Ir para o conteúdo

LIVRO BRANCO

Além da Detecção

Um Framework para a Integração Ética de IA na Pesquisa Acadêmica

Alex SpezowkaPesquisa Jenni2026Referências (81)

  • <80%Precisão dos detectores de IA em testes independentes
  • 50%Falsos positivos em plataformas amplamente utilizadas
  • 61%De textos de falantes não nativos sinalizados como IA

A proliferação da IA generativa em contextos acadêmicos revelou uma verdade fundamental que as instituições têm relutado em admitir:

O paradigma da detecção falhou.

As ferramentas de detecção de IA atingem taxas de precisão frequentemente inferiores a 80% em testes independentes.1 Wakjira et al. (2025) As taxas de falsos positivos podem chegar a 50% em plataformas amplamente utilizadas.2 Weber-Wulff et al. (2023) Há também um viés sistemático documentado, no qual mais de 61% dos textos escritos por falantes não nativos de inglês são sinalizados como gerados por IA.3 Liang et al. (2023) A abordagem atual de "detectar e punir", portanto, causa mais danos do que evita.

Enquanto isso, a integração da IA no trabalho acadêmico já ocorreu em larga escala. Estudos indicam que entre 13,5% e 22,5% dos artigos acadêmicos atuais apresentam evidências de assistência por IA.4 Liang et al. (2025a) Os processos de revisão por pares são similarmente afetados, com pelo menos 15,8% das revisões mostrando assistência por IA em algumas conferências.5 Latona et al. (2024) Este documento defende que a questão enfrentada pelo ensino superior não é mais como impedir o uso da IA, mas sim como construir estruturas institucionais que tornem a integração da IA transparente, delimitada e pedagogicamente sólida.

O caminho a seguir exige abandonar a vigilância não confiável em favor de arquiteturas de transparência—ferramentas e políticas projetadas desde a concepção para tornar as contribuições de IA visíveis, auditáveis e adequadamente limitadas. Essa mudança não representa uma capitulação à inevitabilidade tecnológica, mas uma oportunidade de reimaginar a integridade acadêmica para uma nova era.

Parte I: Os Limites Epistemológicos de Detecção de IA

A ampla implantação de ferramentas de detecção de IA em ambientes acadêmicos baseia-se em uma premissa falha: a de que textos gerados por IA e textos gerados por humanos representam categorias distintas que podem ser separadas de forma confiável por meio de análise algorítmica. As evidências empíricas acumuladas desde o final de 2022 demonstram que esse pressuposto falha sob testes rigorosos.6 Weber-Wulff et al. (2023); Sadasivan et al. (2023)

A avaliação independente mais abrangente de ferramentas de detecção de IA até o momento, realizada por Weber-Wulff e colaboradores e publicada no International Journal for Educational Integrity, testou quatorze ferramentas de detecção, incluindo doze plataformas de acesso público e dois sistemas comerciais.7 Weber-Wulff et al. (2023) As conclusões foram inequívocas: todas as ferramentas obtiveram menos de 80% de precisão, com apenas cinco superando os 70%. O estudo concluiu que essas ferramentas não são precisas nem confiáveis, exibindo um viés principal para classificar o conteúdo como escrito por humanos em vez de detectar o texto gerado por IA.

A degradação do desempenho torna-se mais grave sob condições realistas. Estudos indicam que, mesmo com textos gerados por IA relativamente simples, as ferramentas de detecção apresentam problemas notáveis, e sua precisão cai significativamente quando confrontadas com conteúdo manipulado ou técnicas de ofuscação, como a paráfrase.8 Perkins et al. (2024c); Weber-Wulff et al. (2023) Verificou-se que alguns detectores de conteúdo de IA são ineficazes na identificação de textos parafraseados.9 Liu et al. (2024)

O Turnitin, um sistema comercial amplamente utilizado na academia, tentou contornar as limitações por meio de uma calibração deliberada, supostamente aceitando uma certa porcentagem de falsos negativos para manter uma taxa baixa de falsos positivos no nível do documento.10 Jabarian and Imas (2025) Essa compensação estratégica, embora seja uma escolha de design de produto, evidencia um desafio fundamental: os sistemas de detecção muitas vezes não conseguem alcançar simultaneamente alta sensibilidade (capturar conteúdo gerado por IA) e alta especificidade (evitar a identificação incorreta de conteúdo escrito por humanos). A dificuldade dos detectores tradicionais de IA em diferenciar de forma confiável a paráfrase humana legítima da geração por IA prejudica sua utilidade para a aplicação de medidas de integridade acadêmica.11 Bordalejo et al. (2025)

Os fundamentos teóricos para essa limitação foram estabelecidos por Sadasivan e colaboradores na Universidade de Maryland.12 Sadasivan et al. (2023) Sua análise matemática demonstrou que, para modelos de linguagem suficientemente capazes, mesmo os detectores ideais conseguem apenas superar marginalmente uma classificação aleatória, especialmente após a aplicação de transformações como a paráfrase.13 Cheng et al. (2025); Sadasivan et al. (2023) Como resumiu o Professor Soheil Feizi: "Existe um limite superior em nossos detectores que os restringe fundamentalmente, por isso é muito improvável que consigamos desenvolver detectores que identifiquem de forma confiável o conteúdo gerado por IA".14 University of Maryland (2025)

Esta não é apenas uma limitação técnica à espera de uma solução de engenharia. À medida que os modelos de linguagem de IA melhoram e seus outputs convergem com os padrões da escrita humana, as assinaturas estatísticas nas quais a detecção se apoia diminuem. Essa convergência torna cada vez mais difícil, tanto para usuários humanos quanto para sistemas automatizados, distinguir de forma confiável o texto gerado por humanos do gerado por IA.15 Knott et al. (2024); Frank et al. (2024) Sadasivan e colaboradores forneceram um resultado de impossibilidade teórica indicando que, à medida que os modelos de linguagem se tornam mais sofisticados e melhores em emular o texto humano, o desempenho até mesmo do melhor detector possível diminui. Isso sugere uma limitação fundamental na precisão da detecção que não pode ser superada por meio de algoritmos aprimorados.

