Turnitin detecta QuillBot? Por que parafraseadores falham contra a IA

Muitas vezes, sim. Quando o texto começou como resultado de IA, o Turnitin agora mostra a paráfrase do tipo QuillBot numa categoria própria, como descrito abaixo. As ferramentas de paráfrase em geral falham contra a detecção de IA por um motivo simples: elas mudam palavras, enquanto os detectores reagem a padrões que ficam acima do nível da palavra. Uma ferramenta de troca de sinônimos pode substituir "significant" por "notable" em todas as frases e deixar o tamanho das frases, a ordem das orações, o ritmo e a previsibilidade geral quase intactos. Quando ela muda o bastante para mexer numa pontuação, muitas vezes estraga o sentido ou a terminologia no caminho.

Os fornecedores de detectores também reagiram diretamente. A documentação do Turnitin hoje descreve uma categoria separada para textos que provavelmente foram gerados por IA e depois modificados por uma ferramenta de paráfrase com IA ou um "spinner" de palavras, citando o QuillBot como exemplo (guias do Turnitin). Este post explica a que os detectores realmente reagem, por que os spinners têm dificuldade e no que a revisão seletiva, que preserva o sentido, é diferente.

A que um detector realmente reage

Os detectores não guardam uma lista de "palavras de IA". Eles medem o quanto o texto é previsível para um modelo de linguagem, o quanto essa previsibilidade se distribui de forma uniforme entre as frases e, nos classificadores treinados, muitas regularidades mais sutis aprendidas com exemplos. Explicamos os métodos em como funcionam os detectores de IA, mas aqui três sinais importam mais.

• Previsibilidade. Cada token seguinte parece o que um modelo teria escolhido? Trocar um adjetivo por um quase sinônimo costuma manter o token mais ou menos tão provável quanto antes.
• Estrutura. Frase-tópico, oração de apoio, resumo do tipo "This suggests that". Parágrafos de modelo pronto mantêm o esqueleto depois de edições no nível da palavra.
• Ritmo. Tamanhos de frase e padrões de oração que ficam uniformes ao longo de um parágrafo. Um spinner raramente divide ou junta frases.

Ou seja, um spinner trabalha na camada a que os detectores dão menos peso e deixa intactas as camadas a que dão mais.

Por que trocar sinônimos sai pela culatra

Os spinners clássicos escolhem substitutos num dicionário de sinônimos ou num modelo pequeno, com pouca noção de contexto. No texto acadêmico, isso cria dois problemas de uma vez.

Primeiro, pode aumentar a suspeita em vez de diminuí-la. Escolhas de palavras estranhas numa frase que, de resto, segue um modelo pronto são, elas mesmas, um padrão, e classificadores treinados podem aprendê-lo. É assim que uma ferramenta como o Turnitin consegue informar uma categoria de texto parafraseado.

Segundo, quebra a terminologia. As áreas de pesquisa dependem de termos fixos: "confidence interval", "random forest", "informed consent", "grounded theory". Um dicionário de sinônimos não sabe que eles são fixos. Cabanac, Labbé e Magazinov documentaram esse estrago em artigos publicados e o chamaram de "tortured phrases" (frases torturadas), dando como exemplo "counterfeit consciousness" no lugar de "artificial intelligence" (Cabanac et al., 2021). Eles encontraram essas frases concentradas nos resumos de uma revista estabelecida, o que mostra o quanto essas substituições ficam visíveis para um leitor especialista.

Antes

We fitted a random forest model and report the mean absolute error on the held-out test set.

Depois

We fitted a haphazard woodland model and report the average total blunder on the kept-back test set.

A estrutura da frase é idêntica. O ritmo é idêntico. Só os termos mudaram, e todas as mudanças estão erradas. Um parecerista pararia de ler aqui.

Quando uma paráfrase mais pesada mexe nas pontuações

Existem parafraseadores mais fortes, e a pesquisa mostra que eles podem baixar bastante as taxas de detecção. Krishna e colegas treinaram o DIPPER, um parafraseador capaz de reordenar o conteúdo e variar a redação com intensidade controlável. Parafrasear com ele derrubou a taxa de detecção do DetectGPT de 70,3% para 4,6% com 1% de falsos positivos, e também prejudicou detectores baseados em marca d'água e detectores comerciais (Krishna et al., NeurIPS 2023). Sadasivan et al. foram além com a paráfrase recursiva, aplicando um parafraseador várias vezes seguidas (Sadasivan et al., TMLR).

• Texto original do modelo70,3%
• Depois da paráfrase com DIPPER4,6%

Fonte: Krishna et al., "Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense", NeurIPS 2023

Dois detalhes dessa literatura importam para quem escreve textos acadêmicos. Os parafraseadores que funcionaram mudaram a estrutura e a ordem, e não só o vocabulário, o que confirma o ponto acima. E eram modelos de pesquisa avaliados em textos gerais, em que a paráfrase só precisava ficar próxima no sentido. Um artigo científico tem restrições mais rígidas: uma ressalva, uma unidade ou uma citação que se desloca uma oração pode mudar o que o artigo afirma. Os detectores também se adaptam. Krishna et al. propuseram uma defesa baseada em recuperação no mesmo artigo, e o benchmark RAID mostra resultados de detecção oscilando muito entre ataques e configurações (Dugan et al., ACL 2024). Veja nossa explicação sobre o artigo do DIPPER para saber mais.

