Vol. 12/ Núm. 3 2025 pág. 2098
https://doi.org/10.69639/arandu.v12i3.1443
Impacto de los deepfakes en la confianza pública y la
credibilidad de los medios de comunicación una revisión
sistemática
Impact of deepfakes on public trust and media credibility: a systematic review
Noemi Katiuska Salinas Parra
nsalinasp@unemi.edu.ec
https://orcid.org/0009-0005-0693-4175
Universidad Estatal de Milagro
Milagro, Ecuador
Ángela Victoria Salcedo Pinela
asalcedop2@unemi.edu.ec
https://orcid.org/0000-0001-8519-768X
Universidad Estatal de Milagro
Milagro, Ecuador
Artículo recibido: 18 julio 2025 - Aceptado para publicación: 28 agosto 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
Los deepfakes, generados mediante técnicas de aprendizaje profundo, han demostrado ser una
herramienta poderosa para manipular información visual y auditiva, lo que plantea desafíos
significativos para la verificación de la verdad y la estabilidad democrática. Nuestro análisis
examina cómo los deepfakes afectan la percepción pública, erosionan la confianza en las
instituciones y alteran los procesos electorales. Además, se discuten las implicaciones jurídicas y
tecnológicas de esta tecnología, así como las estrategias necesarias para contrarrestar sus efectos
negativos. La revisión sistemática de artículos académicos de revistas Q1, Q2 y Q3 revela que los
deepfakes representan una amenaza creciente para la confianza pública y la credibilidad de los
medios de comunicación. La capacidad de los deepfakes para manipular información ha llevado
a una erosión de la confianza en las fuentes mediáticas establecidas y en las instituciones
gubernamentales. Es crucial desarrollar tecnologías de detección más avanzadas y estrategias de
regulación efectivas para contrarrestar los efectos negativos de los deepfakes. La educación
pública sobre los riesgos asociados con esta tecnología es esencial para fortalecer la resistencia
informativa y proteger la integridad de los procesos democráticos.
Palabras clave: deepfakes, desinformación, confianza pública, democracia
ABSTRACT
Deepfakes, generated using deep learning techniques, have proven to be a powerful tool for
manipulating visual and auditory information, posing significant challenges for truth verification
Vol. 12/ Núm. 3 2025 pág. 2099
and democratic stability. Our analysis examines how deepfakes affect public perception, erode
trust in institutions, and disrupt electoral processes. In addition, the legal and technological
implications of this technology are discussed, as well as the strategies needed to counteract its
negative effects. A systematic review of academic articles from Q1, Q2, and Q3 journals reveals
that deepfakes pose a growing threat to public trust and media credibility. The ability of deepfakes
to manipulate information has led to an erosion of trust in established media sources and
government institutions. It is crucial to develop more advanced detection technologies and
effective regulatory strategies to counteract the negative effects of deepfakes. Public education
about the risks associated with this technology is essential to strengthen information resilience
and protect the integrity of democratic processes
Keywords: deepfakes, disinformation, public trust, democracy
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
and democratic stability. Our analysis examines how deepfakes affect public perception, erode
trust in institutions, and disrupt electoral processes. In addition, the legal and technological
implications of this technology are discussed, as well as the strategies needed to counteract its
negative effects. A systematic review of academic articles from Q1, Q2, and Q3 journals reveals
that deepfakes pose a growing threat to public trust and media credibility. The ability of deepfakes
to manipulate information has led to an erosion of trust in established media sources and
government institutions. It is crucial to develop more advanced detection technologies and
effective regulatory strategies to counteract the negative effects of deepfakes. Public education
about the risks associated with this technology is essential to strengthen information resilience
and protect the integrity of democratic processes
Keywords: deepfakes, disinformation, public trust, democracy
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 3 2025 pág. 2100
INTRODUCCIÓN
La proliferación de contenidos audiovisuales manipulados digitalmente, conocidos como
deepfakes o ultrafalsos, ha emergido como una de las amenazas más apremiantes y multifacéticas
en la actual era digital (Barrientos-Báez et al., 2024). Estos contenidos, que simulan de manera
hiperrealista la apariencia y el habla de personas reales (García-Ull, 2021a), son generados
mediante avanzadas técnicas de Inteligencia Artificial (IA), predominantemente a través del
aprendizaje profundo (deep learning) y las Redes Generativas Antagónicas (GANs) (Khan et al.,
2025). El término "deepfake" se acuñó combinando "deep learning" y "fake", reflejando su
naturaleza sintética y engañosa (Lendvai & Gosztonyi, 2024). Su aparición en internet en 2017
marcó un antes y un después, democratizando la manipulación digital y haciéndola accesible
incluso a usuarios sin experiencia técnica (Barrientos-Báez et al., 2024)
El impacto de los deepfakes es profundo y perturbador, generando una erosión significativa
de la confianza pública y la credibilidad en los medios de comunicación y las instituciones
gubernamentales (Momeni, 2025). Esta tecnología dificulta cada vez más la distinción entre
información verídica y manipulada, contribuyendo a una creciente desconfianza generalizada,
incluso hacia fuentes reconocidas (Weikmann et al., 2025). La pérdida de credibilidad de los
medios digitales se ve acelerada por la capacidad de los deepfakes de minar el pensamiento crítico
lo cual se vuelve un mayor reto para cualquier medio incluso los medios tradicionales. Como
señala (García-Ull, 2021b) la mayor amenaza no reside tanto en el engaño directo al receptor,
sino en la pérdida total de credibilidad de la información misma. Ejemplos de deepfakes de
personalidades como Barack Obama, Donald Trump y Mark Zuckerberg han acaparado la
atención mediática internacional, ilustrando la seriedad de esta amenaza (García-Ull, 2021b). Esto
evidencia el alto potencial de estas tecnologías para manipular la opinión pública y erosionar la
confianza en los medios. Su realismo genera confusión entre lo verdadero y lo falso, poniendo en
riesgo la credibilidad informativa y destacando la necesidad urgente de regulación, alfabetización
mediática y desarrollo de tecnologías de detección para mitigar su impacto en la esfera pública y
democrática. Más allá de la desinformación general, los deepfakes plantean serias amenazas para
la privacidad y la seguridad personal, incrementando los riesgos derivados de la suplantación de
identidad (Lendvai & Gosztonyi, 2024). Por lo cual esta tecnología permite crear contenido falso
convincente que simula la apariencia y voz de individuos, utilizándose para generar pornografía
no consentida, facilitar fraudes financieros y causar daño reputacional. Su creciente sofisticación
hace difícil distinguirlos de la realidad, lo que erosiona la confianza pública y la seguridad
personal. Un ámbito particularmente preocupante es la violencia política de género, donde los
deepfakes se utilizan para atacar y desacreditar a las mujeres políticas, a menudo a través de la
hipersexualización y la difusión de pornografía no consentida (Barrientos-Báez et al., 2024;
Shibuya et al., 2025). Estas prácticas se inscriben en una lucha de poder que perpetúa la misoginia
INTRODUCCIÓN
La proliferación de contenidos audiovisuales manipulados digitalmente, conocidos como
deepfakes o ultrafalsos, ha emergido como una de las amenazas más apremiantes y multifacéticas
en la actual era digital (Barrientos-Báez et al., 2024). Estos contenidos, que simulan de manera
hiperrealista la apariencia y el habla de personas reales (García-Ull, 2021a), son generados
mediante avanzadas técnicas de Inteligencia Artificial (IA), predominantemente a través del
aprendizaje profundo (deep learning) y las Redes Generativas Antagónicas (GANs) (Khan et al.,
2025). El término "deepfake" se acuñó combinando "deep learning" y "fake", reflejando su
naturaleza sintética y engañosa (Lendvai & Gosztonyi, 2024). Su aparición en internet en 2017
marcó un antes y un después, democratizando la manipulación digital y haciéndola accesible
incluso a usuarios sin experiencia técnica (Barrientos-Báez et al., 2024)
El impacto de los deepfakes es profundo y perturbador, generando una erosión significativa
de la confianza pública y la credibilidad en los medios de comunicación y las instituciones
gubernamentales (Momeni, 2025). Esta tecnología dificulta cada vez más la distinción entre
información verídica y manipulada, contribuyendo a una creciente desconfianza generalizada,
incluso hacia fuentes reconocidas (Weikmann et al., 2025). La pérdida de credibilidad de los
medios digitales se ve acelerada por la capacidad de los deepfakes de minar el pensamiento crítico
lo cual se vuelve un mayor reto para cualquier medio incluso los medios tradicionales. Como
señala (García-Ull, 2021b) la mayor amenaza no reside tanto en el engaño directo al receptor,
sino en la pérdida total de credibilidad de la información misma. Ejemplos de deepfakes de
personalidades como Barack Obama, Donald Trump y Mark Zuckerberg han acaparado la
atención mediática internacional, ilustrando la seriedad de esta amenaza (García-Ull, 2021b). Esto
evidencia el alto potencial de estas tecnologías para manipular la opinión pública y erosionar la
confianza en los medios. Su realismo genera confusión entre lo verdadero y lo falso, poniendo en
riesgo la credibilidad informativa y destacando la necesidad urgente de regulación, alfabetización
mediática y desarrollo de tecnologías de detección para mitigar su impacto en la esfera pública y
democrática. Más allá de la desinformación general, los deepfakes plantean serias amenazas para
la privacidad y la seguridad personal, incrementando los riesgos derivados de la suplantación de
identidad (Lendvai & Gosztonyi, 2024). Por lo cual esta tecnología permite crear contenido falso
convincente que simula la apariencia y voz de individuos, utilizándose para generar pornografía
no consentida, facilitar fraudes financieros y causar daño reputacional. Su creciente sofisticación
hace difícil distinguirlos de la realidad, lo que erosiona la confianza pública y la seguridad
personal. Un ámbito particularmente preocupante es la violencia política de género, donde los
deepfakes se utilizan para atacar y desacreditar a las mujeres políticas, a menudo a través de la
hipersexualización y la difusión de pornografía no consentida (Barrientos-Báez et al., 2024;
Shibuya et al., 2025). Estas prácticas se inscriben en una lucha de poder que perpetúa la misoginia
Vol. 12/ Núm. 3 2025 pág. 2101
y mantiene las estructuras de poder existentes lo cual es una forma de troleo de género para
silenciar voces críticas y disuadir su participación pública, reforzando la mirada patriarcal.
