Citações alucinadas: audite seu artigo antes da submissão

Em junho de 2023, um juiz federal em Nova York sancionou dois advogados por protocolarem uma petição construída com base em pelo menos seis casos judiciais que não existiam. Steven Schwartz havia pedido ao ChatGPT precedentes de apoio, recebeu nomes de casos e trechos de fundamentação que pareciam plausíveis, e protocolou a petição sem abrir um único caso por conta própria. O juiz P. Kevin Castel aplicou uma multa de cinco mil dólares e ordenou o envio de uma carta a cada juiz real cujo nome havia sido atribuído a uma opinião fabricada.

Uma lista de referências pode acabar no mesmo lugar. A correção é uma auditoria de citações alucinadas executada na sua própria lista de referências antes que um editor, um supervisor ou um revisor a execute por você. Isso não é apenas um problema causado pela redação com um chatbot. Uma citação lembrada que nunca chegou a existir, o título de um coautor copiado com um pequeno erro, ou um preprint que mudou sua citação final após a aceitação podem todos deixar o mesmo tipo de lacuna em uma lista de referências que uma fabricada deixa. A auditoria abaixo detecta todos eles, independentemente de como qualquer entrada individual chegou ali.

Quão Comum é, de Fato, uma Citação Alucinada?

A faixa depende fortemente de qual modelo produziu o rascunho. Walters e Wilder, publicando em Scientific Reports em 2023, testaram listas de referências geradas por GPT-3.5 e GPT-4 contra solicitações reais de redação acadêmica: 636 citações extraídas de 84 listas de referências geradas por IA, 42 para cada modelo. Cinquenta e cinco por cento das citações do GPT-3.5 eram inteiramente fabricadas, contra 18 por cento no GPT-4. Até mesmo as reais não eram necessariamente limpas: 43 por cento das citações genuínas do GPT-3.5 e 24 por cento das do GPT-4 ainda continham algum erro substantivo em algum ponto do autor, título, ano ou veículo de publicação.

A pesquisa jurídica sobre citações geradas por IA mostra uma taxa de falha ainda maior, mas esse trabalho mede uma falha diferente, decisões de casos alucinadas, e não referências bibliográficas fabricadas, de modo que esse número não deve ser importado para um contexto acadêmico. O que ambos os campos compartilham é a causa subjacente: um modelo que produz uma citação com aparência plausível está otimizando para o que uma citação normalmente parece, e não para saber se ela realmente existe. O próprio texto do TextPulse sobre se ChatGPT inventa referências examina especificamente esse chatbot, esta auditoria funciona independentemente de qual ferramenta, ou da memória de qual coautor, produziu a entrada à sua frente.

O que as auditorias em escala da literatura de 2026 encontraram

Essas taxas no nível do modelo descrevem o que sai de um chatbot. Uma questão अलग, e a que importa para qualquer pessoa que submeta a um periódico, é com que frequência uma referência fabricada sobrevive a todas as verificações entre um rascunho e um artigo publicado. Duas auditorias divulgadas com um dia de diferença em maio de 2026 responderam a isso na escala da literatura, e a პასუხ é que a falha já não é rara.

Uma auditoria publicada em The Lancet examinou referências em cerca de 2,5 milhões de artigos biomédicos no PubMed Central Open Access, cobrindo janeiro de 2023 a fevereiro de 2026. Vários milhares de referências apontavam para trabalhos que não existem, distribuídas em mais de 2.800 artigos publicados. A tendência importa mais do que o total.

Período	Artigos com pelo menos uma referência fabricada	Por 10.000 artigos
2023	1 em 2,828	3.5
2025	1 em 458	21.8
2026, primeiras sete semanas	1 em 277	36.1

Isso representa aproximadamente um aumento de dez vezes ao longo de três anos, e o dado de 2026 é extraído de sete semanas, e não de um ano completo, de modo que se trata de uma leitura inicial, e não de uma taxa anual consolidada. O que isso estabelece é que referências fabricadas estão chegando à impressão em veículos revisados por pares, tendo passado por autores, coautores, editores e revisores no caminho.

O estudo complementar, Zhao e colegas sobre citações inexistentes, ampliou a análise para 111 milhões de referências em arXiv, bioRxiv, SSRN e PubMed Central e estabeleceu um piso conservador de 146,932 citações alucinadas apenas em 2025. Sua constatação mais útil diz respeito à distribuição, e não ao volume: referências fabricadas se concentram em áreas com rápida adoção de IA, e entre equipes pequenas e de autores em início de carreira. Se você é um autor solo ou um grupo pequeno sem um escritório de pesquisa verificando sua bibliografia, você está no grupo em que isso dá errado com mais frequência, o que é um argumento para fazer a auditoria você mesmo, em vez de presumir que alguém na etapa seguinte fará isso.

