Como as universidades verificam IA? O fluxo de trabalho completo de integridade acadêmica

O que uma verificação de texto de IA realmente detecta?

Antes de entrar no fluxo de trabalho mais amplo, é útil entender o que as ferramentas de detecção em seu centro estão realmente medindo. Os detectores de texto de IA não reconhecem frases específicas nem fazem correspondência de texto contra um corpus de saída de IA conhecida. Eles analisam propriedades estatísticas da linguagem — principalmente perplexidade e explosividade — para estimar se um texto foi produzido por uma pessoa ou por um modelo de linguagem.

A perplexidade mede o quão previsível é cada escolha de palavra dado o contexto circundante. Os modelos de linguagem são projetados para selecionar a próxima palavra estatisticamente mais esperada de sua distribuição de probabilidade. Essa previsibilidade deixa uma assinatura consistente em um documento: o texto se move através de ideias em passos logicamente suaves e estatisticamente esperados, com escolhas de palavras que ficam bem dentro do intervalo provável. Os escritores humanos rotineiramente saem desse intervalo — um sinônimo inusitado, uma mudança abrupta de tópico, uma frase que ninguém preveria mas que se mostrou exatamente correta. Esses desvios aumentam as pontuações de perplexidade.

A explosividade mede a variação no comprimento e estrutura da frase dentro de um documento. A escrita acadêmica autêntica é tipicamente desigual: frases analíticas longas intercaladas com frases declarativas curtas, parágrafos com formas organizacionais diferentes, cláusulas que interrompem o ritmo. O texto gerado por IA tende à uniformidade — os comprimentos das frases se agrupam em um intervalo similar, os parágrafos seguem um padrão reconhecível, e a cadência permanece consistente em todo o documento.

As plataformas de detecção convertem esses sinais em uma única pontuação de probabilidade: a probabilidade de que este documento foi gerado por IA em vez de escrito por um humano. Essa pontuação é o ponto de partida para o processo de revisão de IA de uma universidade — não a conclusão.

1. Pontuação de perplexidade: o quão previsível é cada escolha de palavra dado seu contexto — pontuações mais baixas sugerem autoria de IA
2. Pontuação de explosividade: quanto o comprimento e a estrutura da frase variam em todo o documento — pouca variação sugere IA
3. Pontuação de probabilidade combinada: estimativa geral da ferramenta, exibida como percentual no relatório do instrutor
4. Destaque no nível da frase: passagens específicas sinalizadas como mais semelhantes à IA no documento completo
5. Comparação entre ferramentas: muitas instituições executam duas ou mais ferramentas e comparam pontuações antes de agir

"A pontuação me diz quais parágrafos ler com mais cuidado. Não me diz se um aluno enganou. Esse julgamento requer um humano." — Instrutor de curso de escrita intensiva em uma universidade de médio porte, 2025

Como as plataformas de LMS sinalizam escrita assistida por IA?

Os sistemas de gerenciamento de aprendizado como Canvas, Blackboard e Moodle se tornaram uma segunda camada em como as universidades verificam IA, separadas das ferramentas de análise de texto. O LMS vê algo que a ferramenta de detecção não pode: o log de atividade por trás de um envio.

O Canvas, por exemplo, registra todas as interações que um aluno tem com uma página de atribuição — quando a abriu pela primeira vez, quanto tempo gasto nela, se o envio foi carregado como arquivo ou digitado diretamente no editor de texto da plataforma. Quando um aluno digita uma atribuição no editor integrado do Canvas, a plataforma registra um histórico de versão: como o rascunho evoluiu ao longo do tempo, em que ordem as passagens apareceram e se o texto foi inserido gradualmente em várias sessões ou apareceu como uma única colagem grande.

