Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 520
INGENIERÍA SOCIAL MEDIANTE DEEPFAKES: ESTRATEGIA DE DETECCIÓN Y
PREVENCIÓN PARA USUARIOS WEB
SOCIAL ENGINEERING VIA DEEPFAKES: DETECTION AND PREVENTION
STRATEGY FOR WEB USERS
Autores: ¹Pedro Antonio Cevallos Ortiz, y ²Marlene Guadalupe Castillo Pinargote.
¹ORCID ID: https://orcid.org/0009-0003-8712-2755
²ORCID ID: https://orcid.org/0000-0002-7001-4382
¹E-mail de contacto: pcevallos6727@utm.edu.ec
²E-mail de contacto: marlene.castillo@utm.edu.ec
Afiliación:
1*2*
Universidad Técnica de Manabí, (Ecuador).
Artículo recibido: 3 de Septiembre del 2026.
Artículo revisado: 6 de Septiembre del 2026.
Artículo aprobado: 6 de Septiembre del 2026.
¹Estudiante de pregrado de la carrera de Tecnologías de la Información y Comunicación de la Universidad Técnica de Manabí, (Ecuador).
²Ingeniera en Sistemas Informáticos, graduada de la Universidad Técnica de Manabí, (Ecuador). Magíster en Tecnologías de la
Información con mención en Seguridad de Redes y Comunicaciones, graduada de la Universidad Técnica de Manabí, (Ecuador).
Resumen
La inteligencia artificial generativa ha
favorecido la creación de deepfakes realistas,
incrementando los riesgos de ingeniería social,
suplantación de identidad, fraude y
desinformación entre usuarios web. El estudio
tuvo como objetivo analizar estos riesgos y
diseñar una estrategia de detección y
prevención. Se empleó un enfoque mixto, con
investigación documental y de campo, bajo un
diseño no experimental y transversal. Se
aplicaron métodos analítico-sintético, inductivo
y descriptivo. La población estuvo conformada
por 350 habitantes de la comunidad María Luisa
Zona 2, Pedernales, Manabí, de la cual se
seleccionaron 180 usuarios adultos de internet.
Se utilizó una encuesta con preguntas
sociodemográficas y de conocimiento,
identificación, prevención y verificación de
deepfakes. El 35,6 % de los participantes nunca
había escuchado el término deepfake y solo el
17,8 % manifestó conocer su significado.
Asimismo, el 63,9 % presentó poca o ninguna
confianza para identificarlos, mientras que el
62,2 % evidenció prácticas insuficientes de
verificación. Ante situaciones de clonación de
voz, el 43,3 % adoptaría respuestas inseguras.
Sin embargo, el 88,9 % consideró útil o muy útil
recibir capacitación. Los resultados evidencian
que la exposición a internet, principalmente
mediante dispositivos móviles y redes sociales,
no garantiza competencias para reconocer
contenidos manipulados. Por ello, se propone
una estrategia de ocho etapas: pausar, observar,
comprobar el origen, verificar, analizar,
contrastar, confirmar la identidad y decidir. Su
aplicación integra alfabetización digital,
pensamiento crítico y herramientas de
verificación para fortalecer la prevención y
reducir la vulnerabilidad frente a ataques de
ingeniería social mediante deepfakes.
Palabras clave: Deepfakes, Ingeniería social,
Inteligencia artificial generativa, Detección,
Prevención, Alfabetización digital.
Abstract
Generative artificial intelligence has facilitated
the creation of realistic deepfakes, increasing
the risks of social engineering, identity theft,
fraud, and misinformation among web users.
This study aimed to analyze these risks and
design a detection and prevention strategy. A
mixed-methods approach was employed,
combining documentary and field research
within a non-experimental, cross-sectional
design. Analytical-synthetic, inductive, and
descriptive methods were applied. The study
population consisted of 350 residents of the
María Luisa community (Zone 2, Pedernales,
Manabí), from which 180 adult internet users
were selected. A survey was used to gather data
on sociodemographics as well as knowledge,
identification, prevention, and verification
regarding deepfakes. Results showed that
35.6% of participants had never heard the term
"deepfake," and only 17.8% claimed to know its
meaning. Furthermore, 63.9% expressed little
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 521
to no confidence in their ability to identify
deepfakes, while 62.2% demonstrated
insufficient verification practices. Faced with
potential voice cloning scenarios, 43.3%
indicated they would adopt unsafe responses.
However, 88.9% considered receiving training
to be useful or very useful. The findings
demonstrate that internet exposure primarily via
mobile devices and social media does not
guarantee the competence to recognize
manipulated content. Consequently, an eight-
stage strategy is proposed: pause, observe,
check the source, verify, analyze, cross-
reference, confirm identity, and decide. Its
implementation integrates digital literacy,
critical thinking, and verification tools to
strengthen prevention and reduce vulnerability
to social engineering attacks involving
deepfakes.
Keywords: Deepfakes, Social engineering,
Generative artificial intelligence, Detection,
Prevention, Digital literacy.
Sumário
A inteligência artificial generativa favoreceu a
criação de deepfakes realistas, aumentando os
riscos de engenharia social, falsificação de
identidade, fraude e desinformação entre
usuários da web. O estudo teve como objetivo
analisar esses riscos e elaborar uma estratégia
de detecção e prevenção. Utilizou-se uma
abordagem mista, com pesquisa documental e
de campo, sob um delineamento não
experimental e transversal. Foram aplicados
métodos analítico-sintético, indutivo e
descritivo. A população foi composta por 350
habitantes da comunidade María Luisa (Zona
2), em Pedernales, Manabí, da qual foram
selecionados 180 usuários adultos de internet.
Aplicou-se um questionário com perguntas
sociodemográficas e sobre conhecimento,
identificação, prevenção e verificação de
*deepfakes*. Cerca de 35,6% dos participantes
nunca tinham ouvido o termo deepfake, e
apenas 17,8% afirmaram conhecer seu
significado. Além disso, 63,9% demonstraram
pouca ou nenhuma confiança para identificá-
los, enquanto 62,2% apresentaram práticas
insuficientes de verificação. Diante de situações
de clonagem de voz, 43,3% adotariam respostas
inseguras. No entanto, 88,9% consideraram útil
ou muito útil receber capacitação. Os resultados
evidenciam que a exposição à internet,
principalmente por meio de dispositivos móveis
e redes sociais, não garante competências para
reconhecer conteúdos manipulados. Por isso,
propõe-se uma estratégia de oito etapas: pausar,
observar, verificar a origem, conferir, analisar,
confrontar, confirmar a identidade e decidir.
Sua aplicação integra letramento digital,
pensamento crítico e ferramentas de verificação
para fortalecer a prevenção e reduzir a
vulnerabilidade a ataques de engenharia social
via deepfakes.
Palavras-chave: Deepfakes, Engenharia
social, Inteligência artificial generativa,
Detecção, Prevenção, Letramento digital.
Introducción
La expansión acelerada de la inteligencia
artificial (IA), especialmente de las técnicas de
aprendizaje profundo y de la inteligencia
artificial generativa (IAG), ha favorecido la
producción de contenidos sintéticos cada vez
más sofisticados. Entre estas tecnologías
destacan los deepfakes, entendidos como
imágenes, videos o audios generados o
manipulados artificialmente para reproducir
con elevado realismo la apariencia, voz, gestos
o comportamiento de una persona, dificultando
su diferenciación respecto de contenidos
auténticos (Ramos, 2024; Heidari et al., 2024).
Aunque estas tecnologías poseen aplicaciones
legítimas en ámbitos como el entretenimiento,
la educación y la producción audiovisual, su
utilización maliciosa plantea importantes
desafíos relacionados con la seguridad digital,
la privacidad, la desinformación y la confianza
en los medios electrónicos. La evolución
tecnológica ha ampliado considerablemente las
posibilidades de generación de contenidos
falsificados. Inicialmente, los deepfakes
estuvieron asociados principalmente con el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 522
intercambio facial y la manipulación de videos;
sin embargo, la incorporación de Redes
Generativas Adversariales (GAN),
autoencoders, modelos de difusión y otras
arquitecturas generativas ha permitido producir
imágenes, videos, audios y contenidos
multimodales con niveles crecientes de
realismo (Fernández et al., 2024; Wang et al.,
2025; Waseem y Elneel, 2023; Jheelan y
Pudaruth, 2025). Abbas y Taeihagh (2024)
advierten que esta evolución ha transformado
los deepfakes de una tecnología experimental en
un fenómeno con implicaciones sociales y de
seguridad, mientras que Schmitt y Flechais
(2024) señalan que la disponibilidad de
herramientas generativas está modificando las
capacidades empleadas en ataques de ingeniería
social y phishing.
