💻 computer science

SHAPR: Operationalising Human-AI Collaborative Research Through Structured Knowledge Generation

O artigo apresenta a operacionalização do framework SHAPR, que integra tomada de decisão humana e capacidades de IA através de ciclos iterativos e Unidades de Conhecimento Estruturadas (SKUs) para promover uma prática de pesquisa colaborativa, transparente, reprodutível e escalável.

Autores originais: Ka Ching Chan

Publicado 2026-03-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ka Ching Chan

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um cozinheiro tentando criar uma receita de bolo perfeita. Antigamente, você anotava tudo num caderno: "adicionou 2 xícaras de farinha", "o bolo queimou um pouco", "precisa de mais açúcar". Isso é a pesquisa tradicional.

Mas agora, imagine que você tem um robô cozinheiro superinteligente (a Inteligência Artificial) que pode sugerir ingredientes, misturar a massa em segundos e até prever se o bolo vai crescer. O problema é: se você só conversar com o robô e ele fizer tudo, como você saberá exatamente o que funcionou, o que não funcionou e por quê? Como você pode provar que o bolo é seu e não apenas do robô?

É aqui que entra o SHAPR.

O SHAPR (que significa Prática Solo Centrada no Humano e Assistida por IA) é um "manual de instruções" ou um sistema de organização para pesquisadores que usam essa IA para criar softwares e soluções. Ele garante que, mesmo com a ajuda de um robô, o pesquisador humano continue sendo o "chefe de cozinha" e que todo o processo seja transparente e reprodutível.

Aqui está como o SHAPR funciona, explicado de forma simples:

1. O Ciclo de 5 Passos (A Dança da Pesquisa)

Em vez de apenas "fazer e pronto", o SHAPR organiza o trabalho em um ciclo contínuo de 5 passos, como se fosse uma roda gigante:

Explorar (Explore): Você e o robô conversam. "O que podemos tentar?" "Que ingredientes faltam?" É a fase de ideias.
Construir (Build): O robô ajuda a escrever o código ou montar a estrutura, mas você decide o que será feito.
Usar (Use): Você testa o que foi construído. "O bolo cresceu?" "O software funciona?"
Avaliar (Evaluate): Você olha os resultados. "Está bom? Onde errou?"
Aprender (Learn): Este é o passo mais importante. Você escreve o que aprendeu. Não basta o bolo ficar pronto; você precisa anotar por que ficou bom.

2. As "Unidades de Conhecimento" (SKUs)

O papel fala muito sobre SKUs (Unidades de Conhecimento Estruturadas). Imagine que cada vez que você descobre algo novo (ex: "se eu misturar o açúcar antes da farinha, o bolo fica mais leve"), você coloca essa descoberta em um cartão de receita padronizado.

Sem SHAPR: A descoberta fica perdida na conversa com o robô.
Com SHAPR: Você cria um "cartão" (SKU) que diz: Problema -> Solução Tentada -> Resultado -> Lição Aprendida.
Com o tempo, você tem uma pilha de cartões que viram um livro de receitas infalível, que qualquer outra pessoa pode usar para fazer o mesmo bolo.

3. Duas Cozinhas: A Conversa e o Arquivo

O SHAPR divide o trabalho em dois lugares:

A Cozinha de Conversa (Workspace): Onde você e o robô conversam, tentam ideias loucas e erram. É bagunçado e criativo.
O Arquivo Oficial (Repository): Onde você guarda apenas o que foi testado, aprovado e anotado nos "cartões" (SKUs).
A regra de ouro: Se não estiver no Arquivo Oficial, não conta como pesquisa. Isso impede que a pesquisa se torne um "mistério" que ninguém consegue repetir.

4. O Robô é o Assistente, Você é o Chefe

Muitas pessoas têm medo de que a IA substitua o pesquisador. O SHAPR diz: Não!

A IA é como um estagiário super-rápido que pode escrever códigos, sugerir ideias e testar 100 opções em um minuto.
Você é o Chef. Você decide qual ideia é boa, você avalia se o resultado faz sentido e você é o responsável final por dizer: "Isso é conhecimento científico".
O SHAPR garante que a IA ajude, mas que a "autoridade do conhecimento" (quem entende o porquê das coisas) continue sendo humana.

5. Por que isso é importante para todos?

Imagine que você quer aprender a cozinhar com esse robô.

