Como provar que seu trabalho é original quando um detector de IA dá um falso positivo

Nenhuma ferramenta pode provar que você é o autor original de um trecho de texto. O que você pode fazer é construir uma cadeia de evidências: histórico de versões que mostra o documento sendo editado ao longo do tempo, materiais de origem como notas, esboços e fontes anotadas, registros do processo de escrita desde e-mails do orientador até visitas ao centro de escrita, e uma explicação para o porquê de seu texto parecer do jeito que parece. Nenhum desses, isoladamente, refuta o uso de IA. Juntos, eles dão a quem está revisando a pontuação algo para olhar além da própria pontuação. E a empresa que fabricou a ferramenta disse, em três documentos de ajuda separados, que a pontuação não deve ser usada como única base para ação contra um estudante. Isso não é seu argumento. É deles.

O restante deste texto apresenta as quatro camadas de evidências, o que cada uma mostra e não mostra, e como levá-las à conversa sem exagerar. Há também uma seção sobre o que o próprio Turnitin disse sobre sua pontuação, porque essas declarações pertencem à sala e não cabe a você fazê-las.

A diferença entre isso e uma negação é a diferença entre “não usei IA” e “foi assim que este documento passou a existir.” A primeira é uma afirmação. A segunda é evidência. Apenas a segunda dá ao revisor algo com que trabalhar.

Detectores de escrita de IA classificam texto. Eles pegam um documento, o segmentam, atribuem a cada segmento uma probabilidade, e agregam isso em um número. Esse número descreve uma propriedade estatística da prosa. Não descreve quem a escreveu, como foi produzida, ou o que aconteceu antes de o arquivo ser enviado.

Isso vale ser dito claramente porque a pergunta “how do I prove my work is original” (como é que provo que o trabalho é meu) costuma ser respondida como se houvesse uma ferramenta simétrica ao Turnitin, algo que pegue seu rascunho e devolva “sim, você escreveu isso.” Não existe tal ferramenta. Não há classificador de originalidade. Originalidade é uma afirmação sobre processo e procedência, e processo e procedência são coisas que você estabelece com registros, não com outra pontuação.

Portanto, o trabalho não é encontrar uma contradetecção. O trabalho é reunir o material que torne o processo de escrita visível, e pareá-lo com as declarações que o próprio Turnitin fez sobre o que sua pontuação resolve e não resolve. Passamos pela versão geral do que fazer primeiro em sinalizado mas você mesmo escreveu. Este artigo é a estrutura mais ampla.

O histórico de versões é o registro com carimbo de data/hora de como um documento mudou ao longo do tempo. O Word mantém um por meio do salvamento automático do OneDrive e do Controlar Alterações. O Google Docs mantém um nativamente e ele está ativado por padrão. O Overleaf mantém um histórico de página estilo Git. Todos os três registram quando as edições aconteceram e aproximadamente qual era o tamanho de cada revisão.

O que o histórico de versões pode mostrar:

• O documento foi editado em múltiplas sessões em datas diferentes.
• Algumas revisões foram pequenas (um parágrafo, uma frase) e outras foram maiores.
• O arquivo existia em estados anteriores, às vezes semanas antes da entrega.
• As edições se agrupam em torno de eventos de feedback, comentários do orientador, ou suas próprias passagens de revisão.

O que não pode mostrar:

• Que toda frase foi escrita por uma pessoa.
• Que nenhuma ferramenta de IA foi usada em nenhum estágio.
• Que o texto final corresponde aos rascunhos intermediários linha por linha.

O valor do histórico de versões não é refutar o uso de IA. Ele não refuta. O valor é que ele mostra que o documento tem um histórico consistente com ter sido escrito ao longo do tempo. Um bloco colado não tem histórico. Um trabalho escrito tem. Essa distinção é algo que a pontuação de IA não consegue ver, porque a pontuação só olha para o texto final.

Se você escreveu no Word ou no Google Docs, exporte o histórico de versões antes da reunião. Se você escreveu no Overleaf, o histórico da página serve ao mesmo propósito. Tire uma captura de tela da lista de revisões com as datas visíveis, escolha três ou quatro versões ao longo da linha do tempo e anote o que mudou em cada uma, e se você usou o Controlar Alterações mantenha uma cópia com as marcações ainda visíveis. A versão com marcações é a que mostra o processo de edição inline.

