Todo detector de IA é um palpite estatístico disfarçado de porcentagem. Antes de confiar em um, ou entrar em pânico por causa de um, vale entender o que ele mede e o quanto ele erra. O HAL não te dá um score certificado, mas consegue ler um texto com você e apontar o que soa estranho.
A maioria roda o texto por um modelo classificador treinado com um monte de exemplos rotulados como humanos ou gerados por IA, procurando padrões estatísticos como a previsibilidade das palavras e o ritmo das frases. Alguns comparam o texto direto com saídas conhecidas de IA. Nenhum deles entende o sentido como uma pessoa entenderia; eles caçam padrões, não julgam conteúdo.
Perplexidade mede o quão previsível um texto é para um modelo de linguagem. Texto de IA costuma pontuar mais baixo porque o modelo tende a escolher a próxima palavra mais provável, enquanto a escrita humana é mais bagunçada. O problema é que muita gente também escreve de forma simples e previsível, e é aí que nascem os falsos positivos.
É a variação natural no tamanho e na complexidade das frases ao longo de um texto. Humanos costumam alternar entre frases curtas e outras longas e enroladas; modelos mais antigos eram bem mais uniformes. Modelos novos já imitam essa variação bem melhor, então esse sinal está ficando cada vez menos confiável.
Não, não de forma confiável. Testes independentes encontraram taxas reais de falso positivo e falso negativo nos detectores mais usados, às vezes na casa dos dois dígitos, e ferramentas diferentes costumam discordar sobre o mesmo texto. Trate qualquer resultado como um sinal fraco, nunca como prova.
Quem escreve em uma segunda língua costuma usar vocabulário mais simples e estruturas de frase mais formulaicas, que se parecem estatisticamente com texto gerado por IA. Um estudo de Stanford bastante citado mostrou que detectores classificavam errado, como IA, uma boa parte dos textos escritos por falantes não nativos. É uma das falhas mais documentadas dessas ferramentas.
Dá, e é bem fácil. Parafrasear algumas frases, misturar linhas escritas à mão ou passar o texto por um reescritor costuma quebrar o padrão estatístico que o detector usa. Isso funciona nos dois sentidos: um texto de IA pode passar batido, e isso já mostra que o detector não serve como filtro confiável pra nada importante.
Não muito. Eles precisam de uma quantidade razoável de texto pra achar um padrão estatístico confiável, então um tweet, um comentário curto ou um parágrafo só costumam dar um resultado que é quase cara ou coroa. Se alguém te mostrar um score de um trecho bem curto, desconfie de cara.
Não sozinho. Um número com alta confiança ainda pode estar errado; existem casos documentados de detectores dando scores extremos em texto cem por cento humano. Encare o score como um motivo pra olhar mais de perto, não como veredicto final.
É um modelo treinado com exemplos rotulados de texto humano e de IA que aprende a reconhecer as impressões estatísticas que separam os dois. A precisão dele depende inteiramente desses dados de treino, então ele herda os vieses e pontos cegos que esses dados tinham, incluindo o problema com quem não é falante nativo.
Não, nenhuma sozinha. O caminho mais justo é combinar vários sinais: o resultado do detector, o histórico de edição ou rascunhos, o estilo comparado com textos anteriores da pessoa, e o bom senso humano, em vez de depender de um único score. O HAL pode te dar uma segunda leitura de um texto e apontar o que soa estranho, mas nunca vai afirmar uma certeza que nenhum método real consegue garantir.