Parte II: A Transformação Sistêmica da Produção Científica

Embora as instituições estejam hiperconscientes do uso da IA no contexto da graduação, elas não estão percebendo a transformação muito mais significativa que já ocorreu na pesquisa acadêmica profissional. As evidências sugerem que a redação assistida por IA tornou-se a norma na publicação científica em menos de dois anos após o lançamento do ChatGPT.16 Matsui (2025); Yip et al. (2025)

O estudo metodologicamente mais rigoroso sobre esse fenômeno, publicado por Kobak e colaboradores na Science Advances em julho de 2025,17 Kobak et al. (2025) analisou 15,1 milhões de resumos biomédicos em inglês indexados pelo PubMed de 2010 a 2024. Utilizando uma metodologia de "excesso de palavras" inspirada em estudos epidemiológicos de mortalidade por COVID-19, os pesquisadores identificaram termos que apareciam com maior frequência do que o previsto pelas tendências anteriores ao ChatGPT. Seus resultados indicam que pelo menos 13,5% dos resumos biomédicos de 2024—aproximadamente um em cada sete—foram processados com grandes modelos de linguagem (LLMs). Esse limite inferior variou significativamente por subcategoria, chegando a 40% em certas disciplinas, países e periódicos.

Os pesquisadores identificaram 379 "palavras de estilo" que revelam o uso de IA, incluindo termos como "delve" (aprofundar), "crucial", "meticulous" (meticuloso) e "intricate" (intrincado), que mostraram aumentos drásticos de frequência após novembro de 2022. O estudo concluiu que "os LLMs tiveram um impacto sem precedentes na redação científica na pesquisa biomédica, superando o efeito de grandes eventos globais, como a pandemia de COVID".18 Kobak et al. (2025)

O processo de revisão por pares foi afetado de forma semelhante. A análise de Liang e colaboradores apresentada na International Conference on Machine Learning em 202419 Liang et al. (2024) constatou que entre 6,5% e 16,9% das revisões por pares em grandes conferências de IA foram substancialmente modificadas por LLMs—definidas como modificações que vão além da mera verificação ortográfica. O estudo examinou pareceres de conferências como ICLR 2024, NeurIPS 2023, CoRL 2023 e EMNLP 2023, descobrindo que a frequência de termos como "commendable" (louvável) aumentou 9,8 vezes e "meticulous" aumentou 34,7 vezes nas revisões do ICLR 2024 em comparação com as referências anteriores ao ChatGPT. Os padrões comportamentais associados a um maior uso de LLMs incluíram menor segurança relatada pelos revisores, envios de pareceres mais próximos dos prazos finais e menor probabilidade de resposta às réplicas dos autores.

As respostas institucionais estão começando a reconhecer essa realidade. Em outubro de 2025, o arXiv teria indicado mudanças em sua categoria de ciência da computação em relação a artigos de revisão ou ensaios de posicionamento.20 Sun et al. (2025); Jianghao et al. (2025) Essa decisão teria sido motivada por um aumento significativo de artigos de revisão assistidos por LLM, muitas vezes descritos como pouco mais do que bibliografias comentadas.21 Liang et al. (2025b); Wang et al. (2024) A plataforma recebe centenas desses artigos mensalmente e enfrenta dificuldades para distinguir os envios de qualidade.

Esses dados descrevem uma transformação sistêmica da produção acadêmica, e não um problema isolado de cola ou plágio por parte dos estudantes. Políticas focadas na detecção na graduação, enquanto a prática profissional evolui sem controle, representam um erro de categoria na resposta institucional.

13.5%
Dos resumos biomédicos de 2024 mostram uso de LLM
40%
Em certas áreas, países e periódicos
16.9%
Das revisões por pares em grandes conferências de IA

Parte III: O Viés de Detecção como uma Crise de Equidade

Além da falta de confiabilidade, as ferramentas de detecção de IA exibem um viés sistemático que transforma sua implantação em uma questão de direitos civis.22 Gorichanaz (2023); Giray (2024) Esse viés é mais evidente em falantes não nativos de inglês, mas também se estende a estudantes neurodivergentes e outras populações cujos padrões de escrita divergem das expectativas algorítmicas de "humanidade".23 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025)

O estudo de referência sobre esse tema, publicado por Liang e colaboradores na Patterns, avaliou sete detectores GPT amplamente utilizados em relação a dois corpora: 91 redações do TOEFL escritas por falantes não nativos de inglês e 88 redações de oitava série escritas por falantes nativos.24 Liang et al. (2023) Embora os detectores tenham alcançado uma precisão quase perfeita nas redações dos falantes nativos, eles classificaram incorretamente mais da metade dos textos escritos por falantes não nativos como gerados por IA. Especificamente, ferramentas baseadas em GPT classificaram incorretamente 61,3% das amostras de falantes não nativos.25 Perkins et al. (2024c) O viés foi generalizado: 97,80% das redações do TOEFL foram sinalizadas como geradas por IA por pelo menos um detector, e 19,78% foram classificadas incorretamente de forma unânime por todos os sete.26 Arango et al. (2024)

O mecanismo por trás desse viés é algorítmico, e não uma coincidência.27 Liang et al. (2023) Os sistemas de detecção operam medindo a "perplexidade"—isto é, a previsibilidade da escolha das palavras.28 Park (2024) Falantes não nativos de inglês produzem naturalmente textos com menor diversidade linguística e escolhas de palavras mais previsíveis devido à riqueza lexical limitada, menor diversidade sintática e menor complexidade gramatical. As redações do TOEFL que foram classificadas incorretamente de forma unânime mostraram uma perplexidade significativamente menor. Assim, o sistema penaliza exatamente os padrões linguísticos que caracterizam a escrita competente em uma segunda língua.

