Speaker
Description
O rápido avanço da inteligência artificial generativa tem trazido impactos para o meio acadêmico, especialmente no que diz respeito à produção de textos científicos. Nesse cenário, surgem ferramentas de detecção de escrita por inteligência generativa, de livre acesso, que prometem identificar padrões textuais característicos dessas tecnologias. O objetivo deste estudo foi avaliar a eficácia dessas ferramentas na detecção de trechos potencialmente gerados por inteligência artificial generativa em manuscritos relacionados à cefalometria.
Foi realizada uma busca sistemática na base PubMed, utilizando a estratégia PICOS, resultando em 62 manuscritos elegíveis. O conteúdo textual de cada manuscrito foi submetido a duas ferramentas de livre acesso: ZeroGPT e ContentDetector.AI. As análises de porcentagem de detecção foram tabuladas no Microsoft Excel 2019 e submetidas a tratamento estatístico no IBM SPSS (versão 24.0), adotando-se nível de significância de 5%.
Os resultados demonstraram que não houve diferenças estatisticamente significativas na detecção entre manuscritos publicados em diferentes anos (p>0,05). Entretanto, ao comparar as duas ferramentas, observou-se diferença significativa em todos os tópicos avaliados (p<0,001), com o ContentDetector.AI apresentando percentuais médios de detecção superiores a 26%.
Conclui-se que as ferramentas analisadas não foram capazes de detectar de forma precisa e concordante a presença de escrita por inteligência generativa nos manuscritos avaliados. Essa limitação levanta questionamentos sobre a confiabilidade dessas tecnologias quando aplicadas à análise de textos científicos e reforça a necessidade de maior regulamentação e desenvolvimento de métodos mais robustos de detecção.
| Palavras-chave | inteligências artificiais generativas; detectores de plágio; radiografias cefalométricas; inteligência artificial. |
|---|
