Inteligência artificial e ética: uma análise comparativa entre métodos de detecção de textos gerados por inteligência artificial

Abstract

O avanço de grandes modelos de linguagem (LLMs), como ChatGPT e GPT-4, impulsionou um aumento nas pesquisas sobre detecção de conteúdo gerado por IA, motivado por preocupações éticas, acadêmicas e de desinformação. O trabalho de Wu et al. (2025), corrobora essa necessidade ao destacar os desafios crescentes da área, como as falhas de ferramentas comerciais, as limitações dos conjuntos de dados e a dificuldade humana em distinguir textos sintéticos. Inserido nesse contexto, este trabalho realiza uma avaliação comparativa de quatro classificadores: BERT, XGBoost, SVM e Regressão Logística, utilizando o dataset "AI vs Human Text". Após o treinamento com 60.000 textos, todos os modelos foram avaliados por métricas de acurácia, precisão, revocação e F1-score. Os resultados destacam o XGBoost com 99,26% de acurácia e o SVM com 99,23%, que, apesar do menor custo computacional em relação ao BERT, mostraram-se igualmente eficazes para a tarefa de detecção.