top of page

IA na pesquisa científica: artigos, revisão bibliográfica e dados após a Resolução CNE/CP 1/2026

Foto do escritor: Prof. Marcelo
Prof. Marcelo
há 7 dias
6 min de leitura

LABORATÓRIO DE MÉTODOS | PESQUISA CIENTÍFICA • Revisado em 14 de novembro de 2026 • EiPassei • Série especial 2026


Na pesquisa, um sistema generativo pode ser útil justamente nas etapas em que um erro parece plausível: recuperação bibliográfica, extração de dados, cálculo estatístico, programação e redação. O art. 28 explicita a responsabilidade dos pesquisadores e a necessidade de declarar contribuições relevantes. Este artigo fornece um protocolo verificável, não um atalho para declarar buscas que nunca foram realizadas.


ATENÇÃO METODOLÓGICA | Fluxograma não é resultado de chatbot.

Uma revisão só pode informar números de registros identificados se foram obtidos de buscas e processos efetivamente executados.


Etapa 1: registre a pergunta e a estratégia de busca


Uma revisão não começa pelo número de artigos obtidos de um chatbot. Começa por uma pergunta operacional, critérios de elegibilidade, fontes de dados e estratégias de consulta reproduzíveis. Quando pertinentes, registre PCC, PICO ou outra estrutura de formulação, descritores, combinações booleanas, datas de busca e filtros. Um modelo pode sugerir termos; o pesquisador deve executá-los nas bases e manter o registro de resultados.


A diretriz PRISMA 2020 orienta transparência sobre fontes, critérios, processo de seleção e síntese. Ela não substitui a classificação metodológica específica de cada revisão, nem transforma uma coleção de registros em uma revisão sistemática validada.


Etapa 2: remova duplicidades e documente decisões


Ferramentas podem facilitar detecção de duplicatas, mas o algoritmo precisa distinguir DOI, título normalizado, versões preprint e publicação definitiva. Eliminadores automáticos podem excluir indevidamente obras diferentes com nomes parecidos. Documente regras de deduplicação e mantenha base exportada com identificadores para conferência.


Na triagem por título, resumo e texto completo, não atribua à IA a decisão final de elegibilidade sem verificação. O registro do motivo de exclusão deve ser confrontado com os critérios definidos. Em seleção dupla, discordâncias entre revisores demandam procedimento explícito de resolução.


O que o artigo 28 determina


O dispositivo vincula IA a integridade científica, transparência metodológica e responsabilidade intelectual. Cita expressamente elaboração de textos, análise de dados, revisão bibliográfica e programação como exemplos de etapas cuja contribuição relevante deve ser declarada. O parágrafo único afasta transferência de autoria ou responsabilidade à tecnologia.


A expressão “contribuição relevante” exige avaliar materialidade metodológica: a ferramenta alterou critérios de triagem, gerou código analítico, sintetizou achados ou redigiu discussão substantiva? Quanto maior a influência na inferência final, maior a necessidade de descrever procedimentos e verificações. Uma descrição genérica de “apoio da IA” pode ser insuficiente para reconstituir o processo.


Revisões integrativas e sistemáticas


O uso de IA na triagem de títulos e resumos deve ser acompanhado de protocolo, estratégia de busca, critérios de inclusão, amostra de validação e decisão de pesquisadores humanos. A predição de elegibilidade e a identificação de temas podem auxiliar a pesquisa, mas erros sistemáticos produzem vieses de seleção e alterações não documentadas do corpus.


Registre nome e versão do sistema, período de uso, entrada fornecida, instruções aplicadas, regras de decisão e procedimento para divergências. Em sínteses de evidências, fluxos PRISMA continuam a depender de números reais e auditáveis; não se deve preencher etapas de identificação e exclusão com estimativas apresentadas como observações.


