Detectores de IA marcam seu texto se o inglês não for sua língua materna? O que mostra o teste de 0 em 914 do GPTZero

Para dois detectores, em um tipo específico de redação, os números mais recentes são muito baixos. O GPTZero afirma que seu modelo atual, o GPTZero 4o, classificou como escritas por humanos todas as 914 redações de estudantes de inglês em um conjunto de teste no qual não havia sido treinado. Um preprint publicado no mesmo dia por pesquisadores da University of Maryland, do Google DeepMind e da Simon Fraser University testou o Pangram 4 em 3.909 redações de estudantes de inglês e marcou 0,0% delas. Ambos os conjuntos foram escritos por estudantes do ensino médio dos EUA, e nenhum dos estudos avaliou o Turnitin.

Leia esse zero atento às letras miúdas. O GPTZero executou e publicou seu próprio teste, e 0 em 914 ainda é compatível com uma taxa real de até cerca de 1 em 300. Isso também não anula o estudo de Stanford de 2023 que deu início a essa preocupação. Naquela pesquisa, a versão do GPTZero disponível online em março de 2023 marcou 52% de 91 redações do TOEFL, todas com menos de 150 palavras. O modelo, as redações e a extensão dos textos são diferentes; logo, os dois resultados não se contradizem. Nenhum deles é uma garantia sobre a sua redação.

O artigo é "Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test" ("Viés contra alunos de ESL e estudantes com deficiência? Colocamos o GPTZero 4o à prova"), de autoria de Anna Gao, publicado no blog do GPTZero em 5 de outubro de 2026. O GPTZero anunciou o 4o em 24 de setembro e informou que ele se tornou o modelo padrão para todos os usuários em 20 de setembro.

As redações vêm do PERSUADE 2.0, um corpus de pesquisa com mais de 25.000 redações argumentativas de estudantes dos EUA do 6º ao 12º ano escolar, criado para aprimorar o feedback automatizado de escrita. Cada redação traz informações sobre quem a escreveu, incluindo se o estudante foi classificado como aluno em processo de aprendizagem de inglês e se possuía um IEP ou um plano da Seção 504 (planos de apoio escolar dos EUA para estudantes com deficiência). A versão 2.0 adiciona pontuações às redações lançadas inicialmente no PERSUADE 1.0, que mantinha apenas textos de pelo menos 150 palavras com pelo menos 75% das palavras grafadas corretamente. Elas têm, em média, 402 palavras. O PERSUADE 1.0 foi publicado em um periódico acadêmico em outubro de 2022, antes de a OpenAI lançar o ChatGPT em 30 de novembro de 2022, de modo que nenhuma dessas redações poderia ter sido escrita com o ChatGPT.

O GPTZero avaliou redações do que chama de "PERSUADE2.0's official held-out test split, which GPTZero 4o was not trained on." ("divisão de teste oficial reservada do PERSUADE 2.0, na qual o GPTZero 4o não foi treinado"). Isso incluiu 914 redações de estudantes de inglês e 1.172 de alunos com IEP ou plano 504, com 147 pertencendo a ambos os grupos. O GPTZero 4o classificou cada uma delas como escrita por humanos. Seus gráficos colocam todas as 914 redações de estudantes de inglês na coluna única no topo de sua escala de "probabilidade humana", e para os 147 alunos presentes em ambos os grupos, a pontuação mais baixa foi 0,997.

Duas coisas que a publicação não diz. Ela não informa a pontuação a partir da qual uma redação é considerada "escrita por humanos". E não menciona se o restante do PERSUADE foi utilizado no treinamento do 4o. Essa parcela de treinamento é pública desde uma competição de ciência de dados no Kaggle, o Feedback Prize 2021, e provém do mesmo corpus de redações argumentativas de alunos do 6º ao 12º ano dos EUA. Portanto, a divisão reservada é um teste justo para redações desse perfil, mas muito mais fraco para avaliar um relatório de laboratório universitário.

Trata-se também de um teste do próprio GPTZero sobre si mesmo, em um conjunto de dados escolhido por ele, publicado em seu próprio blog, sem links para o código ou para as redações avaliadas. Isso não significa que os números estejam errados. Significa apenas que você está lendo o relato da própria empresa sobre o seu produto, e o próprio GPTZero define o resultado como "a great milestone; however, it is not a finish line." ("um grande marco; no entanto, não é a linha de chegada.")

