Durante a graduação, lembro de um livro sobre Design de Experimentos que dizia algo mais ou menos assim: “Por mais que se estude metodologia científica, não há uma fórmula para ensinar criatividade na hora de conceber experimentos”. Essa frase continua atual — mas hoje, à luz da pesquisa científica com Inteligência Artificial (IA), ela ganha novos contornos.
Como a pesquisa científica é (ou era) estruturada?
Tradicionalmente, o caminho da formação acadêmica se concentra em quatro grandes blocos:
- Redação científica: aprender a escrever, revisar, submeter e publicar artigos, teses, dissertações.
- Metodologia de pesquisa: desde a pesquisa bibliográfica até métodos estatísticos, entrevistas, observação-participante, etc.
- Fundamentação teórica: estudar o campo de interesse e refletir sobre os pressupostos epistemológicos da ciência.
- Criatividade: o espaço mais limitado, onde surgem as ideias originais, os insights, as inovações.
Em resumo, esse modelo de formação funcionava como um equilíbrio entre técnica e intuição (ver Figura 1).
Contudo, esse equilíbrio está mudando. Atualmente, com os avanços da IA, esse arranjo tradicional vem sendo reconfigurado. De fato, a pesquisa científica com inteligência artificial é um dos principais vetores dessa transformação.
Quais tarefas podemos automatizar na pesquisa científica com inteligência artificial?
Com os avanços em Processamento de Linguagem Natural (PLN), dentre outros métodos de Machine Learning (ML), várias tarefas antes trabalhosas para o pesquisador já podem ser parcialmente ou totalmente automatizadas:
- Revisões bibliográficas.
- Escrita assistida de artigos (com sugestões de estrutura, coesão e clareza).
- Ajuste automático às normas da ABNT, APA, Vancouver, etc.
- Identificação de lacunas teóricas e inconsistências lógicas por IA.
- Análises estatísticas e modelos preditivos (com pouco conhecimento de código de programação demandado!).
Como resultado, essas tarefas — que antes exigiam muito tempo e atenção — tornaram-se mais ágeis e, em muitos casos, mais precisas. Além disso, isso libera o pesquisador para se concentrar em atividades de maior valor intelectual.
Saiba mais: O que é machine learning?
O que ainda não conseguimos automatizar na pesquisa científica com inteligência artificial?
A IA é poderosa para reconhecer padrões, mas não cria rupturas. Por exemplo, ela não “inventa” teorias, não propõe perguntas originais nem substitui a intuição criativa do pesquisador ao articular ideias novas.
Além disso, a IA também não substitui o julgamento ético, a sensibilidade na condução de entrevistas, nem o raciocínio filosófico por trás das escolhas metodológicas.
O novo gráfico do trabalho acadêmico na era da pesquisa com inteligência artificial
Com o advento da IA na pesquisa científica, o tempo do pesquisador tende a ser redistribuído. Por um lado, menos tarefas repetitivas; por outro, mais tempo para pensar. Eis um novo cenário:
- A redação científica passa a ser mais automatizada e supervisionada.
- A pesquisa bibliográfica é filtrada por IA, que sugere os artigos mais relevantes.
- Com a IA automatizando parte do trabalho braçal de obtenção de teorias, o pesquisador estará exposto a mais modelos, mais debates teóricos, mais reflexão epistemológica com os quais precisará saber lidar.
- A criatividade e a capacidade de síntese crítica tornam-se os diferenciais humanos fundamentais.
Anteriormente, apresentamos uma estimativa do tempo dedicado a diferentes competências acadêmicas (Figura 1). Talvez a nova realidade da pesquisa provocada pela IA gere um estado de coisas assim em termos de demandas de competências, tal como ilustrado na Figura 2.
Se você é pesquisador ou orientador, então as seguintes perguntas estratégicas podem te guiar:
- Que partes do seu trabalho são repetitivas, sistemáticas e estruturadas? Automatize.
- Que partes exigem julgamento, sensibilidade e criação? Invista nelas.
- Como a IA pode ser sua aliada para liberar tempo e aumentar a qualidade dos resultados?
A pesquisa científica e os algoritmos de Machine Learning
Você já deve ter experimentado modelos de IA generativa baseados em grandes modelos de linguagem (LLMs). Por exemplo, o ChatGPT e o Copilot são alguns dos exemplos mais populares desses modelos de IA. Embora essas ferramentas nos ajudem a escrever, revisar, resumir e estruturar ideias com eficiência, essa é apenas a superfície do que a IA nos permite alcançar.
No entanto, o verdadeiro salto vem quando você compreende os fundamentos de Machine Learning (ML). Porque não se trata apenas de usar ferramentas inteligentes, e sim de repensar a forma como produzimos conhecimento.
Hoje, todo pesquisador — de qualquer área — precisa conhecer ao menos o essencial sobre como algoritmos de ML funcionam. Não para substituir a ciência, mas para ampliá-la. Os métodos estão mudando, os critérios estão mudando e as oportunidades também.
Em resumo, entender Machine Learning não é uma opção técnica — é uma competência científica que afetará a sua carreira como um todo.
Como citar este post
Reis, A. (2025, 14 de julho). O trabalho do pesquisador na era da pesquisa científica com inteligência artificial. Blog Psicometria Online. https://www.blog.psicometriaonline.com.br/o-trabalho-na-era-da-pesquisa-com-inteligencia-artificial
