Dá para detectar mentiras? O que a pesquisa precisa mostrar

TL;DR

Uma pesquisa sobre detecção de mentiras precisa mostrar mais do que um bom percentual de acertos. Você precisa saber de onde veio a resposta verdadeira, quais erros aconteceram e se o resultado continuou quando mudou a pessoa avaliada.

O treino pode ajudar em uma tarefa e não se repetir em outra. Um sistema também pode acertar muitas respostas e produzir várias suspeitas erradas. Vamos separar essas situações com estudos, perguntas práticas e uma conta inventada, sem atribuir a nenhum aparelho os números escolhidos para a explicação.

Acertar hoje não resolve o próximo encontro

Você acompanha um treinamento e vê alguém acertar todas as respostas de uma rodada. Parece uma demonstração forte de habilidade. Mas uma rodada perfeita responde a uma pergunta pequena: o que aconteceu naquela rodada. Falta saber se o desempenho se mantém.

Na detecção de mentiras, conviver com a mesma pessoa durante o exercício pode mudar o problema. Quem avalia pode aprender algo daquele jeito de falar. Quem responde também pode se adaptar. O encontro seguinte, com outra pessoa, é uma prova diferente.

Por isso, o melhor momento do treino não deve substituir a descrição do conjunto. Quantas pessoas participaram? Houve oscilações? O ganho apareceu fora da situação treinada? Conferimos as pesquisas discutidas aqui pela última vez em 20 de outubro de 2026.

O que aconteceu no experimento brasileiro

No estudo de Quinta e Coelho de 2009 sobre feedback e desempenho, participaram 20 estudantes: cinco avaliavam e quinze faziam relatos. Usavam histórias em quadrinhos e instruções para respostas verdadeiras ou falsas. Em certas sessões havia informação sobre o acerto de cada julgamento.

Houve sessões com até 100% de acertos, mas os resultados oscilaram e a generalização para outros emissores foi inconclusiva. Os próprios autores discutem como separar aprendizagem, prática e interação. É uma pesquisa pequena sobre essas condições, não uma demonstração de que qualquer pessoa treinada alcança 100%.

Esse limite não apaga o que aconteceu. Ele ajuda a escolher a próxima pergunta: o que foi aprendido, por quem, sobre qual tarefa e com que estabilidade? É assim que um resultado pode orientar outra investigação sem virar uma promessa maior do que os dados.

Quem sabia a resposta certa?

Para contar acertos, a equipe precisava conhecer a resposta. As instruções no experimento forneciam essa referência. Em outros desenhos, algumas pessoas realizam uma ação e outras não; depois seus relatos são comparados ao que foi combinado ou observado.

Com uma lembrança pessoal, a questão exige outro cuidado. Aconteceu mesmo? Foi confirmada por alguém ou por um registro? Ou só se aceitou o relato de quem participou? O rótulo “verdadeiro” precisa ter uma origem explicada.

A síntese de Bond e DePaulo de 2006 encontrou cerca de 54% de acerto em julgamentos sem recursos especiais nem treino. Esse número descreve as tarefas reunidas, não o limite de toda investigação possível.

Se um relato foi chamado de falso apenas porque pareceu suspeito, usar a mesma impressão para validar o método cria um círculo. Pode haver concordância entre julgamentos sem confirmação do acontecimento. A comparação precisa de uma base independente para sustentar a promessa feita.

Aprender uma pessoa ou aprender a detectar mentiras?

Imagine uma sequência longa com a mesma voz. Depois de algum tempo, uma mudança pode ficar fácil de notar. Mas será que ela significa a mesma coisa em outra voz, outro assunto ou outra situação?

Na análise de um caso, reconhecer uma diferença não basta para explicar sua causa. A pessoa pode se esforçar mais para lembrar uma data ou para entender uma pergunta. O que precisa ser verificado é a afirmação em disputa, não só a mudança no comportamento.

Para programas, vale um cuidado parecido. Usar novos trechos de pessoas já vistas no treino não demonstra, por si só, funcionamento com pessoas desconhecidas. A separação deve acontecer entre participantes quando esse é o uso prometido. Mudar apenas o nome do arquivo não resolve.

A tarefa também muda quando mudam as perguntas

Quem assiste a um vídeo recebe o que já foi gravado. Quem conversa pode pedir uma informação nova. Um lugar, horário ou documento mencionado pode abrir uma oportunidade de verificação que antes não existia.

Mac Giolla e Luke relataram em 2021 cerca de 60% de acerto médio para abordagens cognitivas, reduzido a aproximadamente 55% após uma correção de viés. São estimativas de estudos com condições e limitações próprias.

Há caminhos promissores, inclusive os resultados de nove estudos de Verschuere e colegas em 2023 sobre atenção aos detalhes. Isso não faz de qualquer pergunta difícil um detector. Você precisa saber o que se perguntou, que resposta surgiu e o que poderia confirmá-la.

Uma resposta curta também pode ser verdadeira. Uma história inventada pode incluir nomes e lugares reais. O detalhe tem valor quando ajuda a verificar o ponto discutido, e não apenas porque torna o relato mais rico.