Zero em 914 é uma contagem, e isso não define uma taxa. Com 914 redações e nenhum falso positivo, a taxa real ainda pode chegar a cerca de 0,33%, aproximadamente 1 em cada 300. Esse é o limite superior usual com 95% de confiança quando algo acontece zero vezes em 914 tentativas. É baixo, mas não é zero.

O segundo limite é menos evidente. O post de lançamento do 4o do GPTZero relatou "only 1 false positive out of 10,402 essays" ("apenas 1 falso positivo em 10.402 redações") no conjunto de teste do PERSUADE. Essa divisão de teste contém 10.402 redações no total, portanto é o mesmo conjunto do qual vieram as 914. Pelos nossos cálculos, se os estudantes de inglês fossem marcados com a mesma frequência que os demais, o esperado seria cerca de 0,09 falso positivo entre 914 redações — o que significa que você veria zero quase sempre. Se fossem marcados dez vezes mais, você ainda veria zero em pelo menos quatro de cada dez vezes.

Assim, 0 em 914 não prova que estudantes de inglês e os demais recebam o mesmo tratamento. Um teste desse porte não teria como distinguir essas duas situações. O que ele demonstra, de fato, é que, nessas redações específicas, a taxa de falsos positivos foi muito baixa para todos, incluindo os estudantes de inglês.

O segundo conjunto de números está em um apêndice de "IdeaLens: Detecting AI Ideas in Long-form Writing" ("IdeaLens: Detecção de ideias de IA em textos longos"), um preprint de Rishanth Rajendhran e sete coautores, disponibilizado no arXiv em 5 de outubro de 2026. O artigo trata principalmente de um detector experimental desenvolvido pelos próprios autores. O Pangram 4, um detector comercial, é uma das ferramentas com as quais eles fizeram comparações em 19 conjuntos de escrita humana comum. O Pangram não executou o teste. Os autores agradecem à empresa pela concessão de créditos de pesquisa, e o artigo ainda não passou por revisão por pares.

Um desses 19 conjuntos é o ELLIPSE, um corpus com cerca de 6.500 redações de estudantes de inglês do 8º ao 12º ano escolar. Cada uma foi redigida no computador em 25 a 30 minutos durante exames anuais estaduais nos EUA. Avaliadores treinados pontuaram cada redação quanto à proficiência em inglês em uma escala de 1 a 5, na qual 1 representa habilidade limitada e 5 significa "native-like facility" ("fluência próxima à de um nativo"). O artigo utilizou 3.909 dessas redações. Ao verificarmos, esse número e sua distribuição por série e pontuação coincidem com o arquivo de treinamento público do corpus com uma margem de apenas uma ou duas redações (o arquivo original tem 3.911). Cerca de 70% das 3.909 têm menos de 500 palavras.

Os autores consideram um texto como IA quando a porcentagem de IA apontada pelo Pangram somada à metade de sua porcentagem de texto assistido por IA atinge pelo menos metade do total. Por esse critério, o Pangram marcou 0,0% das 3.909 redações. O número é arredondado para uma casa decimal, o que permitiria, no máximo, uma redação marcada. No arquivo de resultados divulgado pelos autores, a taxa também foi de 0,0% em todas as faixas de proficiência, embora as faixas sejam desiguais: a mais baixa contém 8 redações e a mais alta, 28, enquanto as faixas 2, 3 e 4 reúnem mais de mil redações cada.

Nesse caso, uma comparação com a taxa basal realmente funciona, pois o mesmo artigo relata o desempenho do Pangram na escrita humana comum em geral. Na média de todas as 19 avaliações, o Pangram marcou 0,3% dos documentos redigidos por humanos. Essa média decorre principalmente de dois conjuntos: um benchmark misto de textos humanos e um conjunto de pareceres de especialistas sobre propostas de pesquisa. Quinze dos 19 conjuntos, incluindo o ELLIPSE, ficaram em 0,0%. Os demais conjuntos variam de revisões por pares a páginas da web, portanto a comparação é entre os estudantes de inglês e o comportamento geral do Pangram diante da escrita humana, e não em relação a colegas falantes nativos. Isso é o mais perto que qualquer um dos novos testes chega de responder se os estudantes de inglês são marcados com mais frequência do que outros autores. Para o Pangram, nessas redações, a resposta foi não.

