O roteiro contempla desde a formulação adequada do problema de pesquisa, passando pelo levantamento bibliográfico sistematizado, até a produção do manuscrito final, sempre enfatizando o papel complementar – e não substitutivo – da IA no trabalho intelectual do pesquisador. São apresentadas ferramentas específicas, técnicas de engenharia de prompt, frameworks de validação crítica e diretrizes éticas para assegurar a integridade científica.
Este documento destina-se a pesquisadores, pós-graduandos e acadêmicos que buscam compreender e aplicar ferramentas de IA de forma metodologicamente fundamentada, preservando o rigor científico e a responsabilidade autoral que caracterizam a produção acadêmica de excelência.
Sumário
- Introdução e Contextualização
- Fundamentação Teórica
- Metodologia de Integração da IA
- Engenharia de Prompt para Pesquisa Científica
- Ferramentas e Recursos Tecnológicos
- Aplicações Práticas e Estudos de Caso
- Diretrizes Éticas e Boas Práticas
- Cronograma de Implementação
- Recursos Complementares
- Referências Bibliográficas
Introdução e Contextualização
A emergência de tecnologias de inteligência artificial generativa tem provocado transformações significativas em diversos campos do conhecimento, incluindo a pesquisa científica. Ferramentas como ChatGPT, Claude, Gemini e outras plataformas baseadas em modelos de linguagem de grande escala (Large Language Models - LLMs) apresentam potencial considerável para auxiliar pesquisadores em tarefas que vão desde a formulação de problemas de pesquisa até a revisão final de manuscritos.
No entanto, a adoção dessas tecnologias no ambiente acadêmico demanda reflexão crítica e metodológica rigorosa. O uso inadequado ou acrítico de ferramentas de IA pode comprometer a integridade científica, gerar informações falsas (fenômeno conhecido como "alucinação"), e até mesmo configurar apropriação indevida de conteúdo. Por outro lado, quando empregadas de forma ética e fundamentada, essas ferramentas podem ampliar significativamente a capacidade produtiva e analítica dos pesquisadores.
Posicionamento Fundamental
A IA é uma ferramenta complementar, não substitutiva. O trabalho intelectual, a análise crítica, a interpretação de dados e a responsabilidade autoral permanecem indissociavelmente vinculados ao pesquisador humano. As tecnologias de IA devem ser compreendidas como instrumentos que, quando adequadamente integrados ao processo científico, podem otimizar tarefas mecânicas e repetitivas, liberando tempo e energia cognitiva para atividades de maior complexidade intelectual.
1.1 Objetivos do Roteiro
Este roteiro metodológico tem como objetivos centrais:
- Apresentar um framework estruturado para integração de ferramentas de IA no fluxo da pesquisa científica;
- Capacitar pesquisadores para o uso ético, crítico e metodologicamente fundamentado dessas tecnologias;
- Fornecer recursos práticos, incluindo templates de prompts, diretrizes de validação e recomendações de ferramentas;
- Estabelecer protocolos de verificação e controle de qualidade para outputs gerados por IA;
- Fomentar reflexão sobre as implicações éticas e epistemológicas do uso de IA na produção científica.
1.2 Público-Alvo
Este material destina-se a pesquisadores em formação (mestrandos e doutorandos), pesquisadores consolidados, docentes e profissionais envolvidos em atividades de pesquisa científica que desejam incorporar ferramentas de IA em suas práticas, mantendo o rigor metodológico e a integridade científica.
1.3 Contexto do Workshop Original
O presente roteiro baseia-se no workshop ministrado pelo Prof. Ricardo Pereira em universidades estaduais do Paraná, que abordou o uso prático de IA generativa na pesquisa científica. O workshop integrou um evento mais amplo que contou com palestras de especialistas internacionais e sessões práticas focadas na aplicação de ferramentas tecnológicas emergentes no contexto educacional.
Nota Metodológica
Este roteiro foi desenvolvido com base em evidências empíricas, práticas consolidadas na literatura científica sobre metodologia de pesquisa, e nas experiências compartilhadas por pesquisadores que já integram IA em seus fluxos de trabalho. Todas as recomendações aqui apresentadas foram testadas e validadas em contextos acadêmicos reais.
Fundamentação Teórica
2.1 Fluxo da Pesquisa Científica
A pesquisa científica, independentemente da área do conhecimento, estrutura-se tradicionalmente em três fases interdependentes: planejamento, condução e disseminação. Esta estrutura tripartite, consolidada na literatura metodológica (GIL, 2008; PRODANOV; FREITAS, 2013), fornece o arcabouço organizacional dentro do qual as ferramentas de IA podem ser integradas.
Framework Tripartite da Pesquisa Científica
Fase I: Planejamento
Componentes Essenciais:
- Definição do Problema de Pesquisa: Formulação de questionamento científico relevante, original e viável, derivado de lacunas identificadas na literatura ou de oportunidades empíricas inéditas.
- Estabelecimento de Objetivos: Delimitação clara dos objetivos gerais e específicos que nortearão a investigação.
- Justificativa: Argumentação sobre a relevância científica, social e/ou aplicada da pesquisa proposta.
- Delineamento Metodológico Preliminar: Definição da abordagem (qualitativa, quantitativa ou mista), métodos de coleta e análise de dados, e procedimentos de validação.
Potencial de Aplicação da IA: Geração de insights sobre o tema, identificação de lacunas na literatura, sugestão de abordagens metodológicas, elaboração de mapas conceituais.
Fase II: Condução
Componentes Essenciais:
- Levantamento Bibliográfico: Revisão sistemática ou narrativa da literatura científica relevante, com identificação do estado da arte e das bases teóricas pertinentes.
- Coleta de Dados: Aplicação dos instrumentos e procedimentos definidos para obtenção de dados empíricos (quando aplicável).
- Análise de Dados: Processamento, codificação e interpretação dos dados coletados, seja por métodos qualitativos (análise de conteúdo, análise do discurso) ou quantitativos (estatística descritiva e inferencial).
- Triangulação e Validação: Procedimentos de verificação da consistência e validade dos resultados obtidos.
Potencial de Aplicação da IA: Aceleração da leitura e classificação de artigos, análise temática preliminar, identificação de padrões em grandes volumes de dados, suporte na codificação qualitativa.
Fase III: Disseminação
Componentes Essenciais:
- Estruturação do Manuscrito: Organização do texto científico conforme normas e convenções da área (IMRAD para ciências naturais e biomédicas, estruturas específicas para ciências humanas e sociais).
- Revisão Textual: Verificação de coerência argumentativa, correção ortográfica e gramatical, adequação estilística.
- Submissão e Revisão por Pares: Encaminhamento do manuscrito para periódicos científicos e incorporação de sugestões dos revisores.
