Por que os detectores de IA são tendenciosos contra escritores de inglês não nativos

Detectores de IA tendenciosos contra falantes não nativos não é uma reclamação subjetiva. Um estudo de Stanford de 2023, revisado por pares, mediu isso diretamente. Os pesquisadores testaram sete detectores de GPT amplamente usados contra 91 redações reais do TOEFL escritas por falantes não nativos de inglês e 88 redações escritas por alunos americanos da oitava série, depois compararam como cada grupo foi pontuado.

Os detectores leram as redações da oitava série corretamente quase sempre. Nas redações do TOEFL, escritas por adultos que já haviam passado em um exame de proficiência em inglês de nível de pós-graduação, as mesmas sete ferramentas apresentaram uma taxa média de falso positivo de 61.22 percent. Oitenta e nove das noventa e uma redações, quase 98 percent, foram sinalizadas como geradas por IA por pelo menos uma das sete ferramentas.

A visão geral de TextPulse da evidência mais ampla sobre a precisão dos detectores de IA cobre essa constatação principal e os processos judiciais aos quais ela passou a alimentar. O que é omitido em quase todos os lugares em que o estudo é citado é o mecanismo: por que a prosa de um falante de inglês de nível de pós-graduação é lida, antes de tudo, como se fosse produzida por máquina, e o que muda quando ela deixa de ser lida dessa forma.

Detectores de IA tendenciosos contra falantes não nativos: o mecanismo

Um detector nunca lê para extrair significado. Ele lê para avaliar quão previsível é cada palavra, dadas as palavras que vieram antes, e atribui uma pontuação baixa a uma passagem quando o modelo poderia ter adivinhado a maior parte dela com antecedência. Diversidade lexical, isto é, quão amplo é o vocabulário de que um autor se vale em vez de repetir um conjunto menor de palavras seguras, e previsibilidade sintática, isto é, quão de perto a estrutura da frase segue o padrão mais comum da língua em vez de variá-lo, são duas propriedades da produção linguística que reduzem essa pontuação.

A distinção importa porque as duas aparecem de modo diferente na página. A diversidade lexical diz respeito às próprias palavras: um autor que recorre a "obtain", "acquire" e "secure" em três frases diferentes parece mais variado do que aquele que escreve "get" três vezes, mesmo quando as frases são, de outro modo, idênticas. A previsibilidade sintática diz respeito à estrutura: sujeito, verbo, objeto, repetidos continuamente, em vez de uma frase que começa com uma oração subordinada ou termina com uma palavra inesperada. Um autor de segunda língua, trabalhando sob condições de prova, tem todos os motivos para adotar a versão mais segura de ambas.

A escrita em segunda língua mostra de forma consistente menos de ambas, e não como uma deficiência. Um autor que opera em uma língua adicional se apoia no vocabulário e nos padrões de frase mais prováveis de estarem corretos, porque errar custa mais quando a língua ainda não é totalmente automática. O artigo de Stanford que documentou o viés do detector cita um conjunto de pesquisas em linguística aplicada exatamente sobre esse padrão, estabelecido muito antes de existirem detectores de IA: menor riqueza lexical, menor diversidade lexical e estrutura frasal mais simples são características documentadas e mensuráveis da escrita em segunda língua, e não um sinal de qualquer outra coisa.

Essa lacuna entre a escrita nativa e a não nativa aparece como uma diferença de perplexity, a mesma medida que um detector usa para decidir se uma passagem foi gerada por máquina. Menor perplexity é lida como mais semelhante à de máquina, independentemente de quem a produziu, e a escrita não nativa fica mais baixa nessa escala por razões que nada têm a ver com um chatbot. Se essa lacuna é realmente o que impulsiona os detectores, e não uma coincidência, é uma questão testável. A equipe de Stanford a testou diretamente.

