Sлопотрон — detector de neuroslop

Busca y elimina marcadores de IA, neurotropos y patrones muertos en textos en ruso. No toca la lógica ni la estructura: es una limpieza de estilo, no una edición de significado.

Esta es una herramienta opinionada: la lista de verificación está diseñada para el ruso hablado natural (publicaciones, boletines, ensayos), no para textos académicos o legales. La sección «Tipografía» está optimizada para publicaciones cortas en mensajeros; para tu plataforma puedes suavizarla. Todo lo demás son signos generales de texto generado por máquina.

La lista de marcadores está fechada (versión 2026-09-29, revisiones 2026-06-18 · 2026-07-13 · 2026-08-03 · 2026-09-07 · 2026-09-29) y está viva: las expresiones quedan obsoletas en cuanto se «descubren» (el inglés delve cayó en frecuencia hacia 2025, creció significant). Los marcadores también son específicos del modelo: cada modelo tiene su propia huella. Si corriges con una lista antigua, compárala con la investigación más reciente, no confíes ciegamente.

Las secciones «Procedencia: saturación estructural» y «Autocomentario del argumento» son una adaptación de las categorías §0 y §12 de cw-ai-check (Every, MIT), traducidas al ruso y adaptadas a la lógica de cluster de esta skill.

Revisión 2026-09-29 — la primera con medición de corpus: 459 publicaciones de Telegram en vivo, publicadas antes del lanzamiento de ChatGPT (30.11.2022), contra 989 pares generados por nueve modelos de septiembre de 2026 (mismo tema, mismo canal, mismo volumen). Los números «humanos → modelos» a continuación provienen de ahí.

Principio de cluster (leer primero)

El neuroslop es una sobrerrepresentación estadística, no una exclusividad. Cada palabra y expresión de la lista también aparece en autores vivos. La señal no la da un marcador único, sino un cluster: 3+ marcadores en un mismo párrafo. Una raya sola, un «ecosistema», un paralelismo no son una sentencia de muerte, y no es necesario tocarlos. La parcelación es un marcador como cualquier otro. Hasta la revisión de 2026-09-29 se corregía siempre, incluso cuando era única; la medición eliminó esta regla: los autores vivos la usan en el 11% de sus publicaciones, los modelos en el 16%.

Por qué es importante: tanto las personas como los detectores automáticos aciertan la IA más o menos al azar (~50%; en textos de no nativos los falsos positivos llegan al 60%+), y el error principal de la limpieza es la esterilización del texto vivo (un editor, un texto artístico, un ensayo usan legalmente rayas, paralelismos, regla de tres). Corriges el conjunto, no cada coincidencia. Cuando dudes «¿es autor o red neuronal?» —déjalo; corrige solo donde los marcadores van en manada.

Un fragmento — una marca. Si una cita encaja en varios puntos, en la tabla va una sola fila por el punto más preciso, y en el cluster cuenta como un marcador: una misma frase encontrada tres veces no es una manada. Un fragmento es una cita bajo un defecto, no un párrafo: dos defectos diferentes en oraciones adyacentes — dos filas. Lo contrario también es válido: la densidad aumenta la gravedad, pero no reemplaza los hallazgos — cada aparición sigue siendo una fila separada con su propia cita, de lo contrario en modo Fix no hay nada que corregir. (Propuesto en el issue #4; la segunda mitad proviene de ru-text, MIT.)

Los marcadores quedan obsoletos de dos maneras. La primera conocida: la expresión se «descubre» — los modelos se alejan de ella. La segunda, más engañosa, es la filtración: las palabras asociadas a la IA crecen en la escritura humana viva (+15,1% en promedio en 34 idiomas en tres años, con −4,5% en los controles; significativo en los 34 — Juzek 2026). El marcador sigue siendo frecuente en los modelos y al mismo tiempo deja de ser discriminatorio porque la gente empezó a escribir así. De ahí: la lista debe estar fechada, y en caso de duda «autor o modelo» decidir a favor del autor.

Límite de lo mecánico. La fiabilidad de una regla es proporcional a su carácter mecánico. «Encontrar la subcadena X» funciona; «sentir que aquí hay vacío» — no: al marcar slop, un modelo de razonamiento con una guía en mano falla porque prefiere su propia salida (Shaib et al. 2026). Una regla que no se puede verificar con búsqueda o conteo da un hallazgo a decisión del autor, no una corrección en el texto.

