Probabilidade das palavras e o Turnitin: o que o classificador realmente lê

Cada palavra de uma frase tem uma probabilidade de aparecer naquele contexto específico. Quando você escreve "O experimento mostrou um resultado", a próxima palavra tem mais chances de ser "significativo" do que "abacaxi". Modelos de linguagem estimam essas probabilidades com base no contexto anterior, e o classificador do Turnitin faz o mesmo, embora de outro modo.

A probabilidade das palavras indica o quanto cada escolha é previsível diante das palavras que vêm antes. Modelos de geração de texto costumam escolher a opção mais esperada, a mais comum do ponto de vista estatístico. Quem escreve, ao contrário, costuma escolher palavras menos previsíveis: verbos incomuns, substantivos próprios da sua área ou construções que quebram o padrão estatístico que um modelo de IA seguiria.

O Turnitin afirma diretamente que os seus classificadores são "trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (treinados para detectar essas diferenças na probabilidade das palavras e habituados às sequências de probabilidade típicas de quem escreve como gente). O classificador não conta palavras-chave. Ele compara a distribuição de probabilidade das suas escolhas de palavras com os padrões que aprendeu em dados de treinamento que continham tanto texto humano quanto texto de IA.

Isso importa porque dois textos podem ser gramaticalmente perfeitos e ainda assim diferir muito na probabilidade das palavras. Uma pessoa pode introduzir uma metáfora inesperada, usar uma expressão coloquial numa frase acadêmica ou repetir uma palavra onde um modelo de IA teria usado um sinônimo. Cada uma dessas escolhas desloca o perfil de probabilidade que o classificador lê.

Quando um trabalho chega ao Turnitin, o processo começa pela segmentação. As frases são extraídas, divididas em seções que se sobrepõem, e cada seção é pontuada de forma independente pelo modelo de detecção de IA. Cada segmento recebe um valor entre 0 e 1, que representa a probabilidade de o texto ter sido gerado por IA em vez de escrito por uma pessoa.

O Turnitin descreve o processo com clareza: "Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated." (Cada segmento é classificado pelo modelo de detecção de IA e recebe um valor entre 0 e 1, indicando a probabilidade de o texto ser humano ou gerado por IA.) As frases que caem dentro de segmentos sobrepostos herdam essas pontuações e, quando uma frase aparece em vários segmentos sobrepostos, as suas pontuações são reunidas em um único valor. Essas pontuações por frase se somam depois na pontuação geral de escrita por IA do documento.

No centro desse processo está um modelo baseado em transformers. A documentação de arquitetura do Turnitin afirma: "Our current system uses a modern deep learning approach based on the transformer architecture." (O nosso sistema atual usa uma abordagem moderna de aprendizado profundo baseada na arquitetura transformer.) O transformer lê as sequências de probabilidade das palavras ao longo dos segmentos e aprende quais sequências são características da escrita humana e quais são características da geração por IA.

O ponto essencial é que o classificador não olha uma palavra isoladamente. Ele lê sequências de escolhas de palavras ao longo de segmentos inteiros de texto. Uma única palavra incomum não vai mudar muito a sua pontuação, mas um padrão sustentado de escolhas de baixa probabilidade, do tipo que surge naturalmente em quem escreve, será registrado como humano. Em sentido contrário, um padrão sustentado de escolhas muito prováveis e estatisticamente previsíveis será registrado como típico de IA.

Muitos artigos sobre detecção de IA mencionam a "perplexidade" como uma métrica central. A perplexidade é, por definição, uma medida da probabilidade das palavras. Ela quantifica o quanto um modelo de linguagem se surpreende com uma determinada sequência de palavras. Perplexidade baixa significa que as palavras eram previsíveis; alta, que não eram.

É aqui que entra uma nuance decisiva. O Turnitin nega explicitamente calcular a perplexidade como uma métrica com nome próprio: "Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions." (O nosso modelo não é programado explicitamente para avaliar sinais específicos como "burstiness", "perplexity" ou outras métricas individuais às vezes citadas em discussões públicas.) E continuam: "Instead, it learns statistical patterns from our training data." (Em vez disso, ele aprende padrões estatísticos a partir dos nossos dados de treinamento.)