Antes de o rascunho existir, havia outras coisas. Notas das leituras. Um esboço. PDFs anotados. Uma lista de referências com suas próprias marcações. Históricos de busca no banco de dados da biblioteca. Esses são resíduos de pesquisa, não de geração. Suas datas traçam um caminho que não se parece com uma única saída de texto.

O que trazer:

• O rascunho mais antigo que você ainda tem, mesmo que estivesse tosco. Um rascunho tosco é evidência de um processo de escrita. Sua data é evidência de que o documento existia antes da versão final.
• Notas, esboços ou PDFs anotados que você produziu enquanto trabalhava. Se você destacou passagens nas fontes e escreveu notas nas margens, essas marcações são evidência de que você se envolveu com o material antes de escrever sobre ele.
• Sua lista de referências no estado de trabalho, antes de ser formatada. Uma lista de referências que cresceu ao longo de semanas conforme você encontrava fontes parece diferente de uma que foi gerada de uma só vez.

Nada disso é um resultado de detector. Nada disso produz um número. O que faz é colocar a escrita em um contexto que tem uma linha do tempo, e essa linha do tempo corre em uma direção que começa antes do documento e termina depois dele. Um trabalho gerado não tem um antes.

A terceira camada é de registros do processo de escrita que existem fora do próprio documento.

• Threads de e-mail com seu orientador ou qualquer pessoa que tenha dado feedback. Se você enviou um rascunho em uma data específica e recebeu comentários de volta, essa troca ancora um ponto na linha do tempo. Também mostra que o documento estava sendo revisado por outra pessoa durante sua produção.
• Registros de revisão por pares ou visitas ao centro de escrita. Se você levou um rascunho a um tutor de escrita ou trocou rascunhos com um colega, essas sessões têm datas e às vezes notas. São evidência de que a escrita passou por um processo social, que é como a maior parte da escrita acadêmica realmente acontece.
• Qualquer trabalho anterior que levou a este. Se este trabalho surgiu de uma proposta, uma bibliografia anotada, ou uma seção de métodos que você enviou separadamente, essas entregas anteriores fazem parte da mesma trajetória de escrita.

O que essa camada faz é conectar o documento a outras pessoas e outras datas. Um documento que está sozinho sem conexão com nenhuma interação anterior é mais fácil de questionar. Um documento que está dentro de uma cadeia de e-mails, tutorias e entregas anteriores é mais difícil de separar da pessoa que o produziu.

A quarta camada é sua capacidade de explicar por que seu texto parece do jeito que parece. É aqui que a própria orientação do Turnitin sobre falsos positivos se torna relevante.

As FAQs de detecção de escrita de IA descrevem características de texto que tende a produzir falsos positivos:

“Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas.” (Os falsos positivos — texto escrito por uma pessoa assinalado por engano como gerado por IA — surgem por vezes em textos com pouca variação estrutural, em textos que se repetem literalmente ou em textos parafraseados sem desenvolver ideias novas.)

A próxima frase é a que importa no seu contexto:

“If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated.” (Se o nosso indicador apontar uma proporção maior de escrita por IA num texto destes, aconselhamos que tenha isso em conta ao ler a percentagem apresentada.)

Leia o que isso abrange. Conteúdo sem muita variação estrutural. Texto que literalmente se repete. Texto que foi parafraseado sem desenvolver novas ideias. Esses descrevem uma grande parte da escrita acadêmica. Revisões de literatura resumem e sintetizam, o que é parafrasear por natureza. Seções de metodologia descrevem procedimentos padrão em linguagem que deveria ser repetitiva porque o procedimento é o mesmo. Introduções e conclusões costumam ser genéricas por design porque enquadram um trabalho que é específico no meio.

Se suas seções sinalizadas estão nesse território, a empresa que fabricou a ferramenta está dizendo à pessoa que lê a pontuação para descontá-la exatamente por esse motivo. Não você. A empresa. Seu trabalho é identificar quais das suas seções sinalizadas se encaixam nessas características e dizer isso. “A seção de metodologia descreve um protocolo padrão, e a linguagem é repetitiva porque o protocolo é.” Isso não é uma desculpa. É uma correspondência direta com as características que o próprio Turnitin listou.