La lucha contra los deepfakes se ve obstaculizada por la constante sofisticación de las
técnicas de generación, lo que hace que los sistemas de detección actuales no siempre logren
mantenerse al ritmo de su evolución (García-Ull, 2021a; Liu et al., 2024). Los desarrolladores de
deepfakes utilizan los resultados de las investigaciones publicadas para mejorar su tecnología y
evadir los nuevos sistemas de detección. Aunque se han identificado indicadores sutiles para
detectar deepfakes, como imperfecciones en el brillo, distorsión facial, o anomalías en el parpadeo
, la IA generativa puede producir contenido tan convincente que es difícil de discernir por el ojo
humano (Tran et al., 2024). Esto subraya la necesidad crítica de desarrollar tecnologías de
detección más avanzadas y robustas además el análisis multimodal, que combina datos textuales,
visuales y auditivos, puede mejorar las capacidades de detección al identificar inconsistencias
entre modalidades.
Los resultados de revisiones sistemáticas, como la realizada con una exhaustiva indagación
de artículos científicos de bases de datos como Scopus, evidencian un interés académico creciente
y global en la temática. Se observa un aumento significativo en las publicaciones sobre deepfakes
y sus implicaciones a partir de 2024, lo que sugiere la consolidación de este campo de
investigación como uno de alta relevancia, posiblemente impulsado por los avances tecnológicos,
el aumento de casos de desinformación y la necesidad de marcos éticos y legales. Países como
China y España lideran la producción científica en este ámbito, reflejando la necesidad
compartida de comprender y afrontar las implicaciones sociopolíticas y comunicativas del
fenómeno a nivel mundial. Esto incluye el estudio de las diferencias lingüísticas entre el contenido
generado por humanos y el generado por IA, donde se ha demostrado que características
sintácticas y léxicas son clave para la detección (Tran et al., 2024)
MATERIALES Y MÉTODOS
La investigación es cualitativa a través de una revisión sistemática de la literatura, se realizó
indagación exhaustiva de artículos científicos, informes y documentos pertinentes se centró en el
impacto de los deepfakes en la confianza pública y credibilidad de los medios de comunicación,
tanto a nivel nacional como internacional., de base de datos Scopus como soporte científico y
evidencia de calidad.
Se extrajo la información de aporte en la investigación de esta cadena de búsqueda:
TITLE-ABS-KEY ( "deepfake*" OR "synthetic media" OR "AI-generated content" OR
"fake media" OR "artificial intelligence AND misinformation" ) AND TITLE-ABS-KEY ( "trust"
OR "public confidence" OR "credibility" OR "perception" ) AND TITLE-ABS-KEY ( "news"
OR "journalism" OR "media" OR "social media" OR "mass communication" ) AND PUBYEAR
> 1999 AND ( LIMIT-TO ( DOCTYPE , "ar" ) OR LIMIT-TO ( DOCTYPE , "re" ) ) AND (
y mantiene las estructuras de poder existentes lo cual es una forma de troleo de género para
silenciar voces críticas y disuadir su participación pública, reforzando la mirada patriarcal.
La lucha contra los deepfakes se ve obstaculizada por la constante sofisticación de las
técnicas de generación, lo que hace que los sistemas de detección actuales no siempre logren
mantenerse al ritmo de su evolución (García-Ull, 2021a; Liu et al., 2024). Los desarrolladores de
deepfakes utilizan los resultados de las investigaciones publicadas para mejorar su tecnología y
evadir los nuevos sistemas de detección. Aunque se han identificado indicadores sutiles para
detectar deepfakes, como imperfecciones en el brillo, distorsión facial, o anomalías en el parpadeo
, la IA generativa puede producir contenido tan convincente que es difícil de discernir por el ojo
humano (Tran et al., 2024). Esto subraya la necesidad crítica de desarrollar tecnologías de
detección más avanzadas y robustas además el análisis multimodal, que combina datos textuales,
visuales y auditivos, puede mejorar las capacidades de detección al identificar inconsistencias
entre modalidades.
Los resultados de revisiones sistemáticas, como la realizada con una exhaustiva indagación
de artículos científicos de bases de datos como Scopus, evidencian un interés académico creciente
y global en la temática. Se observa un aumento significativo en las publicaciones sobre deepfakes
y sus implicaciones a partir de 2024, lo que sugiere la consolidación de este campo de
investigación como uno de alta relevancia, posiblemente impulsado por los avances tecnológicos,
el aumento de casos de desinformación y la necesidad de marcos éticos y legales. Países como
China y España lideran la producción científica en este ámbito, reflejando la necesidad
compartida de comprender y afrontar las implicaciones sociopolíticas y comunicativas del
fenómeno a nivel mundial. Esto incluye el estudio de las diferencias lingüísticas entre el contenido
generado por humanos y el generado por IA, donde se ha demostrado que características
sintácticas y léxicas son clave para la detección (Tran et al., 2024)
MATERIALES Y MÉTODOS
La investigación es cualitativa a través de una revisión sistemática de la literatura, se realizó
indagación exhaustiva de artículos científicos, informes y documentos pertinentes se centró en el
impacto de los deepfakes en la confianza pública y credibilidad de los medios de comunicación,
tanto a nivel nacional como internacional., de base de datos Scopus como soporte científico y
evidencia de calidad.
Se extrajo la información de aporte en la investigación de esta cadena de búsqueda:
TITLE-ABS-KEY ( "deepfake*" OR "synthetic media" OR "AI-generated content" OR
"fake media" OR "artificial intelligence AND misinformation" ) AND TITLE-ABS-KEY ( "trust"
OR "public confidence" OR "credibility" OR "perception" ) AND TITLE-ABS-KEY ( "news"
OR "journalism" OR "media" OR "social media" OR "mass communication" ) AND PUBYEAR
> 1999 AND ( LIMIT-TO ( DOCTYPE , "ar" ) OR LIMIT-TO ( DOCTYPE , "re" ) ) AND (
Vol. 12/ Núm. 3 2025 pág. 2102
LIMIT-TO ( SUBJAREA , "SOCI" ) OR LIMIT-TO ( SUBJAREA , "PSYC" ) OR LIMIT-TO (
SUBJAREA , "BUSI" ) OR LIMIT-TO ( SUBJAREA , "COMP" ) ) AND ( LIMIT-TO ( OA ,
"all" ) ) AND ( LIMIT-TO ( EXACTKEYWORD , "Deepfake" ) OR LIMIT-TO (
EXACTKEYWORD , "Disinformation" ) OR LIMIT-TO ( EXACTKEYWORD , "Deepfakes" )
OR LIMIT-TO ( EXACTKEYWORD , "Artificial Intelligence" ) )
Estrategia de búsqueda y fuentes de información
La fuente de información que se utilizó como base de datos es Scopus se inició la búsqueda
general sobre deepfakes, confianza pública y medios de comunicación, en periodo de
publicación esta es del 2000 en adelante, el tipo de documento solo se incluyen artículos de
investigación ("ar") y revisiones sistemáticas ("re"), en el idioma se priorizan artículos en inglés
y español, dado que son los más accesibles en literatura académica. La cual al inicio obtuvo 58
documentos sin ningún tipo de rango en años de publicación, en las sub áreas se filtró por ciencias
sociales, informática, empresa, gestión y contabilidad, psicología y ciencias medioambientales
además en tipo de documento se seleccionó artículos y revisión.