As consequências para os direitos civis são profundas. Estudantes em processo de aprendizagem da língua inglesa—que representam mais de 10% da população estudantil dos EUA29 Alejandro (2024)—são protegidos pelo Título VI da Lei de Direitos Civis com base em raça e origem nacional. Acusações falsas baseadas no viés de detectores de IA podem constituir discriminação passível de ação judicial,30 Jacob et al. (2024); Ovalle (2023); Jiang et al. (2024) uma preocupação destacada em contextos educacionais. Para estudantes estrangeiros, tais acusações podem ir além da punição acadêmica, afetando potencialmente seu status imigratório e causando danos severos às suas carreiras.31 Bannister et al. (2024); Giray (2024) Os alunos frequentemente se veem obrigados a defender seu próprio trabalho contra acusações algorítmicas.32 Gorichanaz (2023)

Estudantes neurodivergentes enfrentam vulnerabilidades paralelas. Pesquisas demonstram que escritores neurodivergentes, de forma semelhante aos escritores de segunda língua, são mais propensos a receber resultados falsos positivos de ferramentas de detecção de texto por IA.33 Gegg-Harrison and Quarterman (2024); Chambers and Kelley (2025) O mecanismo espelha o problema dos falantes não nativos: estudantes autistas costumam apresentar padrões de escrita caracterizados por um estilo mais rígido, vocabulário limitado e dificuldades em expressar sentimentos, o que pode, inadvertidamente, assemelhar-se a expectativas algorítmicas de outputs de IA.34 França et al. (2024); Chambers and Kelley (2025); Carik et al. (2024)

A aplicação de regras baseada em detecção cria, assim, um sistema de duas classes estruturado pelo privilégio linguístico. Alunos cuja escrita corresponde naturalmente às expectativas algorítmicas de "humanidade"—tipicamente nativos de inglês com padrões de comunicação neurotípicos—enfrentam um risco mínimo. Aqueles cuja escrita legítima diverge dessas expectativas carregam um risco desproporcional de acusação.35 Giray (2024)

Parte IV: Arquitetura de Transparência como um Paradigma Alternativo

Se a detecção falha tanto do ponto de vista técnico quanto ético, qual alternativa resta? A resposta está em embutir a transparência nas próprias ferramentas de IA—projetando sistemas que tornem as contribuições da IA visíveis e delimitadas, em vez de tentar identificá-las retrospectivamente por meio de vigilância.

Essa abordagem baseia-se no framework de "Transparência por Design" articulado por Felzmann e colaboradores na Science and Engineering Ethics, que adapta os princípios de "Privacidade por Design" do GDPR para contextos de IA.36 Felzmann et al. (2020) O framework propõe a integração da transparência "de maneira gradual e como um valor prévio (ex-ante), e não como uma reflexão tardia". Para ferramentas acadêmicas de IA, isso significa projetar sistemas onde as contribuições da inteligência artificial sejam inerentemente rastreáveis, em vez de exigir uma detecção forense pós-fato.

O Jenni AI foi desenvolvido tendo essa filosofia de "transparência em primeiro lugar" como princípio fundamental de design. Em vez de posicionar a IA como uma caixa-preta que gera conteúdo para posterior revisão humana, a arquitetura da plataforma garante que o julgamento humano permaneça central no processo de escrita, enquanto a assistência da IA permanece visível e limitada. Várias escolhas específicas de design diferenciam essa abordagem dos sistemas de geração em massa.

O preenchimento automático (autocomplete) no nível da frase, em vez da geração em massa, mantém o engajamento humano durante todo o processo de escrita. A função de autocomplete do Jenni AI sugere uma frase de cada vez, exigindo que os usuários revisem e aceitem ativamente cada sugestão antes de prosseguir. Isso contrasta com sistemas que geram parágrafos ou documentos inteiros, que criam condições para a substituição total do pensamento humano pela IA. O padrão de engajamento importa: a interação frase por frase mantém o escritor humano continuamente tomando decisões sobre conteúdo, estrutura e argumentação, em vez de apenas revisar passivamente o resultado do computador.

A verificação integrada de citações por meio da Biblioteca de Pesquisa do Jenni aborda uma vulnerabilidade central dos textos acadêmicos assistidos por IA: fontes fabricadas ou atribuídas incorretamente. O Jenni AI permite que os usuários importem materiais de pesquisa existentes via arquivos BibTeX, identificadores DOI/PMID/arXiv ou upload direto de PDFs. As sugestões de IA são então baseadas nessas fontes verificadas, com citações vinculadas a documentos específicos na biblioteca do usuário.37 Walters and Wilder (2023); Spennemann (2025); Mustaffa et al. (2025)

Limites de contribuição configuráveis permitem que instituições e usuários estabeleçam fronteiras apropriadas para a assistência por IA. Pesquisas indicam que as ferramentas de IA são frequentemente utilizadas e vistas como aceitáveis para apoiar tarefas rotineiras, como melhorar a legibilidade, correção gramatical, revisões de literatura, busca de informações, edição e estruturação de artigos acadêmicos.38 Shimray and Subaveerapandiyan (2025); Xu (2025); Liao et al. (2024); Arroyo-Machado et al. (2025) Isso se alinha com uma compreensão mais ampla de que, embora a IA possa ajudar nessas áreas, espera-se que o trabalho analítico e argumentativo central permaneça de autoria humana.39 Kwon (2025); Rughiniș et al. (2025)

O suporte multilíngue aborda as preocupações de equidade documentadas na Parte III. O Jenni AI opera em mais de trinta idiomas, permitindo que pesquisadores trabalhem no seu idioma nativo enquanto produzem resultados em inglês. Essa escolha de design reconhece que o objetivo da redação acadêmica é a comunicação clara de ideias, e não a demonstração de fluência nativa em inglês. Falantes não nativos que usam a IA para assistência de linguagem não estão contornando as exigências de integridade acadêmica; estão utilizando ferramentas para comunicar ideias que desenvolveram autonomamente.40 Filimonovic and Rutzer (2025); Prakash et al. (2025); Amano et al. (2025); Rueda et al. (2025); Sebastian and Baron (2024); Lepp and Sarin (2024)

A documentação dos processos e a flexibilidade de exportação apoiam os requisitos institucionais de divulgação. O Jenni AI mantém registros dos conteúdos assistidos por IA versus os criados por humanos ao longo de todo o processo de escrita, alinhando-se com as recomendações gerais de transparência e documentação na integridade acadêmica.41 MLA-CCCC Task Force (2023)

Essa abordagem de transparência em primeiro lugar reposiciona as ferramentas de escrita com IA como aceleradores éticos, e não como ameaças à integridade. A própria ferramenta torna-se o mecanismo de declaração de uso, tornando as contribuições de IA visíveis por padrão, em vez de exigir investigações forenses posteriores.