Há um segundo conjunto de declarações que pertence à sala, e nenhuma delas é sua.

O guia do AI Writing Report diz:

“Our AI writing detection model may not always be accurate (it may misidentify human-written, AI-generated, and AI-paraphrased text), so it should not be used as the sole basis for adverse actions against a student.” (O nosso modelo de deteção de escrita por IA pode nem sempre acertar (pode confundir texto escrito por pessoas, texto gerado por IA e texto parafraseado com IA), pelo que não deve servir de base única para medidas desfavoráveis contra um estudante.)

A frase logo depois dela é a que é deixada de lado toda vez que esta citação é usada:

“It takes further scrutiny and human judgment in conjunction with an organization's application of its specific academic policies to determine whether academic misconduct has occurred.” (Determinar se houve fraude académica exige uma análise mais aprofundada e o juízo de uma pessoa, a par da aplicação das regras específicas de cada instituição.)

Leia ambas juntas. A primeira diz não use este número sozinho. A segunda diz o que deveria acontecer no lugar: mais escrutínio, julgamento humano, as próprias políticas da instituição. Isso é o fabricante dizendo à pessoa que detém o número para fazer mais trabalho antes de tirar uma conclusão.

Uma página separada intitulada Como devo revisar o relatório de escrita de IA? coloca de outra forma:

“It is not meant to provide definitive answers in isolation. More important than any tool is the educator who sees the score and makes decisions balancing this information with their personal knowledge of their students, their work, and institutional policy.” (Não foi feito para dar respostas definitivas por si só. Mais importante do que qualquer ferramenta é o docente que vê a pontuação e decide, pesando-a face ao que sabe dos seus estudantes, do trabalho deles e do regulamento da instituição.)

A próxima frase a completa:

“When educators look at the AI writing score and utilize it as a single data point rather than a definitive response, then it is being used as intended.” (Quando os docentes olham para a pontuação de escrita por IA e a usam como mais um dado e não como uma resposta definitiva, a ferramenta está a ser usada como se pretendia.)

Isso é o fabricante chamando sua própria pontuação de um único ponto de dados. Não um veredito. Não uma resposta definitiva. A cadeia de evidências que você está construindo é o que transforma esse único ponto de dados em múltiplos pontos de dados, que é o uso que o fabricante diz ser correto.

Essas declarações aparecem em três documentos de ajuda separados do Turnitin. Elas não são a defesa de um estudante. São a própria fronteira do fabricante da ferramenta sobre o que seu número significa.

O FAQ do Turnitin declara sua meta de precisão:

“We strive to maximize the effectiveness of our detector while keeping our false positive rate - incorrectly identifying fully human-written text as AI-generated - under 1% for documents with over 20% of AI writing.” (Procuramos tornar o nosso detetor o mais eficaz possível mantendo a taxa de falsos positivos — identificar como gerado por IA um texto escrito inteiramente por uma pessoa — abaixo de 1% em documentos com mais de 20% de escrita por IA.)

A próxima frase o reafirma:

“In other words, we might flag a human-written document as AI-written for one out of every 100 fully-human written documents.” (Por outras palavras: em cada 100 documentos escritos inteiramente por pessoas, podemos assinalar um como escrito por IA.)

Note a qualificação. A meta de menos de 1% se aplica a documentos com mais de 20% de escrita de IA. Essa é a faixa em que o indicador mostra um número real e destaques. Abaixo de 20%, a regra de exibição atual substitui o número por um asterisco. Portanto, a garantia de falso positivo abrange a faixa em que a ferramenta se compromete com uma cifra, e não se estende à faixa do asterisco.

A mesma página explica a compensação:

“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. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing.” (Para manter esta taxa baixa de 1% de falsos positivos, há a possibilidade de nos escapar algum texto escrito por IA num documento. Aceitamos isso, porque não queremos assinalar por engano como IA um texto escrito por uma pessoa. Por exemplo, se detetarmos que 50% de um documento foi provavelmente escrito por uma ferramenta de IA, pode na verdade conter até 65% de escrita por IA.)