Selección de estudios y criterios de elegibilidad
A continuación, se empezó a filtrar los criterios para un resultado más detallado, tal como
se muestra en la tabla 1.
Tabla 1
Muestra de artículos seleccionados
No Criterios aplicados en la revisión sistemática
1 La fecha de publicación se establece desde el año 2020 a 2025 para la revisión.
2 El área de temática se limitó a informática y ciencias sociales
3 El tipo de documento a utilizar serán solo artículos
4 Las palabras clave se asocian a las variables del estudio.
5 El idioma del estudio corresponde a los admitidos para la revisión en el idioma
inglés y español
6 La investigación tiene una versión completa (open access)
7 La investigación evidencia resultados o indicadores cualitativo
Una vez aplicados los criterios de búsqueda y los filtros antes mencionados la investigación
se redujo a 28 documentos lo cual permitirá una mayor profundización del tema. Asimismo, se
procedió a tabular y organizar el contenido de los estudios mediante el uso de la herramienta
Zotero que permite tener un orden más claro. El objetivo de la investigación es determinar cómo
los deepfakes erosionan la confianza del público en los medios de comunicación tanto en medios
tradicionales como digitales y como afecta la percepción general sobre la credibilidad
periodística.
LIMIT-TO ( SUBJAREA , "SOCI" ) OR LIMIT-TO ( SUBJAREA , "PSYC" ) OR LIMIT-TO (
SUBJAREA , "BUSI" ) OR LIMIT-TO ( SUBJAREA , "COMP" ) ) AND ( LIMIT-TO ( OA ,
"all" ) ) AND ( LIMIT-TO ( EXACTKEYWORD , "Deepfake" ) OR LIMIT-TO (
EXACTKEYWORD , "Disinformation" ) OR LIMIT-TO ( EXACTKEYWORD , "Deepfakes" )
OR LIMIT-TO ( EXACTKEYWORD , "Artificial Intelligence" ) )
Estrategia de búsqueda y fuentes de información
La fuente de información que se utilizó como base de datos es Scopus se inició la búsqueda
general sobre deepfakes, confianza pública y medios de comunicación, en periodo de
publicación esta es del 2000 en adelante, el tipo de documento solo se incluyen artículos de
investigación ("ar") y revisiones sistemáticas ("re"), en el idioma se priorizan artículos en inglés
y español, dado que son los más accesibles en literatura académica. La cual al inicio obtuvo 58
documentos sin ningún tipo de rango en años de publicación, en las sub áreas se filtró por ciencias
sociales, informática, empresa, gestión y contabilidad, psicología y ciencias medioambientales
además en tipo de documento se seleccionó artículos y revisión.
Selección de estudios y criterios de elegibilidad
A continuación, se empezó a filtrar los criterios para un resultado más detallado, tal como
se muestra en la tabla 1.
Tabla 1
Muestra de artículos seleccionados
No Criterios aplicados en la revisión sistemática
1 La fecha de publicación se establece desde el año 2020 a 2025 para la revisión.
2 El área de temática se limitó a informática y ciencias sociales
3 El tipo de documento a utilizar serán solo artículos
4 Las palabras clave se asocian a las variables del estudio.
5 El idioma del estudio corresponde a los admitidos para la revisión en el idioma
inglés y español
6 La investigación tiene una versión completa (open access)
7 La investigación evidencia resultados o indicadores cualitativo
Una vez aplicados los criterios de búsqueda y los filtros antes mencionados la investigación
se redujo a 28 documentos lo cual permitirá una mayor profundización del tema. Asimismo, se
procedió a tabular y organizar el contenido de los estudios mediante el uso de la herramienta
Zotero que permite tener un orden más claro. El objetivo de la investigación es determinar cómo
los deepfakes erosionan la confianza del público en los medios de comunicación tanto en medios
tradicionales como digitales y como afecta la percepción general sobre la credibilidad
periodística.
Vol. 12/ Núm. 3 2025 pág. 2103
RESULTADOS
Tabla 2
Muestra de artículos seleccionados
Nº Autores Título de la investigación
1. Xu, Z., Wen, X., Zhong, G., Fang, Q.
Public perception towards deepfake
through topic modelling and
sentiment analysis of social media data
2 Shibuya, Y., Nakazato, T., Takagi, S.
How do people evaluate the accuracy
of video posts when a warning
indicates they were generated by AI?
3 Momeni, M.
Artificial Intelligence and Political
Deepfakes: Shaping Citizen
Perceptions Through Misinformation
Momeni, M.
4 Chen, G., Du, C., Yu, Y., ... Duan, H.,
Zhu, H.
A Deepfake Image Detection Method
Based on a Multi-Graph Attention
Network
5
Yee, L.F., Kumaresan, S.P., Anaam, E.A.,
Kong, W.C.
Social Platforms in the Deepfake Age:
Navigating Media Trust through Media
Literacy
6 Weikmann, T., Greber, H., Nikolaou, A.
After Deception: How Falling for a
Deepfake Affects the Way We See,
Hear, and Experience Media
7 Hameleers, M., van der Meer, T.,
Vliegenthart, R.
How persuasive are political
cheapfakes disseminated via social
media? The effects of out-of-context
visual disinformation on message
credibility and issue agreement
8 Ölvecký, M., Huraj, L., Brlej, I.
Evaluating the Effectiveness of
Deepfake Video Detection Tools: A
Comparative Study
9 Rubio, R.
Does artificial intelligence redefine
election campaigns and their
democratic effects? | EL USO DE LA
INTELIGENCIA ARTIFICIAL EN
LAS CAMPAÑAS ELECTORALES Y
SUS EFECTOS DEMOCRÁTICOS
10 Tran, V.H., Sebastian, Y., Karim, A.,
Azam, S.
Distinguishing Human Journalists from
Artificial Storytellers Through Stylistic
Fingerprints
11 Sanchez-Acedo, A., Carbonell-Alcocer,
A., Gertrudix, M., Rubio-Tamayo, J.L.
The challenges of media and
information literacy in the artificial
intelligence ecology: deepfakes and
misinformation | Retos de la
Alfabetización Mediática e
RESULTADOS
Tabla 2
Muestra de artículos seleccionados
Nº Autores Título de la investigación
1. Xu, Z., Wen, X., Zhong, G., Fang, Q.
Public perception towards deepfake
through topic modelling and
sentiment analysis of social media data
2 Shibuya, Y., Nakazato, T., Takagi, S.
How do people evaluate the accuracy
of video posts when a warning
indicates they were generated by AI?
3 Momeni, M.
Artificial Intelligence and Political
Deepfakes: Shaping Citizen
Perceptions Through Misinformation
Momeni, M.
4 Chen, G., Du, C., Yu, Y., ... Duan, H.,
Zhu, H.
A Deepfake Image Detection Method
Based on a Multi-Graph Attention
Network
5
Yee, L.F., Kumaresan, S.P., Anaam, E.A.,
Kong, W.C.
Social Platforms in the Deepfake Age:
Navigating Media Trust through Media
Literacy
6 Weikmann, T., Greber, H., Nikolaou, A.
After Deception: How Falling for a
Deepfake Affects the Way We See,
Hear, and Experience Media
7 Hameleers, M., van der Meer, T.,
Vliegenthart, R.
How persuasive are political
cheapfakes disseminated via social
media? The effects of out-of-context
visual disinformation on message
credibility and issue agreement
8 Ölvecký, M., Huraj, L., Brlej, I.
Evaluating the Effectiveness of
Deepfake Video Detection Tools: A
Comparative Study
9 Rubio, R.
Does artificial intelligence redefine
election campaigns and their
democratic effects? | EL USO DE LA
INTELIGENCIA ARTIFICIAL EN
LAS CAMPAÑAS ELECTORALES Y
SUS EFECTOS DEMOCRÁTICOS
10 Tran, V.H., Sebastian, Y., Karim, A.,
Azam, S.
Distinguishing Human Journalists from
Artificial Storytellers Through Stylistic
Fingerprints
11 Sanchez-Acedo, A., Carbonell-Alcocer,
A., Gertrudix, M., Rubio-Tamayo, J.L.