O que aconteceu quando os mesmos ensaios foram reescritos com vocabulário mais rico

Os pesquisadores pegaram os mesmos 91 ensaios do TOEFL que haviam disparado uma taxa média de falso positivo de 61.22 percent e pediram ao ChatGPT que os revisasse usando uma única instrução: "Enhance the word choices to sound more like that of a native speaker." Nada sobre o conteúdo, o argumento ou a gramática foi orientado a mudar. Depois dessa única edição, a taxa média de falso positivo entre os mesmos sete detectores caiu para 11.77 percent, uma redução de quase cinquenta pontos percentuais, e o número de ensaios que todos os detectores sinalizaram unanimemente caiu de dezoito para um.

Em seguida, os pesquisadores inverteram o experimento. Eles pegaram os 88 ensaios de oitava série de falantes nativos, que os detectores originalmente haviam classificado corretamente quase sempre, e pediram ao ChatGPT que simplificasse suas escolhas de palavras como se tivessem sido escritos por um falante não nativo. A taxa média de falso positivo nesses mesmos ensaios escritos por nativos saltou de 5.19 percent para 56.65 percent. Os ensaios não mudaram de autoria. Apenas o vocabulário mudou, e os detectores seguiram o vocabulário.

Perplexity se moveu em sincronia com a taxa de classificação incorreta nas duas direções: ela aumentou acentuadamente quando os ensaios do TOEFL foram enriquecidos e caiu acentuadamente quando os ensaios de oitava série foram simplificados. Os autores tiram uma conclusão direta disso: aquilo a que os detectores realmente respondiam nunca foi a autoria. Foi a escolha lexical, uma propriedade que o vocabulário de qualquer escritor pode carregar, independentemente de onde ele aprendeu inglês.

Quão consistente é o viés entre diferentes detectores

Os sete detectores concordaram em pouca coisa, exceto na direção em que o erro ocorria. Todos eles sinalizaram ensaios do TOEFL com muito mais frequência do que ensaios de oitava série, mas em margens muito diferentes.

Detector	Taxa de falso positivo, redações do TOEFL	Taxa de falso positivo, redações nativas
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

Esses são dados de 2023, medidos em ferramentas tal como existiam então. Várias delas mudaram completamente desde então: a OpenAI descontinuou seu próprio detector em julho de 2023, quatro meses após este teste, depois de constatar que ele identificava corretamente apenas 26 por cento do texto realmente escrito por IA, ao mesmo tempo em que ainda rotulava incorretamente 9 por cento da escrita humana. O que não mudou é a direção da diferença. Um benchmark de viés mais amplo, construído especificamente para testar detectores em categorias demográficas e linguísticas, publicado em dezembro de 2025 e aplicado a quatro ferramentas open-source mais recentes, ainda relatou recall consistentemente menor para grupos de escritores sub-representados.

Esse viés ainda aparece em detectores mais recentes?

O estudo de Stanford agora tem várias gerações de IA, e os próprios autores apontaram a limitação: uma pequena amostra-piloto, e detectores construídos em sua maioria sobre GPT-2, um modelo muito menor e mais antigo do que aquele que sustenta a detecção hoje. Isso levanta uma pergunta legítima. Uma tecnologia melhor fechou a diferença?

O teste dedicado mais recente diz que ainda não. Em um estudo de fevereiro de 2026 da Sultan Qaboos University, pesquisadores testaram dois detectores comerciais atuais, Turnitin e Originality, contra 192 textos que misturavam redação autêntica de estudantes de EFL anterior ao ChatGPT, redação humana profissional, texto gerado por IA e texto híbrido humano-IA. Os resultados mostraram precisão geral de 69 percent e 61 percent para as duas ferramentas, com a precisão na categoria híbrida, o tipo de escrita que uma revisão de edição realmente produz, caindo para perto de zero. O mesmo estudo também revelou um segundo viés atuando ao lado do viés linguístico: a precisão na escrita científica foi de 28 to 38 pontos percentuais menor do que na escrita em humanidades.

Nenhum dos achados diz respeito a um único produto defeituoso. Duas arquiteturas diferentes de detectores, testadas com três anos de intervalo em corpora diferentes por equipes de pesquisa diferentes, continuam chegando ao mesmo resultado: a escrita moldada por convenção de gênero ou por uma segunda língua fica mais próxima do que essas ferramentas chamam de texto produzido por máquina do que a escrita que não é assim. As ferramentas gratuitas da TextPulse permitem que um escritor verifique esse mesmo perfil estatístico antes que qualquer parte dele chegue ao detector de uma instituição.