Um evento de colagem — um grande volume de texto aparecendo em segundos onde o histórico de versão não mostra nenhum rascunho anterior — é um dos sinais específicos que instrutores e equipes de TI procuram quando suspeitam de envolvimento de IA. Não constitui prova por si só, pois os alunos legitimamente colam texto de um processador de palavras o tempo todo. Mas combinado com uma pontuação alta de probabilidade de IA de uma ferramenta de detecção, torna-se evidência de apoio que uma revisão de integridade pode incluir em sua documentação.

O Blackboard tem capacidades de registro semelhantes através de sua integração SafeAssign e através de trilhas de auditoria em sua visualização de curso Ultra. Os plugins do Moodle desenvolvidos para integridade acadêmica — incluindo o plugin do Turnitin e integração do Copyleaks — adicionam dados de timestamp e metadados de envio ao log de atividade padrão. Algumas instituições foram ainda mais longe e configuraram seu LMS para registrar endereço IP, impressão digital do dispositivo e duração da sessão em cada envio de atribuição, pontos de dados que podem ser revisados posteriormente se um caso for para uma audiência formal.

1. Histórico de versão do Canvas: mostra se o texto foi digitado gradualmente ou colado em um único evento
2. Timestamps de abertura/fechamento de atribuição: o LMS registra quando o aluno acessou pela primeira vez a atribuição e quando enviou
3. Trilha de auditoria do editor de texto: eventos de colagem são registrados separadamente da entrada gradual do teclado
4. Metadados do SafeAssign (Blackboard): hora de envio, endereço IP e dados de origem do arquivo anexados a cada relatório
5. Plugin LMS do Turnitin: adiciona dados do indicador de escrita de IA ao lado do timestamp de envio e histórico de rascunho onde disponível

"O histórico de versão é geralmente mais útil do que a pontuação de detecção. Uma pontuação me diz probabilidade. O histórico de versão me diz se houve alguma escrita." — Instrutor responsável, grande universidade de pesquisa pública, 2025

Como as universidades verificam IA em atribuições de código?

As atribuições de código seguem um caminho de detecção diferente da prosa escrita, e as universidades desenvolveram ferramentas específicas para avaliá-las. A mais amplamente implantada é MOSS (Measure of Software Similarity), desenvolvida em Stanford, que compara envios de código em uma classe inteira para identificar similaridades estruturais que sugerem cópia ou geração compartilhada.

Para código gerado por IA especificamente, MOSS captura um de seus padrões mais claros: quando vários alunos solicitam independentemente um modelo de linguagem para a mesma atribuição, frequentemente recebem saída estruturalmente similar — mesmas convenções de nomenclatura de variáveis, mesma abordagem algorítmica, mesma redação de comentários — mesmo quando a sintaxe de superfície difere. Uma classe onde uma dúzia de alunos enviou soluções com estruturas de loop idênticas e padrões de comentários sinaliza imediatamente em um relatório MOSS, mesmo que nenhum dos dois arquivos seja cópias literais.

Além do MOSS, instrutores em programas de ciência da computação e engenharia cada vez mais emparelham revisão de código com acompanhamento oral. Um aluno que envia uma solução bem estruturada mas não consegue explicar uma estrutura de dados usada em seu próprio código, descrever a escolha do algoritmo ou caminhar pela lógica de uma função específica levanta uma preocupação que nenhuma ferramenta automatizada poderia surfar. A combinação de detecção de similaridade automatizada e verificação humana é como a maioria dos departamentos de CS aborda o código gerado por IA, porque o código gerado por IA é frequentemente estruturalmente correto e difícil de sinalizar apenas por detecção.

GitHub Classroom e plataformas semelhantes também fornecem aos instrutores um histórico de commits: como o código mudou ao longo do tempo, quais arquivos foram modificados em cada sessão e como o repositório evoluiu de um estado inicial para um envio final. Um repositório onde nenhum commit aparece até horas antes do prazo, seguido por uma solução completa e funcional aparecendo em um push, segue um padrão diferente de um projeto desenvolvido em várias sessões durante a janela de atribuição.

