Cómo humanizar un resumen hecho con IA: antes y después, revisado

¿Se puede humanizar un resumen redactado con IA sin estropearlo? En gran parte sí, si después compruebas cada hallazgo. Tomamos un resumen de salud pública redactado con IA, lo pasamos por Humanizer v2 y guardamos el registro completo: los votos de los detectores, los veredictos frase por frase y el resultado exacto. Los cinco modelos detectores votaron IA en el borrador. En el resultado, cuatro de cinco votaron humano, y el veredicto del informe pasó de Generado por IA a Escrito por humano.

Ese es el titular. Lo más útil es lo que un autor cuidadoso todavía tiene que corregir antes de enviarlo, porque la reescritura conservó todas las cifras pero cambió el sentido de un hallazgo y rompió la gramática de otro.

El borrador: siete frases, siete marcas

El resumen sigue la plantilla que producen la mayoría de las herramientas de IA cuando se les pide: una frase sobre la amenaza, el objetivo, los datos, el resultado principal, un resultado secundario, una implicación y una línea de contribución. Se lee con fluidez. También se apoya en fórmulas hechas como "pose a significant and growing threat", "underscore the critical importance" y "contributes valuable insights to the growing body of literature".

Los detectores coincidieron. Las siete frases se marcaron como IA, y los cinco modelos votaron IA sobre el texto completo. El veredicto del informe fue Generado por IA.

• Resumen redactado con IA5 de 5
• Resultado de Humanizer v21 de 5

Fuente: uso de producción de Humanizer v2. Cinco modelos detectores independientes, cada uno con un voto sobre el texto completo.

Qué hizo el pipeline

Humanizer v2 reescribe solo las frases que marcan los detectores. Aquí eso significó todas, así que este uso fue en la práctica una reescritura completa. Tardó unos 13 segundos.

1. Búsqueda de señales de IASe marcaron las siete frases, y los cinco modelos votaron IA.
2. Reescritura de las frases marcadasSe reescribieron siete de siete frases, porque ninguna se leyó como humana.
3. Nueva comprobación con detectores de IASeis frases se leen ahora como humanas, una no es concluyente, y cuatro de cinco modelos votan humano.
4. Guardado del resultado1.344 caracteres a 500 caracteres por crédito, redondeando hacia arriba: 3 créditos.

En la medida principal del informe, la proporción de frases leídas como humanas pasó de 0 de 7 a 6 de 7, alrededor del 86 %. La séptima frase no está marcada, pero tampoco ha quedado despejada. Volvemos a ella más abajo.

¿Sobrevivieron las cifras?

Sí. Es lo primero que hay que comprobar en cualquier resumen humanizado, así que contrastamos cada dato con el borrador:

• 214 secciones censales siguen ahí.
• El 38 % sigue ahí, y sigue comparando los cuartiles más bajo y más alto de zonas verdes.
• De 2015 a 2022 sobrevivió, ahora escrito como "2015–2022".
• Tres ciudades medianas y las tres variables de ajuste (ingresos, estructura de edad, estado de salud inicial) están intactas.

Las cifras son la parte fácil. El riesgo de una reescritura está en las palabras que las rodean: quién hizo qué, a quién y con qué fuerza.

Dónde se movió el sentido

Dos frases necesitan atención de verdad. La primera es el resultado principal. La segunda es el resultado secundario, y es el problema más grave.

Antes

Our findings reveal that tracts in the lowest quartile of green space coverage experienced 38% more heat-related emergency visits than those in the highest quartile, even after adjusting for income, age structure, and baseline health status. Furthermore, the protective association of green space was most pronounced during multi-day heat waves, suggesting a cumulative cooling effect.

Después

We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves.

En el resultado principal, la cifra es correcta pero la frase está rota. "Were visited by 38% more times" no es gramatical, y "heat-related emergency visits" (visitas a urgencias relacionadas con el calor) se ha convertido en "due to heat stress", lo que elimina la variable de resultado que el estudio midió de verdad.

El resultado secundario cambió de sentido de tres formas a la vez:

• "Protective" pasó a "positive". Una asociación protectora significa más zonas verdes, menos visitas. Una "positive association" con la exposición al calor se lee, en todo caso, como lo contrario.
• Cambiaron las variables. El estudio relacionaba la cobertura de zonas verdes con las visitas a urgencias. La reescritura habla de "green space use and heat exposure" (uso de zonas verdes y exposición al calor), y el estudio nunca midió el uso.
• La interpretación desapareció. "Suggesting a cumulative cooling effect" ya no está. Puede estar bien si crees que la afirmación era demasiado fuerte, pero debería ser decisión tuya, no un efecto secundario.

