Resumen: La integridad de las citas académicas enfrenta desafíos persistentes; las investigaciones indican que el 20% de las citas contienen errores y la verificación manual requiere meses de tiempo de expertos. Este artículo presenta una novedosa metodología basada en IA para una auditoría de referencias sistemática e integral utilizando IA agente con capacidades de uso de herramientas. Desarrollamos un protocolo de verificación de supuesto cero que valida de forma independiente cada referencia en múltiples bases de datos académicas (Semantic Scholar, Google Scholar, CrossRef) sin asumir que ninguna cita es correcta. La metodología se validó en 30 documentos académicos (2581 referencias), que abarcan proyectos de pregrado hasta tesis doctorales y publicaciones revisadas por pares. Los resultados demuestran una tasa de verificación promedio del 91,7% en artículos PLOS publicados, con detección exitosa de referencias inventadas, artículos retractados, citas huérfanas y revistas depredadoras. La eficiencia del tiempo mejoró drásticamente: auditorías de 90 minutos para 916 tesis doctorales de referencia frente a meses de revisión manual. El sistema logró una tasa de falsos positivos <0,5% al tiempo que identificó problemas críticos que la revisión manual podría pasar por alto. Este trabajo establece la primera metodología de agente de IA validada para la integridad de las citas académicas, lo que demuestra aplicabilidad práctica para supervisores, estudiantes y control de calidad institucional.
Publicado originalmente en export.arxiv.org el 9 de noviembre de 2025.
Ver fuente original