Parte V: Caminhos para a Implementação Institucional

A transição da detecção para a transparência exige mudanças coordenadas nas políticas, na formulação de avaliações e no desenvolvimento do corpo docente. Diversas instituições de ponta já iniciaram essa mudança, servindo de modelo para uma adoção mais ampla.

Mudar da detecção para exigências de declaração explícita de uso constitui a mudança política fundacional. As diretrizes da Universidade Cornell afirmam explicitamente: "Atualmente, não recomendamos o uso de algoritmos de detecção automática para violações de integridade acadêmica envolvendo IA generativa, dada a sua falta de confiabilidade".42 Cornell University (2025) Da mesma forma, a Universidade Columbia reconhece que "a detecção de IA deve ser tratada como uma orientação e não como uma métrica de avaliação", reconhecendo os "riscos de identificação incorreta, que podem trazer consequências na sala de aula".43 Columbia University (2025) A Universidade de Pittsburgh recusou-se a endossar ou apoiar qualquer ferramenta de detecção de IA, citando o "risco substancial de falsos positivos".44 University of Pittsburgh (2025a)

A alternativa são requisitos claros de declaração com proteções processuais. A declaração de posicionamento do COPE estabelece a estrutura: os autores que utilizam IA devem ser "transparentes ao divulgar na seção de Materiais e Métodos (ou seção semelhante) como a ferramenta de IA foi usada e qual ferramenta foi utilizada", enquanto permanecem "totalmente responsáveis" por todo o conteúdo.45 da Veiga (2025)

A reestruturação das avaliações oferece evidências de integridade muito mais robustas do que a detecção. A Força-Tarefa Conjunta MLA-CCCC recomenda exigir que os alunos compartilhem e comentem o histórico de versões de seus trabalhos escritos, utilizando ferramentas que mostrem o histórico de redação para tornar visível "quando o texto foi copiado e colado de outra fonte".46 MLA-CCCC Task Force (2023)

Exames orais interativos, nos quais os alunos articulam seu raciocínio em tempo real, verificam a compreensão independentemente de como os produtos escritos foram produzidos.47 Theobold (2021); Gaines and Burrows (2024); Smith and Tanner (2010) Abordagens baseadas em portfólios com reflexões estruturadas documentam os processos de aprendizagem ao longo do tempo, tornando inviável a substituição total pela IA.48 Chan and Colloton (2024); Generative AI in Higher Education (2025b); Kong et al. (2024); Pedersen et al. (2018)

A Escala de Avaliação de IA desenvolvida por Perkins, Furze, Roe e MacVaugh fornece uma estrutura de cinco níveis para calibrar a integração adequada da IA de acordo com o tipo de tarefa.49 Perkins et al. (2024b); Perkins et al. (2024a) O Nível 1 aplica-se a ambientes supervisionados que testam a retenção de conhecimento. Os Níveis 2 e 3 permitem a IA para ideação e edição, respectivamente. O Nível 4 permite a redação assistida por IA com divulgação clara de uso. O Nível 5 possibilita a exploração total da IA com foco na curadoria e supervisão humana. A implementação piloto em uma instituição mostrou um aumento de 5,9% no aproveitamento dos estudantes e um aumento de 33,3% nas taxas de aprovação nos módulos, ao mesmo tempo em que reduziu os casos de má conduta acadêmica.50 Furze et al. (2024)

O desenvolvimento do corpo docente é um pré-requisito para uma implementação eficaz. Os constructos de alfabetização em IA, que costumam incluir áreas de competência como compreensão técnica, habilidades avaliativas, aplicação prática e considerações éticas, orientam essa capacitação.51 UNESCO (2024); Tadimalla and Maher (2024); Chiu et al. (2024) Os resultados específicos esperados para os professores incluem o desenvolvimento de tarefas adaptadas à IA, a criação de políticas específicas para os cursos e o estímulo a uma cultura de uso responsável da tecnologia.52 Gupta et al. (2024)

O investimento institucional em ferramentas de IA aprovadas e equipadas com recursos de transparência viabiliza uma implementação consistente, com algumas universidades oferecendo acesso gerenciado pela instituição e proteções de privacidade para essas soluções ligadas a IA.53 Ng et al. (2025); Wu et al. (2024) Muitas universidades, incluindo a Carnegie Mellon, estão envolvidas em discussões e no desenvolvimento de políticas para gerenciar essas ferramentas, focando em autenticação institucional e proteção de dados.54 Pastva et al. (2024)

A transição da detecção para a transparência exige uma mudança cultural em paralelo com a revisão das políticas.55 Zhai et al. (2024); Miah (2024); Laflamme and Bruneault (2025); Lund et al. (2025) O debate acadêmico mais amplo enfatiza que a transparência no uso da IA é crucial para a honestidade intelectual no ambiente educacional.56 Zhang et al. (2025) O objetivo não é a proibição nem a permissividade total, mas sim o desenvolvimento de uma prática reflexiva sobre quando, como e por que a assistência por IA serve a propósitos legítimos.57 Hysaj et al. (2025); Figueroa et al. (2024)

Conclusão

As evidências apresentadas neste documento levam a uma conclusão desconfortável, porém inevitável: as instituições não podem garantir a integridade acadêmica apenas pela detecção na era da IA generativa.

A detecção falha a partir de seus próprios parâmetros. Testes independentes mostram taxas de precisão abaixo de 80%,58 Weber-Wulff et al. (2023) taxas de falsos positivos de até 50% em plataformas de uso corrente59 Walters (2023) e um viés sistemático que sinaliza mais de 61% de textos em inglês escritos por não nativos como gerados por IA.60 Liang et al. (2023) Não se trata de erros temporários aguardando atualizações. O resultado de impossibilidade teórica apresentado por Sadasivan e colaboradores demonstra que, à medida que os modelos de linguagem se aprimoram, mesmo os detectores ideais convergem para uma classificação meramente aleatória.61 Sadasivan et al. (2023) A detecção não é temporariamente inadequada; ela é intrinsecamente limitada.

Enquanto isso, a transformação que as instituições esperavam evitar já ocorreu. Pelo menos 13,5% dos resumos biomédicos mostram evidências de processamento por IA,62 Kobak et al. (2025) 22,5% dos artigos de ciência da computação dão provas de modificações por IA63 Liang et al. (2025a) e até 16,9% das revisões por pares em conferências de grande porte são substancialmente assistidas por IA.64 Liang et al. (2024) Políticas focadas em redações de estudantes de graduação de forma punitiva, enquanto a atividade acadêmica profissional evolui de forma livre, tratam de um sintoma e ignoram a condição estrutural de produção.