- Outras Formas de Disseminação: Apresentação em eventos científicos, divulgação em repositórios institucionais, comunicação pública da ciência.
Potencial de Aplicação da IA: Revisão ortográfica e estilística, sugestões de reformulação para maior clareza, verificação de coerência estrutural, tradução preliminar para idiomas estrangeiros.
2.2 Papel da IA no Processo Científico
A integração de ferramentas de IA no processo científico deve ser compreendida à luz de três princípios fundamentais:
2.2.1 Princípio da Complementaridade
A IA não substitui o pesquisador, mas complementa suas capacidades cognitivas. Enquanto ferramentas de IA podem processar grandes volumes de informação em tempo reduzido, identificar padrões estatísticos e gerar textos com estrutura coerente, elas carecem de: (a) capacidade de juízo crítico; (b) compreensão contextual profunda; (c) criatividade genuína; (d) responsabilidade ética e autoral.
2.2.2 Princípio da Validação Crítica
Todo output gerado por ferramentas de IA deve ser submetido a escrutínio crítico rigoroso. O fenômeno da "alucinação" – geração de informações plausíveis mas factualmente incorretas – é intríseco aos modelos de linguagem atuais e exige que o pesquisador valide sistematicamente todas as referências, dados e afirmações produzidos pela IA.
2.2.3 Princípio da Transparência Metodológica
O uso de ferramentas de IA deve ser explicitamente reportado nos manuscritos científicos, especificando quais ferramentas foram utilizadas, em quais etapas da pesquisa, e com que propósito. Esta transparência é essencial para a avaliação da qualidade metodológica do trabalho por parte da comunidade científica.
Advertência Metodológica Crítica
A literatura recente tem documentado casos de fabricação de referências bibliográficas por ferramentas de IA, que geram citações aparentemente plausíveis mas completamente fictícias. Este fenômeno representa grave ameaça à integridade científica e exige que pesquisadores verifiquem a existência e autenticidade de TODAS as referências sugeridas por IA nas bases de dados científicas oficiais.
2.3 Limitações e Riscos
A adoção de ferramentas de IA na pesquisa científica deve considerar as seguintes limitações e riscos:
Limitações Técnicas
- Conhecimento limitado ao período de treinamento (knowledge cutoff)
- Viés algorítmico derivado dos dados de treinamento
- Incapacidade de raciocínio causal genuíno
- Tendência a gerar informações plausíveis mas incorretas
Riscos Epistemológicos
- Homogeneização do pensamento científico
- Dependência excessiva de soluções automatizadas
- Erosão da capacidade de pensamento crítico
- Superficialização da análise intelectual
Riscos Éticos
- Apropriação indevida de conteúdo gerado por IA
- Violação de direitos autorais e propriedade intelectual
- Dificuldade de atribuição de autoria e responsabilidade
- Potencial para práticas academicamente desonestas
Desafios Metodológicos
- Falta de padronização no reporte do uso de IA
- Dificuldade de replicabilidade de outputs
- Ausência de critérios consolidados de avaliação
- Evolução rápida das tecnologias
Metodologia de Integração da IA
Esta seção apresenta protocolos detalhados para integração de ferramentas de IA em cada fase da pesquisa científica, incluindo procedimentos, ferramentas recomendadas e critérios de validação.
3.1 Fase 1: Planejamento da Pesquisa
3.1.1 Definição do Problema de Pesquisa
O problema de pesquisa constitui o núcleo da investigação científica. A IA pode auxiliar na exploração preliminar do tema, identificação de lacunas e formulação de questões pertinentes.
Protocolo de Uso da IA para Definição do Problema
- Exploração Inicial: Utilize ferramentas de IA para mapear o estado atual do conhecimento sobre o tema de interesse, identificando pesquisas recentes e tendências emergentes.
- Identificação de Lacunas: Solicite à IA que identifique aspectos pouco explorados, contradições na literatura ou questões ainda não respondidas.
- Formulação de Questões: Utilize a IA como interlocutor para refinar a formulação da questão de pesquisa, testando diferentes versões quanto à clareza, viabilidade e relevância.
- Validação Crítica: Submeta as sugestões da IA ao escrutínio crítico, confrontando-as com sua expertise e com literatura científica de referência.
Você é um pesquisador experiente na área de [ÁREA DO CONHECIMENTO] com especialização em [SUBÁREA ESPECÍFICA].
CONTEXTO:
Estou desenvolvendo uma proposta de pesquisa sobre [TEMA GERAL]. Minha formação é em [SUA FORMAÇÃO] e tenho interesse específico em [ASPECTO PARTICULAR].
TAREFA:
1. Analise o estado atual do conhecimento sobre [TEMA]
2. Identifique 5 lacunas ou questões ainda não adequadamente respondidas na literatura
3. Para cada lacuna identificada, explique:
a) Por que ela é relevante cientificamente
b) Que tipo de abordagem metodológica seria adequada para investigá-la
c) Qual o potencial de contribuição para o avanço do conhecimento
ESTILO:
Responda de forma acadêmica, fundamentada e crítica. Cite possíveis áreas de aplicação e implicações teóricas.
INSTRUÇÕES:
- Priorize lacunas que sejam viáveis para pesquisa de [MESTRADO/DOUTORADO]
- Considere o contexto brasileiro quando relevante
- Indique possíveis limitações de cada abordagem
PALAVRAS-CHAVE:
[listar 3-5 palavras-chave centrais]
Confirme que compreendeu a demanda antes de prosseguir.
3.1.2 Estabelecimento de Objetivos e Metodologia Preliminar
A IA pode auxiliar na estruturação lógica dos objetivos e na identificação de abordagens metodológicas adequadas ao problema de pesquisa formulado.
Ferramentas Recomendadas para Fase de Planejamento
LLM de propósito geral. Versão gratuita (GPT-3.5) adequada para brainstorming inicial. Versão Plus (GPT-4) oferece raciocínio mais sofisticado e acesso a plugins.
Modelo com janela de contexto estendida (200k tokens), ideal para análise de documentos longos e manutenção de conversações complexas sobre o projeto de pesquisa.
Ferramenta de busca potencializada por IA, fornece respostas com citações de fontes. Útil para verificação de informações e exploração de literatura recente.
Ferramenta visual para mapeamento de conexões bibliográficas. Gera grafos de trabalhos relacionados, facilitando identificação de literatura seminal e derivada.
Similar ao Connected Papers, com recursos adicionais de colaboração e atualização automática de mapas bibliográficos.
