Ainda sinalizado depois de uma nova verificação no Turnitin? Compare dois relatórios, não apenas duas porcentagens

Suponha que um primeiro AI Writing Report do Turnitin mostre 42% e uma nova verificação mostre 28%. É tentador chamar isso de melhora de 14 pontos e parar por aí. Sozinho, o número não sustenta essa conclusão. Ele não diz se os destaques antigos desapareceram, se as fronteiras se moveram, se uma seção diferente passou a ser destacada ou se o denominador mudou porque a estrutura do documento mudou.

O inverso também vale. A porcentagem pode ficar estável enquanto o relatório aponta para trechos completamente diferentes. Ela pode subir mesmo com o desaparecimento de vários destaques antigos, se o documento revisado tiver menos prosa elegível ou se uma atualização do modelo classificar outra região de forma diferente. Um total comprime todos esses eventos em um único valor.

A pergunta útil, portanto, não é "a pontuação caiu?", e sim "o que aconteceu com cada trecho destacado antes, e em que condições de relatório?" Para respondê-la são necessários os dois documentos de origem e os dois PDFs completos. Capturas de tela das porcentagens da capa não bastam.

Uma nova verificação é uma nova observação, não um experimento controlado por padrão. É preciso estabelecer o que mudou no documento e o que mudou no detector antes de atribuir o resultado à revisão.

O método de comparação abaixo é o fluxo operacional do HumanPen, derivado do comportamento documentado dos relatórios do Turnitin. Não é um procedimento oficial do Turnitin e não afirma que a correspondência por trecho consiga revelar por que um modelo mudou sua classificação. Seu objetivo é mais estreito: evitar que você reescreva o trabalho inteiro quando a evidência aponta para um resíduo pequeno e identificável.

Antes de ligar destaques uns aos outros, faça uma verificação de comparabilidade. Se alguma das linhas abaixo não puder ser confirmada, registre a incerteza em vez de tratar as duas porcentagens como uma medida exata de antes e depois.

As notas de versão do modelo do Turnitin afirmam repetidamente que as atualizações de modelo não são aplicadas retroativamente e que é necessário um novo envio para obter uma pontuação atualizada. As atualizações de 14 de outubro de 2025 e 12 de fevereiro de 2026 buscaram melhorar a revocação (recall), enquanto a atualização de maio de 2026 afetou o modelo em espanhol. Dois relatórios gerados em lados opostos de uma atualização não isolam o efeito das suas edições.

A legenda tem sua própria história. O Turnitin alterou a lógica de fronteira dos segmentos em maio de 2023, adicionou processamento relacionado a paráfrase sem mudança visual em dezembro de 2023, redesenhou as categorias e o tratamento de pontuações baixas em julho de 2024 e, em 4 de agosto de 2026, uniu as duas categorias de IA em uma só, dizendo que os destaques roxos usados antes para texto parafraseado por IA deixarão de ser exibidos. O Turnitin acrescenta que só os arquivos enviados depois dessa data recebem o novo layout; o que já está no sistema mantém o relatório que tem até passar pelo sistema novamente. O deslocamento de fronteiras e uma legenda alterada podem, portanto, vir da versão do relatório, e não apenas de uma frase modificada.

Uma vez que os relatórios estejam comparáveis o bastante para seguir em frente, pare de pensar em páginas. Os números de página mudam quando os parágrafos se recompõem. Use uma âncora estável de trecho: o título da seção mais as primeiras oito a doze palavras do trecho original. Depois atribua um resultado a cada região destacada.

Uma fronteira deslocada é especialmente fácil de provocar reação exagerada. Modelos de classificação operam sobre o contexto textual, então editar uma frase pode mudar a forma como as frases vizinhas são agrupadas. A história do Turnitin também inclui mudanças explícitas na precisão das fronteiras de segmento. A unidade correta de revisão é o parágrafo coerente, não cada linha colorida tratada como evidência independente.

Um destaque novo não é automaticamente texto de IA recém-escrito. Significa que o segundo relatório evidenciou uma região que o primeiro não evidenciou. Edições no documento, contexto, mudanças no texto elegível e versão do modelo são explicações concorrentes.

Uma boa planilha de comparação é pequena o bastante para ser entendida e precisa o bastante para ser reproduzida. Crie uma linha por âncora de trecho, não uma linha por linha destacada. Atribua IDs como `P01`, `P02` e mantenha o primeiro relatório como sistema de coordenadas.

Use a comparação de documentos ou o controle de alterações do Word para estabelecer que texto realmente mudou entre os arquivos de origem. Não confie na memória. Em cada linha, verifique números, citações, condição de citação e a força da afirmação antes de considerar o estilo. Uma classificação de IA menor não é uma melhora se uma afirmação causal ficou correlacionalmente errada, se uma limitação desapareceu ou se uma citação já não sustenta a frase.

