A inteligência artificial (IA) emergiu como uma força transformadora em diversos setores da sociedade, e o meio acadêmico, particularmente a produção de artigos científicos, não é exceção.
A crescente integração de ferramentas de IA nos processos de pesquisa, redação, revisão e publicação tem provocado mudanças significativas na forma como o conhecimento científico é produzido e compartilhado.
Modelos avançados de linguagem, como o ChatGPT, demonstraram a capacidade de executar tarefas que levariam significativamente mais tempo e esforço para a maioria dos usuários humanos, impactando potencialmente a qualidade e o volume da ciência em geral.
O Brasil figura entre os 20 países com maior volume de pesquisa em Inteligência Artificial, totalizando 6.304 publicações científicas sobre o tema entre 2019 e 2023, o que demonstra o crescente interesse e investimento nessa área.
Um levantamento da Nature revelou que aproximadamente 29% dos cientistas já utilizam ferramentas de IA para auxiliar na redação de manuscritos.
Estima-se que, em 2023, pelo menos 1% dos artigos científicos publicados mostraram sinais de envolvimento de IA generativa, com números ainda maiores em áreas como ciência da computação, onde uma investigação encontrou que até 17,5% dos artigos recentes exibem sinais de escrita assistida por IA.
Esse cenário reflete uma rápida adoção dessas tecnologias pela comunidade científica.
Este panorama revela que a IA não é apenas uma tendência passageira, mas sim uma tecnologia com o potencial de remodelar fundamentalmente a produção do conhecimento científico.
Explorar os diversos impactos da IA na produção de artigos científicos, abordando tanto os benefícios quanto os desafios e preocupações que surgem com esta nova realidade, torna-se crucial para a comunidade acadêmica, editores e instituições de pesquisa.
Impactos positivos da IA na produção científica
A IA oferece uma vasta gama de ferramentas e aplicações que podem otimizar e aprimorar diversas etapas do ciclo de produção de artigos científicos, desde a concepção da pesquisa até a disseminação dos resultados.
1. Aceleração da pesquisa e redação
Um dos principais benefícios da IA na produção acadêmica é o aumento significativo da eficiência e produtividade.
As ferramentas de IA podem processar grandes volumes de dados e informações de forma rápida, permitindo que os pesquisadores se concentrem em aspectos mais complexos e criativos de seu trabalho.
A IA pode analisar grandes volumes de dados, revisar literatura, identificar padrões e até sugerir hipóteses, reduzindo o tempo gasto em etapas preliminares.
Ferramentas como o ChatGPT e outros modelos generativos auxiliam na redação de textos coesos e bem estruturados, facilitando a elaboração de seções introdutórias e resumos de trabalhos acadêmicos.
Além disso, a IA contribui para a análise eficiente de grandes volumes de dados, identificação de padrões e formulação de hipóteses, acelerando o processo de descoberta científica.
O GPT-4 e outros geradores de texto auxiliam na redação de rascunhos, resumos ou até seções metodológicas, embora ainda exijam supervisão humana para garantir precisão e originalidade.
Algoritmos de machine learning (como o AlphaFold) aceleram descobertas em áreas como biologia. Ferramentas como Elicit ajudam na geração de ideias de pesquisa, enquanto SciSpace facilita a interação com artigos existentes.
Outras plataformas, como Research Rabbit e Jenni, apoiam a revisão de literatura e a redação de rascunhos, respectivamente.
A IA pode auxiliar na organização de ideias, na realização de pesquisas preliminares e na redução do tempo necessário para redigir artigos.
Com o auxílio da IA, é possível redigir artigos em tempo significativamente menor, chegando a menos de 30 minutos em alguns casos.
2. Eficiência e produtividade aprimoradas
A IA tem o potencial de aumentar significativamente a eficiência e a produtividade na pesquisa acadêmica, automatizando tarefas demoradas em todo o processo de pesquisa e escrita.
A IA pode realizar tarefas em segundos que levariam significativamente mais tempo para os humanos.
A automação da revisão de literatura, análise de dados e preparação de manuscritos permite que os pesquisadores dediquem mais tempo e esforço aos aspectos centrais de sua pesquisa.