3.2 Fase 2: Condução da Pesquisa
3.2.1 Levantamento Bibliográfico Sistematizado
O levantamento bibliográfico constitui etapa crítica da pesquisa científica. O uso inadequado de IA nesta fase pode comprometer irreversivelmente a qualidade do trabalho. Portanto, estabelece-se o seguinte protocolo:
Princípio Fundamental do Levantamento Bibliográfico
O levantamento bibliográfico oficial DEVE ser realizado em bases científicas indexadas e reconhecidas. Ferramentas de IA NÃO devem ser utilizadas como fonte primária de referências bibliográficas devido ao risco elevado de fabricação de citações falsas (alucinações).
Protocolo para Levantamento Bibliográfico
Selecione bases de dados apropriadas à sua área (Scopus, Web of Science, PubMed, ERIC, SciELO, etc.). Defina strings de busca utilizando operadores booleanos (AND, OR, NOT) e controladores de vocabulário quando disponíveis.
Apoio da IA: Utilize ferramentas de IA para testar e refinar strings de busca, identificando sinônimos e termos relacionados relevantes.
Execute as buscas nas bases selecionadas, documentando meticulosamente a data, base, string utilizada e número de resultados obtidos.
Sem uso de IA nesta etapa. Busca manual nas bases oficiais.
Exporte os resultados em formatos estruturados (CSV, RIS, BibTeX) para gerenciadores de referência (Zotero, Mendeley, EndNote).
Apoio da IA: Utilize IA para organizar metadados exportados, criar matrizes de síntese e identificar duplicatas.
Aplique critérios de inclusão e exclusão predefinidos para selecionar artigos relevantes. Realize triagem por título, resumo e, quando necessário, texto completo.
Apoio da IA: IA pode auxiliar na leitura acelerada de resumos e na classificação preliminar, mas decisões finais devem ser do pesquisador.
Leia criticamente os artigos selecionados, extraindo informações relevantes e organizando-as tematicamente.
Apoio da IA: Utilize ferramentas como NotebookLM, ChatPDF ou GPTs customizados para interagir com PDFs, fazer perguntas específicas e gerar sínteses preliminares (sempre validadas pelo pesquisador).
Crie mapas de cocorrência de palavras-chave, análises bibliométricas e visualizações de redes de citação.
Apoio da IA: Ferramentas como VOSviewer (não-IA mas complementar) podem ser utilizadas junto com IA para interpretar padrões identificados nos mapas.
Bases de Dados Científicas Recomendadas
Base multidisciplinar com cobertura global. Oferece Scopus AI (análise semântica avançada) para instituições assinantes. Exporta metadados em múltiplos formatos.
Base multidisciplinar com indexação rigorosa. Forte em ciências exatas e naturais. Oferece análises de citação e métricas de impacto.
Base gratuita especializada em ciências biomédicas e da saúde. Acesso a milhões de artigos com resumos indexados por MeSH (Medical Subject Headings).
Base gratuita especializada em educação. Mantida pelo Departamento de Educação dos EUA. Essencial para pesquisas em educação e pedagogia.
Biblioteca eletrônica com foco em produção científica da América Latina, Caribe, África do Sul, Espanha e Portugal. Acesso aberto.
Mecanismo de busca gratuito com ampla cobertura, incluindo literatura cinzenta. Útil para busca complementar, mas deve ser usado com critério devido à inclusão de materiais não peer-reviewed.
3.2.2 Análise de Dados com Suporte de IA
Ferramentas de IA podem auxiliar significativamente na análise de dados, tanto em abordagens qualitativas quanto quantitativas. No entanto, a interpretação final deve sempre caber ao pesquisador.
Análise Qualitativa
Tarefas Auxiliadas por IA:
- Codificação preliminar de transcrições
- Identificação de temas recorrentes
- Sugestão de categorias analíticas
- Sumarização de grandes volumes de texto
Validação Necessária: Toda codificação deve ser revisada e refinada pelo pesquisador. A IA pode acelerar o processo, mas não substitui a análise interpretativa fundamentada teoricamente.
Análise Quantitativa
Tarefas Auxiliadas por IA:
- Limpeza e preparação de datasets
- Geração de código para análises estatísticas
- Visualização de dados
- Interpretação preliminar de resultados
Validação Necessária: Verificar pressupostos estatísticos, avaliar adequação dos testes sugeridos, e assegurar que interpretações estejam alinhadas com teoria e literatura.
Ferramentas de IA para Análise de Dados
Ferramenta gratuita do Google que permite upload de múltiplos documentos e interação via chat. Ideal para análise temática de literatura científica. Gera resumos, identifica padrões e responde perguntas contextualizadas.
Permite upload de PDFs e interação via chat. Versão gratuita permite análise de documentos individuais. Versão paga oferece organização em pastas temáticas e análise de múltiplos documentos simultaneamente.
Plataforma especializada em revisão de literatura científica. Oferece recursos de análise bibliométrica, extração de dados e síntese automatizada.
Software gratuito para construção e visualização de redes bibliométricas. Não é IA, mas ferramenta complementar essencial para análise de cocorrências e padrões na literatura.
3.3 Fase 3: Disseminação
3.3.1 Estruturação e Redação do Manuscrito
A fase de disseminação envolve a transformação dos resultados da pesquisa em texto científico estruturado e comunicável. A IA pode auxiliar em diversos aspectos desta fase, desde que respeitados os limites éticos e de autoria.
Princípio da Autoria Responsável
Textos gerados por IA não podem ser copiados e colados diretamente no manuscrito. A autoria científica implica responsabilidade intelectual sobre o conteúdo produzido. Outputs de IA devem ser substancialmente revisados, reescritos e apropriados pelo pesquisador, que assume integral responsabilidade pelo texto final.
Protocolo de Uso da IA na Redação
- Estruturação Inicial: Utilize IA para gerar outlines, sugerir organização de seções e subseções, propor transições lógicas entre partes do texto.
- Desenvolvimento de Argumentos: Discuta ideias com a IA como interlocutor crítico, mas desenvolva os argumentos com suas próprias palavras.
- Revisão Estilística: Solicite sugestões de reformulação para maior clareza, concisão e fluidez, mas mantenha sua voz autoral.
- Correção Ortográfica e Gramatical: Utilize IA para identificar erros, mas revise todas as correções sugeridas antes de implementá-las.
- Adequação às Normas: Peça auxílio para formatação de referências (ABNT, APA, etc.), mas verifique manualmente todas as entradas bibliográficas.
Você é um revisor acadêmico experiente com expertise em [ÁREA].
TAREFA:
Revise o seguinte trecho do meu manuscrito científico focando em:
1. Clareza e precisão da argumentação
2. Coerência lógica entre ideias
3. Adequação do registro acadêmico
4. Concisão sem perda de conteúdo
TRECHO:
[colar trecho do texto]
INSTRUÇÕES:
- NÃO reescreva o texto completamente
- Sugira apenas melhorias pontuais com justificativa
- Mantenha o conteúdo técnico original
- Identifique possíveis ambiguidades ou imprecisões
- Aponte onde argumentos precisam de maior desenvolvimento
Forneça sugestões numeradas e explique cada uma.