Etapa 3: extração de dados e integridade do corpus


Uma planilha gerada automaticamente pode conter inversões de grupos, datas, tamanhos amostrais ou resultados estatísticos. Uma extração auditável associa cada campo ao artigo de origem e à sua localização, distinguindo dado transcrito, dado calculado e inferência interpretativa.


Quando uma ferramenta sumariza PDFs, confira diretamente os pontos críticos. Se a ferramenta não teve acesso integral ao documento, não trate sua saída como extração completa. Nunca converta resumos verossímeis em resultados empíricos fictícios.


Experimente a análise na prática

Ferramenta editorial de consulta: escolha uma situação e confira a regra. A leitura do texto normativo continua indispensável.



Etapa 4: modelos estatísticos, código e reprodutibilidade


Na análise quantitativa, registre versão do software, pacotes, procedimentos de limpeza, critérios para dados ausentes, testes de pressupostos, parametrização dos modelos e métricas de ajuste. Código sugerido por IA precisa de execução e inspeção: uma função aparentemente correta pode aplicar o teste à coluna errada, usar agrupamentos inadequados ou gerar gráficos com escalas enganosas.


Uma boa prática consiste em construir exemplos mínimos de validação com resultados conhecidos, fazer testes unitários de funções e manter o pipeline reproduzível. A saída de um modelo de linguagem não substitui revisão por pares ou avaliação estatística humana.


Programação, estatística e modelos analíticos


Código produzido com apoio de IA precisa ser executado, revisado e confrontado com resultados esperados. Em regressão, análise fatorial, classificação ou modelagem de redes, o sistema pode sugerir bibliotecas, especificações e interpretações equivocadas. O pesquisador permanece responsável por pressupostos, adequação das variáveis, tratamento de ausências, replicabilidade e integridade das conclusões.


Arquive scripts utilizados, versões das dependências, sementes aleatórias quando aplicáveis, parâmetros do modelo e tabelas geradas. Para dados pessoais, a governança também exige avaliar se a entrada em ferramentas externas é compatível com LGPD, consentimentos e aprovação ética, sem presumir que um prompt seja privado.


Etapa 5: bibliografia e DOI, um controle independente


O dado bibliográfico deve existir em fontes verificáveis. Compare título, autoria, periódico, volume, páginas, ano e DOI. Confirme se a passagem citada efetivamente fundamenta a afirmação escrita; citar um artigo real para sustentar uma conclusão que ele não contém continua sendo inadequado.


No texto final, diferencie o emprego de IA para tradução, revisão linguística, triagem, análise estatística e geração de figuras. São contribuições distintas e podem ter exigências específicas no periódico ou na instituição.


Referências acadêmicas e fontes primárias


O glossário anexo define alucinação como saída incorreta, fictícia ou sem base factual, ainda que plausível. Verificações indispensáveis incluem existência da obra, correspondência entre citação e texto original, autoria, ano, DOI, página e contexto da afirmação. A IA pode auxiliar a localizar inconsistências, nunca substitui a consulta aos registros e documentos.


Uma prática robusta distingue três camadas: evidência primária recuperada, extração feita pelo pesquisador e interpretação assistida por IA. Sempre que a análise inferir causalidade ou eficácia, examine desenho, controle de confundidores, tamanho amostral e incerteza. A resolução não substitui normas específicas de revistas, comitês de ética ou instituições.


Etapa 6: declaração e trilha de auditoria


Uma declaração metodológica deve indicar: ferramenta e versão, objetivo, momento de uso, entradas relevantes sem dados sigilosos, procedimentos de verificação humana e limitações. É útil conservar scripts, registros das consultas, critérios de aceitação e um arquivo de alterações relevante, respeitando direitos autorais e de proteção de dados.


As recomendações do ICMJE e as diretrizes de integridade do CNPq oferecem parâmetros adicionais de transparência. Nenhum desses documentos torna o chatbot autor da pesquisa, nem legitima a apresentação de dados fabricados ou referências inventadas.