A IA e o aprendizado de máquina são capazes de encontrar correlações e padrões em grandes conjuntos de dados, que seriam impossíveis de identificar manualmente. Ao agilizar tarefas rotineiras, como formatação e citação, a IA libera tempo valioso para trabalhos de nível superior.
Essa maior eficiência pode levar a uma disseminação mais rápida das descobertas científicas. Cientistas que adotam ferramentas de IA publicam significativamente mais artigos.
3. Revisão de literatura otimizada
A IA tem se mostrado particularmente útil na revisão de literatura científica, uma das etapas mais demoradas do processo de pesquisa.
Ferramentas alimentadas por IA podem pesquisar e filtrar eficientemente vastas quantidades de literatura acadêmica, economizando semanas de trabalho manual.
A IA permite a busca semântica, identificando artigos relevantes que podem não aparecer com a correspondência de palavras-chave tradicional.
Além disso, ferramentas como Connected Papers, Research Rabbit e Litmaps utilizam a análise de rede de citações para visualizar as relações entre os estudos, ajudando os pesquisadores a descobrir trabalhos influentes e tendências emergentes.
Essas ferramentas podem criar mapas dinâmicos de citações, rastrear a pesquisa relevante em tempo real e identificar lacunas de pesquisa por meio de relações de citação.
Plataformas como Iris.ai ou ResearchRabbit automatizam buscas em bancos de dados científicos, filtrando artigos relevantes e resumindo conteúdos.
O Elicit se destaca como uma ferramenta de IA para pesquisa acadêmica, com milhões de usuários, automatizando tarefas como resumir artigos, extrair dados e sintetizar descobertas.
O Scite.AI analisa citações e ajuda os pesquisadores a avaliar a confiabilidade das referências em um contexto específico, permitindo identificar se uma pesquisa foi apoiada ou contestada por outros estudos.
O Semantic Scholar usa IA para buscar e organizar artigos científicos, destacando-se na eficiência da revisão de literatura. O Consensus utiliza LLMs para sintetizar respostas diretamente de pesquisas científicas.
O Open Knowledge Maps gera mapas dos documentos mais pertinentes por pesquisa, usando IA e PNL.
4. Análise e interpretação de dados de pesquisa aprimoradas
A IA está revolucionando a forma como os dados de pesquisa são analisados e interpretados.
Algoritmos de IA podem identificar padrões, correlações e anomalias em conjuntos de dados grandes e complexos com velocidade e precisão muito maiores do que os métodos tradicionais.
Modelos de aprendizado de máquina são utilizados para análise preditiva e geração de hipóteses. Na área de descoberta de materiais, por exemplo, pesquisadores assistidos por IA descobriram mais materiais, resultando em um aumento nos pedidos de patentes.
A IA também auxilia na análise estatística e na visualização de dados. Ferramentas como o Google Cloud AI oferecem recursos para coleta, preparação, análise e interpretação de dados, incluindo a análise de dados não estruturados, como imagens e vídeos.
O ChatGPT4 e o ResearchGPT também podem ajudar na interpretação e síntese de dados. Essa capacidade da IA de processar e interpretar grandes volumes de dados abre novas fronteiras para descobertas científicas, permitindo que os pesquisadores abordem conjuntos de dados mais complexos e potencialmente revelem padrões ocultos.
5. Assistência na redação e estruturação de manuscritos
A IA fornece um suporte significativo na redação e estruturação de artigos científicos.
Verificadores gramaticais e ortográficos alimentados por IA, como Grammarly, Paperpal, Trinka e QuillBot, ajudam a melhorar a precisão e a clareza da linguagem.
Essas ferramentas podem sugerir frases alternativas, melhorar o estilo de escrita e garantir a consistência em todo o manuscrito.
Além disso, assistentes de escrita com IA podem gerar rascunhos, resumos e esboços, ajudando os pesquisadores a superar o bloqueio de escritor e economizar tempo valioso.
O Paperpal, por exemplo, fornece sugestões em tempo real para melhorar a gramática, ortografia, pontuação, clareza e estrutura. A IA também auxilia no gerenciamento e formatação de citações, uma tarefa muitas vezes tediosa e propensa a erros.
LLMs como ChatGPT podem auxiliar autores não nativos em inglês, ajudando na gramática, vocabulário e estilo de escrita.