The challenges of media and
information literacy in the artificial
intelligence ecology: deepfakes and
misinformation | Retos de la
Alfabetización Mediática e
Vol. 12/ Núm. 3 2025 pág. 2104
Informacional en la ecología de la
Inteligencia Artificial: deepfakes y
desinformación Resumen
12 Lendvai, G.F., Gosztonyi, G.
Deepfake and disinformation – What
can the law do about fake news created
with deepfake? | Deepfake y
desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas
creadas por deepfake?
13 Kumar, N., Kundu, A.
SecureVision: Advanced Cybersecurity
Deepfake Detection with Big Data
Analytics
14 Al-Dulaimi, O.A.H.H., Kurnaz, S.
A Hybrid CNN-LSTM Approach for
Precision Deepfake Image Detection
Based on Transfer Learning
15 Sánchez Esparza, M., Palella Stracuzzi,
S., Fernández Fernández, Á.
Impact of Artificial Intelligence on
RTVE: Verification of fake videos and
Deep fakes, content generation, and
new professional profiles | Impacto de
la Inteligencia Artificial en RTVE:
verificación de vídeos falsos y
deepfakes, generación de contenidos y
nuevos perfiles profesionales
16
Hasan, H.R., Salah, K., Yaqoob, I.,
Jayaraman, R., Omar, M. NFTs for combating deepfakes and
fake metaverse digital contents
17 Hameleers, M., van der Meer, T.G.L.A.,
Dobber, T.
They Would Never Say Anything Like
This! Reasons To Doubt Political
Deepfakes
18 Barrientos-Báez, A., Otero, T.P., Renó,
D.P.
Fake images, Real Effects. Deepfakes
as Manifestations of Gender-based
Political Violence | Imágenes falsas,
efectos reales. Deepfakes como
manifestaciones de la violencia política
de género
19 Murár, P., Kubovics, M., Jurišová, V.
THE IMPACT OF BRAND-VOICE
INTEGRATION AND ARTIFICIAL
INTELLIGENCE ON SOCIAL
MEDIA MARKETING
20 Kharvi, P.L.
Understanding the Impact of AI-
Generated Deepfakes on Public
Opinion, Political Discourse, and
Personal Security in Social Media
21 Hill, G., Waddington, M., Qiu, L. From pen to algorithm: optimizing
legislation for the future with artificial
intelligence
Informacional en la ecología de la
Inteligencia Artificial: deepfakes y
desinformación Resumen
12 Lendvai, G.F., Gosztonyi, G.
Deepfake and disinformation – What
can the law do about fake news created
with deepfake? | Deepfake y
desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas
creadas por deepfake?
13 Kumar, N., Kundu, A.
SecureVision: Advanced Cybersecurity
Deepfake Detection with Big Data
Analytics
14 Al-Dulaimi, O.A.H.H., Kurnaz, S.
A Hybrid CNN-LSTM Approach for
Precision Deepfake Image Detection
Based on Transfer Learning
15 Sánchez Esparza, M., Palella Stracuzzi,
S., Fernández Fernández, Á.
Impact of Artificial Intelligence on
RTVE: Verification of fake videos and
Deep fakes, content generation, and
new professional profiles | Impacto de
la Inteligencia Artificial en RTVE:
verificación de vídeos falsos y
deepfakes, generación de contenidos y
nuevos perfiles profesionales
16
Hasan, H.R., Salah, K., Yaqoob, I.,
Jayaraman, R., Omar, M. NFTs for combating deepfakes and
fake metaverse digital contents
17 Hameleers, M., van der Meer, T.G.L.A.,
Dobber, T.
They Would Never Say Anything Like
This! Reasons To Doubt Political
Deepfakes
18 Barrientos-Báez, A., Otero, T.P., Renó,
D.P.
Fake images, Real Effects. Deepfakes
as Manifestations of Gender-based
Political Violence | Imágenes falsas,
efectos reales. Deepfakes como
manifestaciones de la violencia política
de género
19 Murár, P., Kubovics, M., Jurišová, V.
THE IMPACT OF BRAND-VOICE
INTEGRATION AND ARTIFICIAL
INTELLIGENCE ON SOCIAL
MEDIA MARKETING
20 Kharvi, P.L.
Understanding the Impact of AI-
Generated Deepfakes on Public
Opinion, Political Discourse, and
Personal Security in Social Media
21 Hill, G., Waddington, M., Qiu, L. From pen to algorithm: optimizing
legislation for the future with artificial
intelligence
Vol. 12/ Núm. 3 2025 pág. 2105
22 Liu, Q., Xue, Z., Liu, H., Liu, J.
Enhancing Deepfake Detection With
Diversified Self-Blending Images and
Residuals
23 Hameleers, M., van der Meer, T.G.L.A.,
Dobber, T.
You Won’t Believe What They Just
Said! The Effects of Political
Deepfakes Embedded as Vox Populi on
Social Media
24 Ahmad, W., Shahzad, S.A., Hashmi, A.,
Ali, I., Ghaffar, F.
ResViT: A Framework for Deepfake
Videos Detection
25 José, F., García-Ull, G.-U. DeepFakes: The Next Challenge in
Fake News Detection
26 Wahl-Jorgensen, K., Carlson, M. Conjecturing Fearful Futures:
Journalistic Discourses on Deepfakes
27 Vaccari, C., Chadwick, A.
Deepfakes and Disinformation:
Exploring the Impact of Synthetic
Political Video on Deception,
Uncertainty, and Trust in News
28 Hasan, H.R., Salah, K. Combating Deepfake Videos Using
Blockchain and Smart Contracts
Grafica 1
Productividad de autores en investigaciones sobre deepfakes e inteligencia artificial
La gráfica proporciona una representación cuantitativa del nivel de productividad
académica de distintos autores en el ámbito de estudio sobre deepfakes e inteligencia artificial. Se
observa que el investigador Hameleers M. destaca como el autor con mayor número de
contribuciones, con un total de tres publicaciones, lo que sugiere una participación continua y
activa en este campo de investigación.
En un segundo nivel se encuentran los autores Dobber T., Hasan H.R., Salah K. y Van der
Meer T.G.L.A., cada uno con dos documentos publicados. Esta recurrencia indica un interés
sostenido por parte de estos investigadores en la temática, lo cual podría reflejarse en líneas de
investigación consolidadas o colaboraciones recurrentes entre ellos.
22 Liu, Q., Xue, Z., Liu, H., Liu, J.
Enhancing Deepfake Detection With
Diversified Self-Blending Images and
Residuals
23 Hameleers, M., van der Meer, T.G.L.A.,
Dobber, T.
You Won’t Believe What They Just
Said! The Effects of Political
Deepfakes Embedded as Vox Populi on
Social Media
24 Ahmad, W., Shahzad, S.A., Hashmi, A.,
Ali, I., Ghaffar, F.
ResViT: A Framework for Deepfake
Videos Detection
25 José, F., García-Ull, G.-U. DeepFakes: The Next Challenge in
Fake News Detection
26 Wahl-Jorgensen, K., Carlson, M. Conjecturing Fearful Futures:
Journalistic Discourses on Deepfakes
27 Vaccari, C., Chadwick, A.
Deepfakes and Disinformation:
Exploring the Impact of Synthetic
Political Video on Deception,
Uncertainty, and Trust in News
28 Hasan, H.R., Salah, K. Combating Deepfake Videos Using
Blockchain and Smart Contracts
Grafica 1
Productividad de autores en investigaciones sobre deepfakes e inteligencia artificial
La gráfica proporciona una representación cuantitativa del nivel de productividad
académica de distintos autores en el ámbito de estudio sobre deepfakes e inteligencia artificial. Se
observa que el investigador Hameleers M. destaca como el autor con mayor número de
contribuciones, con un total de tres publicaciones, lo que sugiere una participación continua y
activa en este campo de investigación.
En un segundo nivel se encuentran los autores Dobber T., Hasan H.R., Salah K. y Van der
Meer T.G.L.A., cada uno con dos documentos publicados. Esta recurrencia indica un interés
sostenido por parte de estos investigadores en la temática, lo cual podría reflejarse en líneas de
investigación consolidadas o colaboraciones recurrentes entre ellos.
Vol. 12/ Núm. 3 2025 pág. 2106
Finalmente, autores como Ahmad W., Al-Dulaimi O.A.H.H., Ali I., Anaam E.A. y Azam
S. presentan una única publicación en el corpus analizado. Su participación puede interpretarse
como una incursión puntual o emergente en el estudio de los deepfakes, lo cual no descarta su
potencial contribución futura al desarrollo de este campo.