Esta problemática adquiere especial relevancia
en el ámbito de la ingeniería social, entendida
como el conjunto de técnicas destinadas a
manipular el comportamiento humano para
obtener información, recursos, accesos o
determinadas acciones. A diferencia de los
ataques centrados exclusivamente en
vulnerabilidades técnicas, la ingeniería social
explota factores como la confianza, la
autoridad, la urgencia, el miedo y la
familiaridad (Navas y Pérez, 2023; Di
Gionantonio y Ligorria, 2022). En este
escenario, los deepfakes pueden incrementar la
credibilidad de una solicitud fraudulenta al
incorporar imágenes, videos o voces
aparentemente legítimas, fortaleciendo las
estrategias tradicionales de engaño (Babaei et
al., 2025).
La combinación entre IAG e ingeniería social
facilita modalidades de fraude cada vez más
personalizadas. Entre sus posibles aplicaciones
se encuentran la suplantación de ejecutivos,
funcionarios, familiares, profesionales y
representantes de organizaciones, así como
campañas de phishing, solicitudes fraudulentas
y clonación de voz (Jabir et al., 2025;
Blancaflor et al., 2024). La reproducción
artificial de una voz o imagen conocida puede
utilizarse para generar situaciones de urgencia,
solicitar transferencias económicas, inducir la
entrega de información sensible o provocar
decisiones basadas en una falsa percepción de
autenticidad. El riesgo aumenta cuando los
usuarios confían exclusivamente en señales
visuales o auditivas sin realizar mecanismos
adicionales de comprobación de identidad.
Por ello, los deepfakes deben ser comprendidos
como una amenaza sociotécnica, en la que la
tecnología proporciona los mecanismos para
generar la falsificación y los factores
psicológicos determinan su capacidad
persuasiva. Villamar et al. (2026) señalan que la
vulnerabilidad de los usuarios no depende
únicamente de sus conocimientos técnicos, sino
también de la confianza en la fuente, la
familiaridad con la identidad representada, la
urgencia del mensaje y la predisposición a
aceptar determinada información. Esta
situación demuestra que la seguridad frente a
contenidos sintéticos requiere considerar
conjuntamente factores tecnológicos,
cognitivos y conductuales.
La dificultad de los usuarios para identificar
contenidos manipulados incrementa esta
vulnerabilidad. Diel et al. (2024), mediante una
revisión sistemática y metaanálisis de 56
estudios con más de 86.000 participantes,
encontraron una precisión humana aproximada
del 55,54 % en la identificación de deepfakes,
un desempeño cercano a una elección aleatoria.
De manera similar, Groh et al. (2024) sostienen
que la creciente calidad de los contenidos
sintéticos reduce la efectividad de la percepción
humana como mecanismo independiente de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 523
verificación. Estos resultados evidencian que la
inspección visual o auditiva por sí sola resulta
insuficiente y justifican la necesidad de
combinar alfabetización digital, procedimientos
de comprobación y herramientas automatizadas
de detección.
Las consecuencias de esta problemática
trascienden el fraude individual. Los deepfakes
pueden facilitar suplantaciones de identidad,
extorsión, phishing, manipulación informativa
y ataques contra organizaciones, afectando
dimensiones económicas, reputacionales y
operativas (Park et al., 2024; Alzaga, 2025;
Zambrano, 2024; Cruz, 2026). Además, la
expansión de contenidos sintéticos puede
deteriorar progresivamente la confianza en los
entornos digitales. García et al. (2025)
describen este fenómeno como una crisis de
veracidad, mientras que Astudillo Muñoz
(2024) considera que la desinformación
constituye un desafío que requiere respuestas
integrales y colaborativas.
En este mismo sentido, Ma et al. (2025)
advierten que la IAG facilita la producción de
desinformación a gran escala, especialmente
cuando los contenidos circulan mediante
plataformas digitales y redes sociales. El
problema no se limita a que una falsificación
sea aceptada como verdadera, sino que también
puede generar un escenario en el que los
usuarios desconfíen incluso de contenidos
auténticos. Pennycook y Rand (2021)
relacionan este fenómeno con un efecto de
incertidumbre que debilita la confianza
informativa y refuerza la necesidad de
desarrollar mecanismos de autenticación,
trazabilidad y alfabetización mediática. Ante
estas amenazas, la literatura científica ha
desarrollado diferentes métodos automatizados
para la detección de deepfakes. En contenidos
visuales destacan las redes neuronales
convolucionales, capaces de identificar
inconsistencias faciales, patrones de
iluminación, texturas y movimientos anómalos
(Alrashoud, 2025). Para audio se han empleado
arquitecturas como CNN, ResNet, GNN,
Transformer, TDNN y DARTS, orientadas a
analizar características espectrales, frecuencia,
prosodia y patrones propios de voces sintéticas
(Li et al., 2025). Asimismo, la detección
multimodal permite integrar simultáneamente
imagen, video, audio y otros tipos de evidencia,
lo que resulta especialmente pertinente frente a
falsificaciones que combinan varias
modalidades (Javed et al., 2025; Rzayeva et al.,
2026).
El análisis de los modelos incluidos en la
literatura evidencia una importante diversidad
de enfoques técnicos. Modelos como OneClass
Variational Autoencoder se orientan a
identificar anomalías respecto del contenido
auténtico; DFT-MF analiza características
biométricas vinculadas con dientes y
movimientos bucales; la regresión SVM
clasifica contenido a partir de características
previamente extraídas; y FG-TEFusionNet
combina información geométrica y textural del
rostro. A estos se suman arquitecturas como
ResNeXt, LSTM, ResNet50V2, ResNet101V2
y ResNet152V2, utilizadas para reconocer
patrones espaciales y temporales, así como
Vision Transformers, que analizan relaciones
globales entre regiones de una imagen, y
MEXFIC, que integra técnicas de ensamble y
explicabilidad.
Estos modelos muestran que la detección ha
evolucionado desde el análisis de características
aisladas hacia arquitecturas más profundas,
multimodales y explicables. Esta evolución
también se refleja en herramientas destinadas a
trasladar los modelos técnicos hacia interfaces
más accesibles para diferentes usuarios. Entre
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 524
las soluciones analizadas se encuentran Sensity
AI, orientada al análisis forense de imágenes y
videos; Deepware, especializada en videos;
DeepFake-O-Meter y Centinel, que admiten
diferentes modalidades; Microsoft Video AI
Authenticator, centrado en evidencias visuales
de manipulación; Facia, que analiza
movimientos faciales y sincronización; Hive
Moderation, capaz de identificar contenido
sintético en imagen, video y audio; y Resemble
AI, que utiliza detección multimodal.
El análisis conjunto evidencia una tendencia
hacia herramientas que proporcionan
puntuaciones o indicadores de probabilidad de
manipulación, facilitando la interpretación de
los resultados por parte del usuario. Sin
embargo, estos sistemas deben considerarse
mecanismos de apoyo y no verificadores
infalibles, debido a que la evolución continua de
los generadores puede reducir el desempeño de
modelos entrenados con falsificaciones
conocidas.
