# Estudo: LLMs rejeitam fontes descritas como negras em até 46% dos casos

> Pesquisa mostra que modelos de linguagem populares se recusam mais vezes a confiar em informações quando a fonte é descrita como negra, revelando um viés oculto.

Oossa · 2026-10-23 · https://oossa.com/pt/study-finds-llms-decline-info-from-black-described-reporters-up-to-46-of-the-tim

Um novo artigo publicado no arXiv, intitulado “Invisibilization as a Source of Probability Bias in Language Models”, mediu com que frequência os principais modelos se recusam a confiar em um relato com base na raça atribuída à pessoa que o forneceu. Em um jogo com duas urnas, realizado ao longo de 6.600 sessões, os autores constataram que os modelos da OpenAI e da Anthropic se recusaram a avaliar o relato em 46 % das vezes quando a fonte era descrita como negra, contra 9 % quando era descrita como branca. Quando avaliavam as informações, os modelos confiavam um pouco mais na fonte descrita como negra. O viés desaparece quando um sistema de pontuação recompensa avaliações corretas ao longo de várias rodadas.

## Os fatos

- Artigo publicado em 2026-10-23 ("Fri Oct 23 2026 06:00:00 GMT+0200")
- Taxa de recusa: 46 % para fontes descritas como negras e 9 % para fontes descritas como brancas

## Por que importa

Quem desenvolve assistentes de IA precisa saber que os LLMs atuais podem, sem deixar isso claro, favorecer ou rejeitar informações com base na raça percebida, o que pode afetar a equidade em aplicações como atendimento ao cliente ou triagem médica.

## Fontes e referências

1. [Invisibilization as a Source of Probability Bias in Language Models](https://arxiv.org/abs/2610.30785) – arXiv, 2026-10-23

Última atualização: 2026-10-23