3.3.2 Verificação de Autenticidade e Qualidade
Com a proliferação de textos gerados por IA, ferramentas de detecção tornaram-se importantes para editores e revisores. Pesquisadores devem estar cientes dessas tecnologias:
Ferramentas de Detecção de IA
Detector de conteúdo gerado por IA e verificador de plágio. Oferece análise sentença por sentença e métricas de probabilidade de autoria por IA.
Ferramenta desenvolvida especificamente para detecção de texto gerado por modelos GPT. Oferece versão gratuita limitada e planos educacionais.
Sistema de verificação de originalidade amplamente utilizado em instituições acadêmicas. Recentemente incorporou detector de IA.
Nota sobre Detecção de IA
Ferramentas de detecção de IA não são infalíveis e podem gerar falsos positivos. Textos humanos podem ser incorretamente sinalizados como gerados por IA, e vice-versa. O melhor protocolo é sempre manter documentação clara do processo de escrita e estar preparado para explicar e justificar escolhas textuais.
Engenharia de Prompt para Pesquisa Científica
A eficácia da interação com ferramentas de IA depende fundamentalmente da qualidade dos prompts (instruções) fornecidos. Prompts mal formulados resultam em outputs genéricos, imprecisos ou irrelevantes. Esta seção apresenta um framework estruturado para construção de prompts eficazes no contexto da pesquisa científica.
4.1 Framework de Sete Elementos
Baseado em Ferrate et al. (2023) e adaptado para pesquisa científica, o framework de sete elementos estrutura prompts da seguinte forma:
Estrutura do Prompt Científico
| Elemento | Descrição | Exemplo |
|---|---|---|
| 1. Persona | Define o papel que a IA deve assumir | "Você é um orientador acadêmico experiente em metodologia de pesquisa qualitativa" |
| 2. Contexto | Situação específica e condições de contorno | "Estou desenvolvendo minha tese de doutorado sobre [tema] e preciso refinar meu problema de pesquisa" |
| 3. Tarefa | O que exatamente se deseja que a IA faça | "Analise meu problema de pesquisa proposto e sugira três formas de torná-lo mais específico e investigável" |
| 4. Estilo | Tom, registro e características da resposta | "Responda de forma acadêmica, crítica e fundamentada, citando autores relevantes quando apropriado" |
| 5. Instruções | Como estruturar e organizar a resposta | "Organize sua resposta em: (1) Análise do problema atual; (2) Três propostas de refinamento; (3) Justificativa de cada proposta" |
| 6. Palavras-chave | Termos centrais que direcionam o escopo | "Foque em: metodologia qualitativa, fenomenologia, análise de discurso" |
| 7. Check | Confirmação de compreensão antes de prosseguir | "Confirme que compreendeu a demanda antes de fornecer sua análise" |
4.2 Exemplos Práticos de Prompts Estruturados
Exemplo 1: Definição de Metodologia
PERSONA:
Você é um metodologista especializado em pesquisas de abordagem mista (mixed methods).
CONTEXTO:
Sou mestranda em Educação e estou desenhando uma pesquisa sobre uso de tecnologias digitais no ensino fundamental. Já defini meu problema de pesquisa: "Como professores do ensino fundamental integram tecnologias digitais em suas práticas pedagógicas e que fatores influenciam essa integração?"
TAREFA:
Proponha um delineamento metodológico de abordagem mista adequado para investigar este problema, especificando:
1. Justificativa para uso de métodos mistos
2. Sequenciamento das fases (exploratória sequencial, explanatória sequencial ou convergente paralelo)
3. Instrumentos de coleta de dados sugeridos para cada fase
4. Estratégias de integração dos dados qualitativos e quantitativos
5. Possíveis limitações da abordagem proposta
ESTILO:
Acadêmico, fundamentado em autores de referência em mixed methods (Creswell, Tashakkori, Teddlie).
INSTRUÇÕES:
- Organize a resposta nas 5 seções solicitadas
- Para cada instrumento sugerido, explique brevemente como seria aplicado
- Cite pelo menos 3 referências metodológicas relevantes (apenas autores e ano, sem fabricar títulos)
- Indique tempo estimado para cada fase da pesquisa
PALAVRAS-CHAVE:
Mixed methods, pesquisa educacional, tecnologias digitais, professores, ensino fundamental
CHECK:
Confirme que compreendeu o problema de pesquisa e os requisitos antes de apresentar sua proposta metodológica.
Exemplo 2: Análise de Dados Qualitativos
PERSONA:
Você é um especialista em análise de conteúdo segundo a abordagem de Bardin.
CONTEXTO:
Realizei 15 entrevistas semiestruturadas com gestores de empresas sobre práticas de sustentabilidade. Já transcrevi todas as entrevistas e preciso iniciar a análise de conteúdo.
TAREFA:
Auxilie-me no processo de codificação preliminar de um trecho de transcrição. Especificamente:
1. Identifique unidades de significado no trecho
2. Sugira códigos descritivos para cada unidade
3. Agrupe os códigos em categorias temáticas emergentes
4. Explique a lógica de agrupamento das categorias
ESTILO:
Metodológico, analítico, com foco na transparência do processo de codificação.
INSTRUÇÕES:
- Apresente o texto codificado com os códigos entre colchetes: [texto] [código]
- Liste os códigos identificados com suas definições
- Apresente as categorias temáticas em formato de árvore
- Indique possíveis sobreposições ou ambiguidades que requerem decisão do pesquisador
PALAVRAS-CHAVE:
Análise de conteúdo, codificação, categorias temáticas, sustentabilidade empresarial
TRECHO PARA ANÁLISE:
[colar trecho da transcrição]
CHECK:
Confirme que compreendeu a abordagem de análise de conteúdo de Bardin antes de proceder à codificação.
Melhores Práticas em Engenharia de Prompt
- Seja Específico: Quanto mais preciso o prompt, mais relevante a resposta.
- Forneça Contexto: A IA performa melhor quando entende o contexto completo da demanda.
- Estruture Claramente: Use numeração, marcadores e formatação para organizar o prompt.
- Itere e Refine: Prompts raramente são perfeitos na primeira tentativa. Refine com base nas respostas.
- Solicite Justificativas: Peça que a IA explique seu raciocínio, não apenas forneça respostas.
- Estabeleça Limitações: Indique explicitamente o que a IA NÃO deve fazer.
- Peça Validação: Solicite que a IA confirme compreensão antes de executar tarefas complexas.