Desencadenantes y modos

Desencadenante	Modo
«pásalo por el slopotron» \| «limpia el neuroslop» \| «elimina los marcadores de IA» \| «hazlo más humano» \| «/slopotron»	Fix (predeterminado) — encuentra + corrige + devuelve
«solo banderas» \| «detect» \| «qué aquí delata a la red neuronal»	Detect — solo lista de problemas, no corrige

Proceso

El orden de las pasadas es importante: primero proveniencia, luego léxico. Empezar con la lista negra de palabras es incorrecto: el texto puede estar cristalinamente limpio en vocabulario y completamente mecánico en su estructura.

Pasada 0 — proveniencia y saturación. Solo si tienes la fuente (transcripción, brief, notas, borrador del autor). Comparar el texto con la fuente según la sección «Procedencia: saturación estructural». Sin fuente, se omite la pasada, no inventes discrepancias.

Pasada 1 — autocomentario. Aplicar la sección «Autocomentario del argumento» con dos pruebas (de eliminación y de referente). No se necesita fuente, funciona sobre prosa básica.

Pasada 2 — lista de verificación mecánica. Revisar las demás categorías. Cada infracción — anotar con cita. Luego aplicar el «Principio de cluster»: un marcador único en un párrafo vivo — marcar, pero no es necesario corregir; corregir principalmente donde los marcadores van en manada (3+ en un párrafo). Los artefactos técnicos están fuera del umbral, funcionan individualmente.

Pasada 3 — mirada fresca. Releer el texto completo y preguntar: «¿qué aquí sigue delatando a la red neuronal?» No es una repetición de la lista de verificación — es una visión intuitiva del texto como un todo. El eslabón más débil del pipeline (ver «Límite de lo mecánico»): los hallazgos de esta pasada van por defecto a decisión del autor, no al texto.

Pasada 4 — autoverificación. Releer el texto limpio y preguntar: «Eliminé patrones antiguos, pero ¿no añadí otros nuevos?» Errores típicos de la segunda pasada: todos los párrafos tienen la misma longitud (al eliminar defectos, igualaste el ritmo), estructura demasiado limpia (el texto se volvió ordenado pero estéril), final flojo (el último párrafo decayó tras eliminar clichés), texto limpio pero sin personalidad (no hay voz del autor). Si alguno de estos signos está presente — aplicar la sección «Revitalización del texto».

Modo Fix: Aplicar todas las correcciones de forma puntual. No reescribir, no reestructurar — solo eliminar marcadores.

Lista de verificación

Procedencia: saturación estructural

Pasada 0, antes del léxico. El modelo añade lo que no había en la fuente: conexión entre hechos, explicación, simetría, emoción, resolución. El texto puede estar cristalinamente limpio en vocabulario. Adaptación de cw-ai-check §0 (Every, Compound Writing, MIT).

La confianza depende de si tienes la fuente — transcripción, brief, notas, borrador, entrevista. Si la tienes → bandera y corrección con plena confianza. Si no, solo tienes prosa terminada → no inventes discrepancias, formula como pregunta al autor. Sin fuente, «añadió» y «sabía» son indistinguibles, y el intento de adivinar da hipercorrección.

Conexión no probada. En la fuente dos hechos están juntos — en el texto hay una causa entre ellos: «por lo tanto», «debido a esto», «esto llevó a que» → devolver la yuxtaposición sin causa
Confianza reforzada. El autor dudaba, suponía, había oído de alguien — el texto lo afirma → devolver la modalidad original
Explicación cuidada. El autor dice «salió así», «no sé por qué» — en el texto hay un mecanismo estructurado → devolver la ignorancia, que es el contenido
Ajuste a una taxonomía. Ejemplos heterogéneos ordenados en una serie («tres razones», «dos tipos», «cuatro etapas»), aunque en la fuente no había serie → deshacer la serie
Reacción atribuida al lector. «Aquí entenderá», «esto le es familiar a todos», «el lector espera», «suena contraintuitivo» — sin base en la fuente → eliminar
Recurso de voz con densidad inverosímil. El recurso característico del autor (broma, autoironía, reacción corta) aparece en cada párrafo — en un autor vivo es raro y aparece donde funciona → reducir a la frecuencia original
Metáfora extendida por cohesión. La imagen se introduce una vez con sentido, luego se mantiene para enlazar párrafos, no para la comprensión → cortar tras el primer uso
Final cierra más de lo que cerró el autor. En la fuente la pregunta quedó abierta — en el texto hay conclusión y resolución → devolver el final abierto

Autocomentario del argumento

El texto describe su argumento en lugar de hacerlo. Palabras simples, frases cortas, ningún marcador de los diccionarios siguientes — por eso sobrevive a cualquier limpieza léxica y no es detectado por nada más en esta lista. Adaptación de cw-ai-check §12 (Every, MIT).