O Turnitin detecta a paráfrase do QuillBot?

Para texto gerado por IA, o Turnitin diz que sim. O seu guia do AI Writing Report descreve um destaque separado para texto que provavelmente foi gerado por IA e depois modificado por um parafraseador de IA ou word spinner, citando o QuillBot como exemplo. Desde agosto de 2025, o Turnitin também procura texto passado por ferramentas bypasser de IA. As duas verificações valem só para trabalhos em inglês.

Nem sempre foi assim. No teste de 2023 de Weber-Wulff e colegas, o texto do ChatGPT passado uma vez pelo QuillBot com as configurações padrão foi classificado corretamente só 26% das vezes, em média, nas 14 ferramentas, entre elas o Turnitin. A categoria de paráfrase do Turnitin veio depois, numa atualização de julho de 2024.

Vale conhecer dois limites:

• O Turnitin descreve essa categoria para texto que primeiro foi gerado por IA. Ele não publica números para escrita humana passada por um parafraseador.
• Um destaque é uma previsão. O Turnitin diz que a sua pontuação de IA não deve ser a única base para uma ação contra um aluno.

Os humanizadores levantam a mesma pergunta de outra forma; veja o Turnitin detecta texto humanizado?

O custo real: o sentido que se desvia

A paráfrase do documento inteiro trata cada frase como alvo. Isso inclui frases que você mesmo escreveu, frases que nenhum detector sinalizou e frases com afirmações exatas. Quanto mais texto uma ferramenta reescreve, mais chances ela tem de:

• transformar "may be associated with" em "causes" (a ressalva se perde),
• afastar uma citação da afirmação que ela sustenta,
• arredondar 0,047 para "cerca de 0,05" ou eliminar uma unidade,
• trocar um termo definido por uma palavra cotidiana mais vaga.

Cada um desses erros passa fácil numa leitura rápida e custa caro na revisão por pares. Weber-Wulff e colegas, ao testar 14 ferramentas de detecção, constataram que a ofuscação de conteúdo, incluindo edições manuais e paráfrase automática, piorou muito o desempenho das ferramentas (Weber-Wulff et al., 2023). Esse resultado é muitas vezes citado como motivo para parafrasear. Leia ao contrário: se a detecção é tão instável, a única coisa que você controla com certeza é se o seu artigo continua dizendo o que você quis dizer. Tratamos do lado da revisão em como preservar o sentido e as citações ao humanizar.

O que a reescrita seletiva, que preserva o sentido, faz de diferente

Uma abordagem melhor parte da visão que o detector tem do rascunho, e não do texto inteiro. Em vez de reescrever tudo, ela pergunta quais frases realmente soam como máquina e trabalha só nelas.

1. AnalisarPontuar cada frase e encontrar as que os detectores sinalizam.
2. TravarMarcar números, unidades, citações, ressalvas e termos da área como fixos.
3. Reescrever só as frases sinalizadasMudar estrutura e ritmo onde for preciso, mantendo a afirmação e a sua força.
4. Verificar de novoPontuar a nova versão com a mesma medida usada no original.
5. Revisão do autorLer cada mudança ao lado do original antes de aceitá-la.

Isso difere de um spinner em três pontos. Edita as camadas a que os detectores reagem (estrutura e ritmo), e não só o vocabulário. Deixa intactas as frases lidas como humanas, o que mantém a sua voz e limita a área em que erros podem entrar. E mede antes e depois, para que você veja se a mudança ajudou em vez de adivinhar.

Continua sendo revisão, não mágica. Algumas frases vão precisar de uma segunda passada, e o autor continua responsável por cada palavra. Se o seu curso ou revista tem regras sobre apoio de IA, siga-as; nosso guia com perguntas a fazer antes de usar IA num trabalho é um bom ponto de partida, e humanizador de IA vs parafraseador vs corretor gramatical compara os tipos de ferramenta lado a lado.

Como a Academic Humanizer aborda isso

A Academic Humanizer segue o modelo seletivo. O Humanizer analisa o rascunho em busca das frases que os detectores de IA sinalizam, reescreve só essas e devolve todas as outras exatamente como você escreveu, mantendo no lugar o argumento, os números, as citações e a terminologia da área. Se nada for sinalizado, o resultado é igual ao texto enviado e nenhum crédito é cobrado. O AI Detection Report mostra cada frase sinalizada junto com a sua reescrita e compara as duas versões pela parcela de frases lidas como humanas, com verificação em detectores como Turnitin, GPTZero, Copyleaks e Originality.ai. A leitura e a aprovação do texto final continuam sendo suas.