Leia a direção disso. O modelo é ajustado para evitar falsos positivos, e o custo desse ajuste é o subrelato. Uma pontuação alta é o modelo se comprometendo com uma afirmação apesar de um ajuste que o inclina à cautela. Uma pontuação baixa é consistente tanto com “nada aconteceu” quanto com “algo aconteceu que o modelo não detectou.” Nenhuma direção resolve a questão de quem escreveu o documento. Passamos pelo que 20% significa e onde o limite fica em 20% de IA é alto demais.

Antes que você possa explicar qualquer coisa sobre a pontuação, você precisa ver o relatório. O FAQ do Turnitin afirma:

“Please note, only instructors and administrators are able to see the indicator.” (Note que apenas os docentes e o pessoal administrativo conseguem ver o indicador.)

A mesma página também diz:

“The AI writing detection indicator and report are not visible to students.” (O indicador e o relatório de deteção de escrita por IA não são visíveis para os estudantes.)

Isso parece absoluto. A próxima frase o altera:

“However, with the PDF download feature, instructors can download and share the AI report with students.” (Ainda assim, com a função de descarregar em PDF os docentes podem transferir o AI Report e partilhá-lo com os estudantes.)

Portanto, se ninguém lhe deu o relatório, peça o PDF. Não uma captura de tela da porcentagem. O relatório completo. Porque o relatório completo mostra onde os destaques estão, quantas palavras foram analisadas, se a pontuação é um número real ou um asterisco, e quando o relatório foi gerado. Tudo isso é informação que você precisa antes de poder explicar qualquer coisa.

Uma captura de tela de um número lhe diz uma coisa. Um PDF do relatório lhe diz se o número é um número de fato. A página Usando o AI Writing Report do Turnitin lista sete estados em que o indicador pode estar, e apenas dois deles colocam uma porcentagem na tela: 0%, e qualquer valor de 20 a 100. Os outros cinco são um asterisco, um relatório ainda carregando, um erro de processamento, um arquivo que não atendeu aos requisitos, e detecção que foi desativada quando você enviou. Nenhum desses é um número com o qual você possa argumentar. Passamos por como ler esses estados em como ler um relatório de escrita de IA do Turnitin.

Você não precisa de uma apresentação de slides. Você precisa de uma página com uma linha do tempo nela e uma lista curta que pareie cada seção sinalizada com uma explicação.

1. Desenhe uma linha horizontal. Marque a data do rascunho mais antigo à esquerda, a data de entrega à direita.
2. Coloque as datas do histórico de versões na linha. Não todas as versões. Cinco ou seis. As em que algo mudou.
3. Coloque os e-mails do orientador, as sessões de revisão por pares e as visitas ao centro de escrita na mesma linha. Elas ancoram o histórico de versões a eventos que aconteceram fora do arquivo.
4. Coloque a data de geração do relatório do Turnitin na linha. Esta é a data em que a pontuação foi produzida, não a data em que você enviou. Elas às vezes são diferentes.
5. Abaixo da linha, liste cada seção destacada do relatório de IA e sua explicação. “Seção de metodologia, protocolo padrão, repetitiva por design.” “Revisão de literatura, sintetizando três fontes, variação estrutural é baixa porque é assim que a síntese se parece.” Estas mapeiam diretamente para as características que o próprio Turnitin listou sob tendências de falso positivo.
6. Traga as três citações do Turnitin. Impressas, cada uma com a página em que se encontra. A declaração de única base e sua próxima frase estão em Usando o AI Writing Report, guides.turnitin.com/hc/en-us/articles/22774058814093-Using-the-AI-Writing-Report. A declaração de ponto de dados único e sua próxima frase estão em Como devo revisar o relatório de escrita de IA?, guides.turnitin.com/hc/en-us/articles/27139000787853-How-should-I-review-the-AI-Writing-report. As características de falso positivo e sua próxima frase estão em FAQs de capacidades de detecção de escrita de IA do Turnitin, guides.turnitin.com/hc/en-us/articles/28477544839821-Turnitin-s-AI-writing-detection-capabilities-FAQs. Essas não são suas palavras. São do fabricante da ferramenta.

Essa página faz duas coisas. Dá ao revisor algo para olhar além da pontuação, e mostra que você veio para participar de uma revisão, não para fazer uma negação.

