Linha de pesquisa 3 · Computação

Detecção robusta de conteúdo sintético

Investiga textos, imagens, áudio e vídeo gerados ou manipulados por IA, mesmo após compressão, edição, tradução e ataques deliberados. O sistema combina proveniência, sinais forenses, classificação probabilística, abstenção e testes reproduzíveis.

◎

Nota geral44

Aderência49

Rigor27

Reprodutibilidade60

Cobertura48

Robustez30

Validação independente0

Laboratório multimodal

Envie uma amostra ou cole um texto para uma análise demonstrativa.

▤

Cole um texto para análise

O demonstrador calcula sinais estilométricos, regularidade, repetição e incerteza. O conteúdo integral não é armazenado.

Modelo

Limiar de decisão

0,68

Da pergunta aberta ao artefato reproduzível

Atualizado automaticamente com os artefatos reconhecidos.

19%

4 de 21

Selecionar3/4 · 75%

Executar1/6 · 17%

Validar0/6 · 0%

Publicar0/5 · 0%

✓

Problema selecionado obrigatórioVinculado à Detecção robusta de conteúdo sintético.

✓

Dossiê científico carregadoDossiê e critérios científicos disponíveis.

○

Escopo e hipótese descritos obrigatórioResumo deve explicar hipótese, método, resultado e limitações.

✓

Critérios de solução identificadosCritérios extraídos do dossiê.

Modalidades e estado da implementação

Arquitetura preparada para fusão de evidências.

▤

Texto

Estilometria, TF-IDF, regressão logística, ataques de paráfrase, tradução e Unicode.

Baseline implementado

▧

Imagem

Metadados, resíduos de compressão, frequências, padrões de difusão e proveniência.

Baseline implementado

♫

Áudio

Espectrograma, prosódia, artefatos de vocoder, codecs e regravação.

Baseline implementado

▶

Vídeo

Coerência temporal, fluxo óptico, sincronização labial e consistência de identidade.

Baseline implementado

⌘

Proveniência

C2PA, assinaturas, marcas-d'água e histórico de transformação do arquivo.

Especificado

⚠

Detecção aberta

Humano, sintético conhecido, sintético desconhecido, manipulado ou inconclusivo.

Política de segurança

Experimento interativo

Laboratório de detecção sintética

A análise abaixo é demonstrativa e não deve ser usada isoladamente para acusação, sanção ou decisão de alto impacto.

▤

Análise textual e documental

Digite ou cole conteúdo enriquecido, ou envie TXT, PDF, DOCX, PPTX, planilha, HTML, Markdown, LaTeX, código e outros documentos.

Nenhum arquivo selecionado

A produção de evidência científica exige distinção entre resultados computacionais, argumentos teóricos e conclusões. Mesmo um desempenho elevado em uma amostra finita não demonstra validade universal fora do domínio avaliado.

Modelo

Limiar / zona de abstenção

0,68

Ensaios adversariais

Transformações que devem preservar o significado enquanto tentam remover sinais do gerador.

Transformação	Estado	Variação esperada	Resultado
Remoção de pontuação	não executado	Alta	—
Normalização Unicode NFKC	não executado	Baixa	—
Truncamento de 25%	não executado	Média	—
Embaralhamento local	não executado	Alta	—
Ruído de espaços	não executado	Baixa	—
Caracteres invisíveis	não executado	Média	—
Caixa alternada	não executado	Baixa	—
Repetição de frases	não executado	Alta	—

Formalização

Metodologia, hipóteses e equações

Cada fórmula declara variáveis, unidades, hipóteses auxiliares e domínio de validade.

Problema de decisão com abstenção

f(x) ∈ {humano, sintético conhecido, sintético desconhecido, manipulado, inconclusivo}

A saída “inconclusivo” é parte obrigatória do sistema. Ela reduz decisões excessivamente confiantes em amostras fora do domínio ou adversarialmente modificadas.

Probabilidade logística

p(y = 1 | x) = 1 / (1 + exp(−(wᵀx + b)))

TF-IDF

tfidf(t,d) = tf(t,d) · log((N + 1)/(df(t) + 1))

Hipóteses testáveis

H1 · Fusão de evidências

parcial

Combinar proveniência, sinais forenses e classificador estatístico reduz falso positivo sem perda extrema de cobertura.

H2 · Treinamento adversarial

parcial

Treinar com compressão, paráfrase, recodificação e ruído melhora robustez sob transformações não vistas.

H3 · Detecção aberta

especificada

Uma classe inconclusiva é mais segura do que a decisão binária obrigatória humano versus IA.

H4 · Generalização multimodal

pendente

Consistência entre áudio, vídeo e semântica fornece evidência complementar a detectores isolados.

Registro de variáveis

Variável	Definição	Unidade	Domínio	Hipótese auxiliar
x	Vetor de características da amostra	adimensional	ℝⁿ	Pré-processamento determinístico
p	Probabilidade calibrada de conteúdo sintético	0–1	[0,1]	Calibração válida no domínio
τ	Limiar de decisão	0–1	[0,1]	Escolhido no conjunto de desenvolvimento
δ	Largura da zona de abstenção	0–1	[0,0,5]	Custo de falso positivo conhecido
FPR	Taxa de conteúdos humanos marcados como sintéticos	%	[0,100]	Rótulos humanos confiáveis
C	Cobertura: fração de casos com decisão	%	[0,100]	Abstenções registradas

Falsificação primeiro

Validação científica e busca de contraexemplos

A amostra finita produz evidência computacional, não prova universal.