A capacidade da IA de agilizar o processo de preparação de manuscritos permite que os pesquisadores se concentrem mais no conteúdo e na argumentação de seu trabalho.
O Wordtune ajuda na edição e reescrita de textos, melhorando a coesão e adequação acadêmica.
6. Melhoria da qualidade linguística e acessibilidade
Ferramentas de IA como Grammarly e similares são amplamente utilizadas para identificar erros gramaticais, problemas de coesão e coerência, além de sugerir melhorias na redação.
Isso contribui para a produção de artigos com melhor qualidade linguística, especialmente para pesquisadores não nativos em inglês.
Ferramentas de tradução automática como DeepL ou Google Translate facilitam a colaboração global e a publicação em inglês, língua dominante na ciência, reduzindo barreiras para pesquisadores não nativos.
A IA facilita a tradução de artigos para diferentes idiomas e melhora a correção de texto, tornando os artigos mais acessíveis e legíveis.
A IA pode gerar resumos simplificados para públicos não especializados e transformar dados complexos em visualizações mais compreensíveis.
7. Democratização do conhecimento e redução de desigualdades
Pesquisadores de instituições com menos recursos podem usar IA de código aberto (ex: TensorFlow, Hugging Face) para análises complexas.
A IA pode ajudar a reduzir desigualdades, permitindo que pesquisadores de instituições com menos recursos compensem lacunas em infraestrutura ou expertise.
A IA pode personalizar e otimizar o processo de produção científica, auxiliando na estruturação lógica do conteúdo, acelerando a escrita e melhorando a clareza e coesão textual.
Desafios e preocupações no uso da IA na produção científica
Apesar dos inúmeros benefícios, o uso da IA na produção científica também apresenta desafios e considerações éticas significativas.
1. Questões éticas sobre autoria e originalidade
Uma das principais preocupações relacionadas ao uso da IA em trabalhos acadêmicos diz respeito à originalidade e autoria do conteúdo gerado.
O uso excessivo de ferramentas de IA pode levar à falta de originalidade e criatividade no trabalho científico. A questão de se sistemas como DALL-E ou Midjourney (para imagens) devem ser creditados como coautores surge no debate.
A resposta predominante na comunidade científica é negativa, considerando que a IA não pode ser responsabilizada pelo conteúdo que produz.
A autoria implica um conjunto de responsabilidades éticas e intelectuais que apenas pesquisadores humanos podem cumprir. Os autores são totalmente responsáveis pelo conteúdo de seu manuscrito, mesmo pelas partes produzidas por uma ferramenta de IA.
2. Riscos de plágio e informações imprecisas
O uso de IA generativa aumenta o risco de plágio involuntário, pois algoritmos podem gerar texto que se assemelha ao de fontes existentes sem a devida citação.
Os autores devem reformular substancialmente o conteúdo gerado por IA em suas próprias palavras e citar corretamente as fontes para evitar alegações de plágio.
Além disso, modelos como o ChatGPT podem gerar informações imprecisas ou fabricadas, o chamado “alucinações”, comprometendo a confiabilidade da pesquisa.
Um caso emblemático foi o de um artigo publicado na revista Frontiers em Cell Development and Biology, que foi retirado após descobrirem ilustrações geradas por IA com erros significativos de proporção e informação.
Casos recentes de erros e imprecisões em publicações científicas auxiliadas por IA têm gerado preocupações. Há preocupações quanto à tendência da IA de gerar “referências falsas ou inexistentes”.
3. Problemas de viés e confiabilidade
Os sistemas de IA podem reproduzir e até amplificar vieses presentes nos dados de treinamento.
Esses vieses podem surgir de várias fontes, incluindo dados tendenciosos, algoritmos defeituosos ou uma implementação inadequada da tecnologia.
Existe o risco de que os cientistas usem a IA para produzir mais enquanto entendem menos, priorizando as questões e os métodos mais adequados à IA em detrimento de outros modos de investigação, criando “monoculturas de conhecimento”.
É crucial reconhecer que as ferramentas de IA representam os pontos de vista dos cientistas da computação que os desenvolveram e treinaram.
Há risco de viés em ferramentas treinadas em dados históricos, que podem replicar desigualdades.
