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

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
Manter a estratégia booleana exatamente como executada.
Exportar os registros e registrar data, base e filtros.
Verificar duplicidades com identificadores e revisão.
Registrar motivos reais de inclusão e exclusão.
Conferir extrações com documentos originais.
Reproduzir cálculos e inspecionar scripts.
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.