Los desplazamientos menores también merecen una mirada. "Relationship" pasó a "correlation", que es más estrecho que una comparación de cuartiles ajustada. "Green infrastructure" pasó a "green spaces", lo que deja fuera el arbolado viario y las cubiertas verdes. "Hospital administrative records" pasó a "hospital-level administrative information", lo que sugiere datos agregados por hospital. Y la línea final ahora ofrece a los responsables políticos "a source of action" donde el borrador decía "actionable evidence".

La frase que sigue sin ser concluyente

Así leyó la nueva comprobación el resultado, frase por frase.

Urban heat islands are an increasing public health challenge, especially to the elderly and patients with chronic diseases. In this study, we investigate the correlation between green space coverage at the neighborhood level and heat-related emergency department visits in three mid-sized cities during the years 2015–2022. We obtained a comprehensive dataset containing 214 census tracts by integrating land surface temperature derived from satellite images with municipal data on tree canopies and hospital-level administrative information. We found that tracts in the bottom quartile of green space were visited by 38% more times due to heat stress than the top quartile even after controlling for income, age structure and baseline health status. Moreover, the positive associations between green space use and heat exposure were greatest in the context of prolonged heatwaves. This study emphasizes the need for incorporating green spaces in urban planning and climate change adaptation strategies. Overall, our research provides valuable information to the expanding literature on environmental determinants of health, offering policy makers a source of action to mitigate the health impacts of increasing temperatures.

Resultado real de nuestra prueba. Verde: leída como humana. Ámbar: no concluyente, con el voto a nivel de frase todavía inclinado hacia IA.

La frase de los datos es la que resiste. Todavía lleva "comprehensive dataset", una expresión que aparece constantemente en resúmenes escritos por máquinas, y mete tres fuentes de datos en una sola cláusula larga. Además, uno de los cinco modelos siguió votando IA sobre el resultado completo.

El informe lo muestra en lugar de ocultarlo, y puedes volver a procesar un fragmento. Aquí, sin embargo, una edición manual rápida resolvería a la vez el problema del detector y el de "hospital-level". Una opción, escrita por nosotros a modo de ejemplo: "We linked satellite land surface temperature data, municipal tree canopy inventories and hospital administrative records for 214 census tracts." Cualquier frase que edites a mano debe volver a comprobarse antes de darla por buena.

Qué debe comprobar el autor antes de usar este resumen

1. Recuperar "protective" y las variables correctas (cobertura de zonas verdes, visitas a urgencias relacionadas con el calor) en el resultado secundario. Decidir de forma deliberada si "cumulative cooling effect" se queda.
2. Reescribir la frase del resultado principal para que sea gramatical y vuelva a nombrar las visitas a urgencias. Mantener exactamente el 38 %.
3. Elegir entre "relationship" y "correlation" según el análisis que realmente hiciste.
4. Recuperar "green infrastructure" si ese es el término que usa tu artículo.
5. Arreglar a mano la frase de los datos o volver a procesarla, y después comprobarla de nuevo.
6. Leer en voz alta la última frase. "Valuable information" y "a source of action" son la redacción vaga que notan los evaluadores.
7. Consultar la política de IA de la revista de destino, incluido si hay que declarar la ayuda de IA.

Nada de esto es inusual. Un resumen comprime un artículo entero en unas pocas frases, así que cada verbo tiene peso, y una herramienta de reescritura no sabe qué verbos examinarán con lupa tus evaluadores. Para una lista de control más amplia, consulta cómo preservar el sentido y las citas al humanizar; para ver cómo funcionan los veredictos por frase, consulta la detección de IA a nivel de frase. Para las demás secciones de un artículo, consulta nuestra guía sección por sección sobre trabajos de investigación y detección de IA.

Qué dice este uso sobre humanizar un resumen

El resultado de los detectores fue sólido: de cinco votos de IA a uno, y de ninguna frase leída como humana a seis de siete. El resultado en cuanto al sentido fue desigual: todas las cifras se mantuvieron, la mayoría de las frases conservaron su sentido y un hallazgo se distorsionó lo suficiente como para que un evaluador lo detectara. Ambos hechos deben estar en cualquier descripción honesta de lo que hace un humanizador.

Por eso Academic Humanizer empareja cada frase marcada con su reescritura en el informe de detección de IA. La herramienta se ocupa de la redacción a la que reaccionan los detectores, y tú dedicas tu tiempo de revisión al puñado de frases que cambiaron. Si tienes un resumen redactado con ayuda de IA, procésalo y luego lee los pares con el cuidado que pondrías en las ediciones de un coautor.