A alternativa não é a ausência de limites, mas sim a transparência. Ferramentas projetadas com engajamento no nível da frase, verificação integrada de citações e rastreamento de contribuição tornam o uso da IA visível por padrão, dispensando detecções a posteriori. Combinadas com requisitos de declaração de uso alinhados às diretrizes do COPE65 da Veiga (2025) e documentação dos processos conforme recomendado pela Força-Tarefa Conjunta MLA-CCCC,66 MLA-CCCC Task Force (2023) as abordagens orientadas à transparência mantêm a integridade acadêmica sem os erros, injustiças e dinâmicas de confronto inerentes à aplicação de regras focada na detecção.

A pergunta diante das instituições já não é se devem ou não permitir o uso de IA. Essa pergunta já foi respondida por professores, pesquisadores e estudantes que integraram essas ferramentas aos seus fluxos de trabalho. A questão agora é se o uso da IA será integrado pedagogicamente ou substituído de forma velada.

Instituições que continuarem investindo apenas em detecção estarão gerindo sistemas que prejudicam os estudantes a quem deveriam servir—penalizando desproporcionalmente falantes não nativos e escritores neurodivergentes, enquanto usuários mais experientes evitam a detecção por completo. Aquelas que migrarem para a transparência poderão moldar as novas normas em vez de meramente reagir a elas, construindo ambientes que distingam o auxílio legítimo da fraude acadêmica por meio da visibilidade, e não da vigilância.

O caminho a seguir exige ação objetiva. As instituições devem auditar seus contratos atuais de ferramentas de detecção em face dos dados de precisão e viés aqui apresentados. Devem construir políticas de declaração que tratem a assistência por IA como algo declarável, e não como proibido. Devem investir na capacitação docente para consolidar uma alfabetização em IA que abranja dimensões funcionais, éticas e retóricas. E devem avaliar ferramentas orientadas para a transparência—plataformas construídas para tornar as contribuições de IA rastreáveis—como a real infraestrutura das novas práticas de estudo e produção acadêmica.

Isso não significa render-se a uma inevitabilidade tecnológica. Trata-se do reconhecimento de que a integridade acadêmica sempre dependeu de normas, expectativas claras e declarações honestas, e não de sistemas de vigilância infalíveis. O objetivo permanece inalterado: garantir que as qualificações reflitam a aprendizagem real e que a produção acadêmica represente o progresso do conhecimento. A abordagem precisa mudar porque o ecossistema mudou. A detecção tentava responder a uma pergunta que não tem mais respostas confiáveis. A transparência responde à realidade em que as instituições se encontram.

Declaração de Uso de IA

Durante a elaboração deste documento, os autores utilizaram o Jenni AI com o objetivo de aprimorar a prosa, verificar a formatação de citações e otimizar a clareza e a qualidade da comunicação escrita. Após o uso da ferramenta, os autores revisaram e editaram o conteúdo conforme necessário e assumem total responsabilidade pelo teor da publicação.

O que as instituições podem fazer agora

  1. 1Audite os contratos atuais de ferramentas de detecção com base nos dados de precisão e viés apresentados aqui.
  2. 2Crie políticas de divulgação que tratem a assistência de IA como algo a ser declarado, e não proibido.
  3. 3Invista na formação docente para desenvolver o letramento em IA.
  4. 4Avalie ferramentas voltadas à transparência como infraestrutura, e não como ameaças.

Para instituições

Leve ao seu departamento ou biblioteca uma ferramenta de escrita que prioriza a transparência.

Conheça o Jenni para equipes

Para pesquisadores

Junte-se a milhares de pesquisadores que confiam na Jenni para um trabalho transparente e verificável.

