Diseño y desarrollo de un agente de inteligencia artificial para la detección de noticias falsas en entornos digitales

Abstract

Resumen: Este estudio diseña, implementa y evalúa un agente conversacional de inteligencia artificial para el análisis auditable de noticias falsas en entornos digitales. El problema abordado no se reduce a clasificar contenidos como verdaderos o falsos, sino a hacer explícito qué afirmación fue analizada, qué evidencia se recuperó, qué fuentes fueron usadas, qué comparaciones claim-evidence sostienen la respuesta y qué limitaciones permanecen abiertas. El prototipo se organiza bajo un principio de auditabilidad: el modelo de lenguaje no opera como juez autónomo de verdad, sino como componente de extracción, normalización, orquestación y redacción restringida por un contrato de evidencia. La metodología se organiza como un ciclo local de diseño, implementación, evaluación y revisión de calidad. La evaluación separa métricas primarias de auditabilidad y métricas secundarias de clasificación. En la evaluación pública extendida de 60 muestras, el agente obtuvo retrieval hit rate 1.0, traceability rate 1.0, unsupportedstatement rate 0.0 y decisive-source rate 0.6. En clasificación secundaria, el comparador estricto basado en Gemma 4 E4B quedó por arriba: el agente obtuvo accuracy 0.4833, macro-F1 0.3454 y weighted-F1 0.47, frente a 0.5, 0.4633 y 0.5121 del comparador. Estos resultados respaldan la contribución como infraestructura reproducible de revisión, no como reemplazo del verificador humano ni como clasificador líder en benchmarks. El trabajo concluye con límites técnicos en NLI, agregación conservadora, evidencia multimodal y latencia, además de una agenda de mejora para sistemas conversacionales auditables. Palabras clave: Desinformación; noticias falsas; agentes conversacionales; auditabilidad; fact-checking; recuperación de evidencia; NLI; grounding; trazabilidad; modelos de lenguaje.

Abstract: This thesis designs, implements, and evaluates an AI-based conversational agent for auditable analysis of fake news in digital environments. The problem is not framed as a single true-or-false classification task, but as the need to expose which claim was analyzed, which evidence was retrieved, which sources were used, which claim-evidence comparisons support the public response, and which limitations remain unresolved. The prototype is guided by a principle of auditability: the language model is not treated as an autonomous truth judge, but as a component for extraction, normalization, orchestration, and constrained drafting based on a structured evidence contract. The methodology follows a local cycle of design, implementation, evaluation, and documented review. Evaluation separates primary auditability metrics from secondary classification metrics. In the extended public evaluation over 60 samples, the agent reached retrieval hit rate 1.0, traceability rate 1.0, unsupported-statement rate 0.0, and decisive-source rate 0.6. In secondary classification, the strict Gemma 4 E4B comparator performed better: the agent reached accuracy 0.4833, macro-F1 0.3454, and weighted-F1 0.47, compared with 0.5, 0.4633, and 0.5121 for the comparator. These results support the contribution as a reproducible review infrastructure rather than a replacement for human verification or a benchmark-leading classifier. The thesis closes with technical limitations in NLI, conservative aggregation, multimodal evidence, and latency, and outlines future work for auditable conversational systems. Keywords: misinformation; fake news; conversational agents; auditability; factchecking; evidence retrieval; NLI; grounding; traceability; language models.