Fuera del umbral de cluster: se activa no por coincidencia con la lista, sino por superar la prueba, por lo tanto una sola aparición ya es un hallazgo. Pero la corrección aquí toca la trama del significado, no la sintaxis: en caso dudoso, devolver al autor, no incorporar en silencio.

Dos pruebas, cualquiera es suficiente:

Prueba de eliminación. Cortar la frase. Si el argumento se mantiene y solo se pierde el acompañamiento al lector — era un andamio.
Prueba del referente. El sustantivo se refiere al propio texto, no al tema de conversación: «historia», «sección», «panorama», «conclusión», «límite», «trama», «mitad», «parte», «línea».
Autoevaluación de la prueba: «lo más puro que encontramos», «el argumento principal aquí», «esto es lo que me convenció», «las cifras son menos convincentes» → dejar el hecho, la evaluación darla al lector
Indicador de estructura: «la otra mitad de la historia», «luego — sobre el dinero», «esto es solo la punta del iceberg», «aquí comienza lo interesante», «pero sobre esto más abajo» → eliminar, la transición la hace el propio texto
Etiqueta epistémica: «la cuestión abierta es que», «dos cosas siguen sin estar claras», «esto complica el panorama», «aquí no estoy seguro» → nombrar el hecho mismo que crea la incertidumbre
Caracterización de la cita antes de la cita: «quien mejor lo dijo fue N», «la queja fue unánime», «la réplica es representativa» → dar nombre y acción, luego la cita

No confundir con razonamiento. La elección entre dos hallazgos es una afirmación sobre el mundo, permanece: «la inspección de la obra puede cambiar la elección del hotel, pero la maquetación de la página — no». La descripción de que la elección se ha hecho es un andamio, desaparece: «la inspección de la obra es el argumento más fuerte».

Artefactos técnicos (fuera del principio de cluster)

Funcionan individualmente: una persona no produce esto. Se verifican mediante búsqueda de subcadena o code point, no con juicio — la categoría más fiable de toda la lista.

Caracteres invisibles. U+202F (espacio estrecho de no separación) en lugar del normal — ChatGPT o3/o4-mini y GPT-5; U+E200 / U+E201 / U+E202 — envoltorios de citas durante la transmisión de búsqueda web. A simple vista no se ven, sobreviven al copypaste, una persona no los escribe. Buscar por code point. U+00A0 — señal débil de segundo orden: lo producen en masa Word y editores web
Rastros del mecanismo de citación: contentReference, oaicite, oai_citation, turn0search0, attributableIndex, +1 desnudo (ChatGPT); [cite: 1], [span_1](start_span) (Gemini); grok_card, grok_render_citation_card_json (Grok); corchetes lenticulares 【】 y † (DeepSeek); attached_file, ppl-ai-file-upload (Perplexity)
Etiquetas UTM de chatbots en enlaces: utm_source=openai, utm_source=chatgpt.com
Tokens de servicio y marcadores de posición filtrados durante el copypaste: <|end|>, <|im_end|>, [MASK], etiqueta truncada a mitad, URL de placeholder https://example.com, plantillas de citación RAG del tipo [Fuente: ...]. Confianza media: el mecanismo es obvio, pero no hay casos documentados en fuentes abiertas
Marco de respuesta de servicio filtrado: «Claro, aquí tienes un borrador del artículo…», «Infórmeme si desea que el artículo se amplíe», «A fecha de mi última actualización de conocimiento en enero de 2022» (la fecha siempre está «estancada» en el pasado respecto a la publicación), «Aunque la información detallada es limitada en los resultados proporcionados» → eliminar, es resto del diálogo, no del texto
Markdown filtrado en un entorno que no lo renderiza: ** en un mensajero; ** en lugar de ''' y ### en lugar de == en una wiki; --- en lugar de ----
Entidades HTML filtradas: —, –,  ,  , «, », “, ” literales en texto simple (fuera de código y maquetación HTML) — renderizado fallido durante el copypaste desde una interfaz de chat → reemplazar por el carácter. Confianza media: observación de campo de un solo autor (habr, 23.09.2026), el volumen de hallazgos no se ha medido
Fuentes rotas como indicador de origen: 404 el día de la publicación, DOI inexistente, ISBN con suma de verificación incorrecta, autor fallecido en un trabajo reciente → esto es área de verificación de datos, pero como señal de origen mecánico se lee aquí

Tipografía

Sección optimizada para publicaciones cortas en mensajeros. Para tu plataforma — adaptar.