Comece a escrever

Referências

Alejandro, S. (2024). The education balancing act: AI progression, fairness and biases. Policy Perspectives, 31. https://doi.org/10.4079/pp.v31i0.15
Amano, T., Bowker, L., & Burton-Jones, A. (2025). AI-mediated translation presents two possible futures for academic publishing in a multilingual world. PLoS Biology, 23(6). https://doi.org/10.1371/journal.pbio.3003215
Arango, M. C., Hincapié-Otero, M. M., Hardeman, K. N., Shao, B., Starbird, L., & Starbird, C. A. (2024). Special considerations for the use of AI tools by PEERs as a learning and communication aid. Carolina Digital Repository (University of North Carolina at Chapel Hill). https://doi.org/10.17615/m0hg-9687
Arroyo‐Machado, W., Ma, J., Chen, T., Johnson, T. P., Islam, S., Michalegko, L., & Welch, E. W. (2025). Generative AI and academic scientists in US universities: Perception, experience, and adoption intentions. PLoS ONE, 20(8). https://doi.org/10.1371/journal.pone.0330416
Bannister, P., Peñalver, E. A., & Urbieta, A. S. (2024). International students and generative artificial intelligence. Journal of International Students, 14(3), 149–170. https://doi.org/10.32674/jis.v14i3.6277
Bordalejo, B., Pafumi, D., Onuh, F., Khalid, A. K. M. I., Pearce, M. S., & O’Donnell, D. P. (2025). “Scarlet Cloak and the Forest Adventure”: A preliminary study of the impact of AI on commonly used writing tools. International Journal of Educational Technology in Higher Education, 22(1). https://doi.org/10.1186/s41239-025-00505-5
Carik, B., Ping, K., Ding, X., & Rho, E. H. (2024). Exploring large language models through a neurodivergent lens: Use, challenges, community-driven workarounds, and concerns. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2410.06336
Chambers, S., & Kelley, M. C. (2025). The misclassification of autistic writing as AI-generated. In Lecture notes in computer science (pp. 89–103). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-98420-4_7
Chan, C. K. Y., & Colloton, T. (2024). Generative AI in higher education. https://doi.org/10.4324/9781003459026
Cheng, Y., Sadasivan, V. S., Saberi, M., Saha, S., & Feizi, S. (2025). Adversarial paraphrasing: A universal attack for humanizing AI-generated text. https://doi.org/10.48550/ARXIV.2506.07001
Chiu, T. K. F., Ahmad, Z., Ismailov, M., & Sanusi, I. T. (2024). What are artificial intelligence literacy and competency? A comprehensive framework to support them. Computers and Education Open, 6, 100171. https://doi.org/10.1016/j.caeo.2024.100171
Columbia University. (2025). Office of the Provost — Generative AI. https://provost.columbia.edu/content/generative-ai
da Veiga, A. (2025). Ethical guidelines for the use of generative artificial intelligence and artificial intelligence-assisted tools in scholarly publishing: A thematic analysis. Science Editing, 12(1), 28–34. https://doi.org/10.6087/kcse.352
Felzmann, H., Fosch-Villaronga, E., Lutz, C., & Tamò-Larrieux, A. (2020). Towards transparency by design for artificial intelligence. https://doi.org/10.1007/s11948-020-00276-4
Figueroa, B. M., Eaton, S. E., Pethrick, H., Hayden, A., Brennan, R. W., Wiens, J., & McDermott, B. (2024). Academic integrity and artificial intelligence in higher education (HE) contexts: A rapid scoping review. Canadian Perspectives on Academic Integrity, 7(3). https://doi.org/10.55016/ojs/cpai.v7i3.78123
Filimonovic, D., & Rutzer, C. (2025). Generative AI as a linguistic equalizer in global science. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2511.11687
Frank, J. H., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. https://doi.org/10.1109/sp54263.2024.00159
França, A. B. C., Reategui, E. B., Mintz, J., Meira, R. R., & Motz, R. (2024). Writing analytics and AI for special education: Preliminary results on students with autism spectrum disorder. In Communications in computer and information science (pp. 192–199). Springer Science+Business Media. https://doi.org/10.1007/978-3-031-64312-5_23
Furze, L., Perkins, M., Roe, J., & MacVaugh, J. (2024). The AI assessment scale (AIAS) in action: A pilot implementation of GenAI-supported assessment. Australasian Journal of Educational Technology. https://doi.org/10.14742/ajet.9434
Gaines, T., & Burrows, N. L. (2024). Exploring alternative assessments during COVID: Instructor experiences using oral exams. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1379886
Gegg-Harrison, W., & Quarterman, C. (2024). AI detection's high false positive rates and the psychological and material impacts on students. In Advances in educational marketing, administration, and leadership book series (pp. 199–219). IGI Global. https://doi.org/10.4018/979-8-3693-0240-8.ch011
Generative AI in higher education. (2025). Edward Elgar Publishing. https://doi.org/10.4337/9781035326020
Giray, L. (2024). The problem with false positives: AI detection unfairly accuses scholars of AI plagiarism. The Serials Librarian, 1–9. https://doi.org/10.1080/0361526x.2024.2433256
Gorichanaz, T. (2023). Accused: How students respond to allegations of using ChatGPT on assessments. Learning Research and Practice, 9(2), 183–196. https://doi.org/10.1080/23735082.2023.2254787
Gupta, A., Atef, Y., Mills, A., & Bali, M. (2024). Assistant, parrot, or colonizing loudspeaker? ChatGPT metaphors for developing critical AI literacies. Open Praxis, 16(1), 37–53. https://doi.org/10.55982/openpraxis.16.1.631
Hysaj, A., Dean, B. A., & Freeman, M. (2025). Exploring the purposes and uses of generative artificial intelligence tools in academic writing for multicultural students. Higher Education Research & Development, 1–15. https://doi.org/10.1080/07294360.2025.2488862
Is AI-generated content actually detectable? (2025). University of Maryland. https://cmns.umd.edu/news-events/news/ai-generated-content-actually-detectable
Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection. https://doi.org/10.2139/ssrn.5407424
Jacob, S., Tate, T., & Warschauer, M. (2024). Emergent AI-assisted discourse: A case study of a second language writer authoring with ChatGPT. Journal of China Computer-Assisted Language Learning. https://doi.org/10.1515/jccall-2024-0011
Jiang, Y., Hao, J., Fauss, M., & Li, C. (2024). Detecting ChatGPT-generated essays in a large-scale writing assessment: Is there a bias against non-native English speakers? Computers & Education, 217, 105070. https://doi.org/10.1016/j.compedu.2024.105070
Jianghao, L., Rong, S., Jiachen, Z., Xi, Y., Yong, Y., & Zhang, W. (2025). Stop DDoS attacking the research community with AI-generated survey papers. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.09686
Knott, A., Pedreschi, D., Jitsuzumi, T., Leavy, S., Eyers, D., Chakraborti, T., Trotman, A., Sundareswaran, S., Baeza‐Yates, R., Biecek, P., Weller, A., Teal, P. D., Basu, S., Haklıdır, M., Morini, V., Russell, S., & Bengio, Y. (2024). AI content detection in the emerging information ecosystem: New obligations for media and tech companies. Ethics and Information Technology, 26(4). https://doi.org/10.1007/s10676-024-09795-1
Kobak, D., González-Márquez, R., Horvát, E. Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27). https://doi.org/10.1126/sciadv.adt3813
Kong, S. C., Lee, J. C., & Tsang, O. (2024). A pedagogical design for self-regulated learning in academic writing using text-based generative artificial intelligence tools: 6-P pedagogy of plan, prompt, preview, produce, peer-review, portfolio-tracking. Research and Practice in Technology Enhanced Learning, 19, 30. https://doi.org/10.58459/rptel.2024.19030
Kwon, D. (2025). Is it OK for AI to write science papers? Nature survey shows researchers are split. Nature, 641(8063), 574–578. https://doi.org/10.1038/d41586-025-01463-8
Laflamme, A. S., & Bruneault, F. (2025). Redefining academic integrity in the age of generative artificial intelligence: The essential contribution of artificial intelligence ethics. Journal of Scholarly Publishing, 56(2), 481–509. https://doi.org/10.3138/jsp-2024-1125
Latona, G. R., Ribeiro, M. H., Davidson, T. R., Veselovsky, V., & West, R. (2024). The AI review lottery: Widespread AI-assisted peer reviews boost paper scores and acceptance rates. https://doi.org/10.48550/ARXIV.2405.02150
Lepp, H., & Sarin, P. (2024). A global AI community requires language-diverse publishing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2408.14772