1. MOSS (Measure of Software Similarity): compara todos os envios da classe para encontrar correspondências de padrão estrutural e de nomenclatura
2. Histórico de commit do GitHub Classroom: mostra se o código foi desenvolvido iterativamente ou apareceu em um único push tardio
3. Acompanhamento oral: instrutores pedem aos alunos que expliquem escolhas algorítmicas, estruturas de dados e lógica de função específica
4. Análise de padrão de comentário: o código gerado por IA frequentemente tem redação de comentário consistente entre alunos que usaram o mesmo prompt
5. Comparação entre classes: alguns departamentos executam MOSS em vários semestres para capturar reutilização de soluções geradas por IA

Que evidência de processo de escrita as universidades procuram?

Para atribuições escritas, a evidência mais defensável em um caso de integridade acadêmica é a evidência do processo de escrita — documentação de como o trabalho se desenvolveu de uma ideia inicial para um envio final. As universidades desenvolveram vários mecanismos para capturar isso, e seu peso em uma revisão formal é frequentemente maior do que a própria pontuação de detecção de IA.

Os envios de rascunho são a forma mais direta de evidência de processo. Muitos instrutores agora exigem que os alunos enviem um primeiro rascunho através do LMS uma ou duas semanas antes do prazo final. O rascunho atende a vários propósitos: cria um ponto de verificação onde o instrutor pode ver o trabalho do aluno em um estado inicial, estabelece que o aluno estava engajado com a atribuição antes da janela de envio final, e fornece um ponto de comparação se o envio final parecer substancialmente diferente em estilo, estrutura e qualidade do que o rascunho mostrou.

As bibliografias anotadas enviadas junto com trabalhos de pesquisa servem uma função similar. Um aluno que realmente leu as fontes que está citando pode resumir o argumento de cada fonte em suas próprias palavras. Um aluno que reuniu citações de uma bibliografia gerada por IA nem sempre consegue fazer isso com precisão, porque a IA pode ter alucinado detalhes da fonte ou representado argumentos em um nível superficial que o aluno não verificou.

As amostras de escrita em sala de aula fornecem aos instrutores uma linha de base. Quando as respostas de exame em sala de aula de um aluno, postagens em fórum de discussão ou prompts curtos em sala de aula mostram uma voz de escrita consistente ao longo do semestre, um trabalho final que lê diferente — mais polido, mais formalmente estruturado, com vocabulário e sintaxe que o aluno não usou em outro lugar — cria uma discrepância que solicita revisão mais próxima. Essa comparação é uma das maneiras mais comuns que os instrutores identificam trabalho assistido por IA sem confiar em uma ferramenta de detecção.

Os relatórios de correspondência de texto do Turnitin contribuem para a evidência do processo de forma indireta. Se um trabalho mostra baixa similaridade de plágio mas alta probabilidade de IA, essa combinação é em si informativa: a escrita não foi copiada de uma fonte existente, mas suas propriedades estatísticas correspondem a texto gerado por IA. Este padrão ajuda a distinguir geração de IA do plágio de copiar-colar, uma distinção que importa para como um caso de integridade é classificado e qual política se aplica.

1. Envios de rascunho: pontos de verificação obrigatórios no meio da atribuição que estabelecem que o aluno estava desenvolvendo ideias antes do prazo final
2. Bibliografias anotadas: pedir aos alunos que resumam fontes em suas próprias palavras testa engajamento genuíno com o material
3. Amostras de linha de base em sala de aula: postagens de discussão, respostas curtas e exames estabelecem a voz de escrita natural do aluno
4. Comparação de consistência de voz: diferenças de estilo substanciais entre escrita em sala de aula e escrita para levar para casa acionam revisão mais próxima do instrutor
5. Similaridade do Turnitin mais pontuação de IA: baixa similaridade com alta probabilidade de IA distingue geração de IA do plágio convencional

"A comparação entre a escrita de um aluno em sala de aula e seu trabalho final é o sinal mais confiável que tenho. As pontuações de detecção importam menos do que o que já sei de sua voz." — Professor sênior de composição em inglês, 2025

Como funciona realmente uma revisão de integridade acadêmica?