4.3 Prompts para Diferentes Etapas da Pesquisa
Planejamento
- Geração de ideias para problema de pesquisa
- Identificação de lacunas na literatura
- Estruturação de objetivos
- Sugestão de abordagens metodológicas
- Elaboração de cronogramas
Condução
- Refinamento de strings de busca
- Síntese de artigos científicos
- Codificação de dados qualitativos
- Geração de código para análises estatísticas
- Interpretação de resultados
Disseminação
- Estruturação de seções do manuscrito
- Revisão estilística e gramatical
- Sugestões de títulos e resumos
- Identificação de periódicos adequados
- Preparação de respostas a revisores
Ferramentas e Recursos Tecnológicos
Esta seção apresenta um panorama das principais ferramentas de IA disponíveis para pesquisa científica, classificadas por funcionalidade, com análise de vantagens, limitações e custos.
5.1 Plataformas Generalistas de IA
| Ferramenta | Características | Plano Gratuito | Plano Pago |
|---|---|---|---|
| ChatGPT (OpenAI) | LLM de propósito geral. GPT-4 oferece raciocínio avançado. Acesso a plugins e GPTs customizados. | GPT-3.5: sim, limitações de uso | Plus: $20/mês Pro: $200/mês |
| Claude (Anthropic) | Janela de contexto estendida (200k tokens). Excelente para análise de documentos longos. | Claude 3 Sonnet: sim, limites diários | Pro: $20/mês |
| Gemini (Google) | Integração com Google Workspace. Multimodal (texto, imagem, áudio). | Gemini: sim, com limites | Advanced: $20/mês |
| Perplexity AI | Busca potencializada por IA com citações de fontes. Útil para verificação de informações. | Sim, limitado | Pro: $20/mês |
| Microsoft Copilot | Integrado ao Microsoft 365. Funcionalidades em Word, Excel, PowerPoint. | Versão básica no Bing | M365 Copilot: $30/usuário/mês |
5.2 Ferramentas Especializadas para Pesquisa
Levantamento e Análise Bibliográfica
Descrição: Plataforma de busca da Elsevier com IA integrada para análise
semântica de literatura. Oferece sumarização de artigos, identificação de tendências e
recomendações personalizadas.
Acesso: Institucional (requer assinatura da biblioteca)
Avaliação: Considerada a melhor IA para pesquisa científica devido à
confiabilidade das fontes e integração com base indexada.
Descrição: Mecanismo de busca acadêmica gratuito com IA para compreensão
semântica de artigos. Oferece resumos gerados por IA (TL;DR), métricas de influência e
grafos de citação.
Acesso: Gratuito
Avaliação: Excelente alternativa gratuita, especialmente forte em
ciência da computação e biomedicina.
Descrição: Gera grafos visuais de trabalhos relacionados a partir de
um artigo-semente. Facilita identificação de literatura seminal e derivações recentes.
Acesso: Gratuito com limites; plano pago remove restrições
Uso recomendado: Mapeamento inicial do campo de pesquisa.
Descrição: Similar ao Connected Papers, com recursos de colaboração
em equipe e atualização automática de mapas ao longo do tempo.
Acesso: Freemium (plano básico gratuito)
Diferencial: Atualizações automáticas alertam sobre novos trabalhos
relevantes.
Descrição: "Spotify para papers" - recomendações personalizadas de
artigos baseadas em biblioteca do usuário. Visualizações interativas de redes de citação.
Acesso: Gratuito
Avaliação: Interface intuitiva, ideal para descoberta contínua de literatura.
Leitura e Análise de Documentos
Descrição: Ferramenta gratuita do Google para análise de múltiplos
documentos. Permite upload de PDFs, URLs e textos, gerando resumos, respondendo
perguntas e identificando conexões.
Acesso: Gratuito (requer conta Google)
Limitações: Máximo de 50 fontes por notebook; outputs em inglês podem
ser melhores que em português.
Descrição: Análise interativa de PDFs via chat. Versão gratuita permite
análise de documentos individuais. Versão Plus oferece pastas temáticas e análise
simultânea de múltiplos PDFs.
Acesso: Freemium
Custo (Plus): $5/mês
Descrição: "Assistente de pesquisa IA" que automatiza revisão de
literatura. Responde perguntas de pesquisa com síntese de papers relevantes.
Acesso: Freemium
Diferencial: Extração automática de dados de papers para tabelas comparativas.
Descrição: Sumarização automatizada de artigos científicos. Extrai
introdução, metodologia, resultados, conclusões e referências de forma estruturada.
Acesso: Freemium
Formato de output: Flashcards conceituais para revisão rápida.
Escrita e Revisão Acadêmica
Descrição: Correção ortográfica e gramatical avançada com IA.
Versão premium oferece sugestões de estilo e tom.
Acesso: Freemium
Limitação: Otimizado para inglês; suporte limitado para português.
Descrição: Tradução por IA com qualidade superior a Google Translate,
especialmente para textos acadêmicos.
Acesso: Freemium
Uso recomendado: Tradução de artigos estrangeiros e preparação de
manuscritos em inglês.
Descrição: Ferramenta de paráfrase e reescrita. Útil para reformular
trechos mantendo o significado.
Acesso: Freemium
Advertência: Uso ético exige que reformulações sejam substanciais e
apropriadas pelo autor.
Descrição: Editor de linguagem acadêmica com IA treinada em milhões
de artigos científicos. Sugere reformulações acadêmicas adequadas.
Acesso: Gratuito para estudantes de instituições parceiras; pago para outros
5.3 Ferramentas para Análise de Dados
Análise Quantitativa
Análise de dados e visualização via IA. Upload de datasets (CSV, Excel) e geração automática de gráficos, estatísticas descritivas e testes inferências com interpretação em linguagem natural.
Funcionalidade do ChatGPT Plus que permite upload de arquivos de dados, execução de código Python para análises estatísticas e geração de visualizações.
Análise Qualitativa
Software tradicional de análise qualitativa com funcionalidades de IA para codificação assistida e identificação de padrões em dados textuais, audiovisuais e de redes sociais.
Software de análise qualitativa com IA para codificação automática, análise de sentimento e visualização de temas. Integração com Citavi para gestão de referências.
5.4 Gerenciadores de Referência
| Ferramenta | Características | Custo | Integração com IA |
|---|---|---|---|
| Zotero | Open source, extensões para navegadores, sincronização na nuvem | Gratuito | Plugins de comunidade integram com IA |
| Mendeley | Interface intuitiva, rede social de pesquisadores, leitor de PDF integrado | Freemium | IA para recomendações de artigos |
| EndNote | Robusto para grandes bibliotecas, integração com Word | Pago (licenças institucionais) | Recursos limitados de IA |
| Citavi | Gestão de conhecimento além de referências, planejamento de projetos | Pago (licenças estudantis disponíveis) | IA para organização temática |
Recomendação Geral
Para pesquisadores iniciando, recomenda-se o uso de Zotero devido à gratuidade, comunidade ativa e flexibilidade. Para análise qualitativa, versões educacionais de NVivo ou ATLAS.ti costumam estar disponíveis em instituições de ensino. Para análise quantitativa, a combinação de ChatGPT Plus (Code Interpreter) ou Claude com R/Python oferece excelente custo-benefício.
