ImageTwin

Imagetwin es un software impulsado por IA diseñado específicamente para la comunidad académica y de investigación. Su función principal es analizar imágenes en manuscritos y publicaciones científicas para identificar problemas de integridad. Escanea cuatro problemas principales: imágenes duplicadas dentro de un documento, manipulaciones visuales como el empalme o falsificaciones de copiar y mover, plagio mediante la comparación con una base de datos de más de 120 millones de figuras publicadas, y la presencia de imágenes generadas por IA, que ahora incluye la atribución del modelo. Esto ayuda a garantizar que los datos visuales que respaldan los hallazgos de una investigación sean auténticos y creíbles.

La herramienta funciona utilizando algoritmos avanzados de análisis de imágenes para examinar las imágenes en detalle. Proporciona a los usuarios puntuaciones de confianza para cada hallazgo, lo que permite tomar decisiones informadas. Una característica clave es su forensic toolbox, que incluye herramientas como puntos clave coincidentes y filtros para la verificación manual. Para las organizaciones, Imagetwin ofrece acceso a una API para integrar estas comprobaciones directamente en los flujos de trabajo de revisión por pares o de publicación, y una función de repositorio privado permite que las instituciones creen su propia base de datos para comprobar automáticamente si hay duplicados internos en los nuevos envíos. Todos los datos están protegidos con cifrado estándar de la industria.

Esta herramienta es más beneficiosa para editores académicos, instituciones de investigación e investigadores individuales centrados en mantener estándares elevados de integridad de la investigación. Los editores pueden usarla durante el proceso de revisión de manuscritos para detectar errores antes de la publicación. Las instituciones pueden filtrar los resultados de la investigación interna, y los investigadores individuales o consultores de integridad, como la experta citada Elisabeth Bik, pueden usarla para verificar eficientemente la originalidad de los datos visuales en un gran volumen de artículos, una tarea que requeriría muchísimo tiempo si se hiciera manualmente.