Este artículo destaca la importancia de construir un sistema confiable de detección de texto generado por IA, dada la creciente preocupación por el posible uso indebido de modelos lingüísticos a gran escala. Destacamos las limitaciones de los métodos existentes, que ignoran el modelado de estilos y se basan en umbrales estáticos, lo que limita significativamente el rendimiento de la detección. Proponemos el marco Mixture of Stylistic Experts (MoSEs), que permite la estimación de umbrales condicionales para cuantificar la incertidumbre relacionada con el estilo. MoSEs consta de tres componentes principales: un Repositorio de Referencia de Estilos (SRR), un Enrutador Consciente de Estilos (SAR) y un Estimador de Umbral Condicional (CTE). Para el texto de entrada, el SRR activa los datos de referencia apropiados y los proporciona al CTE, que luego determina dinámicamente el umbral óptimo mediante el modelado conjunto de características lingüísticas, estadísticas y semánticas. MoSEs genera etiquetas predichas con puntuaciones discriminantes y los niveles de confianza correspondientes, logrando una mejora promedio del 11,34 % en el rendimiento de la detección en comparación con los métodos existentes y una mejora del 39,15 % en entornos de bajos recursos. El código fuente está disponible en GitHub.