4. Dependência tecnológica e impacto no desenvolvimento de habilidades
A dependência excessiva de ferramentas de IA pode prejudicar o desenvolvimento das habilidades de escrita e análise crítica dos pesquisadores.
Isso pode resultar em um empobrecimento da capacidade analítica e criativa necessária para o avanço científico.
A dependência de IA pode reduzir o desenvolvimento de habilidades críticas de pensamento e escrita, criando um ciclo de perda de competências.
O uso excessivo de IA pode minar o aprendizado tradicional, enfatizando a necessidade de equilíbrio entre a eficiência da tecnologia e o cultivo de habilidades independentes.
5. Desafios na detecção de conteúdo gerado por IA
Detectar conteúdo gerado por IA continua sendo um desafio significativo para a comunidade acadêmica e editorial.
Os modelos de IA, como os GPTs, produzem texto semelhante ao humano prevendo a próxima palavra em uma passagem, tornando difícil distinguir entre o texto escrito por humanos e o texto gerado por IA.
A precisão dos modelos de detecção depende do comprimento do texto, o que significa que quanto menor a amostra, mais difícil é detectar se ela foi gerada por IA.
Essa dificuldade pode levar à publicação de artigos científicos falsos, pois eles podem parecer muito bem escritos e sofisticados em seus argumentos.
Atualmente, existe uma corrida entre o desenvolvimento de IA generativa e modelos que podem detectar a escrita da IA.
6. Preocupações com plágio e integridade acadêmica ampliadas
Como a IA gera conteúdo com base em fontes existentes, pode haver o risco de reproduzir frases, estruturas ou ideias dos dados de treinamento sem citação adequada.
Detectar texto gerado por IA continua sendo um desafio complexo, o que pode levar à publicação de trabalhos falsos.
O uso da IA também pode amplificar o problema das fábricas de artigos, que produzem e vendem manuscritos fabricados.
7. Outros riscos e desafios
Há o risco de perda de empregos para escritores e revisores humanos.
Existe a preocupação de que os sistemas de IA possam substituir os escritores humanos, levando à perda de empregos e a um declínio na qualidade da escrita científica.
Há riscos de artigos gerados automaticamente com conclusões enganosas ou “ciência de salada de palavras”. Pode ocorrer vazamento de dados sensíveis em estudos clínicos ou sociais ao usar ferramentas de IA não regulamentadas.
Paradoxalmente, enquanto a IA expande o impacto individual dos cientistas, há indícios de que ela pode estar contraindo o foco da ciência como um todo, concentrando-se em áreas já estabelecidas.
A falta de divulgação sobre o uso de IA na produção de artigos científicos representa outro desafio importante.
O papel da IA na revisão por pares
A IA também está começando a desempenhar um papel no processo de revisão por pares.
Sistemas habilitados para IA podem realizar uma triagem técnica inicial de artigos por meio do processamento de linguagem natural, identificando termos e tópicos-chave para encontrar os melhores revisores potenciais.
A IA pode automatizar verificações iniciais de plágio e formatação, auxiliar na triagem técnica e atribuição a revisores e analisar artigos para identificar tópicos-chave e avaliar a qualidade.
Há também o potencial para a IA reduzir o viés e melhorar a imparcialidade no processo de revisão.
No entanto, existem preocupações sobre a precisão e a confiabilidade dos relatórios de revisão gerados por IA.
Relatórios gerados por LLMs podem conter erros devido à sua capacidade de confundir diferentes fontes de informação. Embora a IA possa trazer eficiência à revisão por pares, identificando plágio e avaliando a qualidade da pesquisa, a experiência e o julgamento humanos permanecem cruciais para avaliar a qualidade e o impacto geral da pesquisa.
Alguns editores e agências de financiamento, como o NIH, proibiram o uso de IA no processo de revisão por pares devido a essas preocupações.
O futuro provavelmente envolverá o uso da IA como uma ferramenta para auxiliar os revisores humanos, em vez de substituí-los completamente, exigindo supervisão e julgamento humanos em cada etapa.
Recomendações incluem o desenvolvimento de métricas para valorizar a contribuição dos revisores humanos.