En el plano técnico, la investigación también
evidencia la importancia de los conjuntos de
datos empleados para desarrollar y evaluar estos
sistemas. Bharati et al. (2026) señalan que la
detección continúa siendo un desafío crítico,
mientras que conjuntos como FaceForensics++,
Synthetic Faces High Quality, FakeFaces,
OpenFake, HiDF, DFDC, CelebHQ y HOHA
son utilizados para entrenar y comprobar
modelos de detección (Vamsi et al., 2022;
Momin et al., 2025). La variedad de estos
datasets refleja la necesidad de entrenar
modelos con diferentes tipos de manipulaciones
y modalidades, aunque también evidencia que
la efectividad de un detector puede depender
considerablemente del conjunto de datos con el
que fue desarrollado. No obstante, una
estrategia de prevención dirigida a usuarios web
no puede depender exclusivamente de
herramientas técnicas. Buchan et al. (2024)
destacan la alfabetización digital como una
competencia fundamental para evaluar
contenidos, mientras que Tiernan et al. (2023)
resaltan habilidades como identificar fuentes,
contrastar información, reconocer señales de
manipulación y verificar datos mediante fuentes
independientes. Colunga y González (2025)
amplían esta perspectiva al considerar que la
alfabetización digital debe integrar
conocimientos básicos sobre IA, pensamiento
crítico y comportamiento responsable. De esta
manera, la formación preventiva debe preparar
al usuario para cuestionar contenidos
aparentemente auténticos antes de actuar o
compartirlos.
La formación y concienciación adquieren
mayor relevancia al considerar que el
conocimiento de los entornos digitales no
garantiza por sí mismo la capacidad de detectar
una falsificación. Ramos (2024) plantea que la
formación debe incorporar situaciones reales,
análisis de fuentes, comparación de
información y utilización guiada de
herramientas de verificación. Además, debe
abordar los componentes psicológicos de la
ingeniería social, puesto que factores como
urgencia, miedo, confianza o autoridad pueden
provocar decisiones inseguras incluso cuando el
usuario reconoce la posibilidad de que el
contenido sea falso. Por ello, la prevención debe
concebirse como un proceso continuo que
articule capacidades cognitivas, técnicas y
conductuales.
Desde esta perspectiva, una respuesta
preventiva integral puede estructurarse en
cuatro capacidades: identificar posibles señales
de manipulación, analizar críticamente el
contexto de la comunicación, verificar la
información mediante fuentes o herramientas
independientes y adoptar una conducta segura
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 525
antes de realizar acciones sensibles o compartir
contenidos. El propósito no consiste en
convertir al usuario en especialista en análisis
forense, sino en proporcionarle un
procedimiento sencillo, reproducible y
comprensible que reduzca su vulnerabilidad
frente a intentos de manipulación.
A pesar del avance considerable en modelos
automáticos de detección, herramientas de
verificación y estudios sobre alfabetización
digital, persiste una brecha entre el desarrollo
tecnológico y la capacidad cotidiana de los
usuarios para responder ante ataques de
ingeniería social sustentados en deepfakes. La
literatura aborda ampliamente la detección
algorítmica y, de manera paralela, los factores
humanos de vulnerabilidad; sin embargo,
resulta necesario integrar ambas perspectivas en
estrategias prácticas que combinen
comprobación tecnológica, análisis contextual,
alfabetización mediática y conducta preventiva.
Esta necesidad cobra especial importancia ante
contenidos cuya calidad puede superar los
mecanismos tradicionales de verificación
basados únicamente en la percepción humana.
La relevancia del estudio se sustenta, por tanto,
en la necesidad de comprender cómo los
deepfakes están modificando las dinámicas
tradicionales de la ingeniería social y ampliando
las posibilidades de fraude, suplantación y
manipulación en entornos digitales. Desde una
perspectiva práctica, sus resultados pueden
contribuir al fortalecimiento de las
competencias de los usuarios web para evaluar
la autenticidad de los contenidos y utilizar
herramientas de verificación de manera
responsable. Desde el ámbito de la seguridad
digital, la investigación aporta una
aproximación que reconoce que la prevención
requiere combinar soluciones tecnológicas con
alfabetización mediática, pensamiento crítico y
protocolos de comprobación antes de responder
a solicitudes potencialmente fraudulentas. En
correspondencia con esta problemática, el
objetivo de la investigación es analizar
críticamente el fenómeno de los deepfakes y su
relación con la ingeniería social, identificar sus
principales implicaciones para la seguridad
digital y diseñar una estrategia de detección y
prevención orientada a fortalecer las
capacidades de los usuarios web frente a su
utilización maliciosa. Para ello, el estudio se
sustenta en la revisión de literatura reciente, el
análisis de casos documentados y la integración
de mecanismos de alfabetización y verificación
digital.
Materiales y Métodos
La investigación se desarrolló bajo un enfoque
mixto, integrando procedimientos cualitativos y
cuantitativos. El componente cualitativo se
fundamentó en la revisión y análisis de
literatura científica sobre deepfakes, ingeniería
social, riesgos, métodos de detección y
estrategias de prevención. El componente
cuantitativo permitió diagnosticar el nivel de
conocimiento y la percepción de los usuarios
web respecto a la identificación de imágenes,
videos y audios potencialmente manipulados
mediante IA.
El estudio fue de tipo descriptivo, documental y
de campo, con un diseño no experimental y
transversal. La investigación documental
permitió establecer los fundamentos teóricos
del estudio, mientras que la investigación de
campo facilitó la obtención directa de
información de los participantes en un momento
determinado, sin manipulación de variables. En
cuanto a los métodos de investigación, se
emplearon los métodos analítico-sintético,
inductivo y descriptivo. El método analítico-
sintético permitió examinar los principales
elementos relacionados con los deepfakes y su
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 526
utilización en la ingeniería social, para
posteriormente integrarlos en una visión general
que fundamentó la construcción de la estrategia
propuesta. El método inductivo facilitó la
identificación de las principales necesidades y
dificultades de los usuarios a partir de los
resultados obtenidos en el estudio. Por último,
el método descriptivo permitió caracterizar el
nivel de conocimiento de los participantes, así
como sus prácticas y capacidades relacionadas
con la identificación y verificación de
deepfakes.
Como técnicas de recolección de información
se utilizaron la revisión bibliográfica y la
encuesta. La revisión bibliográfica permitió
analizar investigaciones y fuentes científicas
relacionadas con el objeto de estudio y la
encuesta se aplicó mediante un formulario
virtual a los participantes seleccionados. El
instrumento utilizado fue un cuestionario
estructurado, conformado por dos secciones. La
primera incluyó seis preguntas de carácter
sociodemográfico, orientadas a caracterizar a
los participantes y sus principales hábitos de uso
de internet. La segunda estuvo integrada por
diez preguntas cerradas y de opción múltiple,
diseñadas para evaluar el conocimiento, la
capacidad de identificación y las prácticas de
prevención y verificación de los usuarios frente
a posibles deepfakes.
La selección y formulación de los ítems se
fundamentó en dimensiones abordadas en
investigaciones previas sobre alfabetización en
deepfakes y percepción de la confiabilidad de
contenidos sintéticos (Plohl et al., 2025;
Calabrese et al., 2026). La población de estudio
estuvo conformada por los usuarios de internet
de la comunidad María Luisa Zona 2, ubicada
en el cantón Pedernales, provincia de Manabí,
Ecuador. De una población total de 350
habitantes, se consideró como población
objetivo a 180 personas mayores de edad que
utilizan habitualmente internet, redes sociales,
aplicaciones de mensajería o diversas
plataformas digitales. La selección de los
participantes se realizó considerando criterios
de accesibilidad y participación voluntaria. El
procedimiento metodológico de la
investigación se desarrolla en tres etapas
secuenciales e interrelacionadas, las cuales se
presentan de manera gráfica en la Figura 1:
Figura 1. Procedimiento metodológico de la
investigación.
Fuente: Elaboración propia.
La primera etapa comprende la revisión
bibliográfica sobre los deepfakes, la ingeniería
social, sus riesgos, los métodos de detección y
las estrategias de prevención; la segunda
corresponde a la aplicación de un cuestionario
virtual para diagnosticar el nivel de
conocimiento, la percepción de riesgo y las
prácticas de identificación y verificación de los
participantes de la comunidad María Luisa
Zona 2; y, finalmente, la tercera etapa integra
los resultados obtenidos para diseñar una
estrategia de detección y prevención dirigida a
usuarios web, fundamentada en la observación
crítica de los contenidos y en el uso de
herramientas digitales gratuitas, accesibles y de
fácil utilización. A continuación, se presenta el
cuestionario virtual compuesto por seis
preguntas de carácter sociodemográfico y diez
relacionadas con el conocimiento e
identificación de deepfakes.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 527
Tabla 1. Cuestionario sobre el conocimiento y la identificación de deepfakes.
