O Turnitin detecta especificamente o Claude? O que diz a lista de modelos

Sim. Várias variantes do Claude aparecem na lista de modelos que o Turnitin publica. A lista informa que o modelo de detecção de escrita por IA do Turnitin para envios em inglês consegue detectar conteúdo de um conjunto de modelos que inclui Claude-3-Haiku, Claude Sonnet-3.5, Claude Sonnet-3.7, Claude Sonnet-4.5, Claude Sonnet-4.6, Claude-Haiku-4.5 e Claude-Opus-4.5. A lista cobre também “tools based on these LLMs as well,” (“também as ferramentas baseadas nesses LLMs”), o que significa que os aplicativos construídos sobre os modelos de linguagem do Claude entram no escopo de detecção declarado.

Dito isso, estar na lista não significa que todas as passagens produzidas pelo Claude serão sinalizadas. O próprio Turnitin reconhece que parte do texto escrito por IA passa despercebida e que as capacidades de detecção mudam com o tempo, à medida que o modelo é atualizado. Portanto, a resposta honesta é: o Claude está coberto, mas cobertura não é o mesmo que garantia.

O Turnitin não publica uma tabela de modelos com resultados de detecção do tipo aprovado ou reprovado. Em vez disso, ele oferece uma lista em linha dentro da própria documentação. A frase introdutória diz: “Currently, Turnitin's AI writing detection model for English submissions can detect content from” (“Atualmente, o modelo de detecção de escrita por IA do Turnitin para envios em inglês consegue detectar conteúdo de”) uma lista que inclui as variantes do Claude citadas acima, ao lado de GPT, Gemini, LLaMA, Mistral, Deepseek, Nova, Grok e o1-mini. É esse agrupamento que o Turnitin detecta Claude, Copilot ou Gemini examina pelo outro lado. A lista termina afirmando que a cobertura se estende a “tools based on these LLMs as well.” (“também as ferramentas baseadas nesses LLMs”). A frase que vem depois da lista diz: “We will continue to expand our detection capabilities to other models in the future.” (“Continuaremos a ampliar as nossas capacidades de detecção para outros modelos no futuro.”)

A expressão-chave é “can detect content from” (“consegue detectar conteúdo de”). Essa formulação nos diz que o detector é treinado para reconhecer o texto gerado por esses modelos. Ela não promete uma detecção perfeita. Para o Claude, especificamente, isso significa que qualquer ferramenta ou serviço que use os modelos de linguagem do Claude para produzir texto está dentro do escopo declarado. Se o detector pega todos os casos é outra pergunta, que respondemos abaixo.

Para entender por que a detecção não é um sim ou um não binário, vale olhar o mecanismo que o Turnitin descreve. Quando um trabalho é enviado ao Turnitin, as frases do envio são extraídas e divididas em seções sobrepostas para a análise de predição. Cada seção é classificada pelo modelo de detecção de IA e recebe um valor entre 0 e 1, que indica a probabilidade de o texto ser provavelmente humano ou gerado por IA. Cada frase qualificada dentro dessas seções herda a pontuação da seção. Como as seções se sobrepõem, algumas frases podem ter várias pontuações, que depois são reunidas em uma única. Essas pontuações por frase são ainda agregadas e usadas para calcular a pontuação geral de escrita por IA do documento.

A porcentagem final no seu relatório é a agregação de muitas previsões pequenas, no nível da frase. Não é uma única varredura que carimba o documento inteiro como IA ou humano. Cada frase contribui para o total, e as seções sobrepostas ajudam a suavizar os casos limítrofes.

O modelo do Turnitin não é estático. A documentação afirma: “As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed.” (“À medida que iteramos e desenvolvemos o nosso modelo para detectar melhor os LLMs mais novos, é provável que as nossas capacidades de detecção também mudem, afetando a porcentagem de IA. No entanto, para um documento já enviado, a porcentagem de IA só mudará se ele for enviado novamente para ser processado.”)

Isso tem uma implicação prática. Se você envia um documento hoje e recebe uma determinada porcentagem de IA, esse mesmo documento pode receber uma porcentagem diferente se for reenviado semanas ou meses depois. O modelo é atualizado, e essas atualizações podem deslocar as pontuações em qualquer direção. Uma passagem que hoje parece humana pode parecer gerada por IA depois de uma atualização, ou o contrário.

Para textos do Claude, isso significa que a taxa de detecção que você observa agora pode não corresponder à que vai observar depois. A lista de modelos confirma que o Claude está no escopo, mas a sensibilidade dessa detecção pode variar enquanto o Turnitin aperfeiçoa o modelo.

O Turnitin é transparente quanto ao fato de que o seu detector não pega tudo. A documentação afirma: “In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document.” (“Para manter essa baixa taxa de falsos positivos, de 1%, há a chance de que deixemos passar algum texto escrito por IA em um documento.”)

É uma troca deliberada. O Turnitin prioriza uma baixa taxa de falsos positivos, o que significa que aceita que parte do texto de IA escape. O detector peca pelo excesso de cautela: prefere não detectar texto de IA a sinalizar incorretamente texto humano.

Entender por que o detector funciona assim exige olhar o que ele realmente mede. O modelo do Turnitin não se apoia nas métricas muito comentadas nas discussões públicas sobre detecção de IA, e é por isso que o Turnitin usa perplexidade e rajada para detectar IA termina onde termina. A documentação afirma: “Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data.” (“O nosso modelo não é programado explicitamente para avaliar sinais específicos como 'burstiness,' 'perplexity,' ou outras métricas individuais às vezes citadas em discussões públicas. Em vez disso, ele aprende padrões estatísticos a partir dos nossos dados de treinamento.”) O modelo então aplica o que aprendeu para classificar o texto. Como o Turnitin diz: “Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers.” (“Os nossos classificadores são treinados para detectar essas diferenças na probabilidade das palavras e conhecem bem as sequências particulares de probabilidade das palavras de escritores humanos.”)

Em outras palavras, o detector olha padrões de probabilidade das palavras, não sinais superficiais como a variação no comprimento das frases ou a raridade do vocabulário. É por isso que um texto de IA muito editado ou reescrito às vezes consegue escapar da detecção, e por isso o Turnitin detecta humanizadores de IA precisa ser respondido caso a caso. Se as sequências de probabilidade das palavras mudarem o suficiente durante a edição, o classificador pode deixar de reconhecer o texto como gerado por IA.

Se o seu relatório do Turnitin sinalizar passagens como geradas por IA, o passo mais prático é mexer apenas nas seções sinalizadas, em vez de reescrever o documento inteiro, que é o método de reescrever apenas os parágrafos que um relatório do Turnitin sinalizou. A pontuação por frase do Turnitin permite identificar quais segmentos específicos dispararam a detecção e concentrar neles a sua revisão.

Mantenha as suas citações, tabelas e formatação intactas. Só as passagens sinalizadas como IA precisam de atenção. Se você revisar e reenviar, lembre-se de que a porcentagem de IA pode mudar por causa das atualizações do modelo, não apenas por causa das suas edições.

As passagens elegíveis podem ser processadas novamente sem custo.