Mixvale
Pesquisadores do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, em São Carlos, desenvolveram um sistema computacional experimental capaz de distinguir notícias falsas escritas por seres humanos daquelas geradas por inteligência artificial em língua portuguesa. Divulgada na sexta-feira (23), a ferramenta analisa características da linguagem para apontar a origem do texto e alcançou desempenho superior a 99% nos testes de laboratório.
O método foi criado durante o mestrado do pesquisador Pedro Lucas Castro de Andrade, sob orientação do professor Thiago Pardo, do ICMC-USP. A tecnologia não verifica se um fato é verdadeiro ou mentiroso, mas atua sobre conteúdos já classificados como falsos para descobrir se a redação partiu de uma pessoa ou de um programa de computador.
“O objetivo é investigar se é possível distinguir computacionalmente notícias falsas escritas por humanos das geradas pelos grandes modelos de língua (LLMs) em português brasileiro, uma língua sub-representada nessa área”, afirmou Pardo. Para treinar e testar os classificadores automáticos baseados em aprendizado de máquina, os cientistas reuniram dois bancos de notícias falsas já existentes no Brasil, chamados Fake.br e FakeTrueBR, e adicionaram textos inverídicos produzidos pelo Sabiá-3, um grande modelo de linguagem especializado em português.
O experimento manteve a proporção exata de uma notícia gerada por inteligência artificial para cada texto redigido por humano, permitindo que o computador comparasse os padrões de escrita na mesma medida. Veja também: Inteligência artificial dispara vendas da PPG em revestimentos contra incêndio para data centers em 2026
Durante o processamento, o texto passa por uma preparação inicial e é transformado em representações numéricas conhecidas na computação como embeddings, formato padrão utilizado para que algoritmos de aprendizado de máquina analisem dados e tomem decisões sobre a autoria. A varredura observa desde a média de sílabas por frase e a distribuição de classes gramaticais até a escolha entre palavras concretas ou abstratas em cinco camadas linguísticas: lexical, morfossintática, sintática, semântica e psicolinguística.
Confira também: Uso de inteligência artificial aumenta trabalho para 59% no setor de tecnologia A investigação revelou que os textos humanos possuem maior variabilidade estrutural, construções mais simples, vocabulário acessível e estilo próprio.
Já as notícias geradas por inteligência artificial apresentaram escrita padronizada, uniforme, com predomínio de orações coordenadas e termos mais rebuscados. “Percebemos que, em todas essas camadas, o humano tem uma variabilidade maior, ou seja, ele usa regras diferentes, desvios diferentes.
O que diz muito sobre nós, seres humanos, porque eu escrevo de uma forma diferente do que o meu orientador escreve, por exemplo. E a máquina se mostrou ser mais uniforme”, disse Andrade.
Os testes avaliaram a precisão e a revocação (capacidade de recuperar informações relevantes) dos algoritmos, combinando esses dois indicadores na métrica única chamada F1. “O resultado principal é que as abordagens de aprendizado de máquina do tipo neural, que são as mais usuais de se encontrar na IA atualmente, passam de 99% de F1 nos dados que utilizamos, o que indica alta capacidade de identificação da origem das notícias falsas”, declarou o professor Thiago Pardo.
O sistema integra o projeto Synestech.AI, cujo nome une os conceitos de sinestesia (fenômeno neurológico em que o estímulo de um sentido provoca reações em outro), tecnologia e inteligência artificial, por reunir frentes como visão computacional, processamento de imagens e língua natural.
Apenas na área de Processamento de Linguagem Natural, a iniciativa conta com mais de 80 pesquisadores distribuídos entre a USP (incluindo ICMC, Instituto de Matemática e Estatística e Inova USP), Universidade Estadual Paulista (Unesp), Universidade Federal de São Carlos (UFSCar), Universidade Federal de Alagoas (UFAL), Universidade Federal de Sergipe (UFS), Universidade Federal do Pará (UFPA), Universidade Federal da Bahia (UFBA) e Universidade Federal de Santa Catarina (UFSC).
Pardo compara o uso futuro do classificador a um trabalho de linguística forense, capaz de rastrear a origem de campanhas de desinformação em larga escala. “Essa identificação pode contribuir para o processo de responsabilização pela produção de determinado conteúdo.
É um trabalho interessante, que pouco aparece em outras línguas e do qual não havia nada em português”, afirmou o orientador. Por estar em fase de prova de conceito e restrito a testes de laboratório, o método ainda não conta com um software aberto ou comercial disponível ao público, e não há previsão de data para lançamento.
Os próximos passos da equipe no ICMC-USP incluem testar se o índice de acerto se mantém em outros bancos de dados, avaliar textos de outros modelos de linguagem além do Sabiá-3, simular tentativas de enganar o classificador e expandir a detecção para arquivos de áudio, imagem e vídeo.