Ítem
Dimensión
Pregunta
Opciones
1
Datos
sociodemográficos
¿Cuál es su rango de edad?
18–24 años.
25–34 años.
35–44 años.
45–54 años.
55 años o más.
2
¿Con cuál de las siguientes opciones se
identifica?
Masculino.
Femenino.
Otro.
Prefiero no responder.
3
¿Cuál es su nivel más alto de
educación alcanzado?
Educación básica.
Bachillerato.
Educación superior.
Posgrado.
Doctorado.
Otro, especifique: ____
4
¿Con qué frecuencia utiliza internet?
Varias veces al día.
Una vez al día.
Varias veces por semana.
Ocasionalmente.
Nunca.
5
¿Qué dispositivo utiliza con mayor
frecuencia para acceder a internet?
Teléfono móvil.
Computadora.
Tableta.
Otro, especifique: ____
6
¿Para qué utiliza principalmente
internet?
Redes sociales.
Comunicación y mensajería.
Trabajo o estudios.
Entretenimiento.
Compras o trámites.
Otro, especifique: ____
7
Conocimiento
previo
¿Antes de realizar este cuestionario
había escuchado la palabra deepfake?
A) Sí, y sé qué significa.
B) Sí, pero sé poco sobre el tema.
C) He escuchado la palabra, pero no sé qué significa.
D) No, nunca la había escuchado.
8
Conocimiento
conceptual
¿Cuál de las siguientes opciones
explica mejor qué es un deepfake?
A) Un contenido digital creado o modificado mediante inteligencia artificial para hacer que
parezca real.
B) Un programa utilizado para proteger dispositivos frente a amenazas digitales.
C) Un contenido eliminado o bloqueado de internet.
D) Una aplicación utilizada para editar fotografías y videos.
9
Conocimiento
sobre tipos de
contenido
¿En qué tipo de contenidos pueden
aparecer deepfakes?
A) Solo en videos.
B) En imágenes y videos.
C) En imágenes, videos y audios.
D) Solo en audios.
10
Autoeficacia para
la detección
Si encontrara un posible deepfake en
internet, ¿qué tan seguro/a se sentiría
de poder reconocerlo?
A) Muy seguro/a.
B) Algo seguro/a.
C) Poco seguro/a.
D) Nada seguro/a.
11
Identificación de
señales de
manipulación
Al observar una imagen o video en
internet, ¿cuál de estas situaciones
podría hacerle sospechar que ha sido
manipulado?
A) Los movimientos, expresiones o rasgos de la persona parecen poco naturales.
B) El contenido tiene muchas reproducciones o comentarios.
C) La publicación aparece en una red social conocida.
D) La persona que aparece en el contenido es reconocida por el usuario.
12
Prevención de
ingeniería social
Recibe un audio aparentemente
enviado por un familiar que le pide
dinero con urgencia. ¿Cuál sería la
opción más segura?
A) Enviar el dinero porque reconoce la voz del familiar.
B) Responder al mismo número para confirmar la solicitud.
C) Contactar al familiar por otro medio para confirmar que realmente realizó la solicitud.
D) Compartir el audio con otras personas para que decidan si es verdadero.
13
Evaluación de
autenticidad
Encuentra en redes sociales un video
en el que una persona conocida realiza
declaraciones que le parecen inusuales.
¿Qué sería más recomendable hacer?
A) Darlo por verdadero porque la persona aparece claramente en el video.
B) Comprobar el origen del video y contrastar la información antes de creerlo o compartirlo.
C) Considerarlo verdadero si muchas personas lo han compartido.
D) Considerarlo auténtico si la imagen y el sonido tienen buena calidad.
14
Hábitos de
verificación
Cuando recibe una noticia, imagen o
video que podría ser importante, ¿qué
hace habitualmente antes de
compartirlo?
A) Lo comparto si parece verdadero.
B) Compruebo quién lo publicó y contrasto la información con otras fuentes.
C) Pregunto a familiares o amigos antes de compartirlo.
D) Generalmente lo comparto sin realizar ninguna comprobación.
15
Uso de
herramientas de
verificación
Si tuviera dudas sobre la autenticidad
de una imagen, video o audio, ¿qué
haría para comprobarlo?
A) Buscaría información sobre su origen y utilizaría una herramienta de verificación digital.
B) Revisaría únicamente cuántas personas lo han compartido.
C) Consultaría solamente los comentarios de otros usuarios.
D) Lo consideraría verdadero si tiene buena calidad de imagen o sonido.
16
Necesidad de
capacitación
¿Qué tan útil sería para usted recibir
una guía sencilla para aprender a
identificar posibles deepfakes y utilizar
herramientas gratuitas para
verificarlos?
A) Muy útil.
B) Útil.
C) Poco útil.
D) Nada útil.
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 528
Resultados y Discusión
Los resultados obtenidos mediante la aplicación
del cuestionario permitieron caracterizar, en
primer lugar, a los participantes según sus
principales características sociodemográficas y
patrones de uso de internet. Posteriormente, se
analizaron los resultados relacionados con el
conocimiento, la identificación, la prevención y
la verificación de contenidos potencialmente
manipulados mediante IA.
Tabla 2. Distribución de los participantes
según el rango de edad.
Respuesta
Frecuencia
Porcentaje
18–24 años.
38
21,1 %
25–34 años.
46
25,6 %
35–44 años.
39
21,7 %
45–54 años.
32
17,8 %
55 años o más.
25
13,9 %
Total
180
100 %
Fuente: Elaboración propia.
La mayor proporción de participantes se ubicó
entre los 25 y 34 años (25,6 %), seguida de los
grupos de 35 a 44 años (21,7 %) y 18 a 24 años
(21,1 %). En conjunto, el 68,4 % de los
participantes tiene entre 18 y 44 años. La
distribución obtenida permite conocer el nivel
de conocimiento y las prácticas frente a los
deepfakes en una población con representación
de diferentes grupos etarios, lo cual aporta una
visión más amplia para el diagnóstico.
Tabla 3. Distribución de los participantes
según su identificación.
Respuesta
Frecuencia
Porcentaje
Masculino.
86
47,8 %
Femenino.
89
49,4 %
Otro.
2
1,1 %
Prefiero no responder.
3
1,7 %
Total
180
100 %
Fuente: Elaboración propia.
Los resultados muestran una distribución
similar entre quienes se identificaron como
femenino (49,4 %) y masculino (47,8 %). Las
categorías otro y prefiero no responder
representaron en conjunto el 2,8 %. Esta
distribución contribuye a caracterizar la
población estudiada y permite interpretar los
resultados obtenidos a partir de una
participación equilibrada en las categorías
principales.
Tabla 4. Nivel más alto de educación alcanzado
por los participantes.
Respuesta
Frecuencia
Porcentaje
Educación básica.
47
26,2 %
Bachillerato.
71
39,4 %
Educación superior.
52
28,9 %
Posgrado.
8
4,4 %
Doctorado.
2
1,1 %
Otro.
0
0 %
Total
180
100 %
Fuente: Elaboración propia.
El grupo predominante corresponde a los
participantes con bachillerato (39,4 %), seguido
por quienes poseen educación superior (28,9 %)
y educación básica (26,2 %). En conjunto, estos
tres niveles representan el 94,5 % de la
población. Este resultado aporta información
relevante para el diseño de la estrategia, debido
a que evidencia la necesidad de utilizar
contenidos comprensibles y adaptados a
distintos niveles de formación.
Tabla 5. Frecuencia de utilización de internet.
Respuesta
Frecuencia
Porcentaje
Varias veces al día.
128
71,1 %
Una vez al día.
28
15,6 %
Varias veces por semana.
16
8,9 %
Ocasionalmente.
8
4,4 %
Nunca.
0
0,0 %
Total
180
100 %
Fuente: Elaboración propia.