En términos generales, la visualización permite identificar tanto a los investigadores con
mayor trayectoria en el tema como a aquellos que han realizado aportes recientes. Este tipo de
análisis resulta útil para reconocer actores clave en la producción científica, así como para
explorar posibles redes de colaboración o referentes académicos en estudios sobre desinformación
digital, tecnologías de detección y alfabetización mediática.
Tabla 3
Frecuencia de publicaciones por país en estudios sobre deepfakes e inteligencia artificial
Country Freq
CHINA 16
SPAIN 13
NETHERLANDS 9
AUSTRALIA 6
SLOVAKIA 6
UNITED ARAB EMIRATES 6
MALAYSIA 4
AUSTRIA 3
CANADA 3
JAPAN 3
La tabla refleja la distribución geográfica de las publicaciones académicas relacionadas con
deepfakes e inteligencia artificial, destacando la frecuencia de aparición de cada país en la autoría
de los estudios analizados.
Se evidencia que China encabeza la producción científica en este campo, con un total de
16 publicaciones, lo cual denota un liderazgo investigativo probablemente vinculado al desarrollo
tecnológico acelerado que caracteriza al país. En segundo lugar, se encuentra España, con 13
documentos, lo que indica una fuerte presencia de centros de investigación o universidades activas
en el análisis crítico y técnico de los deepfakes.
Países Bajos ocupa la tercera posición con 9 publicaciones, seguido por Australia,
Eslovaquia y los Emiratos Árabes Unidos, cada uno con 6 aportes, lo que sugiere un interés
creciente en estos contextos tanto en los aspectos técnicos como éticos del fenómeno. A su vez,
Malasia contribuye con 4 estudios, mientras que Austria, Canadá y Japón registran tres
publicaciones cada uno, consolidando una participación relevante, aunque más limitada en
comparación con los países líderes.
En conjunto, esta tabla permite inferir que la investigación sobre deepfakes y tecnologías
asociadas está siendo desarrollada de forma significativa tanto en regiones asiáticas como
europeas, con aportes clave desde instituciones de diversas latitudes. Esto refleja el carácter global
Finalmente, autores como Ahmad W., Al-Dulaimi O.A.H.H., Ali I., Anaam E.A. y Azam
S. presentan una única publicación en el corpus analizado. Su participación puede interpretarse
como una incursión puntual o emergente en el estudio de los deepfakes, lo cual no descarta su
potencial contribución futura al desarrollo de este campo.
En términos generales, la visualización permite identificar tanto a los investigadores con
mayor trayectoria en el tema como a aquellos que han realizado aportes recientes. Este tipo de
análisis resulta útil para reconocer actores clave en la producción científica, así como para
explorar posibles redes de colaboración o referentes académicos en estudios sobre desinformación
digital, tecnologías de detección y alfabetización mediática.
Tabla 3
Frecuencia de publicaciones por país en estudios sobre deepfakes e inteligencia artificial
Country Freq
CHINA 16
SPAIN 13
NETHERLANDS 9
AUSTRALIA 6
SLOVAKIA 6
UNITED ARAB EMIRATES 6
MALAYSIA 4
AUSTRIA 3
CANADA 3
JAPAN 3
La tabla refleja la distribución geográfica de las publicaciones académicas relacionadas con
deepfakes e inteligencia artificial, destacando la frecuencia de aparición de cada país en la autoría
de los estudios analizados.
Se evidencia que China encabeza la producción científica en este campo, con un total de
16 publicaciones, lo cual denota un liderazgo investigativo probablemente vinculado al desarrollo
tecnológico acelerado que caracteriza al país. En segundo lugar, se encuentra España, con 13
documentos, lo que indica una fuerte presencia de centros de investigación o universidades activas
en el análisis crítico y técnico de los deepfakes.
Países Bajos ocupa la tercera posición con 9 publicaciones, seguido por Australia,
Eslovaquia y los Emiratos Árabes Unidos, cada uno con 6 aportes, lo que sugiere un interés
creciente en estos contextos tanto en los aspectos técnicos como éticos del fenómeno. A su vez,
Malasia contribuye con 4 estudios, mientras que Austria, Canadá y Japón registran tres
publicaciones cada uno, consolidando una participación relevante, aunque más limitada en
comparación con los países líderes.
En conjunto, esta tabla permite inferir que la investigación sobre deepfakes y tecnologías
asociadas está siendo desarrollada de forma significativa tanto en regiones asiáticas como
europeas, con aportes clave desde instituciones de diversas latitudes. Esto refleja el carácter global
Vol. 12/ Núm. 3 2025 pág. 2107
del fenómeno y la necesidad compartida de comprender y afrontar sus implicaciones en distintos
contextos sociopolíticos y comunicativos.
Grafica 2
Nube de términos clave en investigaciones sobre deepfakes, redes sociales y desinformación
La gráfica muestra una nube de palabras que resalta los términos más frecuentes en
investigaciones sobre deepfakes. Destacan palabras como "deepfake", "social media" y "deep
learning", lo que refleja el interés académico en la manipulación digital y su difusión en
plataformas sociales.
Términos como "misinformation", "disinformation" y "privacy" evidencian una
preocupación por los riesgos sociales y éticos asociados, mientras que otros como "image
forensics" y "cybersecurity" indican un enfoque técnico en la detección y prevención. En
conjunto, la nube sintetiza las principales temáticas que conforman el debate actual sobre los
impactos tecnológicos y sociales de los contenidos falsificados.
Tabla 4
Evolución anual de publicaciones sobre deepfakes (2019–2025)
Year Articles
2019 1
2020 1
2021 2
2022 2
2023 0
2024 13
2025 9
del fenómeno y la necesidad compartida de comprender y afrontar sus implicaciones en distintos
contextos sociopolíticos y comunicativos.
Grafica 2
Nube de términos clave en investigaciones sobre deepfakes, redes sociales y desinformación
La gráfica muestra una nube de palabras que resalta los términos más frecuentes en
investigaciones sobre deepfakes. Destacan palabras como "deepfake", "social media" y "deep
learning", lo que refleja el interés académico en la manipulación digital y su difusión en
plataformas sociales.
Términos como "misinformation", "disinformation" y "privacy" evidencian una
preocupación por los riesgos sociales y éticos asociados, mientras que otros como "image
forensics" y "cybersecurity" indican un enfoque técnico en la detección y prevención. En
conjunto, la nube sintetiza las principales temáticas que conforman el debate actual sobre los
impactos tecnológicos y sociales de los contenidos falsificados.
Tabla 4
Evolución anual de publicaciones sobre deepfakes (2019–2025)
Year Articles
2019 1
2020 1
2021 2
2022 2
2023 0
2024 13
2025 9
Vol. 12/ Núm. 3 2025 pág. 2108
La tabla presenta la evolución en el número de artículos publicados sobre deepfakes entre
los años 2019 y 2025. Se observa un crecimiento lento y constante entre 2019 y 2022, con entre
uno y dos artículos por año. Sin embargo, a partir de 2024 se evidencia un aumento significativo,
con 13 publicaciones en ese año, seguido de 9 en 2025.
Este incremento notable sugiere que el interés académico y científico sobre esta temática
ha crecido de forma acelerada en los últimos años, posiblemente impulsado por avances
tecnológicos en inteligencia artificial, el aumento de casos de desinformación mediática y la
necesidad de desarrollar marcos éticos y legales ante esta amenaza emergente. La ausencia de
artículos en 2023 podría deberse a un desfase en la indexación o a un cambio en las bases de datos
consultadas. En conjunto, la tendencia indica que el estudio de los deepfakes se ha consolidado
como un campo de investigación emergente y de alta relevancia.
DISCUSIÓN
Los resultados de esta revisión sistemática evidencian que el desarrollo y proliferación de
deepfakes, facilitados principalmente por el avance de las Redes Generativas Antagónicas
(GANs) y el aprendizaje profundo, representan un desafío significativo para la confianza pública
y la credibilidad de los medios de comunicación. Si bien estas tecnologías han mostrado potencial
para aplicaciones legítimas en sectores como el entretenimiento y la educación, la literatura
analizada coincide en que su uso malintencionado ha incrementado la vulnerabilidad de la
sociedad frente a la desinformación y la manipulación mediática.
Diversos estudios señalan que la capacidad de los deepfakes para crear contenido
audiovisual altamente realista dificulta la distinción entre información verídica y manipulada, lo
que contribuye a una creciente desconfianza hacia los medios de comunicación tradicionales y
digitales. Esta erosión de la confianza pública se traduce en una mayor susceptibilidad a la
desinformación, ya que los ciudadanos tienden a cuestionar la autenticidad de los contenidos,
incluso cuando estos provienen de fuentes reconocidas.
