La detección automática de texto reutilizado consiste en determinar si un texto ha sido 
producido considerando otro como fuente. Quizás el plagio, la reutilización de texto sin 
el crédito adecuado, sea el tipo más famoso. Los casos de plagio se han incrementado de 
manera dramática en los últimos años, en parte debido a la facilidad con la que es posible 
acceder a la información a través de medios electrónicos. Ello ha motivado que expertos en 
análisis de textos presten atención a este fenómeno.

Con base en las tecnologías de procesamiento de lenguaje natural y recuperación de 
información, los métodos de detección automática de texto reutilizado comparan miles de 
documentos en busca de la posible fuente de un texto presumiblemente reutilizado. En 
aquellos casos en los que se desea descubrir casos de reutilización entre lenguas, se 
puede recurrir a técnicas de traducción automática. Gracias a toda esta tecnología es 
viable realizar miles de comparaciones exhaustivas incluso entre documentos en distintas 
lenguas, algo imposible de llevar a cabo de manera manual.

En esta tesis nos enfocamos principalmente en tres tipos de reutilización:

(i) reutilización de texto translingüe,
(ii) reutilización de texto con paráfrasis, y
(iii) reutilización monolingüe y translingüe dentro y desde Wikipedia.

En el caso de la reutilización de texto translingüe, proponemos un modelo para medir la 
similitud entre textos basado en traducción automática estadística. El modelo es comparado 
con algunos otros de los disponibles a la fecha de manera exhaustiva, mostrando ser una de 
las mejores opciones en aquellos casos en los que se buscan traducciones exactas, sin 
importar si éstas han sido generadas automática o manualmente.

En el caso de la paráfrasis, el núcleo del plagio, investigamos los tipos de paráfrasis que 
son más difíciles de detectar. Nuestro análisis de la tarea de detección de plagio desde la 
perspectiva de la paráfrasis representa una investigación que nunca antes se había llevado 
a cabo. Entre nuestros descubrimientos, cabe destacar que las estrategias de paráfrasis que 
más comúnmente se aplican son cambios léxicos. Dichos descubrimientos deberían ser 
considerados en la próxima generación de detectores de plagio. 

Finalmente, exploramos a Wikipedia como un marco en el que interactúan infinidad de autores; 
en el que los contenidos son reutilizados en la generación de nuevas versiones de un artículo 
y también saltan de una lengua a otra. Nuestro análisis de plurilingüismo muestran que 
aquellas ediciones de Wikipedia en lenguas con menos recursos tienden a estar mejor 
relacionadas con otras. También investigamos qué tan factible es extraer fragmentos paralelos 
de Wikipedia con el objetivo de (i) detectar casos de reutilización translingüe en la 
enciclopedia y (ii) enriquecer nuestro modelo para medir la similitud de textos en distintas 
lenguas.

Con el objetivo de probar nuestros modelos empíricamente, realizamos millones de comparaciones, 
tanto monolingües como translingües, con base en diversas técnicas de representación y medidas 
de similitud. En muchos casos, nuestros experimentos son realizados considerando corpus 
desarrollados por nosotros mismos, los cuales están ya disponibles para cualquier investigador 
interesado de manera gratuita.