El 71,1 % de los participantes utiliza internet
varias veces al día y el 15,6 % lo hace una vez
al día. Por tanto, el 86,7 % mantiene una
interacción diaria con internet. Este resultado
evidencia una alta exposición al entorno digital
y, en consecuencia, una mayor posibilidad de
estar en contacto con contenidos sintéticos o
potencialmente manipulados, lo que justifica la
pertinencia del estudio.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 529
Tabla 6. Dispositivo utilizado con mayor
frecuencia para acceder a internet.
Respuesta
Frecuencia
Porcentaje
Teléfono móvil.
139
77,2 %
Computadora.
29
16,1 %
Tableta.
7
3,9 %
Otro.
5
2,8 %
Total
180
100 %
Fuente: Elaboración propia.
El 77,2 % de los participantes accede
principalmente a internet mediante teléfono
móvil, mientras que el 16,1 % utiliza una
computadora. El predominio del teléfono móvil
permite identificar una característica importante
de la población: la estrategia de prevención y
verificación debe considerar recursos accesibles
y funcionales desde este tipo de dispositivo.
Tabla 7. Principal uso de internet por parte de los participantes.
Respuesta
Frecuencia
Porcentaje
Redes sociales.
62
34,4 %
Comunicación y mensajería.
39
21,7 %
Trabajo o estudios.
35
19,4 %
Entretenimiento.
27
15,0 %
Compras o trámites.
11
6,1 %
Otro.
6
3,3 %
Total
180
100 %
Fuente: Elaboración propia.
Las redes sociales (34,4 %) constituyen el
principal uso de internet, seguidas de la
comunicación y mensajería (21,7 %) y del
trabajo o estudios (19,4 %). En conjunto, estos
resultados muestran que una parte importante
de la actividad digital de los participantes se
desarrolla en espacios de producción, recepción
y circulación de información. Este hallazgo
aporta elementos para enfocar la investigación
en prácticas de identificación y verificación
aplicables a estos contextos.
Tabla 8. Conocimiento previo sobre el término deepfake.
Respuesta
Frecuencia
Porcentaje
Sí, y sé qué significa.
32
17,8 %
Sí, pero sé poco sobre el tema.
46
25,6 %
He escuchado la palabra, pero no sé qué significa.
38
21,1 %
No, nunca la había escuchado.
64
35,6 %
Total
180
100 %
Fuente: Elaboración propia.
El 35,6 % de los participantes indicó que nunca
había escuchado el término deepfake, mientras
que el 25,6 % manifestó conocer poco sobre el
tema. Solo el 17,8 % señaló conocer su
significado. Estos resultados evidencian un
nivel limitado de familiaridad con el fenómeno
y aportan un diagnóstico inicial que justifica la
inclusión de contenidos básicos de
alfabetización sobre deepfakes en la estrategia
propuesta.
Tabla 9. Conocimiento conceptual sobre los deepfakes.
Respuesta
Frecuencia
Porcentaje
Un contenido digital creado o modificado mediante inteligencia artificial
para hacer que parezca real.
88
48,9 %
Un programa utilizado para proteger dispositivos frente a amenazas
digitales.
22
12,2 %
Un contenido eliminado o bloqueado de internet.
31
17,2 %
Una aplicación utilizada para editar fotografías y videos.
39
21,7 %
Total
180
100 %
Fuente: Elaboración propia.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 530
La definición correcta fue seleccionada por el
48,9 % de los participantes, mientras que el 51,1
% eligió una respuesta incorrecta. Aunque
existe un nivel importante de reconocimiento
conceptual, los resultados muestran que más de
la mitad de la población no identifica
correctamente el significado del término. Este
hallazgo permite establecer la necesidad de
reforzar la comprensión conceptual como punto
de partida para la detección de contenidos
sintéticos.
Tabla 10. Conocimiento sobre los tipos de
contenido en los que pueden aparecer
deepfakes.
Respuesta
Frecuencia
Porcentaje
Solo en videos.
29
16,1 %
En imágenes y videos.
41
22,8 %
En imágenes, videos y audios.
86
47,8 %
Solo en audios.
24
13,3 %
Total
180
100 %
Fuente: Elaboración propia.
El 47,8 % reconoció correctamente que los
deepfakes pueden presentarse en imágenes,
videos y audios. Sin embargo, el 52,2 %
seleccionó respuestas que limitan el fenómeno
a uno o dos tipos de contenido. Este resultado
demuestra que el conocimiento sobre las
diferentes manifestaciones de los deepfakes es
incompleto, especialmente en relación con los
audios sintéticos, aspecto relevante para la
prevención de la suplantación de identidad.
Tabla 11. Seguridad percibida para reconocer
un posible deepfake.
Respuesta
Frecuencia
Porcentaje
Muy seguro/a
14
7,8 %
Algo seguro/a
51
28,3 %
Poco seguro/a
72
40,0 %
Nada seguro/a
43
23,9 %
Total
180
100 %
Fuente: Elaboración propia.
El 40,0 % manifestó sentirse poco seguro/a y el
23,9 %, nada seguro/a. En conjunto, el 63,9 %
presenta una baja confianza en su capacidad
para reconocer un posible deepfake. Este
resultado constituye uno de los principales
aportes del diagnóstico, pues evidencia la
necesidad de desarrollar competencias prácticas
que permitan a los usuarios identificar señales
de posible manipulación.
Tabla 12. Identificación de posibles señales de
manipulación.
Respuesta
Frecuencia
Porcentaje
Movimientos, expresiones o
rasgos poco naturales.
91
50,6 %
Muchas reproducciones o
comentarios.
28
15,6 %
Publicación en una red social
conocida.
33
18,3 %
La persona es reconocida por el
usuario.
28
15,6 %
Total
180
100 %
Fuente: Elaboración propia.
La opción relacionada con movimientos,
expresiones o rasgos poco naturales fue
seleccionada por el 50,6 % de los participantes.
Sin embargo, el 49,4 % eligió otros criterios que
no constituyen evidencias confiables de
autenticidad. Los resultados permiten
identificar una comprensión parcial de las
señales de manipulación y aportan elementos
para orientar la estrategia hacia el análisis
crítico de diferentes indicadores, evitando
basarse únicamente en la apariencia o
popularidad de un contenido.
Tabla 13. Acción ante una posible solicitud
fraudulenta mediante audio.
Respuesta
Frecuencia
Porcentaje
Enviar el dinero porque
reconoce la voz.
21
11,7 %
Responder al mismo número
para confirmar.
37
20,6 %
Contactar al familiar por otro
medio para confirmar.
102
56,7 %
Compartir el audio con otras
personas.
20
11,1 %
Total
180
100 %
Fuente: Elaboración propia.
El 56,7 % seleccionó correctamente la opción
de contactar al familiar por otro medio. Sin
embargo, el 43,3 % adoptaría acciones
potencialmente inseguras, como confiar en la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 531
voz o responder al mismo número. Este
resultado aporta evidencia sobre la existencia de
vulnerabilidades frente a posibles casos de
clonación de voz y permite identificar la
necesidad de incorporar procedimientos de
verificación alternativos.
Tabla 14. Acciones para evaluar la
autenticidad de un video.
Respuesta
Frecuencia
Porcentaje
Darlo por verdadero porque la
persona aparece claramente.
19
10,6 %
Comprobar el origen y
contrastar la información.
111
61,7 %
Considerarlo verdadero si
muchas personas lo
compartieron.
27
15,0 %
Considerarlo auténtico por su
calidad técnica.
23
12,8 %
Total
180
100 %
Fuente: Elaboración propia.
El 61,7 % señaló que comprobaría el origen del
video y contrastaría la información, mientras
que el 38,3 % se basaría en criterios como la
apariencia, popularidad o calidad técnica.
Aunque predomina una respuesta adecuada, los
resultados evidencian que una proporción
significativa aún utiliza criterios insuficientes.
Esto aporta información para orientar la
estrategia hacia la verificación del origen y el
contexto de los contenidos.
Tabla 15. Hábitos de verificación antes de
compartir contenidos.
Respuesta
Frecuencia
Porcentaje
Lo comparto si parece verdadero.
38
21,1 %
Compruebo quién lo publicó y contrasto la
información.
79
43,9 %
Pregunto a familiares o amigos.