Uma impressão de confiança não é um acerto

Um estudo de Bogaard e colegas de 2026 distingue avaliações de credibilidade de decisões corretas sobre verdade e mentira. Encontrar uma associação com a primeira medida não demonstrou uma associação clara com a segunda para os relatos verdadeiros.

Pense em duas histórias, uma real e outra inventada. Você dá uma nota um pouco melhor à real, mas considera as duas verdadeiras. Existe uma diferença na impressão; a mentira continuou passando. O resultado deve ser descrito pelo que foi contado.

Também pode haver relação entre um gesto e o fato de observadores desconfiarem. Isso ajuda a explicar o julgamento, inclusive um julgamento errado. Para provar que o gesto indica mentira, falta comparar com o que realmente aconteceu.

Duas contas antes de aceitar um percentual

Um método pode deixar passar uma mentira ou suspeitar de uma resposta verdadeira. Encontrar mais mentiras não garante menos acusações erradas. Se você marcar quase tudo, vai encontrar várias, mas o custo pode ser alto.

Sensibilidade é a proporção de relatos falsos encontrados. Especificidade é a proporção de verdadeiros corretamente deixados sem suspeita. São contas feitas em grupos diferentes. Por isso, vale pedir os dois números.

Veja também os casos sem resposta. Admitir dúvida pode ser mais responsável do que adivinhar. Se os casos difíceis saíram da conta, porém, o percentual final só descreve o que sobrou. É preciso saber quantas vezes a ferramenta não conseguiu decidir.

Por que 84 alertas não são 84 mentiras

Em um exemplo inventado, há 300 relatos: 60 falsos e 240 verdadeiros. Vamos supor 80% de sensibilidade e 85% de especificidade. São condições escolhidas para a conta, não taxas de uma ferramenta real ou da frequência de mentira no cotidiano.

O método encontraria 48 relatos falsos e perderia doze. Entre os verdadeiros, acertaria 204, mas marcaria 36 por engano. Seriam 84 alertas, dos quais 48 ÷ 84, cerca de 57,1%, corresponderiam a relatos falsos.

A precisão geral seria (48 + 204) ÷ 300 = 84%. Não há contradição. Uma conta olha todas as respostas, outra olha apenas as marcadas. Mudando as condições, muda a proporção entre alertas corretos e errados. O exemplo não permite atribuir esse percentual a alguém em uma investigação.

A média pode esconder muita sobreposição

Dois grupos inventados apresentam 1, 2, 3 e 2, 3, 4. As médias são diferentes, mas os valores 2 e 3 aparecem dos dois lados. Um valor individual não identifica o grupo sem erro.

Uma diferença média pode ser interessante para a pesquisa. Para decidir sobre uma pessoa, é necessário criar uma regra e testar seus erros com material novo. Essa etapa não está pronta só porque os grupos diferem.

O mesmo cuidado vale para emoções e lembranças. Mesmo identificar corretamente um sentimento não diria necessariamente por que ele apareceu. Medo da exposição e medo de uma mentira ser descoberta podem exigir explicações diferentes. A expressão sozinha não escolhe entre elas.

O resultado aparece de novo?

Luke mostrou em 2019 como estudos pequenos, pouca repetição e seleção de resultados podem exagerar efeitos. Isso não prova que todos sejam inexistentes. Mostra por que precisamos conhecer as tentativas, não só a mais favorável.

Quando várias combinações são testadas e apenas a melhor aparece, o leitor não vê as oportunidades de um acerto por acaso. Registrar as escolhas antes da análise e repetir a pesquisa em outra amostra ajuda a avaliar essa possibilidade.

Na vida comum, as pessoas podem ensaiar, misturar informações ou não querer colaborar. A influência disso precisa ser testada. Quem pesquisa pode propor uma hipótese; quem oferece uma aplicação deve explicar em quais condições ela já foi avaliada.

As caixas e a data da confirmação

Imagine uma situação fictícia: uma associação recebe caixas para um evento. A pessoa responsável diz que a entrega ocorreu na quinta-feira. Um comprovante no sistema aparece na sexta. A explicação é detalhada, mas uma ferramenta a marca como falsa.

Antes de decidir, descubra o que o comprovante registra. Pode ser a chegada das caixas, a conferência ou a confirmação administrativa. Um documento também pode se referir a outro lote. Datas diferentes não descrevem necessariamente o mesmo ato.

Se o número das caixas não corresponde, há um problema concreto a esclarecer. Isso merece atenção com voz tranquila ou nervosa. Já a intenção de enganar exige entender o que a pessoa sabia e quis afirmar. O alerta não faz essa parte da investigação.

O que vale levar de uma pesquisa

Procure a tarefa, a origem da verdade usada na comparação, os dois tipos de erro e os casos sem decisão. Depois pergunte se o resultado se repetiu com pessoas novas e em condições próximas do uso anunciado.

Uma pesquisa pode ajudar a fazer perguntas melhores sem entregar um veredito sobre alguém. O cuidado está em preservar essa diferença. Se o percentual aparece sozinho, ainda faltam informações para saber o que ele realmente oferece.