Isto não é um ranking. Cada linha representa um detector diferente ou uma versão distinta, cada qual com sua própria definição de "marcada como IA", aplicada a perfis variados de autores. A contagem de palavras na primeira linha foi feita por nós, a partir das redações disponibilizadas pelos autores de Stanford junto com seu código. Analisamos esse estudo em Por que autores que não têm o inglês como língua materna são marcados com mais frequência por detectores de IA e a avaliação do Turnitin em O Turnitin testou o próprio detector para avaliar o viés contra estudantes de inglês. A linha do Turnitin descreve o modelo de 2023. O Turnitin alterou seu detector desde então.

Com base nessas evidências, ainda não. Os números de 2026 são reais, mas cobrem um cenário bem mais restrito do que a categoria geral de "estudantes de inglês".

• Extensão do texto. Todas as redações do conjunto de Stanford tinham menos de 150 palavras. O teste de 2023 do Turnitin constatou que a diferença entre estudantes de inglês e autores nativos aumentava em textos de 150 a 300 palavras. Os dois novos conjuntos situam-se, em sua maioria, bem acima dessa marca: as redações do PERSUADE têm em média 402 palavras, e 30% das redações do ELLIPSE chegam a 500 palavras ou mais. Os textos extremamente curtos que geraram aquele dado alarmante de 2023 não foram o objeto de medição dos testes de 2026.
• Nível acadêmico. Ambos os novos conjuntos são de textos do ensino fundamental II e médio. Os textos de estudantes avaliados pelo Turnitin em 2023 de fato vieram de alunos de nível universitário (a tabela do seu conjunto de dados classifica ambos os corpora de estudantes como "higher ed" ["ensino superior"]), mas, segundo a própria descrição da empresa, eram em sua maioria tarefas curtas dissertativas ou informativas, e quase todos os autores nativos do grupo de 300 palavras eram estudantes do ensino médio dos EUA. A empresa também registrou: "A comparable collection of publicly available full-length university level documents from L2 and L1 writers was not available for this evaluation." ("Não havia disponível para esta avaliação uma coleção comparável e publicamente acessível de documentos completos de nível universitário escritos por autores L2 e L1.")
• Amostra escassa dos autores com menor proficiência. O PERSUADE descartou redações com excesso de erros ortográficos, e a faixa de menor proficiência do ELLIPSE conta com apenas 8 redações.
• Turnitin. O FAQ de detecção de IA do Turnitin afirma que, em julho de 2026, a empresa unificou seu conjunto de múltiplos modelos em um modelo único, e a resposta à pergunta sobre viés descreve como os dados de treinamento foram selecionados, sem apresentar nenhum número. No texto do FAQ, os termos "English learner", "ESL", "L2" e "native" aparecem 0 vez cada um, e as quatro menções a "second language" não trazem nenhum dado numérico.
• Versões. O GPTZero 4o é o padrão apenas desde 20 de setembro. O artigo acadêmico não especifica em que data exata o Pangram avaliou as redações. Ambos os detectores passarão por novas atualizações.

O resumo mais justo é bem mais restrito do que as manchetes sugerem: no outono de 2026, dois detectores, ao analisarem redações de algumas centenas de palavras escritas por estudantes do ensino médio nos EUA, quase nunca as classificaram como IA.

1. Descubra qual detector foi usado e quando. Esses dados se referem ao GPTZero 4o e ao Pangram 4. Se a sua instituição de ensino utiliza o Turnitin, ou se a verificação no GPTZero foi realizada antes de 20 de setembro de 2026, esses números não se aplicam ao seu caso.
2. Solicite o relatório completo, e não apenas uma classificação ou porcentagem. É fundamental verificar quais trechos específicos foram marcados e qual foi a pontuação exata atribuída.
3. Se o trecho marcado for curto, mencione esse fato. Os estudos anteriores identificaram distorções justamente em textos curtos, e o próprio relatório do Turnitin não exibe uma porcentagem de IA para textos em prosa com menos de 300 palavras. Uma marcação em uma postagem curta de fórum apoia-se em uma base de texto muito menor do que em uma redação ou artigo completo.
4. Guarde todos os seus rascunhos. Versões preliminares, anotações, as fontes consultadas e o histórico de revisões são evidências concretas sobre o seu texto. As taxas de um estudo estatístico sobre textos de terceiros não são. O artigo Como manter o histórico de versões no Word, Google Docs e Overleaf explica quais configurações realmente preservam esse registro.
5. Cite os estudos com precisão, caso decida mencioná-los. Se você foi marcado pelo GPTZero, é legítimo apontar que o teste publicado pela própria empresa classificou como humanas todas as 914 redações de estudantes de inglês. Apresente isso como um motivo para que avaliem seus rascunhos, e não como uma prova definitiva: um teste com 914 redações escolares não determina o que ocorreu com o seu texto.