Quando um instrutor identifica sinais suficientes para abrir uma revisão formal, o processo geralmente segue um procedimento institucional definido que é mais estruturado do que muitos alunos esperam. Compreendê-lo remove parte da incerteza em torno do que um envio sinalizado realmente desencadeia.

A maioria das instituições começa com um estágio de contato informal. O instrutor pede ao aluno para se encontrar e explicar seu processo de escrita, descrever como pesquisou e rascunhou a atribuição, ou produzir uma resposta escrita curta a um prompt relacionado em um ambiente monitorado. Este estágio não é punitivo — é informativo. O instrutor está tentando determinar se a preocupação tem uma explicação direta antes de escalar. Um aluno que consegue descrever seu processo em termos específicos, referenciar fontes particulares que usou e produzir escrita comparável em alguns minutos fornece evidência de que a sinalização de detecção foi um falso positivo.

Se o estágio informal não resolver a preocupação, o caso passa para um oficial de integridade acadêmica no nível do departamento ou uma placa de integridade centralizada, dependendo da instituição. Neste estágio, o instrutor submete evidência documentada: o relatório de detecção de IA, quaisquer logs do LMS que tenha coletado, a comparação entre trabalho em sala de aula e trabalho final, qualquer histórico de rascunho e o registro da reunião informal. O aluno recebe notificação escrita da acusação e tem o direito de responder por escrito e pessoalmente antes de qualquer conclusão ser feita.

Os painéis formais em universidades de pesquisa e faculdades de artes liberais geralmente incluem professores de fora do departamento relevante, um representante estudantil e um administrador. Eles revisam as evidências apresentadas por ambos os lados e aplicam um padrão de preponderância — se as evidências tornam mais provável do que não que desonestidade acadêmica ocorreu. Pontuações de detecção sozinhas, sem evidência de apoio, raramente satisfazem este padrão em instituições que elaboraram políticas específicas de integridade de IA. A maioria das políticas adotadas desde 2023 afirma explicitamente que uma pontuação de probabilidade de IA é evidência necessária mas não suficiente em um procedimento formal.

1. Contato informal: instrutor pede ao aluno que explique seu processo antes de registrar uma acusação formal
2. Amostra de escrita monitorada: aluno produz uma resposta escrita curta sobre o mesmo tópico para estabelecer capacidade atual
3. Pacote de documentação: instrutor compila relatório de detecção, logs do LMS, histórico de rascunho e comparação de voz para envio
4. Notificação formal: aluno recebe descrição escrita da acusação e da evidência sendo considerada
5. Audiência da placa de integridade: painel revisa evidências de ambos os lados e aplica padrão de preponderância de evidência
6. Conclusão e sanção: varia de advertência escrita a penalidade de nota a reprovação no curso dependendo da política institucional e histórico anterior

"Exigimos evidência corroboradora além de uma pontuação de detecção antes de um caso passar para uma audiência formal. Um número em um relatório é o início de uma investigação, não o fim de uma." — Oficial de integridade acadêmica em uma universidade de pesquisa pública, 2025

Por que escritores autênticos são sinalizados pelas verificações de IA das universidades?

Uma das coisas mais importantes a entender sobre como as universidades verificam IA é que a camada de detecção produz falsos positivos a uma taxa significativa. Estudos publicados encontraram taxas de falso positivo entre 4% e 17% dependendo do estilo de escrita, assunto e se o escritor é falante nativo de inglês. Isto não é uma nota de rodapé menor — significa que uma parcela estatisticamente significativa de alunos sinalizados por ferramentas de detecção de IA escreveram seu trabalho inteiramente por conta própria.

Os perfis de escrita mais propensos a gerar falsos positivos seguem um padrão consistente. Os escritores não-falantes nativos de inglês que compõem prosa acadêmica formalmente correta e gramaticalmente correta com um intervalo de vocabulário mais limitado produzem texto de baixa perplexidade pela mesma razão que a IA: as escolhas de palavras permanecem dentro do intervalo estatisticamente esperado. A ferramenta de detecção não consegue distinguir escrita ESL cuidadosa de saída de IA por meios estatísticos sozinha.