Modelo operacional de declaração de IA


Uma declaração deve ser proporcional: “Na etapa de programação, foi utilizado [sistema/versão] para sugerir rotinas de limpeza; todas as saídas foram conferidas e os scripts executados e validados pelos autores. Nenhuma decisão de inclusão de estudos foi tomada exclusivamente pela ferramenta”. Adapte apenas ao que realmente ocorreu.


Também documente se dados sensíveis foram submetidos a fornecedor externo e se houve revisão de respostas. A declaração não neutraliza uma fraude metodológica nem torna aceitável inventar resultados; ela permite analisar o percurso científico e identificar responsabilidades.


Exemplo comentado

Uma revisão informa ter localizado 850 artigos em bases bibliográficas, mas os números foram sugeridos por chatbot sem execução das consultas. Isso é fabricação de dados, não transparência adequada. O fluxo deve reproduzir resultados obtidos nas bases e reconhecer limites efetivamente encontrados.


Um protocolo mínimo para não fabricar resultados

  1. Manter a estratégia booleana exatamente como executada.

  2. Exportar os registros e registrar data, base e filtros.

  3. Verificar duplicidades com identificadores e revisão.

  4. Registrar motivos reais de inclusão e exclusão.

  5. Conferir extrações com documentos originais.

  6. Reproduzir cálculos e inspecionar scripts.

  7. Declarar de modo específico onde a IA participou.


Fontes para aprofundar

Os documentos abaixo oferecem a fundamentação normativa e referências complementares de integridade, metodologia ou governança. Os materiais internacionais são recomendações e não substituem a resolução brasileira.









Continue pela sua dúvida





Referências bibliográficas (ABNT)


AUTIO, Chloe et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Gaithersburg: NIST, 2024. DOI: 10.6028/NIST.AI.600-1.


BRASIL. Autoridade Nacional de Proteção de Dados. Guia orientativo: tratamento de dados pessoais para fins acadêmicos e pesquisas. Brasília, DF: ANPD, 2024.


BRASIL. Conselho Nacional de Desenvolvimento Científico e Tecnológico. Diretrizes de integridade na pesquisa apoiada pelo CNPq. Brasília, DF, 2026.


BRASIL. Conselho Nacional de Educação. Resolução CNE/CP nº 1, de 11 de novembro de 2026. Diário Oficial da União: seção 1, Brasília, DF, 12 nov. 2026.


INTERNATIONAL COMMITTEE OF MEDICAL JOURNAL EDITORS. Use of AI by authors. ICMJE Recommendations. [S. l.]: ICMJE, [s. d.].


MIAO, Fengchun; HOLMES, Wayne. Guidance for generative AI in education and research. Paris: UNESCO, 2023.


PAGE, Matthew J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021. DOI: 10.1136/bmj.n71.


Nota editorial: análise informativa da norma vigente em 14/11/2026. Os exemplos e as ferramentas de consulta nesta página são didáticos; sua aplicação concreta depende do contexto institucional e das demais regras jurídicas e acadêmicas. Não constitui parecer jurídico individual.


Consultoria e Assessoria Acadêmica Ei, Passei

Mais de 6 mil alunos aprovados

​

contato@eipassei.com.br

Telefone: (21) 3795-0444

WhatsApp: +55  (41) 9 8501-5076

 

​

HORÁRIO DE ATENDIMENTO

Segunda a Sexta: 09 às 20h de segunda a sexta,

Sábados: 09 às 14h (exceto feriados)

​

MATRIZES EM: São Paulo (SP), Curitiba (PR), Goiânia (GO), Vila Velha (ES), Salvador (BA).

Atendemos todas as regiões do Brasil.

 

LOCALIZAÇÃO POLO CENTRAL
Praia de Botafogo, 300. Centro Empresarial Botafogo, 22250-040

Nós aceitamos:

ei, passei

© 2026 Consultoria e Assessoria Acadêmica: Ei Passei - Grupo Universidade Unificada. Todos os direitos reservados

bottom of page