Uno de los ejemplos mas relevantes que se detectaron fueron de figuras políticas (Barack
Obama, Donald Trump, Mark Zuckerberg). En el caso de Barack Obama en el 2018, el cineasta
de Hollywood Jordan Peele creó un deepfake del expresidente estadounidense Barack Obama. En
este vídeo, Obama hablaba sobre los peligros de las noticias falsas y se burlaba del entonces
presidente Donald Trump. Este ejemplo buscaba denunciar los riesgos de esta tecnología. Por otro
lado, para Donald Trump en el mismo año se mostró a Trump ofreciendo consejos a la gente de
Bélgica sobre el cambio climático. Este vídeo fue creado por un partido político belga (el Partido
Socialista Flamenco, SP.A) con el objetivo de generar un debate social. Al final del vídeo, Trump
decía: "Todos sabemos que el cambio climático es falso, al igual que este vídeo", pero la última
frase no se tradujo en los subtítulos holandeses, lo que generó indignación por la supuesta
intromisión del presidente estadounidense en la política belga.
La tabla presenta la evolución en el número de artículos publicados sobre deepfakes entre
los años 2019 y 2025. Se observa un crecimiento lento y constante entre 2019 y 2022, con entre
uno y dos artículos por año. Sin embargo, a partir de 2024 se evidencia un aumento significativo,
con 13 publicaciones en ese año, seguido de 9 en 2025.
Este incremento notable sugiere que el interés académico y científico sobre esta temática
ha crecido de forma acelerada en los últimos años, posiblemente impulsado por avances
tecnológicos en inteligencia artificial, el aumento de casos de desinformación mediática y la
necesidad de desarrollar marcos éticos y legales ante esta amenaza emergente. La ausencia de
artículos en 2023 podría deberse a un desfase en la indexación o a un cambio en las bases de datos
consultadas. En conjunto, la tendencia indica que el estudio de los deepfakes se ha consolidado
como un campo de investigación emergente y de alta relevancia.
DISCUSIÓN
Los resultados de esta revisión sistemática evidencian que el desarrollo y proliferación de
deepfakes, facilitados principalmente por el avance de las Redes Generativas Antagónicas
(GANs) y el aprendizaje profundo, representan un desafío significativo para la confianza pública
y la credibilidad de los medios de comunicación. Si bien estas tecnologías han mostrado potencial
para aplicaciones legítimas en sectores como el entretenimiento y la educación, la literatura
analizada coincide en que su uso malintencionado ha incrementado la vulnerabilidad de la
sociedad frente a la desinformación y la manipulación mediática.
Diversos estudios señalan que la capacidad de los deepfakes para crear contenido
audiovisual altamente realista dificulta la distinción entre información verídica y manipulada, lo
que contribuye a una creciente desconfianza hacia los medios de comunicación tradicionales y
digitales. Esta erosión de la confianza pública se traduce en una mayor susceptibilidad a la
desinformación, ya que los ciudadanos tienden a cuestionar la autenticidad de los contenidos,
incluso cuando estos provienen de fuentes reconocidas.
Uno de los ejemplos mas relevantes que se detectaron fueron de figuras políticas (Barack
Obama, Donald Trump, Mark Zuckerberg). En el caso de Barack Obama en el 2018, el cineasta
de Hollywood Jordan Peele creó un deepfake del expresidente estadounidense Barack Obama. En
este vídeo, Obama hablaba sobre los peligros de las noticias falsas y se burlaba del entonces
presidente Donald Trump. Este ejemplo buscaba denunciar los riesgos de esta tecnología. Por otro
lado, para Donald Trump en el mismo año se mostró a Trump ofreciendo consejos a la gente de
Bélgica sobre el cambio climático. Este vídeo fue creado por un partido político belga (el Partido
Socialista Flamenco, SP.A) con el objetivo de generar un debate social. Al final del vídeo, Trump
decía: "Todos sabemos que el cambio climático es falso, al igual que este vídeo", pero la última
frase no se tradujo en los subtítulos holandeses, lo que generó indignación por la supuesta
intromisión del presidente estadounidense en la política belga.
Vol. 12/ Núm. 3 2025 pág. 2109
En lo que concierne a Mark Zuckerberg en junio de 2019, dos artistas británicos elaboraron
un deepfake de alta calidad del CEO de Facebook, Mark Zuckerberg, que acumuló millones de
visitas. El vídeo mostraba falsamente a Zuckerberg elogiando a "Spectre", una organización
ficticia malvada de la serie de James Bond. Este vídeo, creado con imágenes de noticias, IA y un
actor de voz, tenía como propósito demostrar cómo estas representaciones sintéticas pueden
utilizarse para manipular la realidad.
Por otro lado, la credibilidad de los medios de comunicación se ve directamente amenazada
por la circulación de deepfakes no detectados. La posibilidad de que los medios difundan
inadvertidamente material manipulado puede afectar negativamente su reputación y la percepción
de imparcialidad y rigor periodístico. En este sentido, la revisión destaca la necesidad de fortalecer
los procesos de verificación y de invertir en tecnologías de detección, aunque los estudios
coinciden en que los sistemas actuales no han logrado mantenerse al ritmo del desarrollo de
nuevas técnicas de generación de deepfakes.
Adicionalmente, los riesgos asociados a los deepfakes, como la propagación de noticias
falsas, el fraude, la suplantación de identidad y la manipulación política, plantean desafíos éticos
y legales que requieren respuestas coordinadas entre el sector tecnológico, los medios de
comunicación y los organismos reguladores. La literatura revisada enfatiza la importancia de la
alfabetización mediática y digital como estrategia fundamental para mitigar el impacto negativo
de los deepfakes en la opinión pública.
CONCLUSIONES
El análisis revela que la proliferación de deepfakes afecta la credibilidad de los medios al
exponerlos al riesgo de difundir sin intención material manipulado, lo que disminuye la
confiabilidad institucional y fortalece el escepticismo ciudadano respecto a la información
consumida. Adicionalmente, el fenómeno genera efectos como la polarización social, el
agotamiento del pensamiento crítico y la propagación de desinformación, especialmente en
contextos electorales o ante figuras públicas.
Si bien existen aplicaciones benignas de esta tecnología, su uso malicioso exige respuestas
integrales. La literatura destaca la urgencia de invertir en tecnologías de detección automatizada,
fortalecer los marcos regulatorios con énfasis en la transparencia y educar a la ciudadanía en
alfabetización mediática para reducir la vulnerabilidad social ante la manipulación digital.
La investigación académica sobre deepfakes ha mostrado un crecimiento significativo
desde 2024, con China y España liderando la producción científica, reflejando el carácter global
del fenómeno y la necesidad compartida de abordar sus implicaciones. En síntesis, la lucha contra
los deepfakes es un imperativo social que demanda un esfuerzo coordinado y continuo entre la
tecnología, la regulación y la educación para salvaguardar la integridad informativa y
democrática.
En lo que concierne a Mark Zuckerberg en junio de 2019, dos artistas británicos elaboraron
un deepfake de alta calidad del CEO de Facebook, Mark Zuckerberg, que acumuló millones de
visitas. El vídeo mostraba falsamente a Zuckerberg elogiando a "Spectre", una organización
ficticia malvada de la serie de James Bond. Este vídeo, creado con imágenes de noticias, IA y un
actor de voz, tenía como propósito demostrar cómo estas representaciones sintéticas pueden
utilizarse para manipular la realidad.
Por otro lado, la credibilidad de los medios de comunicación se ve directamente amenazada
por la circulación de deepfakes no detectados. La posibilidad de que los medios difundan
inadvertidamente material manipulado puede afectar negativamente su reputación y la percepción
de imparcialidad y rigor periodístico. En este sentido, la revisión destaca la necesidad de fortalecer
los procesos de verificación y de invertir en tecnologías de detección, aunque los estudios
coinciden en que los sistemas actuales no han logrado mantenerse al ritmo del desarrollo de
nuevas técnicas de generación de deepfakes.
Adicionalmente, los riesgos asociados a los deepfakes, como la propagación de noticias
falsas, el fraude, la suplantación de identidad y la manipulación política, plantean desafíos éticos
y legales que requieren respuestas coordinadas entre el sector tecnológico, los medios de
comunicación y los organismos reguladores. La literatura revisada enfatiza la importancia de la
alfabetización mediática y digital como estrategia fundamental para mitigar el impacto negativo
de los deepfakes en la opinión pública.