Trabado fortemente revisado é vulnerável por uma razão relacionada. Múltiplas rodadas de edição — por um tutor do centro de escrita, um colega ou o próprio aluno em muitos rascunhos — removem sistematicamente a irregularidade rítmica que os detectores usam como sinal humano. Cada frase se torna bem estruturada, cada parágrafo se torna logicamente completo, e a variação natural que caracteriza o pensamento de primeiro rascunho não editado desaparece. Um trabalho final polido pode marcar mais alto do que o rascunho bruto do qual foi revisado.

Escrita técnica e científica é a terceira categoria consistente de falso positivo. Convenções de escrita formais em química, física, engenharia e campos de ciências sociais quantitativas suprimem ativamente variação estilística. Construções de voz passiva, terminologia consistente, seções de métodos formulaicas — as mesmas propriedades que caracterizam o texto de IA também caracterizam a escrita bem executada do STEM. Os alunos nestes campos relatam pontuações altas de IA em relatórios de laboratório que são inteiramente seu próprio trabalho em taxas mais altas do que os alunos em disciplinas de humanidades.

Compreender isso é a razão prática pela qual executar uma auto-verificação antes do envio é útil para escritores autênticos, não apenas para alunos que usaram assistência de IA.

1. Escrita em inglês não-nativa: vocabulário formal dentro de um intervalo mais estreito produz texto de baixa perplexidade que detectores leem como semelhante à IA
2. Rascunhos fortemente editados: múltiplas rodadas de revisão removem irregularidade rítmica que detectores usam para identificar escrita humana
3. Escrita STEM e técnica: convenções formais em relatórios de laboratório e seções de métodos correspondem de perto aos padrões estatísticos de IA
4. Estrutura consistente de cinco parágrafos: formatos de ensaio muito estruturados ensinados no ensino médio produzem padrões previsíveis no nível do documento
5. Escrita concisa e precisa: alguns escritores qualificados que editam agressivamente para clareza coincidem inadvertidamente com padrões de compactação de IA

"Falantes não-nativos de inglês são sinalizados em taxas significativamente mais altas por todas as ferramentas de detecção principais. As ferramentas não são enviesadas por design — mas o mesmo sinal que identifica IA também identifica escrita formal sob restrições de vocabulário." — Pesquisador de PNL, estudo publicado 2024

NotGPT para revisão antes do envio

NotGPT é um aplicativo móvel de detecção de IA que fornece aos alunos acesso à mesma pontuação de probabilidade que suas universidades usam, antes do prazo de envio. Cole qualquer ensaio concluído, relatório de laboratório, trabalho de pesquisa ou postagem de discussão para receber uma pontuação de probabilidade de IA no nível da frase com passagens destacadas mostrando exatamente quais partes do texto estão impulsionando o resultado geral.

Para escritores autênticos cuja obra consistentemente marca mais alto do que o esperado — uma situação comum para escritores ESL, alunos de STEM e alunos que revisam extensivamente — o recurso Humanize do NotGPT reescreve seções sinalizadas em três níveis de intensidade: Light para pequenos ajustes de ritmo, Medium para reestruturação de frase mais ampla e Strong para reescrita mais profunda. O propósito é restaurar variação natural que a edição ou registro formal pode ter suavizado em trabalho genuinamente escrito por humano.

Compreender como as universidades verificam IA em todo o fluxo de trabalho — não apenas qual ferramenta marca o texto, mas como logs de LMS, histórico de rascunho, repositórios de código e verificação pessoal interagem — fornece aos alunos uma imagem mais completa do ambiente acadêmico em que estão trabalhando. Uma auto-verificação antes do envio é a maneira mais direta de evitar que uma sinalização estatística se torne uma complicação desnecessária.