Mantenha a planilha de comparação em sigilo junto com os documentos de origem, a menos que o processo aplicável exija divulgação. Ela pode conter pesquisas não publicadas ou informações de estudantes. Se precisar ser compartilhada, remova dados pessoais não relacionados e guarde apenas a evidência necessária para explicar o histórico do trecho.

A planilha também é útil quando não cabe mais editar. Ela pode mostrar que o relatório dois sinalizou material diferente, que uma atualização de modelo separa as execuções, ou que o novo resultado é um asterisco sem evidência de localização. Um "não é possível comparar" bem documentado é mais preciso do que uma porcentagem de melhora confiante mas inventada.

O guia do AI Writing Report diz que a porcentagem cobre a prosa elegível e pode divergir visivelmente da quantidade de destaque quando o documento mistura tipos de escrita. Editar o documento pode mudar tanto o numerador (texto elegível classificado) quanto o denominador (todo o texto elegível). Isso torna incompleta a aritmética simples de pontos percentuais.

• Mesmo total, resultado melhor localizado: três destaques antigos desaparecem e uma região nova de tamanho equivalente aparece. O total esconde uma redistribuição completa.
• Total menor, núcleo não resolvido: destaques periféricos desaparecem, mas a passagem contestada central permanece. O número cai enquanto a pergunta de revisão mais importante sobrevive.
• Total maior, menos páginas visíveis: mudanças em conteúdo que não é prosa ou em outro texto elegível reduzem o denominador. Uma porcentagem maior não precisa cobrir mais do documento físico.
• Resultado numérico que virou `*%`: o segundo resultado está em algum ponto acima de zero e abaixo de 20, mas o Turnitin não revela a pontuação exata nem os destaques. Não é válido registrá-lo como zero nem calcular a redução exata.
• Redistribuição de categorias: em um relatório emitido antes de 4 de agosto de 2026, as duas participações de categoria se movem enquanto o total combinado quase não muda. Depois dessa data existe uma única categoria, portanto essa leitura só se aplica a relatórios antigos, e um par que atravessa a data não pode ser comparado em nível de categoria.

É também por isso que não existe fórmula honesta para "porcentagem da revisão que funcionou". O detector não rastreia edições nem atribui crédito causal. Você pode relatar os resultados observáveis por trecho e as mudanças de total, mas não pode transformá-los em uma taxa de eficácia verificada do processo de edição.

O próprio Turnitin recomenda tratar o resultado como um dado entre outros, ao lado do conhecimento sobre o autor, o trabalho e a política da instituição. A sua orientação de revisão dirige a atenção para as categorias destacadas e para o julgamento humano, e não para uma pontuação isolada.

Reescrever repetidamente tem custos. O sentido se desvia, as citações se desprendem das afirmações, termos específicos da disciplina ficam vagos e a voz do autor pode desaparecer. Um relatório não dá instrução para perseguir o zero, e `*%` omite deliberadamente um resultado exato na faixa baixa porque o Turnitin considera essa faixa menos confiável.

Pare e revise em vez de revisar automaticamente de novo quando qualquer destas condições se aplicar:

• Há uma revisão formal aberta. Preserve os originais e siga o processo da instituição antes de modificar uma cópia.
• Os relatórios não são comparáveis. Eras de modelo, versões de arquivo ou estados de relatório diferentes fazem com que outra edição não consiga responder à incerteza.
• Apenas fronteiras se moveram. A diferença restante pode refletir o agrupamento contextual, e não um trecho novo e estável a reescrever.
• Mudanças adicionais enfraqueceriam a precisão. Congele números, citações, métodos, definições e afirmações cuja redação exata carrega significado substantivo.
• A prosa atual é sua e defensável. Você consegue explicá-la, sustentá-la com rascunhos e fontes, e ela cumpre as regras aplicáveis de uso e divulgação de IA.
• O único objetivo é uma pontuação garantida. Nenhum modelo, serviço ou método de revisão pode prometer o resultado de uma versão futura do detector.

Guarde um pacote de evidências compacto: os dois documentos de origem, os dois relatórios completos, a planilha de comparação, um registro de mudanças e a política ou as instruções do trabalho que regeram a atividade. Nomeie os arquivos com datas e nunca sobrescreva os originais. Se houver uma terceira verificação, acrescente-a como uma nova observação em vez de substituir o relatório dois.

Se a revisão for permitida e o relatório dois contiver um conjunto pequeno de núcleos persistentes, o que importa são o documento atual e o relatório atual. O HumanPen trabalha de propósito a partir dos destaques mais recentes, em vez de carregar tudo o que o relatório um já sinalizou. Esse controle de escopo evita que trechos resolvidos sejam reescritos de novo, mas continua sendo um auxílio à revisão, não uma promessa de que o relatório três virá em branco.

O resultado defensável não é "o número caiu". É "estes trechos desapareceram, estes permaneceram, estes se moveram, estes eram novos, e estas variáveis impedem uma comparação limpa".