Não afirme que a cadeia de evidências refuta o uso de IA. Ela não refuta. O histórico de versões mostra que o documento foi editado ao longo do tempo. O material de origem mostra que pesquisa aconteceu. Os registros de processo mostram que outras pessoas estiveram envolvidas. Nenhum desses é um resultado de contradetecção. Afirmar mais do que eles mostram entrega ao outro lado uma refutação fácil e enfraquece todo o resto que você trouxe.

Não traga a pontuação de uma ferramenta como sua defesa. Passar seu trabalho por outro detector de IA e obter “0% de IA” não prova nada, e a empresa que fabricou o Turnitin disse explicitamente que nenhuma pontuação deve ser a única base. Trazer uma pontuação diferente para lutar contra uma pontuação é usar a mesma lógica que o fabricante disse ao revisor para não usar.

Não exagere o que as citações do Turnitin significam. A declaração de única base diz que a pontuação não deve ser a única base. Não diz que a pontuação está errada. A declaração de ponto de dados único diz que a pontuação é uma entrada. Não diz que a pontuação é sem sentido. Apresente-as como o que são: a própria fronteira do fabricante sobre como seu número deve ser usado. Deixe o revisor tirar a conclusão.

O HumanPen é um reescritor de documentos. Não vamos lhe dizer que passar seu trabalho por um reescritor fará uma pontuação de IA desaparecer, porque não fazemos afirmações sobre pontuações futuras. O que podemos dizer é o que a ferramenta faz: você carrega o documento com seu relatório de escrita de IA, e apenas as passagens que o relatório sinalizou são reescritas. O restante do documento fica intacto. Você revisa a saída antes que ela se torne algo final.

Se você quer ir à reunião com o documento original e deixar a cadeia de evidências falar, esse é um caminho. Se você quer revisar as seções sinalizadas com antecedência, esse é outro. Ambos são legítimos. A reunião vem primeiro.

Posso provar que não usei IA? Não. Nenhuma ferramenta pode provar um negativo sobre seu processo de escrita. O que você pode fazer é reunir uma cadeia de evidências que torne “eu escrevi isso” a explicação mais simples. Histórico de versões, material de origem, registros de processo, e uma explicação para o porquê de seu texto parecer do jeito que parece. Juntos, eles dão ao revisor algo para olhar além da pontuação.

E se eu não tiver histórico de versões? Você perde a única peça mais forte de evidência de linha do tempo, mas não perde tudo. Datas de modificação de arquivo em rascunhos anteriores, anexos de e-mail enviados ao seu orientador, e pastas de backup sincronizadas na nuvem, todos carregam carimbos de data/hora. Eles não são tão limpos quanto um painel de histórico de versões, mas contam a mesma história.

Meu professor só me enviou uma captura de tela da porcentagem. O que eu peço? O relatório de escrita de IA completo como PDF. O FAQ do Turnitin diz que os estudantes não podem ver o indicador, mas também diz que os instrutores podem baixar e compartilhar o relatório por meio do recurso de download de PDF. Peça o PDF, não a captura de tela. O relatório mostra onde os destaques estão, quantas palavras foram analisadas, e se a pontuação é um número real ou um asterisco.

As seções sinalizadas estão todas na minha revisão de literatura. Isso importa? Sim. O FAQ do Turnitin lista “content without a lot of structural variation” (texto com pouca variação estrutural) e “text that has been paraphrased without developing new ideas” (texto parafraseado sem desenvolver ideias novas) como características associadas a falsos positivos. Revisões de literatura sintetizam e resumem, o que se encaixa em ambas. A próxima frase no FAQ diz: “If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated.” (Se o nosso indicador apontar uma proporção maior de escrita por IA num texto destes, aconselhamos que tenha isso em conta ao ler a percentagem apresentada.) Isso é a empresa dizendo ao revisor para descontar a pontuação exatamente por esse motivo.

Posso levar citações das próprias páginas de ajuda do Turnitin para a reunião? Sim. As declarações sobre a pontuação não ser a única base, sobre ser um ponto de dados único, e sobre características de falso positivo são publicadas nos documentos de ajuda do Turnitin. Elas são palavras do fabricante da ferramenta, não suas. Levá-las impressas com URLs é mais eficaz do que parafrasear.