El corpus ROBOT TALK se creó con el objetivo de servir de muestra del lenguaje para hacer los análisis lingüísticos contrastivos tanto cuantitativos como cualitativos necesarios para responder a la pregunta principal del proyecto:  ¿es posible distinguir si un texto en español ha sido generado por un LLM o por una persona utilizando rasgos lingüísticos del texto?

Se trata de un corpus comparable monitor en español. Está compuesto por textos comparables por autor (humano, Gemini, Claude, GPT-3.5-Turbo, GPT-4, Mixtral y DeepSeek) de tres géneros principales, noticias, reseñas de cine y artículos científicos especializados en lingüística. Estos fueron recopilados entre diciembre 2022 y  junio 2025.

 

Composición del corpus

 

GÉNEROS	Artículos científicos	Noticias	Reseñas de cine
FUENTES	Revistas científicas de lingüística RSEL, Revista de investiación Lingüística, Revista electrónica de lingüística aplicada, Sintagma, Círculo de Lingüística Aplicada a la Comunicación, Asterisco, …	Noticieros en línea: RTVE, EFE	Web de reseñas de cine: Filmaffinity

 

ROBOT-TALK	huma	babb	bard	blom	clau	curi	deep	falc	g35t	gemi	gpt3	gpt4	gpt5	mxit	txdv	total por género
artículos	155	7	95	8	155	7	155	12	90	60	8	144	3	90	8	997
noticias	327	0	171	32	327	0	327	33	111	156	32	171	156	111	32	1986
reseñas	399	0	160	0	360	0	360	16	95	200	0	160	189	95	0	2034
total por autor	881	7	426	40	842	7	842	61	296	416	40	475	348	296	40	5017

 

  Muestra del corpus 

 

Características del corpus

• Texto escrito en español
• Comparables por autor
  • humano
  • Gemini
  • Claude
  • GPT-3.5-Turbo
  • GPT-4
  • Mixtral
  • DeepSeek