Aplicações Práticas e Estudos de Caso
Esta seção apresenta exemplos concretos de aplicação de IA em diferentes tipos de pesquisa, ilustrando workflows completos desde o planejamento até a disseminação.
6.1 Estudo de Caso 1: Revisão Sistemática da Literatura
Contexto da Pesquisa
Tema: Impacto da inteligência artificial na educação básica brasileira
Objetivo: Conduzir revisão sistemática sobre implementação de IA em escolas
públicas brasileiras (2018-2024)
Questão de pesquisa: Quais são as aplicações, benefícios e desafios da IA
na educação básica pública no Brasil?
Workflow com Integração de IA
Sem IA: Definição de bases (Scopus, Web of Science, SciELO, ERIC)
Com IA: Uso do ChatGPT para refinar strings de busca:
String inicial: "artificial intelligence" AND "basic education" AND "Brazil"
Refinamento com IA:
("artificial intelligence" OR "machine learning" OR "AI" OR "intelligent systems") AND
("basic education" OR "primary education" OR "secondary education" OR "K-12") AND
("Brazil" OR "Brazilian")
Sem IA: Busca manual nas 4 bases, obtendo 342 artigos
Com IA: Nenhum uso nesta etapa (princípio de validação em bases oficiais)
Sem IA: Leitura de 342 títulos e resumos (estimativa: 10-12 horas)
Com IA: Upload dos metadados (CSV) para Claude. Prompt para classificação preliminar baseada em critérios de inclusão/exclusão. Revisão humana das classificações. Tempo: 4-5 horas (redução de ~60%)
Resultado: 87 artigos selecionados para leitura completa
Sem IA: Leitura completa de 87 artigos com preenchimento manual de matriz de síntese (estimativa: 40-50 horas)
Com IA: Upload de PDFs para NotebookLM em grupos temáticos. Prompts estruturados para extração de: (a) objetivos; (b) metodologia; (c) principais resultados; (d) limitações. Validação humana das extrações. Tempo: 20-25 horas (redução de ~50%)
Com IA: Uso de Claude para identificação preliminar de temas recorrentes na literatura. Geração de mapa conceitual com VOSviewer (cocorrência de palavras-chave). Refinamento humano das categorias temáticas.
Categorias identificadas: (1) Sistemas tutores inteligentes; (2) Análise preditiva de desempenho; (3) Personalização de aprendizagem; (4) Automação administrativa; (5) Desafios de implementação
Com IA: Uso de ChatGPT para estruturação inicial das seções. Redação humana de todo o conteúdo. Revisão estilística com Grammarly (versão em inglês). Formatação de referências com Zotero.
Tempo estimado de redação: 30-35 horas (similar ao processo sem IA, mas com maior qualidade de organização estrutural)
Ganhos Quantificados
Tempo total sem IA: ~90-100 horas
Tempo total com IA: ~60-70 horas
Redução: 30-35%
Principal ganho: Aceleração de tarefas mecânicas (triagem, extração de dados),
liberando mais tempo para análise crítica e interpretação.
6.2 Estudo de Caso 2: Pesquisa Qualitativa com Entrevistas
Contexto da Pesquisa
Tema: Experiências de professores com ensino remoto emergencial durante a pandemia
Objetivo: Compreender desafios, estratégias e aprendizados de professores
durante período de ensino remoto
Metodologia: Pesquisa qualitativa com 20 entrevistas semiestruturadas
Workflow com Integração de IA
- Transcrição de Entrevistas: Uso de ferramentas de transcrição automática (Otter.ai, Whisper da OpenAI) seguida de revisão humana para correção de erros e adequação ao português brasileiro.
- Codificação Preliminar: Upload de transcrições para Claude. Prompt estruturado solicitando identificação de unidades de significado e códigos descritivos segundo abordagem de análise de conteúdo de Bardin.
- Refinamento de Códigos: Revisão humana de todos os códigos, eliminando redundâncias, ajustando definições e identificando códigos que a IA não capturou.
- Categorização Temática: Uso da IA para agrupar códigos em categorias temáticas preliminares. Discussão em equipe de pesquisa para validação e refinamento das categorias.
- Análise Interpretativa: Processo exclusivamente humano. IA não foi utilizada para interpretação teórica dos dados, apenas para organização e visualização de padrões.
Limitação Crítica Identificada
A IA mostrou dificuldade em capturar nuances contextuais e ironia em algumas falas dos entrevistados. Códigos atribuídos pela IA a trechos irônicos foram frequentemente literais, requerendo correção humana. Este achado reforça a necessidade de supervisão crítica constante.
6.3 Estudo de Caso 3: Pesquisa Quantitativa com Survey
Contexto da Pesquisa
Tema: Relação entre uso de tecnologias digitais e desempenho acadêmico
em universitários
Objetivo: Investigar correlações entre padrões de uso de tecnologia e
desempenho em contexto acadêmico
Metodologia: Survey online com 523 respondentes; análise estatística descritiva
e inferencial
Aplicação da IA na Análise Quantitativa
- Limpeza de Dados: Upload do dataset para ChatGPT (Code Interpreter). Identificação de missings, outliers e inconsistências. Geração de código Python para tratamento de dados, com explicação de cada passo.
- Análise Descritiva: Solicitação de estatísticas descritivas (média, mediana, desvio-padrão, distribuições) para cada variável. Geração automática de tabelas e gráficos.
- Testes de Hipóteses: Prompt especificando hipóteses de pesquisa e solicitando testes estatísticos apropriados (correlação de Pearson, teste t, ANOVA). IA gerou código R com verificação de pressupostos dos testes.
- Interpretação de Resultados: IA forneceu interpretação preliminar dos valores de p, tamanhos de efeito e intervalos de confiança. Pesquisador validou interpretações e as contextualizou teoricamente.
Você é um estatístico especializado em análise de dados de pesquisas educacionais.
CONTEXTO:
Tenho um dataset de survey (N=523) com as seguintes variáveis:
- horas_tec_dia: horas diárias de uso de tecnologia (contínua)
- desempenho_acad: média ponderada do semestre (contínua, 0-10)
- curso: área do curso (categórica: Exatas, Humanas, Biológicas)
- periodo: período do curso (ordinal: 1-8)
TAREFA:
1. Realize análise descritiva completa de todas as variáveis
2. Teste a hipótese de correlação entre horas_tec_dia e desempenho_acad
3. Verifique se há diferenças significativas de desempenho entre áreas de curso (ANOVA)
4. Gere visualizações apropriadas para cada análise
INSTRUÇÕES:
- Use Python com pandas, scipy e matplotlib
- Verifique pressupostos de cada teste estatístico
- Reporte valores de p, tamanhos de efeito (Cohen's d ou eta-squared) e intervalos de confiança
- Explique cada passo do código gerado
ESTILO:
Técnico mas didático. Explique escolhas metodológicas.