CONCLUSIONES
El análisis revela que la proliferación de deepfakes afecta la credibilidad de los medios al
exponerlos al riesgo de difundir sin intención material manipulado, lo que disminuye la
confiabilidad institucional y fortalece el escepticismo ciudadano respecto a la información
consumida. Adicionalmente, el fenómeno genera efectos como la polarización social, el
agotamiento del pensamiento crítico y la propagación de desinformación, especialmente en
contextos electorales o ante figuras públicas.
Si bien existen aplicaciones benignas de esta tecnología, su uso malicioso exige respuestas
integrales. La literatura destaca la urgencia de invertir en tecnologías de detección automatizada,
fortalecer los marcos regulatorios con énfasis en la transparencia y educar a la ciudadanía en
alfabetización mediática para reducir la vulnerabilidad social ante la manipulación digital.
La investigación académica sobre deepfakes ha mostrado un crecimiento significativo
desde 2024, con China y España liderando la producción científica, reflejando el carácter global
del fenómeno y la necesidad compartida de abordar sus implicaciones. En síntesis, la lucha contra
los deepfakes es un imperativo social que demanda un esfuerzo coordinado y continuo entre la
tecnología, la regulación y la educación para salvaguardar la integridad informativa y
democrática.
Vol. 12/ Núm. 3 2025 pág. 2110
REFERENCIAS
Ahmad, W., Ali, I., Adil Shahzad, S., Hashmi, A., & Ghaffar, F. (2022). ResViT: A Framework
for Deepfake Videos Detection. International Journal of Electrical and Computer
Engineering Systems, 13(9), 807-813. https://doi.org/10.32985/ijeces.13.9.9
Al-Dulaimi, O. A. H. H., & Kurnaz, S. (2024). A Hybrid CNN-LSTM Approach for Precision
Deepfake Image Detection Based on Transfer Learning. Electronics, 13(9), 1662.
https://doi.org/10.3390/electronics13091662
Barrientos-Báez, A., Piñeiro Otero, M. T., & Porto Renó, D. (2024). Imágenes falsas, efectos
reales. Deepfakes como manifestaciones de la violencia política de género. Revista Latina
de Comunicación Social, 82, 1-30. https://doi.org/10.4185/rlcs-2024-2278
García-Ull, F. J. (2021a). «Deepfakes»: El próximo reto en la detección de noticias falsas. Anàlisi,
103-120. https://doi.org/10.5565/rev/analisi.3378
Hameleers, M., Van Der Meer, T. G. L. A., & Dobber, T. (2022). You Won’t Believe What They
Just Said! The Effects of Political Deepfakes Embedded as Vox Populi on Social Media.
Social Media + Society, 8(3). https://doi.org/10.1177/20563051221116346
Hameleers, M., Van Der Meer, T. G. L. A., & Dobber, T. (2024). They Would Never Say
Anything Like This! Reasons To Doubt Political Deepfakes. European Journal of
Communication, 39(1), 56-70. https://doi.org/10.1177/02673231231184703
Hameleers, M., Van Der Meer, T., & Vliegenthart, R. (2025). How persuasive are political
cheapfakes disseminated via social media? The effects of out-of-context visual
disinformation on message credibility and issue agreement. Information, Communication
& Society, 28(1), 61-78. https://doi.org/10.1080/1369118x.2024.2388079
Hasan, H. R., & Salah, K. (2019). Combating Deepfake Videos Using Blockchain and Smart
Contracts. IEEE Access, 7, 41596-41606. https://doi.org/10.1109/access.2019.2905689
Hasan, H. R., Salah, K., Jayaraman, R., Yaqoob, I., & Omar, M. (2024). NFTs for combating
deepfakes and fake metaverse digital contents. Internet of Things, 25, 101133.
https://doi.org/10.1016/j.iot.2024.101133
Hill, G., Waddington, M., & Qiu, L. (2025). From pen to algorithm: Optimizing legislation for
the future with artificial intelligence. AI & SOCIETY, 40(4), 3075-3086.
https://doi.org/10.1007/s00146-024-02062-3
Khan, A. A., Laghari, A. A., Inam, S. A., Ullah, S., Shahzad, M., & Syed, D. (2025). A survey
on multimedia-enabled deepfake detection: State-of-the-art tools and techniques,
emerging trends, current challenges & limitations, and future directions. Discover
Computing, 28(1). https://doi.org/10.1007/s10791-025-09550-0
Kharvi, P. L. (2024). Understanding the Impact of AI-Generated Deepfakes on Public Opinion,
Political Discourse, and Personal Security in Social Media.
REFERENCIAS
Ahmad, W., Ali, I., Adil Shahzad, S., Hashmi, A., & Ghaffar, F. (2022). ResViT: A Framework
for Deepfake Videos Detection. International Journal of Electrical and Computer
Engineering Systems, 13(9), 807-813. https://doi.org/10.32985/ijeces.13.9.9
Al-Dulaimi, O. A. H. H., & Kurnaz, S. (2024). A Hybrid CNN-LSTM Approach for Precision
Deepfake Image Detection Based on Transfer Learning. Electronics, 13(9), 1662.
https://doi.org/10.3390/electronics13091662
Barrientos-Báez, A., Piñeiro Otero, M. T., & Porto Renó, D. (2024). Imágenes falsas, efectos
reales. Deepfakes como manifestaciones de la violencia política de género. Revista Latina
de Comunicación Social, 82, 1-30. https://doi.org/10.4185/rlcs-2024-2278
García-Ull, F. J. (2021a). «Deepfakes»: El próximo reto en la detección de noticias falsas. Anàlisi,
103-120. https://doi.org/10.5565/rev/analisi.3378
Hameleers, M., Van Der Meer, T. G. L. A., & Dobber, T. (2022). You Won’t Believe What They
Just Said! The Effects of Political Deepfakes Embedded as Vox Populi on Social Media.
Social Media + Society, 8(3). https://doi.org/10.1177/20563051221116346
Hameleers, M., Van Der Meer, T. G. L. A., & Dobber, T. (2024). They Would Never Say
Anything Like This! Reasons To Doubt Political Deepfakes. European Journal of
Communication, 39(1), 56-70. https://doi.org/10.1177/02673231231184703
Hameleers, M., Van Der Meer, T., & Vliegenthart, R. (2025). How persuasive are political
cheapfakes disseminated via social media? The effects of out-of-context visual
disinformation on message credibility and issue agreement. Information, Communication
& Society, 28(1), 61-78. https://doi.org/10.1080/1369118x.2024.2388079
Hasan, H. R., & Salah, K. (2019). Combating Deepfake Videos Using Blockchain and Smart
Contracts. IEEE Access, 7, 41596-41606. https://doi.org/10.1109/access.2019.2905689
Hasan, H. R., Salah, K., Jayaraman, R., Yaqoob, I., & Omar, M. (2024). NFTs for combating
deepfakes and fake metaverse digital contents. Internet of Things, 25, 101133.
https://doi.org/10.1016/j.iot.2024.101133
Hill, G., Waddington, M., & Qiu, L. (2025). From pen to algorithm: Optimizing legislation for
the future with artificial intelligence. AI & SOCIETY, 40(4), 3075-3086.
https://doi.org/10.1007/s00146-024-02062-3
Khan, A. A., Laghari, A. A., Inam, S. A., Ullah, S., Shahzad, M., & Syed, D. (2025). A survey
on multimedia-enabled deepfake detection: State-of-the-art tools and techniques,
emerging trends, current challenges & limitations, and future directions. Discover
Computing, 28(1). https://doi.org/10.1007/s10791-025-09550-0
Kharvi, P. L. (2024). Understanding the Impact of AI-Generated Deepfakes on Public Opinion,
Political Discourse, and Personal Security in Social Media.