42
23,3 %
Generalmente lo comparto sin realizar
comprobación.
21
11,7 %
Total
180
100 %
Fuente: Elaboración propia.
El 43,9 % indicó que comprueba quién publicó
el contenido y contrasta la información con
otras fuentes. No obstante, el 56,1 % restante
señaló prácticas diferentes, entre ellas compartir
contenidos si parecen verdaderos o consultar
únicamente a personas cercanas. Este resultado
revela que la verificación sistemática no
constituye una práctica generalizada, lo que
representa un aspecto relevante para la
prevención de la difusión de contenido
sintético.
Tabla 16. Acciones para verificar la
autenticidad de un contenido.
Respuesta
Frecuencia
Porcentaje
Buscar el origen y utilizar una herramienta de
verificación digital.
68
37,8 %
Revisar únicamente cuántas personas lo han
compartido.
34
18,9 %
Consultar solamente los comentarios.
47
26,1 %
Considerarlo verdadero por la calidad de
imagen o sonido.
31
17,2 %
Total
180
100 %
Fuente: Elaboración propia.
Solo el 37,8 % seleccionó la alternativa de
buscar el origen del contenido y utilizar una
herramienta de verificación digital. Por el
contrario, el 62,2 % se basaría en elementos
insuficientes para determinar su autenticidad.
Este hallazgo constituye uno de los principales
resultados del diagnóstico, debido a que
identifica una necesidad concreta de
capacitación sobre métodos y herramientas de
verificación accesibles para los usuarios.
Tabla 17. Percepción sobre la utilidad de
recibir capacitación.
Respuesta
Frecuencia
Porcentaje
Muy útil.
109
60,6 %
Útil.
51
28,3 %
Poco útil.
15
8,3 %
Nada útil.
5
2,8 %
Total
180
100 %
Fuente: Elaboración propia.
El 60,6 % de los participantes considera muy
útil recibir capacitación y el 28,3 % la considera
útil. En conjunto, el 88,9 % presenta una
valoración favorable. Este resultado aporta un
respaldo directo a la propuesta de investigación,
pues evidencia una disposición positiva de la
población hacia una estrategia orientada al
fortalecimiento de sus conocimientos y
capacidades para identificar y verificar posibles
deepfakes. En este sentido, los resultados
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 532
obtenidos constituyen la base para la
elaboración de la estrategia para la detección y
prevención de deepfakes dirigida a usuarios
web. Las necesidades identificadas en relación
con el conocimiento del fenómeno, la capacidad
para reconocer posibles señales de
manipulación y el uso de procedimientos de
verificación permiten orientar la estrategia
hacia contenidos y acciones acordes con las
características de la población estudiada.
Estrategia para la detección y prevención de
deepfakes dirigida a usuarios web
Tabla 18. Estrategia práctica para la identificación y prevención de deepfakes mediante dispositivos
móviles.
Etapa
Acción del usuario
Señales o aspectos que
debe comprobar
Contenido
Herramienta móvil
recomendada
Procedimiento
sencillo
Resultado esperado
Pausar
Detenerse antes de
creer, responder o
compartir el contenido.
Mensajes urgentes,
alarmistas, solicitudes de
dinero, códigos, datos
personales o acciones
inmediatas.
Imagen, video
y audio
No requiere
herramienta.
Esperar y analizar el
contenido antes de
realizar cualquier
acción.
Evitar decisiones
impulsivas y
posibles fraudes.
Observar
Examinar
cuidadosamente el
contenido recibido.
Rostros o expresiones
poco naturales,
movimientos extraños,
alteraciones en ojos,
dientes o manos,
iluminación y sombras
inconsistentes, así como
desincronización entre
labios y voz.
Imagen y
video
Galería del
dispositivo.
Ampliar la imagen y
reproducir el video
varias veces para
identificar posibles
irregularidades.
Reconocer señales
iniciales que
justifiquen una
verificación
adicional.
Comprobar el
origen
Identificar la fuente y el
contexto de
publicación.
Cuenta desconocida,
fuente no identificada,
información sin
referencias, fecha dudosa
o contenido presentado
fuera de contexto.
Imagen, video
y audio
Google, Brave,
Safari u otro
navegador.
Buscar el contenido,
autor, acontecimiento
o información
principal en Internet.
Localizar la fuente
original y conocer el
contexto del
contenido.
Verificar la
imagen
Comprobar la
procedencia y el
contexto de la imagen.
Coincidencias con
imágenes anteriores,
utilización en otros
acontecimientos o
diferencias entre
versiones.
Imagen
Google Lens.
Cargar la imagen o una
captura de pantalla y
revisar imágenes
similares y sitios web
relacionados.
Determinar si la
imagen corresponde
al contexto en que
fue compartida.
Analizar el
contenido
multimedia
Someter el contenido a
una herramienta
especializada de
análisis.
Posibles alteraciones
visuales, faciales o de
audio que no puedan
determinarse mediante
observación directa.
Imagen, video
y audio
DeepFake-O-Meter,
Resemble AI o
TruthScan.
Cargar el archivo
disponible y consultar
el resultado
proporcionado por la
herramienta.
Obtener evidencia
adicional sobre la
posible
manipulación del
contenido.
Contrastar
Comparar la
información con
fuentes independientes
y confiables.
Diferencias en fechas,
nombres, lugares,
declaraciones o
acontecimientos;
ausencia de información
en fuentes confiables.
Imagen, video
y audio
Google, Brave,
Safari u otro
navegador.
Realizar búsquedas y
comparar la
información con dos o
más fuentes
independientes.
Confirmar,
contextualizar o
cuestionar la
información
recibida.
Confirmar la
identidad
Verificar directamente
la identidad de la
persona involucrada.
Solicitudes de dinero,
transferencias, códigos
de seguridad,
contraseñas o
información privada.
Audio y video
Llamada telefónica o
WhatsApp.
Contactar a la persona
mediante un canal
diferente al utilizado
para recibir el
contenido.
Confirmar la
autenticidad de la
persona y de la
solicitud.
Decidir
Tomar una decisión
considerando todas las
evidencias obtenidas.
Resultado sospechoso de
una herramienta, falta de
fuente confiable,
contradicciones o
persistencia de dudas.
Imagen, video
y audio
Herramientas
utilizadas
anteriormente.
Si no existe evidencia
suficiente para
confirmar su
autenticidad, evitar
compartir el contenido
y, cuando corresponda,
reportarlo.
Reducir la difusión
de contenido falso o
manipulado.
Fuente: Elaboración propia.
En relación con el conocimiento sobre los
deepfakes, los resultados muestran importantes
brechas. El 35,6 % de los participantes nunca
había escuchado el término y solo el 17,8 %
manifestó conocer su significado. Asimismo, el
51,1 % no identificó correctamente su
definición y el 52,2 % desconoció que estos
contenidos pueden presentarse
simultáneamente en imágenes, videos y audios.
Estos resultados coinciden con Dhahir et al.
(2024), quienes encontraron niveles bajos de
capacidad para identificar deepfakes y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 533
señalaron la necesidad de fortalecer la
alfabetización digital mediante conocimientos
técnicos y pensamiento crítico. En este sentido,
el desconocimiento conceptual constituye una
limitación inicial para desarrollar procesos
adecuados de identificación y verificación.
La capacidad percibida para reconocer
contenidos manipulados también representa una
dificultad. El 63,9 % de los participantes
manifestó sentirse poco o nada seguro para
identificar un posible deepfake, mientras que
solo el 50,6 % reconoció como señal de posible
manipulación la presencia de movimientos,
expresiones o rasgos poco naturales. Este
resultado es consistente con la revisión y
metaanálisis de Diel et al. (2024) quienes
determinaron que el rendimiento humano en la
detección de deepfakes es limitado y, en
términos generales, no supera ampliamente el
nivel esperado por azar.