Execute o código e apresente resultados interpretados.
6.4 Lições Aprendidas nos Estudos de Caso
Quando a IA Agrega Valor
- Tarefas repetitivas e mecânicas
- Processamento de grandes volumes de dados
- Geração de código para análises
- Estruturação inicial de textos
- Identificação preliminar de padrões
Quando a IA é Insuficiente
- Interpretação teórica de resultados
- Contextualização histórica e cultural
- Captação de nuances e ironia
- Tomada de decisões metodológicas complexas
- Avaliação crítica de qualidade de fontes
Melhores Práticas Identificadas
- Sempre validar outputs da IA
- Documentar uso de IA no protocolo
- Combinar múltiplas ferramentas
- Manter pensamento crítico ativo
- Iterar e refinar prompts
Erros Comuns a Evitar
- Confiar cegamente em outputs
- Copiar/colar texto sem revisar
- Não reportar uso de IA
- Terceirizar pensamento crítico
- Ignorar limitações conhecidas
Diretrizes Éticas e Boas Práticas
O uso de IA na pesquisa científica levanta questões éticas que demandam reflexão cuidadosa. Esta seção estabelece princípios e diretrizes para uso responsável dessas tecnologias.
7.1 Princípios Éticos Fundamentais
Código de Conduta para Uso de IA em Pesquisa
1. Transparência e Disclosure
Princípio: Todo uso de ferramentas de IA deve ser explicitamente reportado na seção de metodologia do manuscrito.
Prática:
- Especificar quais ferramentas foram utilizadas (nome, versão, desenvolvedor)
- Descrever em quais etapas da pesquisa a IA foi empregada
- Explicar o propósito do uso de IA em cada contexto
- Indicar como outputs foram validados
Exemplo de Disclosure Adequado
"Na fase de triagem da revisão sistemática, utilizou-se Claude 3 Opus (Anthropic, versão de março de 2024) para classificação preliminar dos 342 artigos identificados com base nos critérios de inclusão e exclusão predefinidos. Todas as classificações sugeridas pela IA foram revisadas e validadas pelos pesquisadores. Para análise temática dos 87 artigos selecionados, empregou-se NotebookLM (Google, 2024) para identificação preliminar de padrões, seguida de codificação manual e refinamento teórico pelos autores."
2. Responsabilidade Autoral
Princípio: Ferramentas de IA não podem ser listadas como coautoras. Autores humanos assumem integral responsabilidade pelo conteúdo publicado.
Prática:
- Revisar criticamente todo output gerado por IA
- Reescrever substancialmente qualquer texto produzido por IA
- Validar todas as referências, dados e afirmações
- Assumir responsabilidade por erros, mesmo que originados de sugestões da IA
3. Integridade Científica
Princípio: O uso de IA não deve comprometer o rigor metodológico ou a confiabilidade dos resultados da pesquisa.
Prática:
- Verificar sistematicamente informações geradas por IA em fontes primárias
- Não utilizar IA para fabricar ou manipular dados
- Reportar honestamente limitações relacionadas ao uso de IA
- Manter documentação detalhada de todos os prompts e interações relevantes
4. Propriedade Intelectual
Princípio: Respeitar direitos autorais e propriedade intelectual, reconhecendo que o status legal de conteúdo gerado por IA ainda está em evolução.
Prática:
- Não utilizar IA para reproduzir trabalhos protegidos por direitos autorais
- Evitar prompts que solicitem "escrever no estilo de [autor específico]"
- Citar adequadamente fontes quando IA é usada para síntese de literatura
- Estar ciente das políticas de uso de dados das plataformas de IA utilizadas
7.2 Diretrizes Específicas por Tipo de Uso
| Contexto de Uso | Permitido | Requer Cuidado | Não Recomendado |
|---|---|---|---|
| Brainstorming de Ideias | Exploração inicial de temas, identificação de lacunas | Formulação de problemas e hipóteses (requer validação teórica) | Decisão final sobre problema sem análise crítica |
| Revisão de Literatura | Refinamento de strings, organização de metadados | Triagem preliminar (sempre validar), síntese de artigos | Uso de IA como fonte primária de referências |
| Análise de Dados | Limpeza de dados, geração de código, visualizações | Codificação qualitativa (sempre revisar), escolha de testes estatísticos | Interpretação teórica de resultados sem supervisão humana |
| Redação | Correção ortográfica, sugestões estilísticas, estruturação | Reformulação de trechos (requer reescrita substantiva) | Cópia direta de parágrafos gerados, plágio por meio de IA |
7.3 Posicionamentos de Periódicos e Instituições
Diversas editoras científicas e periódicos têm publicado diretrizes sobre uso de IA. Pesquisadores devem consultar as políticas específicas dos periódicos-alvo antes da submissão.
Posicionamentos de Grandes Editoras
Posicionamento: LLMs e ferramentas de IA não podem ser listadas como autores. Uso de IA deve ser descrito na seção de métodos ou agradecimentos. Autores são responsáveis por verificar precisão de todo conteúdo gerado por IA.
Posicionamento: IA não pode ser autora. Texto gerado por IA sem revisão substancial do autor é considerado má conduta científica. Uso deve ser reportado na submissão.
Posicionamento: Autores devem assegurar que uso de IA não viole direitos autorais, privacidade ou outros direitos. Conteúdo gerado por IA deve ser cuidadosamente verificado quanto a precisão e viés.
Posicionamento: LLMs não atendem critérios para autoria (responsabilidade, accountability). Editores devem desenvolver políticas claras sobre disclosure de uso de IA.
Consequências de Uso Inadequado
Violações das diretrizes éticas sobre uso de IA podem resultar em:
- Rejeição de manuscritos por periódicos
- Retração de artigos já publicados
- Danos à reputação acadêmica do pesquisador
- Sanções institucionais
- Em casos graves, processos por má conduta científica
7.4 Checklist de Conformidade Ética
Antes de submeter manuscrito para publicação, verifique:
Disclosure ✓
- ☐ Uso de IA está descrito na metodologia?
- ☐ Ferramentas específicas estão nomeadas?
- ☐ Propósito do uso está explicado?
- ☐ Processo de validação está descrito?
Verificação ✓
- ☐ Todas as referências foram verificadas?
- ☐ Dados e estatísticas estão corretos?