Liang, W., Izzo, Z., Zhang, Y., Lepp, H., Cao, H., Zhao, X., Chen, L., Ye, H., Liu, S., Huang, Z., McFarland, D. A., & Zou, J. (2024). Monitoring AI-modified content at scale: A case study on the impact of ChatGPT on AI conference peer reviews. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2403.07183
Liang, W., Yüksekgönül, M., Mao, Y., Wu, E. Q., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Liang, W., Zhang, Y., Wu, Z., Lepp, H., Ji, W., Zhao, X., Cao, H., Liu, S., He, S., Huang, Z., Yang, D., Potts, C., Manning, C. D., & Zou, J. (2025a). Quantifying large language model usage in scientific papers. Nature Human Behaviour. https://doi.org/10.1038/s41562-025-02273-8
Liang, X., Yang, J., Wang, Y., Tang, C., Zheng, Z., Niu, S., Song, S., Wang, H., Tang, B., Xiong, F., Mao, K., & Li, Z. (2025). SurveyX: Academic survey automation via large language models. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.14776
Liao, Z., Antoniak, M., Cheong, I., Cheng, E. Y. Y., Lee, A. H., Lo, K., Chang, J. C., & Zhang, A. X. (2024). LLMs as research tools: A large scale survey of researchers' usage and perceptions. https://doi.org/10.48550/ARXIV.2411.05025
Liu, J. Q. J., Hui, K. T., Zoubi, F. A., Zhou, Z. Z. X., Samartzis, D., Yu, C. C. H., Chang, J. R., & Wong, A. Y. L. (2024). The great detectives: Humans versus AI detectors in catching large language model-generated medical writing. International Journal for Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00155-6
Lund, B., Orhan, Z., Mannuru, N. R., Bevara, R. V. K., Porter, B., Vinaih, M. K., & Bhaskara, P. (2025). Standards, frameworks, and legislation for artificial intelligence (AI) transparency. AI and Ethics, 5(4), 3639–3655. https://doi.org/10.1007/s43681-025-00661-4
Matsui, K. (2025). Delving into PubMed records: How AI-influenced vocabulary has transformed medical writing since ChatGPT. Perspectives on Medical Education, 14(1), 882–890. https://doi.org/10.5334/pme.1929
Miah, M. (2024). Unveiling the evolutionary impact of artificial intelligence on the workforce. Informatica Economica, 28, 39–58. https://doi.org/10.24818/issn14531305/28.1.2024.04
MLA-CCCC Joint Task Force on Writing and AI. (2023). Academic integrity and assignment design. https://aiandwriting.hcommons.org/2023/09/22/academic-integrity-and-assignment-design/
Mustaffa, N. E., Lai, K. H., Preece, C., & Wong, F. Y. (2025). A bibliometric review of large language model hallucination. International Journal of Research and Innovation in Social Science, 5025–5037. https://doi.org/10.47772/ijriss.2025.909000409
Ng, B., Liu, J., Tong, X., Ye, K., Yenne, G., Chandrasekaran, V., & Li, J. (2025). Analyzing security and privacy challenges in generative AI usage guidelines for higher education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2506.20463
Ovalle, A. (2023). Decoding the digital fuku: Deciphering colonial legacies to critically assess ChatGPT in Dominican education. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2310.17533
Park, S. (2024). AI chatbots and linguistic injustice. Journal of Universal Language, 25(1), 99–119. https://doi.org/10.22425/jul.2024.25.1.99
Pastva, J., Jebbia, D., Reilly, M., & Werlinich, A. (2024). The implementation of Keenious at Carnegie Mellon University. Journal of eScience Librarianship, 13(1). https://doi.org/10.7191/jeslib.800
Pedersen, A. Y., Caviglia, F., Kay, J., & Luckin, R. (2018). Researcher or fellow citizen?: Looking for a role model in the humanities. Research Portal Denmark, 2, 945–948.
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The artificial intelligence assessment scale (AIAS): A framework for ethical integration of generative AI in educational assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Perkins, M., Roe, J., & Furze, L. (2024). The AI assessment scale revisited: A framework for educational assessment. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2412.09029
Perkins, M., Roe, J., Vu, B., Postma, D., Hickerson, D., McGaughran, J., & Khuat, H. Q. (2024). GenAI detection tools, adversarial techniques and implications for inclusivity in higher education. Cornell University. https://doi.org/10.48550/arxiv.2403.19148
Prakash, A., Aggarwal, S., Varghese, J. J., & Varghese, J. (2025). Writing without borders: AI and cross-cultural convergence in academic writing quality. Humanities and Social Sciences Communications, 12(1). https://doi.org/10.1057/s41599-025-05484-6
Rueda, J., Ivanković, V., & Blunden, C. (2025). A cautiously optimistic view on large language model use against linguistic injustice in academia. Nature Machine Intelligence, 7(11), 1773–1774. https://doi.org/10.1038/s42256-025-01138-z
Rughiniș, C., Vulpe, S., Țurcanu, D., & Rughiniș, R. (2025). AI at the knowledge gates: Institutional policies and hybrid configurations in universities and publishers. Frontiers in Computer Science, 7. https://doi.org/10.3389/fcomp.2025.1608276
Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2303.11156
Sebastian, F., & Baron, R. (2024). Artificial intelligence: What the future holds for multilingual authors and editing professionals. Science Editor. https://doi.org/10.36591/se-d-4702-01
Shimray, S. R., & Subaveerapandiyan, A. (2025). Artificial intelligence in academic writing and research: Adoption and effectiveness. Open Information Science, 9(1). https://doi.org/10.1515/opis-2025-0026
Smith, J. I., & Tanner, K. D. (2010). The problem of revealing how students think: Concept inventories and beyond. CBE—Life Sciences Education, 9(1), 1–5. https://doi.org/10.1187/cbe.09-12-0094
Spennemann, D. (2025). The origins and veracity of references ‘cited’ by generative artificial intelligence applications: Implications for the quality of responses. Publications, 13, 12. https://doi.org/10.3390/publications13010012
Sun, Z., Zhu, X., Zhou, X., Tong, X., Wang, S., Fu, J., Li, G., Liu, Z., & Wu, F. (2025). SurveyBench: Can LLM(-agents) write academic surveys that align with reader needs? arXiv (Cornell University). https://doi.org/10.48550/arxiv.2510.03120
Tadimalla, S. Y., & Maher, M. L. (2024). AI literacy for all: Adjustable interdisciplinary socio-technical curriculum. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.10552
Theobold, A. S. (2021). Oral exams: A more meaningful assessment of students’ understanding. Journal of Statistics and Data Science Education, 29(2), 156–159. https://doi.org/10.1080/26939169.2021.1914527
UNESCO. (2024). AI competency framework for teachers. https://doi.org/10.54675/zjte2084
University of Pittsburgh. (2025). Generative AI: Encouraging academic integrity. https://teaching.pitt.edu/resources/encouraging-academic-integrity/
Wakjira, T. G., Tijani, I. A., Alam, M. S., Mashal, M., & Hasan, K. (2025). Can we trust AI content detection tools for critical decision-making? Information, 16(10), 904. https://doi.org/10.3390/info16100904
Walters, W. H. (2023). The effectiveness of software designed to detect AI-generated writing: A comparison of 16 AI text detectors. Open Information Science, 7(1). https://doi.org/10.1515/opis-2022-0158
Walters, Ext. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-41032-5
Wang, Y., Guo, Q., Yao, W., Zhang, H., Zhang, X., Wu, Z., Zhang, M., Dai, X., Zhang, M., Wen, Q., Ye, W., Zhang, S., & Zhang, Y. (2024). Autosurvey: Large language models can automatically write surveys. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2406.10252
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1). https://doi.org/10.1007/s40979-023-00146-z
Wu, C., Zhang, H., & Carroll, J. M. (2024). AI governance in higher education: Case studies of guidance at Big Ten universities. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2409.02017
Xu, Z. (2025). Patterns and purposes: A cross-journal analysis of AI tool usage in academic writing. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2502.00632
Yip, R., Sun, Y. J., Bassuk, A. G., & Mahajan, V. B. (2025). Artificial intelligence’s contribution to biomedical literature search: Revolutionizing or complicating? PLOS Digital Health, 4. https://doi.org/10.1371/journal.pdig.0000849
Zhai, C., Wibowo, S., & Li, L. D. (2024). The effects of over-reliance on AI dialogue systems on students’ cognitive abilities: A systematic review. https://doi.org/10.1186/s40561-024-00316-7
Zhang, X., Zhang, J., & Oubibi, M. (2025). Effects of Chinese college students’ academic integrity perceptions on the intention to disclose AI-generated outputs: A moderated mediation model. Journal of Academic Ethics, 23(4), 1709–1728. https://doi.org/10.1007/s10805-025-09622-2