Quais Modelos Fabricam Mais, e O Que Realmente Reduz Isso

A resposta honesta é que não existe um benchmark público rigoroso que classifique os principais modelos de hoje entre si especificamente quanto à fabricação de citações. Circulam pequenas comparações informais, em geral algumas dezenas de referências testadas manualmente em dois ou três chatbots, e as amostras são pequenas demais para sustentar uma classificação entre eles. Tratar uma dessas comparações como uma tabela de classificação é a forma de fazer entrar em um artigo uma afirmação confiante e incorreta.

O que se sustenta é a comparação geracional nos dados de Walters e Wilder acima, em que o modelo mais novo fabricou aproximadamente um terço da frequência do mais antigo.

Modelo testado	Citações totalmente fabricadas	Citações genuínas ainda com um erro substantivo
GPT-3.5	55%	43%
GPT-4	18%	24%

Três padrões se repetem na literatura e valem mais do que qualquer classificação isolada. Modelos maiores fabricam menos do que modelos menores. Modelos que realmente conseguem buscar e recuperar fontes fabricam substancialmente menos do que modelos que respondem apenas a partir de seus parâmetros, o que é o maior efeito único que alguém já mediu. E fontes obscuras são muito mais arriscadas do que fontes conhecidas, porque um artigo muito citado aparece nos dados de treinamento com frequência suficiente para ser reproduzido corretamente, enquanto um de nicho tem mais probabilidade de ser reconstruído a partir de fragmentos.

A leitura prática é que nenhum modelo é seguro o bastante para dispensar a verificação, e as entradas com maior probabilidade de estar erradas são exatamente aquelas que você tem menos capacidade de verificar de memória, a citação especializada, o artigo de conferência obscuro, a fonte que você adicionou por último.

O que uma verificação automatizada detecta, e onde ela para

Executar a lista em um verificador primeiro é mais rápido do que resolver quarenta DOIs manualmente, e o verificador gratuito de citações por IA deste site faz exatamente isso com Crossref, OpenAlex e Semantic Scholar. Vale a pena saber o que essa classe de ferramenta faz mal antes de confiar em uma.

Uma avaliação de 2026 de cinco detectores de citações alucinadas, Badalova and Mayr, constatou que eles fornecem alertas iniciais úteis, mas permanecem limitados por quatro fatores: extração limpa das referências de um documento, metadados incompletos na própria entrada, cobertura irregular das bases de dados e registros que discordam entre si. Apenas o primeiro desses fatores desaparece quando você cola uma lista em vez de enviar um PDF.

A consequência para sua própria auditoria é uma regra de interpretação. Um verificador é mais forte na detecção do que mais importa, um DOI que resolve para um artigo diferente daquele que a entrada afirma, o que é quase conclusivo. Ele é mais fraco em livros, capítulos, teses, anais, trabalhos muito recentes e veículos não ingleses, todos os quais são pouco indexados em toda parte e rotineiramente retornam como não encontrados, embora sejam perfeitamente autênticos. Não encontrado é um convite para verificar manualmente, nunca um veredito. As etapas manuais abaixo são o que você aplica a tudo o que a passagem automatizada não conseguiu resolver.

Resolva Cada DOI Antes de Enviar

Um DOI, um Digital Object Identifier, deve resolver para exatamente um registro por meio do resolvedor doi.org. Adicione o DOI da sua lista de referências ao resolvedor e um DOI funcional leva à página do editor desse artigo exato. Um DOI que resolve para um artigo não relacionado, para um periódico totalmente diferente, ou para nada, é uma das verificações de alucinação mais rápidas disponíveis, porque um modelo que inventa uma citação geralmente inventa uma sequência de DOI com aparência plausível para acompanhá-la, em vez de reutilizar uma real.

Um DOI que resolve corretamente não é prova automática de que a citação é genuína. Algumas referências fabricadas tomam emprestado o DOI real de um artigo não relacionado, que resolve sem erro e aponta para um artigo real que não tem relação alguma com a दावा que ele supostamente sustenta. Leia a página para a qual o DOI leva, não apenas o fato de que ela carregou.

Compare Cada Título com um Banco de Dados Real

Pesquise o título exato, entre aspas, em um banco de dados que cubra sua área, não na web aberta. Use algo como Crossref, PubMed para trabalhos biomédicos, ou o índice próprio da sua disciplina. Se você estiver usando o Crossref, pode usar a busca gratuita de convidado para localizar uma referência pelo título e pelo primeiro autor, ou pelo autor e número da página se não tiver certeza sobre o título. Isso retornará o DOI e os metadados completos de tudo o que eles tiverem registrado. Se não houver correspondência, ou se o que aparecer for um artigo real com um conjunto de autores totalmente diferente, você pode estar vendo o segundo tipo de alucinação, um DOI quebrado.