Afinal, o Turnitin verifica ou não a perplexidade? A resposta é mais nuançada do que um sim ou um não. A perplexidade é uma medida da probabilidade das palavras, e o classificador do Turnitin é treinado com padrões de probabilidade das palavras. Mas ele não calcula uma única pontuação de perplexidade para depois colocá-la numa fórmula. O transformer aprende padrões estatísticos complexos a partir dos dados de treinamento: padrões que incluem a probabilidade das palavras, mas que não se reduzem a uma métrica com nome próprio.

O Turnitin explica: "As a result, its outputs are generated by many learned patterns working together rather than by a small set of transparent, human-readable rules." (Como resultado, os seus resultados são gerados por muitos padrões aprendidos que atuam em conjunto, e não por um pequeno conjunto de regras transparentes e legíveis para pessoas.) A conclusão prática é que dizer que o Turnitin verifica a perplexidade é uma simplificação exagerada. O classificador aprende padrões de probabilidade das palavras de forma integral, e esses padrões pesam na pontuação de cada segmento sem se reduzirem a uma fórmula que você possa calcular por conta própria.

Em julho de 2026, o Turnitin fez uma mudança arquitetônica significativa. A documentação dele confirma: "In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate." (Em julho de 2026, atualizamos a arquitetura do nosso modelo para consolidar um conjunto de vários modelos em um único modelo. Essa atualização melhora e simplifica o relatório de escrita por IA, mantendo uma taxa de falsos positivos abaixo de 1%.)

Antes dessa mudança, o sistema usava vários modelos cujos resultados eram combinados. Um conjunto de vários modelos pode tornar mais complexa a forma como as pontuações são agregadas, e modelos diferentes podem ponderar de maneiras diferentes os padrões de probabilidade das palavras. Passar para um único modelo significa que os padrões de probabilidade que o classificador aprendeu durante o treinamento são aplicados de forma consistente ao documento inteiro.

A taxa de falsos positivos continua abaixo de 1%, ou seja: a cada 100 documentos escritos inteiramente por uma pessoa, menos de um é sinalizado por engano como gerado por IA. Para manter essa taxa tão baixa, o modelo pode deixar passar texto genuinamente gerado por IA, uma troca que examinamos na próxima seção.

Entender que o classificador lê sequências de probabilidade das palavras leva a várias observações práticas.

Primeiro: um texto muito polido e previsível tende a parecer mais com IA. O próprio Turnitin observa que os falsos positivos costumam envolver "content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (conteúdo sem muita variação estrutural, texto que se repete literalmente ou texto que foi parafraseado sem desenvolver ideias novas). Quando um texto é uniforme na estrutura e usa palavras comuns e previsíveis, ele pode se parecer com os padrões de alta probabilidade que o classificador associa à geração por IA.

Segundo: escrever com idiossincrasia verdadeira tende a parecer mais humano. Escolhas de palavras incomuns, estruturas de frase variadas e formulações originais criam sequências de baixa probabilidade associadas à autoria humana. Não se trata de injetar erros, mas de expressar ideias de formas que reflitam uma voz pessoal genuína, e não uma média estatística.

Terceiro: o Turnitin é transparente ao dizer que parte do texto de IA vai passar despercebida. Eles afirmam: "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 1% de falsos positivos, existe a chance de não percebermos parte do texto escrito por IA em um documento.) E dão um exemplo concreto: "If we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." (Se identificamos que 50% de um documento foi provavelmente escrito por uma ferramenta de IA, ele pode conter até 65% de escrita por IA.) Se o seu documento for sinalizado com uma porcentagem intermediária, a proporção real de texto de IA pode ser maior.

Essa diferença de calibração tem duas implicações. Para estudantes: um falso positivo é raro, mas possível, especialmente com prosa acadêmica muito polida ou repetitiva. Para professores: a porcentagem informada deve ser lida como uma estimativa conservadora, e não como uma medição precisa. A orientação é clara: escreva com variação genuína na escolha de palavras e na estrutura, e entenda que a pontuação reflete uma avaliação de probabilidade, não uma contagem definitiva. Experimente a ferramenta HumanPen aqui.