Por tanto, los resultados obtenidos sugieren que
confiar exclusivamente en la percepción visual
o en la intuición del usuario no constituye un
mecanismo suficiente para determinar la
autenticidad de un contenido. Asimismo, los
resultados evidencian que las dificultades no se
limitan a los contenidos visuales, sino que
incluyen los audios sintéticos, debido a que un
43,3 % adoptaría acciones potencialmente
inseguras, como confiar en la voz reconocida o
responder al mismo número. Esto es tratado por
Blancaflor et al. (2024) donde se analizó
precisamente el uso de software y servicios de
clonación de voz para engañar a víctimas
mediante conversaciones telefónicas,
evidenciando que la imitación de una voz
conocida puede utilizarse como mecanismo de
suplantación. En cuanto a las prácticas de
verificación, el 62,2 % recurrió a criterios
insuficientes, como la cantidad de compartidos,
los comentarios o la calidad de imagen y sonido.
Estos resultados determinan que la popularidad,
la apariencia y la calidad técnica continúan
siendo utilizadas como indicadores de
autenticidad, pese a que no garantizan que un
contenido sea genuino. Situación que coincide
con Momin et al. (2025) quienes destacan la
necesidad de desarrollar mecanismos de
detección comprensibles y herramientas que
permitan a los usuarios interpretar los
resultados de manera adecuada.
El 88,9 % de los participantes considera útil o
muy útil recibir capacitación sobre la
identificación y prevención de deepfakes. Esto
respalda la pertinencia de la estrategia
propuesta, especialmente porque las principales
necesidades identificadas corresponden
precisamente a conocimiento conceptual,
reconocimiento de señales de manipulación,
prevención de la clonación de voz y aplicación
de procedimientos de verificación. En función
de estos hallazgos, la estrategia planteada
mediante las etapas de pausar, observar,
comprobar el origen, verificar, analizar,
contrastar, confirmar la identidad y decidir,
busca transformar la identificación de
deepfakes de una actividad basada
principalmente en la intuición hacia un proceso
sistemático de análisis y verificación.
Conclusiones
Los resultados obtenidos muestran que los
participantes mantienen una alta interacción con
internet, principalmente a través de teléfonos
móviles y redes sociales, lo que los mantiene en
constante contacto con contenidos digitales que
pueden ser manipulados mediante inteligencia
artificial. A pesar de esta frecuente exposición,
se identificó un conocimiento limitado sobre los
deepfakes, tanto en su definición como en las
diferentes formas en que pueden presentarse.
Asimismo, una proporción importante de los
participantes manifestó poca seguridad para
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 534
reconocer este tipo de contenidos y aún
considera aspectos como la apariencia, la
cantidad de comentarios o la calidad de una
imagen o video como elementos para
determinar su autenticidad. También se
evidenciaron dificultades para responder
adecuadamente ante posibles casos de
clonación de voz y para aplicar procedimientos
de verificación antes de compartir contenidos.
Estos resultados muestran que conocer o
sospechar que un contenido puede ser falso no
siempre se traduce en una acción adecuada para
comprobar su autenticidad.
Por otra parte, el 88,9 % de los participantes
consideró útil o muy útil recibir capacitación
sobre los deepfakes, lo que demuestra una
disposición favorable para fortalecer sus
conocimientos y habilidades. Para atender las
necesidades identificadas, se diseñó una
estrategia para la detección y prevención de
deepfakes dirigida a usuarios web, estructurada
en ocho etapas: pausar, observar, comprobar el
origen, verificar, analizar, contrastar, confirmar
la identidad y decidir.
Esta estrategia busca orientar a los usuarios
mediante acciones sencillas y prácticas que
puedan realizarse principalmente desde el
teléfono móvil, promoviendo un proceso de
verificación que no dependa únicamente de la
percepción. De esta manera, la propuesta
contribuye al fortalecimiento de las
competencias necesarias para analizar los
contenidos digitales de forma crítica y tomar
decisiones más responsables antes de recibir,
verificar y compartir información en internet.
La estrategia para la detección y prevención de
deepfakes puede utilizarse como una guía
práctica para fortalecer las capacidades de los
usuarios web. Su aplicación debe considerar las
ocho etapas propuestas: pausar, observar,
comprobar el origen, verificar, analizar,
contrastar, confirmar la identidad y decidir. Las
actividades de capacitación deben abordar de
manera sencilla las diferentes formas de
deepfakes, mediante ejemplos de imágenes,
videos y audios, y promover prácticas de
verificación basadas en fuentes confiables y el
contraste de información.
En situaciones de posible clonación de voz, es
importante confirmar la identidad mediante un
canal diferente antes de enviar dinero, códigos
o información personal. Las herramientas
digitales pueden utilizarse como apoyo,
complementándolas con el análisis del contexto
y la información disponible. Los materiales de
la estrategia deben ser accesibles desde
teléfonos móviles y emplear un lenguaje claro,
considerando las características de la población
estudiada. Finalmente, la estrategia debe
evaluarse después de su aplicación y
actualizarse periódicamente debido a la
evolución de las tecnologías de IA.
Agradecimiento
En primer lugar, agradezco a Dios por
brindarme la fortaleza, sabiduría y
perseverancia necesarias para culminar esta
etapa tan importante de mi formación
académica. A mi esposa, por creer en mí incluso
cuando yo mismo dudaba de mis capacidades,
por impulsarme a continuar con mis estudios
cuando las circunstancias y las dificultades me
hacían pensar en rendirme. Gracias por estar a
mi lado, por sus palabras de ánimo, por su
paciencia y por recordarme que sí podía lograrlo
cuando nadie más me impulsaba a seguir.
Este logro también es de ella, porque detrás de
cada paso que di estuvo su apoyo incondicional.
A mi hijo, por ser esa razón que me motivó a
luchar cada día por un mejor futuro. Todo
esfuerzo, cada sacrificio y cada momento de
cansancio tuvieron sentido al pensar en él y en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 535
el ejemplo que quiero dejarle. Si hoy estoy
culminando esta etapa, es porque tuve una
familia que me dio motivos para no rendirme. A
mis padres, por sus consejos y enseñanzas, que
me han permitido seguir adelante y no rendirme
ante las dificultades. De manera especial,
expreso mi sincero agradecimiento a mi tutora,
por su orientación, dedicación, conocimientos y
apoyo durante la elaboración de este artículo
científico. Sus recomendaciones y
acompañamiento fueron fundamentales para
poder llevar a cabo y culminar este trabajo.
Referencias Bibliográficas
Alrashoud, M. (2025). Métodos, enfoques y
desafíos para la detección de vídeo deepfake.
Alexandria Engineering Journal, 125, 265–
277.
https://doi.org/10.1016/j.aej.2025.04.007
Alzaga, A. (2025). La metamorfosis de la
verdad: Deepfakes y el desafío de la
autenticidad en la sociedad digital. Derecom.
Revista Internacional de Derecho de la
Comunicación y de las Nuevas Tecnologías,
38(1), 45-57.
https://doi.org/10.5209/dere.102344
Babaei, R., Cheng, S., Duan, R. & Zhao, S.
(2025). Generative Artificial Intelligence and
the Evolving Challenge of Deepfake
Detection: A Systematic Analysis. Journal of
Sensor and Actuator Networks, 14(1), 17.
https://doi.org/10.3390/jsan14010017
Blancaflor, E., Abaleta, R., Achacoso, L.,
Amper, A. & Ampiloquio, P. (2024).
Emerging threat: The use of AI voice cloning
software and services to deceive victims
through phone conversations and its potential
effects on the Filipino population.
Proceedings of the 2024 5th Asia Service
Sciences and Software Engineering
Conference, 137–146.
https://doi.org/10.1145/3702138.3702145
Buchan, M., Bhawra, J. & Katapally, T. R.
(2024). Navigating the digital world:
Development of an evidence-based digital
literacy program and assessment tool for
youth. Smart Learning Environments, 11, 8.
https://doi.org/10.1186/s40561-024-00293-x
Calabrese, C., Rasul, M., Cho, H., Jeon, M.,
Kim, T. & Oh, Y. (2026). Development and
validation of a deepfake literacy scale:
Predictors and correlates of deepfake literacy.
SSRN. https://doi.org/10.2139/ssrn.6517436
Cruz, C. (2026). La manipulación de la
evidencia de políticas públicas con la
inteligencia artificial generativa: Los riesgos
de los deepfakes. Universitas, 43.
https://orcid.org/0000-0002-6105-9167
Colunga, R. & González, L. (2025). Perspectiva
Teórica de la Alfabetización Digital: Aportes
de Heidegger, Freire, Habermas y Vygotsky.
