Estudo com 524 pessoas mede capacidade humana de detectar deepfakes de GANs a GPT-5 e testa treinamento específico por modelo
Um estudo online com 524 participantes mediu a precisão humana em identificar rostos deepfake gerados por cinco famílias de modelos generativos — três GANs, um modelo de difusão e o MLLM GPT-5 — e testou se treinar as pessoas com artefatos visuais específicos de cada gerador funciona melhor que um treinamento genérico. Os autores propõem a Deepfake Face Artifact Taxonomy (DFAT) para catalogar esses artefatos e constatam, de forma contraintuitiva, que modelos mais recentes e avançados não são necessariamente mais difíceis de detectar visualmente; o ganho de treinamento específico por modelo se manteve estável num follow-up de cinco meses.
Detecção automatizada de deepfakes domina a literatura técnica, mas boa parte da triagem inicial de conteúdo suspeito em contextos reais — moderação, verificação jornalística, e frequentemente o primeiro filtro em investigações periciais de mídia — ainda depende do olho humano. Este estudo ataca uma lacuna correspondente na pesquisa: falta evidência sistemática sobre quão bem pessoas comuns detectam deepfakes faciais produzidos por diferentes famílias de gerador, e se é possível treinar essa habilidade de forma que se generalize entre modelos.
A contribuição metodológica central é a Deepfake Face Artifact Taxonomy (DFAT), uma classificação cross-model dos artefatos visuais que humanos conseguem efetivamente reconhecer — distorções de textura, inconsistências de iluminação, falhas de simetria facial e outros sinais que variam de arquitetura para arquitetura geradora. A partir dessa taxonomia os autores construíram dois tipos de material de treinamento: um genérico, cobrindo padrões comuns entre geradores, e materiais específicos por modelo, direcionados aos artefatos característicos de cada família (GAN, difusão, MLLM).
No experimento com 524 participantes avaliando imagens de três GANs, um modelo de difusão e o GPT-5, o resultado mais relevante para quem avalia risco de desinformação é que a precisão de detecção depende fortemente do modelo gerador específico — e, de forma contraintuitiva, imagens de modelos mais recentes e tecnicamente mais avançados não se mostraram necessariamente mais difíceis de detectar que as de modelos mais antigos. Isso sugere que “capacidade generativa” e “indetectabilidade por humanos” são eixos parcialmente independentes, algo relevante para quem está calibrando a confiança que se deve depositar na triagem visual humana como primeira linha de defesa.
Após o treinamento, a maioria das condições mostrou ganhos significativos de acurácia, e o treinamento específico por modelo gerador superou numericamente o treinamento genérico na maioria dos casos — ou seja, ensinar as pessoas a reconhecer os artefatos particulares de uma arquitetura específica compensa mais do que um treinamento único e abrangente, ainda que às custas de pior generalização para modelos não vistos. O achado que mais importa para programas de capacitação corporativa ou pericial é o follow-up de cinco meses com 342 participantes: não houve queda significativa na acurácia de detecção nem aumento de estresse percebido, indicando que o conhecimento adquirido é razoavelmente duradouro e que treinar analistas humanos em detecção de deepfakes é um investimento que se sustenta no tempo, não apenas um efeito de curto prazo em laboratório.