Evidência Independente de que a Lacuna é Real, Não um Artefato de Teste

O primeiro problema com os resultados do TOEFL é que se poderia argumentar que eles se aplicam apenas a um pequeno estudo-piloto de 2023. Isso foi respondido pela mesma equipe de pesquisa em outro estudo que usa dados que não têm relação alguma com detectores. Eles examinaram 1,574 artigos aceitos para a ICLR 2023, uma grande conferência de aprendizado de máquina, restringindo a amostra a resumos submetidos e avaliados antes de ChatGPT existir.

Autores baseados em países onde o inglês não é a língua principal escreveram resumos com perplexidade significativamente menor do que autores baseados em países de língua inglesa nativa, e a diferença permaneceu mesmo após controlar o grau de avaliação de cada artigo pelos revisores. Esta amostra não poderia ter sido moldada por alguém tentando soar mais ou menos como um chatbot. ChatGPT estava a três meses do lançamento quando a janela de submissão se encerrou. A diferença de perplexidade entre a escrita acadêmica de falantes nativos e não nativos não é algo que os detectores inventaram. É algo que eles herdaram.

Uma análise estatística de 2026 sobre a detecção de IA como um problema de teste oferece uma versão formal da mesma conclusão. Sempre que um grupo de escritores produz linguagem que se sobrepõe, em termos agregados, à saída típica de IA, qualquer detector com poder real para identificar texto escrito por IA precisa apresentar uma taxa mais alta de falsos positivos para esse grupo especificamente, uma propriedade matemática de testar uma população diversa, e não um defeito em uma ferramenta isolada. Escritores de inglês não nativos são o caso documentado mais claro exatamente dessa sobreposição.

O que isso significa para escritores em uma segunda língua

Nada disso é um argumento para escrever menos como você mesmo. É um motivo para saber o que está sendo realmente medido antes que uma pontuação apareça. Um detector que lê sua prosa como previsível está captando uma propriedade estatística real da escrita em segunda língua, não evidência de que você usou uma ferramenta que não usou.

Os pesquisadores de Stanford que conduziram o estudo original observam uma implicação desconfortável de sua própria descoberta: o mesmo ajuste de vocabulário que reduz o risco de falso positivo também é o tipo de revisão que um escritor poderia querer por razões inteiramente अलगadas, formulação mais clara, uma palavra mais precisa, independentemente de qualquer detector. A página da TextPulse para escritores acadêmicos de ESL cobre como esse tipo de revisão se parece em frases reais, separadamente de qualquer coisa relacionada a uma pontuação de detecção.

Detectores mais recentes estão começando a levar esse padrão em conta explicitamente. Pangram, um dos entrantes comerciais mais recentes, afirma em sua própria documentação técnica que seu classificador não é tendencioso contra escritores de inglês não nativos, embora essa alegação venha do fornecedor e não de testes independentes. Um verificador de perplexidade gratuito mostra a mesma medida subjacente que qualquer uma dessas ferramentas calcula a partir de um trecho de escrita, sem enviar o rascunho para lugar nenhum antes disso.

Dois companheiros práticos ficam no mesmo agrupamento: quando usar a, an e the, que é a fonte mais comum desse padrão, e como soar natural na escrita acadêmica em inglês de modo mais geral.

A pesquisa continua se acumulando na mesma direção dois anos depois, em diferentes equipes, diferentes detectores e diferentes desenhos de teste. O que não acompanhou esse ritmo é uma resposta institucional amplamente adotada: auditar um detector em relação a uma gama de escritores antes de confiar nele com qualquer um deles, em vez de depois que um estudante específico já tenha sido acusado. Até que isso se torne rotina, o ônus de provar que um falso positivo está errado recai exatamente sobre os escritores que esta pesquisa diz serem os mais propensos a receber um.