Regulamentações e políticas em desenvolvimento
Instituições científicas e de ensino superior do Brasil começam a formular recomendações para o uso de inteligência artificial, especialmente a generativa, no ensino, na pesquisa e na extensão.
No Senai Cimatec, por exemplo, o guia de uso de IA segue três princípios: transparência; “centralidade na pessoa humana”; e atenção à privacidade de dados.
A Revista Ciência da Informação do Ibict divulgou uma nova política de uso de IA na redação científica, fornecendo orientações específicas para autores e revisores.
As maiores editoras científicas mundiais têm divulgado regras sobre IA generativa.
Um estudo no British Medical Journal indicou que, entre as 100 maiores editoras, 24% forneceram orientações sobre o uso de IA.
No Brasil, a biblioteca SciELO lançou um guia de uso de ferramentas e recursos de IA em setembro de 2023, reforçando que a IA não pode ser considerada autora dos trabalhos e exigindo a declaração obrigatória do uso dessas ferramentas.
A transparência no uso de IA é uma das principais exigências das políticas institucionais.
Os pesquisadores devem documentar detalhadamente como as ferramentas foram empregadas, incluindo os comandos (prompts) utilizados e os possíveis vieses introduzidos.
A política da revista Frontiers, por exemplo, determina que figuras produzidas com IA devem ser checadas para garantir sua acurácia. Periódicos científicos e instituições acadêmicas têm desenvolvido diretrizes sobre o uso da IA na publicação científica.
Estas diretrizes geralmente abordam questões como transparência, limites de uso, responsabilidade dos autores e critérios de autoria.
Ferramentas e exemplos concretos de IA na produção científica
Atualmente, existe uma ampla gama de ferramentas de IA desenvolvidas especificamente para auxiliar na pesquisa acadêmica.
- Ferramentas para pesquisa e revisão de literatura: Elicit, Scite.AI, Research Rabbit, Consensus, Connected Papers, Litmaps, Iris.ai, Semantic Scholar, AI Research Assistant (IBM Watson), Research Assistant, Open Knowledge Maps, ChatPDF.
- Ferramentas para análise de dados: Google Cloud AI, ChatGPT4, ResearchGPT, Lateral, Google AutoML, NVivo, R.
- Assistentes de escrita e edição: ChatGPT, GPT-4, Grammarly, Paperpal, Trinka, QuillBot, Writefull, Jenni AI, Claude, Perplexity AI, Microsoft Copilot, Gemini, Wordtune.
- Ferramentas de verificação de plágio e detecção de IA: Paperpal Plagiarism Checker, Turnitin, Originality.AI, GPTZero, Copyleaks AI Content Detector, AI Detector, PerfectEssayWriter.ai, MyEssayWriter.ai, BrandWell AI Content Detection, QuillBot’s AI Detector, Surfer AI content detector, ZeroGPT, Writefull GPT Detector, Undetectable, Proofig.
Em março de 2025, o sistema AI Scientist-v2 gerou um artigo científico que foi aceito após revisão por pares em uma conferência de IA.
Por outro lado, houve casos problemáticos, como o artigo publicado na revista Frontiers em Cell and Developmental Biology, que foi retirado após a descoberta de ilustrações geradas por IA contendo erros graves.
Perspectivas futuras da IA na produção científica
Segundo projeções, o mercado de IA está crescendo exponencialmente. Isso indica que a presença da IA no meio acadêmico tende a se intensificar nos próximos anos.
Abel Packer, coordenador da SciELO, prevê que “a comunicação científica deve mudar completamente, com a IA assumindo um papel auxiliar nos processos de preparação, redação, revisão e tradução dos artigos”.
A evolução da IA no meio acadêmico aponta para uma maior integração entre humanos e máquinas no processo de produção científica.
Espera-se que ferramentas de IA se tornem cada vez mais especializadas para atender às necessidades específicas da pesquisa acadêmica, como sistemas de IA voltados para criar imagens científicas mais precisas.
Além disso, há perspectivas para o desenvolvimento de sistemas de detecção de conteúdo gerado por IA mais eficientes, como o GPTzero e o Copyleaks AI Detector, que ajudarão a manter a integridade e a confiabilidade da produção científica.
