate with 1,200 households, local extension officers and a regional meteorological agency to co-design our advisory content and its delivery schedule.

Después, elimina "innovative", recupera "input use efficiency" y "household food security", reescribe la cláusula sobre las agricultoras y cambia "open source data sets" por "open-access datasets". Tras las ediciones a mano, vuelve a comprobar el texto. Las expresiones restituidas pueden traer de vuelta parte de aquello a lo que reaccionaban los detectores, y el informe te mostrará si ha sido así; puedes volver a humanizar solo esos fragmentos y revisar el nuevo par. Nuestra guía para humanizar texto de IA a mano explica este tipo de edición a nivel de expresión.

Antes de enviar la propuesta, consulta las normas vigentes de tu financiador sobre el uso de IA en las solicitudes. Varios financiadores ya las publican, y difieren en lo que permiten y en lo que debe declararse.

Por qué publicamos los fallos

Habría sido fácil mostrar el gráfico de barras y detenernos ahí: de cinco votos de IA a cero. Pero un resumen de proyecto es un conjunto de promesas, y un humanizador que suena humano mientras elimina en silencio un compromiso de tres años no ha hecho el trabajo por sí solo. El resultado del detector y la comprobación del sentido son dos pruebas distintas, y un resumen tiene que superar ambas.

Academic Humanizer está diseñado para que la segunda prueba sea rápida. El informe de detección de IA empareja cada frase marcada con su reescritura, así que una revisión como la anterior lleva minutos, no una relectura completa. Nuestra guía sobre cómo preservar el sentido al humanizar enumera qué buscar, y el flujo de revisión responsable muestra dónde encaja esa comprobación antes de enviar una propuesta.