Nombres cirílicos de marcas y proyectos — entre comillas angulares «». No en comillas rectas "" ni en otras „“. Un solo tipo de comillas en todo el texto. Los nombres latinos (Claude Code, Handy, Parakeet) no requieren comillas — el cambio de grafía ya los separa del texto.
No hay listas con viñetas. Solo → y texto continuo (para publicaciones; en artículos/documentos las listas están bien).
No hay listas de términos en negrita. El patrón «Término: descripción» en serie — un fuerte indicador de IA.
Negrita solo en el título. Dentro del texto — texto plano.
No hay mayúscula inicial en cada palabra del título. En ruso, un título con cada palabra en mayúscula («Vida Temprana Y Educación») es un marcador de calco. Solo la primera palabra en mayúscula.
No hay marcadores de posición. Ningún [EJEMPLOS CONCRETOS], [Captura de pantalla], [enlace].

Neurotropos (encontrar y eliminar)

Elementos de transición (moderadamente peligrosos)

Marcan límites de secciones y transiciones. En un texto grande — 1-2 están bien, más — el esquema empieza a oler a IA. En un texto corto (hasta 500 caracteres) — cada uno de ellos trabaja como un marcador aparte. En modo Detect — marcar con «transición».

Revitalización del texto

La sección se aplica solo en el paso 4, si la limpieza estirilizó el texto. No es una lista de verificación obligatoria — es una caja de herramientas para añadir vida cuando el texto se ha vuelto demasiado «correcto».

Restauración del autor

Reconstruir la posición del autor. Si en el texto limpio ha desaparecido — devolver al menos una frase que muestre por qué esto le importa a esta persona.
Restaurar un rasgo «irregular». Si en el borrador original había coloquialismos, jerga, un gesto personal — devolver 1-2, incluso si formalmente son errores.
Devolver la incertidumbre. Si el autor dudaba y el marcador se eliminó con la escoba — devolver esa duda en la entonación, no con palabras de transición.

Trabajo con el ritmo

Romper la uniformidad. Si todos los párrafos tienen la misma longitud (3-5 líneas) — acortar uno a 1-2 líneas o alargarlo.
Añadir una oración corta después de una larga. Cortar en un punto donde el lector necesite una pausa.
Comprobar el final del texto. El último párrafo suele ser el más débil. Si es una generalización de «tirar por alto» — eliminar o reemplazar por una observación concreta.

Restauración del contexto

Añadir un detalle específico. Si el texto original mencionaba algo arrastrado («en una cafetería», «en el ascensor», «un colega dijo») — devolver: estos detalles no son «basura», son la vida.
Añadir una restricción. La IA tiende a declaraciones universales: devolver las excepciones que el autor conocía.
No rellenar con significado ajeno. Si falta un ejemplo que el autor quiso poner pero olvidó — dejar el espacio vacío, no inventar de la nada.

Notas técnicas

Marcación en modo Fix

Todas las correcciones en modo Fix se aplican con comentario-explicación: marcador eliminado, con qué clase y un ejemplo antes/después. El comentario se da en ruso y se coloca en el texto entre corchetes [ ], para que el autor pueda deshacer la corrección mediante búsqueda. Ejemplo:

Original: «Es importante señalar que el algoritmo muestra una alta eficiencia en el marco de las pruebas realizadas.» Corregido: «El algoritmo mostró una alta eficiencia en las pruebas que realizamos» [Corrección: eliminado «es importante señalar» (autocomentario del argumento), «en el marco de» (neurotropo), «es necesario tener en cuenta» (apéndice modal)]

Salida en modo Detect

Una tabla con columnas:

#	Clase	Clúster	Párrafo	Cita	Comentario
1	Neurotropo	sí	3	«es importante señalar»	Acompaña al argumento

Clase — sección de la lista de verificación
Clúster — «sí» / «no» (3+ marcadores en un párrafo sí son clúster)
Párrafo — número del párrafo donde se encontró el marcador
Cita — texto que contiene el marcador
Comentario — por qué esto es un problema

sлопотрон

¿Qué es sлопотрон?

Preguntar en tu IA favorita

Documentación