Vol. 12/ Núm. 3 2025 pág. 2111
Kumar, N., & Kundu, A. (2024). SecureVision: Advanced Cybersecurity Deepfake Detection
with Big Data Analytics. Sensors, 24(19), 6300. https://doi.org/10.3390/s24196300
Lee, F. Y., Kumaresan, S. P., Abdulwahab Anaam, E., & Chee Kong, W. (2025). Social Platforms
in the Deepfake Age: Navigating Media Trust through Media Literacy. JOIV :
International Journal on Informatics Visualization, 9(1), 176.
https://doi.org/10.62527/joiv.9.1.3490
Lendvai, G. F., & Gosztonyi, G. (2024a). Deepfake y desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas creadas por deepfake? IDP. Revista de Internet,
Derecho y Política, 0(41). https://doi.org/10.7238/idp.v0i41.427515
Lendvai, G. F., & Gosztonyi, G. (2024b). Deepfake y desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas creadas por deepfake? IDP. Revista de Internet,
Derecho y Política, 0(41). https://doi.org/10.7238/idp.v0i41.427515
Liu, Q., Xue, Z., Liu, H., & Liu, J. (2024a). Enhancing Deepfake Detection With Diversified Self-
Blending Images and Residuals. IEEE Access, 12, 46109-46117.
https://doi.org/10.1109/access.2024.3382196
Liu, Q., Xue, Z., Liu, H., & Liu, J. (2024b). Enhancing Deepfake Detection With Diversified Self-
Blending Images and Residuals. IEEE Access, 12, 46109-46117.
https://doi.org/10.1109/access.2024.3382196
Momeni, M. (2025). Artificial Intelligence and Political Deepfakes: Shaping Citizen Perceptions
Through Misinformation. Journal of Creative Communications, 20(1), 41-56.
https://doi.org/10.1177/09732586241277335
Murár, P., Kubovics, M., & Jurišová, V. (2024). The Impact of Brand-Voice Integration and
Artificial Intelligence on Social Media Marketing. Communication Today, 50-63.
https://doi.org/10.34135/communicationtoday.2024.vol.15.no.1.4
Ölvecký, M., Huraj, L., & Brlej, I. (2025). Evaluating the Effectiveness of Deepfake Video
Detection Tools: A Comparative Study. TEM Journal, 64-77.
https://doi.org/10.18421/tem141-07
Rubio Núñez, R. (2025). El uso de la inteligencia artificial en las campañas electorales y sus
efectos democráticos. Revista de Derecho Político, 122, 65-102.
https://doi.org/10.5944/rdp.122.2025.44742
Sanchez-Acedo, A., Carbonell-Alcocer, A., Gertrudix, M., & Rubio-Tamayo, J.-L. (2024). The
challenges of media and information literacy in the artificial intelligence ecology:
Deepfakes and misinformation. Communication & Society, 223-239.
https://doi.org/10.15581/003.37.4.223-239
Shibuya, Y., Nakazato, T., & Takagi, S. (2025a). How do people evaluate the accuracy of video
posts when a warning indicates they were generated by AI? International Journal of
Human-Computer Studies, 199, 103485. https://doi.org/10.1016/j.ijhcs.2025.103485
Kumar, N., & Kundu, A. (2024). SecureVision: Advanced Cybersecurity Deepfake Detection
with Big Data Analytics. Sensors, 24(19), 6300. https://doi.org/10.3390/s24196300
Lee, F. Y., Kumaresan, S. P., Abdulwahab Anaam, E., & Chee Kong, W. (2025). Social Platforms
in the Deepfake Age: Navigating Media Trust through Media Literacy. JOIV :
International Journal on Informatics Visualization, 9(1), 176.
https://doi.org/10.62527/joiv.9.1.3490
Lendvai, G. F., & Gosztonyi, G. (2024a). Deepfake y desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas creadas por deepfake? IDP. Revista de Internet,
Derecho y Política, 0(41). https://doi.org/10.7238/idp.v0i41.427515
Lendvai, G. F., & Gosztonyi, G. (2024b). Deepfake y desinformación –¿Qué puede hacer el
derecho frente a las noticias falsas creadas por deepfake? IDP. Revista de Internet,
Derecho y Política, 0(41). https://doi.org/10.7238/idp.v0i41.427515
Liu, Q., Xue, Z., Liu, H., & Liu, J. (2024a). Enhancing Deepfake Detection With Diversified Self-
Blending Images and Residuals. IEEE Access, 12, 46109-46117.
https://doi.org/10.1109/access.2024.3382196
Liu, Q., Xue, Z., Liu, H., & Liu, J. (2024b). Enhancing Deepfake Detection With Diversified Self-
Blending Images and Residuals. IEEE Access, 12, 46109-46117.
https://doi.org/10.1109/access.2024.3382196
Momeni, M. (2025). Artificial Intelligence and Political Deepfakes: Shaping Citizen Perceptions
Through Misinformation. Journal of Creative Communications, 20(1), 41-56.
https://doi.org/10.1177/09732586241277335
Murár, P., Kubovics, M., & Jurišová, V. (2024). The Impact of Brand-Voice Integration and
Artificial Intelligence on Social Media Marketing. Communication Today, 50-63.
https://doi.org/10.34135/communicationtoday.2024.vol.15.no.1.4
Ölvecký, M., Huraj, L., & Brlej, I. (2025). Evaluating the Effectiveness of Deepfake Video
Detection Tools: A Comparative Study. TEM Journal, 64-77.
https://doi.org/10.18421/tem141-07
Rubio Núñez, R. (2025). El uso de la inteligencia artificial en las campañas electorales y sus
efectos democráticos. Revista de Derecho Político, 122, 65-102.
https://doi.org/10.5944/rdp.122.2025.44742
Sanchez-Acedo, A., Carbonell-Alcocer, A., Gertrudix, M., & Rubio-Tamayo, J.-L. (2024). The
challenges of media and information literacy in the artificial intelligence ecology:
Deepfakes and misinformation. Communication & Society, 223-239.
https://doi.org/10.15581/003.37.4.223-239
Shibuya, Y., Nakazato, T., & Takagi, S. (2025a). How do people evaluate the accuracy of video
posts when a warning indicates they were generated by AI? International Journal of
Human-Computer Studies, 199, 103485. https://doi.org/10.1016/j.ijhcs.2025.103485
Vol. 12/ Núm. 3 2025 pág. 2112
Shibuya, Y., Nakazato, T., & Takagi, S. (2025b). How do people evaluate the accuracy of video
posts when a warning indicates they were generated by AI? International Journal of
Human-Computer Studies, 199, 103485. https://doi.org/10.1016/j.ijhcs.2025.103485
Stracuzzi, S. P. (2024). Impacto de la Inteligencia Artificial en RTVE: verificación de vídeos
falsos y deepfakes, generación de contenidos y nuevos perfiles profesionales.
Tran, V. H., Sebastian, Y., Karim, A., & Azam, S. (2024a). Distinguishing Human Journalists
from Artificial Storytellers Through Stylistic Fingerprints. Computers, 13(12), 328.
https://doi.org/10.3390/computers13120328
Tran, V. H., Sebastian, Y., Karim, A., & Azam, S. (2024b). Distinguishing Human Journalists
from Artificial Storytellers Through Stylistic Fingerprints. Computers, 13(12), 328.
https://doi.org/10.3390/computers13120328
Vaccari, C., & Chadwick, A. (2020). Deepfakes and Disinformation: Exploring the Impact of
Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media +
Society, 6(1). https://doi.org/10.1177/2056305120903408
Weikmann, T., Greber, H., & Nikolaou, A. (2025). After Deception: How Falling for a Deepfake
Affects the Way We See, Hear, and Experience Media. The International Journal of
Press/Politics, 30(1), 187-210. https://doi.org/10.1177/19401612241233539
Xu, Z., Wen, X., Zhong, G., & Fang, Q. (2025). Public perception towards deepfake through topic
modelling and sentiment analysis of social media data. Social Network Analysis and
Mining, 15(1). https://doi.org/10.1007/s13278-025-01445-8
Shibuya, Y., Nakazato, T., & Takagi, S. (2025b). How do people evaluate the accuracy of video
posts when a warning indicates they were generated by AI? International Journal of
Human-Computer Studies, 199, 103485. https://doi.org/10.1016/j.ijhcs.2025.103485
Stracuzzi, S. P. (2024). Impacto de la Inteligencia Artificial en RTVE: verificación de vídeos
falsos y deepfakes, generación de contenidos y nuevos perfiles profesionales.
Tran, V. H., Sebastian, Y., Karim, A., & Azam, S. (2024a). Distinguishing Human Journalists
from Artificial Storytellers Through Stylistic Fingerprints. Computers, 13(12), 328.
https://doi.org/10.3390/computers13120328
Tran, V. H., Sebastian, Y., Karim, A., & Azam, S. (2024b). Distinguishing Human Journalists
from Artificial Storytellers Through Stylistic Fingerprints. Computers, 13(12), 328.
https://doi.org/10.3390/computers13120328
Vaccari, C., & Chadwick, A. (2020). Deepfakes and Disinformation: Exploring the Impact of
Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media +
Society, 6(1). https://doi.org/10.1177/2056305120903408
Weikmann, T., Greber, H., & Nikolaou, A. (2025). After Deception: How Falling for a Deepfake
Affects the Way We See, Hear, and Experience Media. The International Journal of
Press/Politics, 30(1), 187-210. https://doi.org/10.1177/19401612241233539
Xu, Z., Wen, X., Zhong, G., & Fang, Q. (2025). Public perception towards deepfake through topic
modelling and sentiment analysis of social media data. Social Network Analysis and
Mining, 15(1). https://doi.org/10.1007/s13278-025-01445-8