A IA pode facilitar novas formas de comunicação científica, como revisões dinâmicas e interativas. A automação de várias etapas do processo de publicação provavelmente aumentará.
O conceito de IA agêntica, onde programas de IA colaboram para realizar tarefas, também está ganhando força. A IA tem o potencial de transformar a comunicação científica, simplificando informações complexas para públicos mais amplos e gerando conteúdo multimídia.
Análise comparativa de diferentes perspectivas
A integração da IA na produção de artigos científicos gerou uma variedade de perspectivas, desde o otimismo entusiasmado até o ceticismo cauteloso.
As visões otimistas enfatizam o potencial da IA para aumentar a eficiência, acelerar a descoberta e melhorar a comunicação científica.
A IA pode economizar tempo e dinheiro dos cientistas, automatizar tarefas complexas e descobrir novos conhecimentos. Por outro lado, as visões céticas levantam preocupações sobre os riscos potenciais, como a redução da compreensão, o viés, o plágio e a erosão do pensamento crítico.
Existe o risco de que os cientistas se tornem excessivamente dependentes do reconhecimento de padrões sem contexto e que a IA possa levar à proliferação de informações errôneas.
Estudos de caso e evidências empíricas estão começando a fornecer insights sobre o impacto da IA na pesquisa científica. Uma pesquisa revelou que pesquisadores assistidos por IA descobriram mais materiais, resultando em um aumento nos pedidos de patentes.
Outro estudo descobriu que artigos gerados por IA continham altas taxas de referências imprecisas e plágio. Uma análise constatou que artigos que empregam IA têm maior probabilidade de serem “artigos de sucesso”.
Recomendações para a comunidade científica
Para pesquisadores
- Desenvolver alfabetização em IA e habilidades de avaliação crítica para conteúdo gerado por IA.
- Praticar a divulgação transparente do uso de ferramentas de IA em publicações.
- Manter a supervisão e a responsabilidade humana por todos os aspectos de seu trabalho.
- Estar atento aos potenciais vieses nas ferramentas de IA e lutar por práticas de pesquisa equitativas.
- Utilizar ferramentas de IA de forma responsável e ética, respeitando as diretrizes sobre autoria, plágio e privacidade de dados.
Para editores e publicadores
- Estabelecer e atualizar regularmente políticas claras sobre o uso da IA na escrita científica e na revisão por pares.
- Investir em ferramentas e estratégias para detectar conteúdo gerado por IA e garantir a integridade da pesquisa.
- Promover a transparência, exigindo que os autores divulguem o uso da IA.
- Fomentar discussões sobre as implicações éticas da IA na publicação dentro da comunidade científica.
Para instituições de pesquisa
- Fornecer treinamento e recursos aos pesquisadores sobre o uso responsável e ético de ferramentas de IA.
- Desenvolver diretrizes institucionais sobre IA em pesquisa e escrita acadêmica.
- Promover a conscientização sobre os potenciais benefícios e riscos da IA na pesquisa.
- Incentivar a colaboração interdisciplinar para abordar os complexos desafios e oportunidades apresentados pela IA.
Vídeo
Tá achando que vai ser substituído pela IA? Não pense isso, mas confira esta sugestão de vídeo!
Conclusão
A Inteligência Artificial está transformando profundamente a produção de artigos científicos, trazendo tanto benefícios quanto desafios para a comunidade acadêmica.
Por um lado, as ferramentas de IA aumentam a eficiência, facilitam a análise de grandes volumes de dados e auxiliam na redação e revisão de textos.
Por outro lado, levantam questões éticas sobre autoria, originalidade, confiabilidade e possíveis vieses.
O equilíbrio entre aproveitar os benefícios da IA e mitigar seus riscos parece estar na adoção de políticas claras de uso, transparência e um olhar crítico sobre o conteúdo gerado.
A comunidade científica brasileira tem se mostrado atenta a essas questões, desenvolvendo guias e recomendações que buscam garantir o uso ético e responsável da IA na produção acadêmica.
O futuro da ciência parece caminhar para uma simbiose entre a criatividade e análise crítica humanas e a eficiência e capacidade de processamento das máquinas, sempre com o objetivo final de avançar o conhecimento científico de forma ética e confiável.
O valor fundamental da ciência como um empreendimento humano permanece inalterado.