Uma busca por título detecta uma falha específica que uma verificação de DOI não detecta, uma citação com um DOI real e funcional anexado ao título errado, porque o número e o texto foram montados separadamente e nunca foram de fato verificados entre si. Se o título no banco de dados não corresponder de perto ao título da sua lista de referências, trate isso como uma fabricação até que você consiga explicar a discrepância, e não como um erro de digitação a ser corrigido discretamente.

Verifique Cruzadamente a Lista de Autores e o Ano de Publicação

Uma citação alucinada muitas vezes acerta o autor e erra o artigo, porque um nome real e proeminente na área é exatamente o que um modelo que busca uma citação plausível produzirá. Pesquise a lista de publicações do próprio autor, no banco de dados que você já tem aberto, pelo ano que sua lista de referências afirma. Se esse autor publicou três artigos naquele ano e nenhum deles corresponder ao seu título, a citação é muito provavelmente inventada, construída a partir de um nome real e de um ano real que nunca chegaram a ocorrer juntos.

O padrão inverso também aparece: um artigo real, com título correto, associado ao ano errado, geralmente o ano de um preprint em vez do ano da publicação final, ou uma versão de conferência citada com o ano posterior de publicação do periódico. Nenhum dos dois é fabricação no sentido estrito da auditoria, mas ambos levam um leitor a um gerenciador de referências ou a um coautor que então não consegue encontrar o que você citou, o bastante próximo do mesmo problema para ser corrigido na mesma passagem.

Identifique um Nome de Periódico Plausível, mas Inventado

Um nome de periódico inventado é construído para soar exatamente como um real: uma área plausível, um adjetivo plausível, um nome suficientemente próximo de um periódico de fato para que ninguém pare para verificar. "The Journal of Applied Cognitive Studies" é inventado; "The Journal of Applied Psychology" e "Journal of Cognitive Science" existem, e um nome que junta partes dos dois soa familiar exatamente por esse motivo.

Pesquise o nome do periódico isoladamente, entre aspas, e procure a própria página do periódico do editor e um ISSN atual, não apenas um resultado em algum outro site citando a mesma referência. Um periódico real tem uma página inicial que lista um editor, um volume e número atuais, e um ISSN legítimo registrado para ele. Um nome sem página do editor, sem ISSN e sem qualquer outro artigo citando trabalhos dele é o sinal mais claro em toda a auditoria de que a referência não existe.

Transforme Sua Auditoria de Citação Alucinada em uma Lista de Verificação Repetível

Execute estas verificações em ordem, em cada referência, antes de a lista ser considerada final. A ordem importa menos do que cobrir as quatro, uma citação pode passar em uma verificação e ainda falhar em outra.

Verificação	O que ela detecta
Resolução de DOI	Um DOI que não leva a lugar nenhum, ou a um artigo não relacionado
Correspondência entre título e base de dados	Um DOI real associado ao título errado, ou um título que não retorna resultado algum
Conferência cruzada autor mais ano	O nome de um autor real associado a um artigo que ele não escreveu naquele ano
Verificação do nome do periódico	Um periódico com nome plausível, mas sem ISSN, sem página do editor e sem existência real

O verificador de citações por IA da TextPulse executa automaticamente uma versão dessa verificação em uma lista completa de referências, mais rápido do que fazer manualmente cada uma das quatro verificações em uma bibliografia longa, embora ainda valha a pena ler por conta própria o que ele sinaliza, em vez de aceitar ou rejeitar um sinalamento com base na confiança. Para a etapa do DOI especificamente, uma consulta de DOI para citação dedicada economiza a ida ao resolvedor para cada entrada, uma de cada vez.

Uma bibliografia limpa é uma entre várias verificações antes de um manuscrito ser enviado. Reduzir uma pontuação de IA para submissão a periódico é tratado separadamente, e o mesmo vale para a carta de resposta aos revisores que a segue.

Nada disso substitui ler seu próprio artigo mais uma vez antes de submetê-lo. Se uma seção ainda soa genérica depois que os fatos estão corretos, um humanizador de IA pode suavizar a prosa sem tocar em uma única citação; o guia da TextPulse para humanizar texto de IA na escrita acadêmica cobre essa etapa seção por seção. Uma lista de referências que resolve corretamente e um manuscrito que soa como sua própria voz são duas verificações separadas, que vale a pena executar em sequência, em vez de confiar que uma cubra a outra.