Revista Latinoamericana De Calidad
Educativa, 2(3), 51-54.
https://doi.org/10.70625/rlce/278
Dhahir, D., Kenda, N., Dirgahayu, D.,
Syarifuddin, S., Djaffar, R., Widihastuti, R.,
Rustam, M. & Pala, R. (2024). The
relationship of digital literacy, exposure to
AI-generated deepfake videos, and the ability
to identify deepfakes in Generation X. Jurnal
Pekommas, 9(2), 357–368.
https://doi.org/10.56873/jpkm.v9i2.5873
Di Gionantonio, A. & Ligorria, L. (2022).
Ingeniería Social: Ataques y Estrategias de
Defensa. Revista Tecnología Y Ciencia, (22),
51–58.
https://rtyc.utn.edu.ar/index.php/rtyc/article/
view/927
Diel, A., Lalgi, T., Schröter, I. C., MacDorman,
K. F., Teufel, M., & Bäuerle, A. (2024).
Human performance in detecting deepfakes:
A systematic review and meta-analysis of 56
papers. Computers in Human Behavior
Reports, 16, 100538.
https://doi.org/10.1016/j.chbr.2024.100538
Fernández, Á., Yazidi, A., Vasilakos, A.,
Haugerud, H. & Youce, D. (2024).
Deepfakes: tendencias actuales y futuras.
Artif Intell Rev 57, 64.
https://doi.org/10.1007/s10462-023-10679-x
García, D., Suárez, R. & García, A. (2025).
“Todo parece veraz”. Credibilidad de la
desinformación producida usando IA desde la
perspectiva de los estudiantes de
comunicación en España. Revista De
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 536
Comunicación, 24(2), 183-227.
https://doi.org/10.26441/RC24.2-2025-3872
Ghiurău, D. & Popescu, D. (2025). Distinguir la
realidad de la IA: enfoques para detectar
contenido sintético. Ordenadores, 14(1), 1.
https://doi.org/10.3390/computers14010001
Jabir, R., Le, J. & Nguyen, C. (2025). Phishing
Attacks in the Age of Generative Artificial
Intelligence: A Systematic Review of Human
Factors. AI, 6(8), 174.
https://doi.org/10.3390/ai6080174
Javed, M., Zhang, Z., Dahri, F. & Kumar, T.
(2025). Enhancing multimodal deepfake
detection with local–global feature
integration and diffusion models. Signal,
Image and Video Processing, 19, 400.
https://doi.org/10.1007/s11760-025-03970-7
Jheelan, J. & Pudaruth, S. (2025). Uso de
aprendizaje profundo para identificar
deepfakes creados mediante redes
generativas adversariales. Ordenadores,
14(2), 60.
https://doi.org/10.3390/computers14020060
Li, M., Ahmadiadli, Y. & Zhang, X. (2025). A
survey on speech deepfake detection. ACM
Computing Surveys, 57(7), 165, 1–38.
https://doi.org/10.1145/3714458
Ma, R., Wang, X. & Yang, G. (2025). Fighting
fake news in the age of generative AI:
Strategic insights from multi-stakeholder
interactions. Technological Forecasting and
Social Change, 216, 124125.
https://doi.org/10.1016/j.techfore.2025.1241
25
Momin, M., Sufian, A., Barman, D., Leo, M.,
Distante, C. & Damer, N. (2025). Explainable
deepfake detection across different
modalities: An overview of methods and
challenges. Image and Vision Computing,
163, 105738.
https://doi.org/10.1016/j.imavis.2025.10573
8
Navas, C. & Pérez, S. (2023). Mapping the
Intellectual Structure of the Social
Engineering: a Co-citation and Bibliographic
Coupling Study. INVESTIGATIO, 1(20).
https://doi.org/10.31095/investigatio.2023.2
0.10
Park, P., Goldstein, S., O'Gara, A., Chen, M. &
Hendrycks, D. (2024). AI deception: A
survey of examples, risks, and potential
solutions. Patterns, 5(5), 100988.
https://doi.org/10.1016/j.patter.2024.100988
Pennycook, G. & Rand, D. (2021). The
psychology of fake news. Trends in Cognitive
Sciences, 25(5), 388–402.
https://doi.org/10.1016/j.tics.2021.02.007
Plohl, N., Mlakar, I., Aquilino, L., Bisconti, P.
& Smrke, U. (2025). Development and
validation of the perceived deepfake
trustworthiness questionnaire (PDTQ) in
three languages. International Journal of
Human–Computer Interaction, 41(11),
6786–6803.
https://doi.org/10.1080/10447318.2024.2384
821
Quiliche, D., Mauricio, K. & Mendoza de los
Santos, A. (2026). Deepfakes y autenticación
biométrica: Desafíos y soluciones contra la
suplantación de identidad. Revista Científica
Unanchay, 5(1).
https://doi.org/10.64424/rcu51202698
Ramos, F. (2024). Deepfake: Análisis de sus
implicancias tecnológicas y jurídicas en la era
de la Inteligencia Artificial. Derecho global.
Estudios sobre derecho y justicia, 9(27), 359-
387.
https://doi.org/10.32870/dgedj.v9i27.754
Rzayeva, L., Zhetpisbayeva, A., Batkuldin, A.,
Nyssanov, N., Ryzhova, A. & Saeed, F.
(2026). Un método inteligente de historial
forense de navegador para el análisis
automatizado de registros de actividad web,
credenciales y perfiles de comportamiento de
usuarios. Algoritmos, 19(1), 75.
https://doi.org/10.3390/a19010075
Tiernan, P., Costello, E., Donlon, E., Parysz, M.
& Scriney, M. (2023). Alfabetización en la
información y los medios en la era de la IA:
opciones para el futuro. Ciencias de la
Educación, 13(9), 906.
https://doi.org/10.3390/educsci13090906
Vamsi, V., Shet, S., Reddy, S., Rose, S., Shetty,
S., Sathvika, S. & Shankar, S. (2022).
Deepfake detection in digital media
forensics. Global Transitions Proceedings,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.1
Edición Especial IX 2026
Página 537
3(1), 74–79.
https://doi.org/10.1016/j.gltp.2022.04.017
Villamar, M., Vera Pico, L., Castillo Pinargote,
M., Reyes Romero, D. & López Gorozabel,
O. (2026). La incidencia de la inteligencia
artificial generativa en los deepfakes y sus
repercusiones en la confianza social. Ciencia
y Educación, 7(1.1), 677 - 685.
https://doi.org/10.5281/zenodo.18463188
Wang, T., Liao, X., Cena, K. P., Lin, X. &
Wang, Y. (2025). Deepfake detection: A
comprehensive survey from the perspective
of reliability. ACM Computing Surveys,
57(3), 1–35. https://doi.org/10.1145/3699710
Waseem, S. & Elneel, M. (2023). Deepfake face
swapping and expression: A review. IEEE
Access, 11, 117865–117906.
https://doi.org/10.1109/ACCESS.2023.3324
403
Zambrano, A. (2024). Impacto de la inteligencia
artificial en los ciberataques. Revista
Científica Sinapsis, 24(1).
https://doi.org/10.37117/s.v24i1.895
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Pedro Antonio
Cevallos Ortiz, y Marlene Guadalupe Castillo
Pinargote.
Declaraciones éticas y editoriales del artículo
Contribución de los autores (Taxonomía CRediT)
Pedro Antonio Cevallos Ortiz: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.
Marlene Guadalupe Castillo Pinargote: curación y organización de los datos, participación en la recolección de información, validación de los resultados
obtenidos y elaboración de representaciones gráficas y visualización de los datos.
Declaración de conflicto de intereses
Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.
Declaración de financiamiento
La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.
Declaración del editor
El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas editoriales. El manuscrito fue sometido a un proceso de evaluación mediante revisión por pares doble ciego, garantizando la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.
Declaración de los revisores
Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.
Declaración ética de la investigación
Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.
Declaración sobre el uso de inteligencia artificial
Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.
Disponibilidad de datos
Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.