Isso significa que o Turnitin não vai marcar minha redação? Esses estudos não respondem a essa pergunta. A avaliação própria do Turnitin em 2023 apontou 1,4% de textos de estudantes de inglês com 300 palavras ou mais marcados, índice próximo aos 1,3% de autores nativos — mas isso ocorreu com um modelo que a empresa já substituiu, e o FAQ atual não divulga números sobre estudantes de inglês.

Estou na universidade. Esses resultados se aplicam a mim? Apenas de forma muito limitada. Ambos os conjuntos de dados de 2026 são compostos por redações de estudantes do ensino fundamental e médio dos EUA: tarefas escolares no PERSUADE e redações de exames cronometradas em 25 a 30 minutos no ELLIPSE. Uma revisão bibliográfica universitária é mais longa, mais técnica e desenvolvida ao longo de semanas. O dado mais próximo disponível é a avaliação do Turnitin de 2023, cujos textos provinham de estudantes universitários, embora a maioria fosse de tarefas curtas: 1,4% daqueles com 300 palavras ou mais foram marcados, em um modelo que o Turnitin já substituiu.

Devo simplificar meu inglês ou torná-lo mais rebuscado para evitar marcações? Nada nesses resultados sugere isso. No teste do Pangram, redações nos níveis de proficiência 2, 3 e 4 — com mais de mil em cada um deles — registraram todas 0,0%, e o mesmo padrão se manteve nas faixas de pontuação de gramática e vocabulário no arquivo divulgado pelos autores. Esse é o resultado de apenas um detector, mas certamente não há motivo para escrever com uma voz que não seja a sua.

E quanto a estudantes com deficiência? A mesma publicação do GPTZero informa que o 4o classificou todas as 1.172 redações de estudantes com IEP ou plano 504 como escritas por humanos. Aplicam-se as mesmas ressalvas: um teste realizado pela própria empresa desenvolvedora, textos escolares e uma contagem de zero que ainda comporta uma pequena taxa real de erro.

• Anna Gao, Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test, GPTZero, 5 de outubro de 2026 (texto e as cinco imagens da página); GPTZero Team, Introducing GPTZero 4o, 24 de setembro de 2026; ambos acessados em 7 de outubro de 2026.
• Rishanth Rajendhran, Minjoon Choi, Jenna Russell, Ramya Namuduri, Deniz Bölöni-Turgut, Marzena Karpinska, John Wieting e Mohit Iyyer, IdeaLens: Detecting AI Ideas in Long-form Writing, arXiv:2610.06778v1, 5 de outubro de 2026 (Apêndice E.3, Seção G.1, Tabela 17), e o arquivo de resultados do ELLIPSE dos autores; acessado em 7 de outubro de 2026.
• Scott Crossley e colaboradores, A large-scale corpus for assessing written argumentation: PERSUADE 2.0, Assessing Writing 61 (2024), preprint; The persuasive essays for rating, selecting, and understanding argumentative and discourse elements (PERSUADE) corpus 1.0, Assessing Writing 54 (2022); acessado em 7 de outubro de 2026.
• Scott Crossley e colaboradores, The English Language Learner Insight, Proficiency and Skills Evaluation (ELLIPSE) Corpus, International Journal of Learner Corpus Research 9(2), 2023, preprint e arquivos do corpus; acessado em 7 de outubro de 2026.
• OpenAI, ChatGPT: Optimizing Language Models for Dialogue, 30 de novembro de 2022 (cópia no Internet Archive de 2 de dezembro de 2022); acessado em 7 de outubro de 2026.
• Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu e James Zou, GPT detectors are biased against non-native English writers, arXiv:2304.02819v3 (Figura 1a e Materiais e Métodos; publicado em Patterns, 2023), e o repositório de dados dos autores; acessado em 7 de outubro de 2026.
• David Adamson, New research: Turnitin's AI detector shows no statistically significant bias against English Language Learners, Turnitin, 26 de outubro de 2023 (texto e imagem da tabela de resultados); Turnitin, AI writing detection capabilities FAQs e Using the AI Writing Report; acessado em 7 de outubro de 2026.