- ☐ Não há texto copiado diretamente?
- ☐ Interpretações são autorais?
Conformidade ✓
- ☐ Política do periódico foi consultada?
- ☐ Coautoria não foi atribuída a IA?
- ☐ Documentação está arquivada?
- ☐ Equipe está ciente do uso de IA?
Responsabilidade ✓
- ☐ Assumo responsabilidade pelo conteúdo?
- ☐ Posso justificar todas as escolhas?
- ☐ Contribuição intelectual é substancial?
- ☐ Estou preparado para responder revisores?
Cronograma de Implementação
Esta seção apresenta um cronograma sugerido para pesquisadores que desejam incorporar sistematicamente ferramentas de IA em sua prática de pesquisa, desde a fase de familiarização até a integração plena.
8.1 Fase 1: Familiarização (Semanas 1-2)
| Período | Atividades | Objetivos de Aprendizagem |
|---|---|---|
| Semana 1 |
|
Compreender interface e capacidades básicas de LLMs; familiarizar-se com políticas editoriais |
| Semana 2 |
|
Desenvolver habilidade em engenharia de prompt; identificar casos de uso relevantes |
8.2 Fase 2: Experimentação Guiada (Semanas 3-6)
| Período | Atividades | Objetivos de Aprendizagem |
|---|---|---|
| Semanas 3-4 |
|
Aplicar IA em contexto real de pesquisa; desenvolver protocolo de validação |
| Semanas 5-6 |
|
Integrar IA em fluxo específico de trabalho; identificar pontos fortes e fracos |
8.3 Fase 3: Integração Sistemática (Semanas 7-12)
| Período | Atividades | Objetivos de Aprendizagem |
|---|---|---|
| Semanas 7-9 |
|
Sistematizar uso de IA; criar processos reproduzíveis |
| Semanas 10-12 |
|
Integração plena de IA no fluxo de pesquisa; preparação para disclosure formal |
8.4 Fase 4: Consolidação e Compartilhamento (Ongoing)
- Avaliação Contínua: Revisar trimestralmente quais ferramentas estão agregando valor e quais podem ser descontinuadas
- Atualização: Acompanhar surgimento de novas ferramentas e metodologias via comunidades acadêmicas e grupos de pesquisa
- Mentoria: Compartilhar experiências com colegas e orientandos; contribuir para desenvolvimento de diretrizes institucionais
- Publicação: Considerar publicar reflexões metodológicas sobre uso de IA na sua área específica
Marco de Progresso
Ao final de 12 semanas, o pesquisador deverá ser capaz de:
- Formular prompts eficazes para diferentes contextos de pesquisa
- Selecionar ferramentas apropriadas para tarefas específicas
- Validar criticamente outputs gerados por IA
- Documentar uso de IA de forma eticamente adequada
- Avaliar quando uso de IA agrega valor e quando não
- Integrar IA organicamente ao fluxo de pesquisa sem comprometer rigor
Recursos Complementares
9.1 Comunidades e Redes de Aprendizagem
Grupos e Fóruns
Comunidades internacionais de pesquisadores discutindo aplicações de IA. Canais específicos por área de conhecimento.
Grupo pioneiro no Brasil reunindo pesquisadores interessados em IA aplicada à educação. Mencionado no workshop original como tendo fila de espera devido à demanda.
Subreddit dedicado ao uso de IA em contexto acadêmico. Discussões sobre ferramentas, ética e melhores práticas.
Perfil do Prof. Ricardo Pereira compartilhando dicas práticas sobre uso de IA generativa na pesquisa científica.
9.2 Cursos e Tutoriais
Cursos Gratuitos
Cursos curtos (1-2 horas) sobre uso de LLMs, engenharia de prompt, e aplicações específicas de IA. Ministrados por Andrew Ng e parceiros.
Curso introdutório gratuito sobre IA, incluindo conceitos de machine learning, IA responsável e aplicações práticas.
Curso gratuito (certificado pago opcional) sobre engenharia de prompt, oferecido por Vanderbilt University.
9.3 Literatura Científica Recomendada
Nota sobre Referências
As referências abaixo são sugestões de leitura complementar. Pesquisadores devem realizar busca sistemática em bases de dados para literatura atualizada sobre o tema.
- Ferrate et al. (2023). "Effective Prompt Engineering for Large Language Models in Scientific Research" - Artigo que apresenta framework de 7 elementos mencionado no workshop.
- Hosseini & Horbach (2023). "Fighting Dishonesty with AI: Large Language Models in Academic Writing" - Discussão sobre ética e integridade no uso de LLMs.
- Lund & Wang (2023). "Chatting about ChatGPT: How May AI and GPT Impact Academia and Libraries?" - Análise de implicações para produção acadêmica.
- Nature Editorial (2023). "Tools such as ChatGPT threaten transparent science; here are our ground rules for their use" - Diretrizes editoriais da Nature.
9.4 Templates e Documentos de Apoio
Template de Disclosure
Modelo de redação para reportar uso de IA na seção de metodologia:
"[Nome da Ferramenta] ([Desenvolvedor], [versão/data]) foi utilizada para [propósito específico] durante [fase específica da pesquisa]. Outputs gerados pela IA foram [descrição do processo de validação]. Autores assumem integral responsabilidade pelo conteúdo final."
Checklist de Validação
Lista de verificação para outputs de IA:
- ☐ Informações factuais verificadas em fontes primárias
- ☐ Referências bibliográficas confirmadas em bases de dados
- ☐ Adequação teórica e conceitual validada
- ☐ Ausência de vieses ou estereótipos problemáticos
- ☐ Coerência com objetivos e metodologia da pesquisa
Registro de Prompts
Template para documentação de interações com IA:
- Data: [DD/MM/AAAA]
- Ferramenta: [Nome e versão]
- Contexto: [Fase da pesquisa]
- Prompt: [Texto completo]
- Output: [Resumo ou arquivo anexo]
- Validação: [Como foi validado]
Protocolo de Revisão
Etapas para revisão de texto gerado por IA:
- Verificação factual linha por linha
- Reescrita substancial (mínimo 70% modificado)
- Adequação de tom e registro
- Verificação de plágio (Turnitin/Similar)
- Revisão por par independente
Referências Bibliográficas
Nota Final sobre Referências
Este documento cita ferramentas, plataformas e recursos online que estão sujeitos a atualizações constantes. URLs e características de ferramentas foram verificadas em janeiro de 2025. Recomenda-se verificação direta nos sites oficiais para informações mais recentes.
Referências acadêmicas (autores como Ferrate et al., Hosseini & Horbach, Lund & Wang) são mencionadas como exemplos de literatura relevante. Pesquisadores devem realizar busca sistemática em bases de dados científicas para literatura atualizada e específica de suas áreas.