Citar este artigo

Spezowka, Alex. Além da Detecção: Uma Estrutura para Integração Ética da IA na Pesquisa Acadêmica. Pesquisa Jenni, 2026. jenni.ai/pt/whitepaper.

Confiado por universidades e empresas em todo o mundo

google logo
penn logo
cambridge university
aston university logo

Confiado por universidades e empresas em todo o mundo

google logo
penn logo
cambridge university
aston university logo

Confiado por universidades e empresas em todo o mundo

google logo
penn logo
cambridge university
aston university logo
INTEGRIDADE POR DESENHO

Construído para a confiança, não apenas para a velocidade

Cada trabalho criado com a Jenni inclui transparência e verificabilidade integradas.

Escreva com confiança

Verifique o texto diretamente contra as fontes citadas para garantir que suas afirmações representem a literatura com precisão.

Reivindique confiança

A análise de confiança das alegações abordou questões de citações redundantes, fracas ou ausentes, juntamente com casos de contradição nos argumentos de citação.

Deturpado

Contradito

3

Não suportado

4

Pouco Suportado

2

Exagerado

Inverificável

Detete problemas cedo e evite várias rondas de feedback

Verifique suas alegações em relação à pesquisa existente, garantindo que seus argumentos sejam defensáveis.

O lar para a sua escrita acadêmica

Chega de lutar com integrações de aplicativos, escreva seu próximo artigo em um só lugar.

Privacidade de Dados

Os seus rascunhos permanecem privados. A Jenni não utiliza a sua escrita para treinar modelos, e os nossos fornecedores de IA a montante estão contratualmente proibidos de treinar com dados dos utilizadores da Jenni.

Declaração de IA

Insira uma declaração de conformidade que esteja alinhada com os padrões de divulgação de referenciais como os Princípios de IA da OCDE e a Ética da IA da UNESCO.

Feito para Colaboração

Escreva, edite e cite com seus coautores em um editor de documentos único e fácil de usar. Evite a dor do controle de versões com uma colaboração contínua.

Usei o Jenni para elaborar resumos para as minhas candidaturas ao doutoramento, com enfoque na digitalização, na otimização da cadeia de abastecimento e na resiliência. A ferramenta ajudou-me a transformar as minhas ideias de investigação em propostas concisas e cativantes, que chamaram a atenção de muitos leitores.

Rebecca Nakalanda | Docente, Escola de Negócios da Universidade Makerere

Pronto para escrever com confiança?

Junte-se a milhares de pesquisadores que confiam na Jenni para um trabalho transparente e verificável.

Comece gratuitamente

Não é necessário cartão de crédito

Cancele a qualquer momento

Mais de 6 milhões

De acadêmicos em todo o mundo

5,2 horas economizadas

Em média por artigo

Mais de 15 milhões

De artigos escritos utilizando Jenni

Pronto para escrever com confiança?

Junte-se a milhares de pesquisadores que confiam na Jenni para um trabalho transparente e verificável.

Comece gratuitamente

Não é necessário cartão de crédito

Cancele a qualquer momento

Mais de 6 milhões

De acadêmicos em todo o mundo

5,2 horas economizadas

Em média por artigo

Mais de 15 milhões

De artigos escritos utilizando Jenni

Pronto para escrever com confiança?

Junte-se a milhares de pesquisadores que confiam na Jenni para um trabalho transparente e verificável.

Comece gratuitamente

Não é necessário cartão de crédito

Cancele a qualquer momento

Mais de 6 milhões

De acadêmicos em todo o mundo

5,2 horas economizadas

Em média por artigo

Mais de 15 milhões

De artigos escritos utilizando Jenni