Critérios objetivos de falha

F1

Acurácia estrita < 75%

Conta abstenção como falha de cobertura, evitando esconder desempenho baixo.

F2

Falso positivo humano > 5%

Protege autores humanos contra acusações indevidas.

F3

Pior ataque < 55%

Impede que a média oculte colapso completo em uma transformação.

F4

Generalização não vista < 60%

Avalia modelos, domínios e ataques que não participaram do treinamento.

F5

Desvio entre seeds > 2 p.p.

Resultados instáveis não sustentam uma conclusão científica forte.

Estado do protocolo

Testes automatizados

não executado

Unitários, integração, propriedades e asserts.

Busca de contraexemplos

não executado

Casos híbridos, textos curtos, Unicode, código e repetição extrema.

Reprodução independente

pendente

Exige outro ambiente ou equipe, com hashes e comandos registrados.

Revisão humana externa

pendente

Não pode ser automatizada nem autodeclarada pelo autor.

Resultados por baseline

Valores demonstrativos da massa interna atual; não representam validação no mundo real.

Modelo	Acurácia estrita	Cobertura	Pior ataque	Conclusão
Heurístico v0.1	45,06%	64,20%	0,00%	refutado
TF-IDF caracteres	98,77%	98,77%	72,50%	viés de domínio
TF-IDF palavras	100,00%	100,00%	95,00%	viés provável
TF-IDF combinado	100,00%	100,00%	97,50%	não universal

Publicação responsável

Artefatos, reprodução e submissão

O pacote deve permitir inspeção técnica, execução segura e citação dos dados.

▤

Artigo científico

Título, resumo, método, resultados, discussão, limitações e referências.

Estruturado

⌘

Código e ambiente

Node.js 24, Python 3.12, Docker Compose, locks e comandos.

Preparado

#

Dados e hashes

Schema, licença, origem, divisões, seeds e SHA-256.

Parcialmente citável

Comandos de reprodução

cp .env.example .env
docker compose up --build
python scripts/verify_line3_hashes.py
python scripts/run_proposal_validation.py
python scripts/run_counterexample_search.py

Destino de publicação

Repositório de código

Dataset / DOI

Autorização dos autores

não confirmada

A submissão externa requer confirmação humana explícita. Esta interface não publica automaticamente.

Comparação reproduzível

Benchmarks comparativos

Executa os baselines reais do serviço científico e apresenta métricas, seeds, dataset e limitações.

Estado da execução

Serviço científico

verificando

Aguardando verificação.

Dataset

—

linha3_text_ptbr_v1

Seed canônica

—

O relatório completo registra também a estabilidade entre seeds.

Interpretação obrigatória

Um benchmark alto neste corpus não prova detecção universal. Resultados podem refletir domínio, época, fonte, família de gerador e composição da amostra.

Melhor modelo observado

—

Execute o benchmark para carregar a evidência computacional.

Resultados dos baselines

Valores retornados diretamente por /api/synthetic-detection/benchmark/text/compare.

Baseline	Acurácia estrita	Cobertura	FPR humano	Pior ataque	Seed
Nenhum benchmark carregado.

Evidência técnica
Os detalhes de generalização e representatividade aparecerão após a execução.

Runtime e preferências

Configurações

Preferências locais do laboratório e diagnóstico dos serviços reais usados pela análise.

Preferências do laboratório

Modelo padrão

Limiar padrão

0,68

As preferências são salvas somente neste navegador e não alteram o protocolo científico do servidor.

Diagnóstico do ambiente

Node.js / API

verificando

—

Python científico

verificando

—

MySQL

verificando

—

Limites de análise

Modalidade	Limite	Processamento
Texto/documento	100 MB	streaming + extração documental
Imagem	150 MB	decodificação por conteúdo real
Áudio	500 MB	FFmpeg + sinais espectrais
Vídeo	2 GB	FFmpeg + amostragem de quadros

Detecção robusta de conteúdo sintético

Laboratório multimodal

Cole um texto para análise

Modalidades e estado da implementação

Texto

Imagem

Áudio

Vídeo

Proveniência

Detecção aberta

Laboratório de detecção sintética

Análise textual e documental

Ensaios adversariais

Metodologia, hipóteses e equações

Problema de decisão com abstenção

Probabilidade logística

TF-IDF

Hipóteses testáveis

H1 · Fusão de evidências

H2 · Treinamento adversarial

H3 · Detecção aberta

H4 · Generalização multimodal

Registro de variáveis

Validação científica e busca de contraexemplos

Critérios objetivos de falha

Acurácia estrita < 75%

Falso positivo humano > 5%

Pior ataque < 55%

Generalização não vista < 60%

Desvio entre seeds > 2 p.p.

Estado do protocolo

Testes automatizados

Busca de contraexemplos

Reprodução independente

Revisão humana externa

Resultados por baseline

Artefatos, reprodução e submissão

Artigo científico

Código e ambiente

Dados e hashes

Comandos de reprodução

Destino de publicação

Autorização dos autores

Benchmarks comparativos

Estado da execução

Serviço científico

Dataset

Seed canônica

Interpretação obrigatória

Melhor modelo observado

Resultados dos baselines

Configurações

Preferências do laboratório

Diagnóstico do ambiente

Node.js / API

Python científico

MySQL

Limites de análise

Modelo de ameaça

Adversário black-box

Adversário adaptativo

Adversário white-box

Mudança de distribuição