Para Estudantes: Ensina que não basta entregar o prato pronto. Você precisa explicar o processo, mostrar os cartões de lição aprendida e provar que você entendeu a receita.
Para a Ciência: Garante que, se outro pesquisador quiser repetir seu experimento, ele possa ler seus "cartões" e ver exatamente o que você fez, mesmo que tenha usado um robô. Nada de "feitiço" ou "caixa preta".

Resumo em uma frase

O SHAPR é um sistema que transforma a colaboração entre humanos e robôs em uma pesquisa organizada, onde cada erro e acerto é anotado em "cartões de lição", garantindo que a inteligência artificial ajude a criar coisas incríveis, mas que o ser humano continue sendo o mestre que entende e explica tudo.

Resumo Técnico: SHAPR – Operacionalização da Pesquisa Colaborativa Humano-IA

1. O Problema

O surgimento rápido da Inteligência Artificial Generativa (IAG) transformou a forma como pesquisadores projetam, prototipam e avaliam artefatos digitais. Ferramentas assistidas por IA permitem gerar código, propor arquiteturas e depurar sistemas com velocidade sem precedentes. No entanto, essa evolução introduziu desafios metodológicos críticos:

Falta de Rastreabilidade e Transparência: Grande parte do raciocínio, experimentação e exploração de design ocorre em interações conversacionais com IAs, tornando difícil documentar como as decisões de design foram tomadas.
Risco de Opacidade: Sem uma abordagem estruturada, o desenvolvimento assistido por IA torna-se opaco, difícil de replicar e desafiador de avaliar dentro de processos de pesquisa rigorosos.
Lacuna Metodológica: Metodologias existentes, como Pesquisa de Design (DSR) e Pesquisa de Design de Ação (ADR), foram desenvolvidas para equipes e fluxos de trabalho convencionais. Elas oferecem pouca orientação operacional para pesquisadores que realizam o desenvolvimento de software de forma individual (solo), interagindo extensivamente com sistemas de IA.
Necessidade de Autoridade Epistêmica: Embora a IA possa gerar artefatos complexos, a pesquisa permanece um processo epistêmico humano. Há uma necessidade de estruturar o trabalho para garantir que o pesquisador mantenha a responsabilidade pela interpretação, avaliação e reivindicação de conhecimento.

2. Metodologia e Estrutura do Framework SHAPR

O artigo apresenta o SHAPR (Solo Human-Centred and AI-Assisted Practice) não como uma nova metodologia de pesquisa, mas como uma camada de operacionalização que traduz os princípios da Pesquisa de Design de Ação (ADR) para ambientes modernos assistidos por IA.

O framework baseia-se em três pilares fundamentais:

A. Espaços de Trabalho Distintos:

Espaço de Interação: Onde ocorre a colaboração humano-IA (ex: chats com LLMs, anotações) para exploração e raciocínio.
Repositório de Pesquisa: Onde artefatos, documentação e evidências são formalmente registrados (código, registros de ciclos, unidades de conhecimento).
Princípio Chave: A interação com a IA só se torna evidência de pesquisa quando traduzida em mudanças no artefato e documentada no repositório.

B. O Ciclo de Transformação de Conhecimento (5 Estágios):
O SHAPR estrutura o desenvolvimento iterativo em um ciclo de cinco etapas, alinhado à lógica de ADR, mas expandido para incluir exploração e aprendizado explícitos:

Explore: Investigação de direções de design, limitações e alternativas (incluindo interação com IA para gerar opções).
Build: Implementação incremental de modificações no artefato de pesquisa.
Use: Aplicação do artefato em seu contexto (testes, simulações, análise de dados).
Evaluate: Avaliação dos resultados, desempenho e usabilidade para transformar atividade de desenvolvimento em evidência.
Learn: Captura e documentação explícita dos insights gerados.

C. Unidades de Conhecimento Estruturadas (SKUs):
Para evitar que insights sejam perdidos, o framework introduz as SHAPR Knowledge Units (SKUs). Uma SKU é uma representação estruturada de um insight que explica como uma decisão de design específica influencia o comportamento do artefato.

Estrutura da SKU: Contexto, Decisão de Design, Observação e Insight.
Acúmulo de Conhecimento: As SKUs acumulam-se ao longo dos ciclos, permitindo a identificação de padrões que podem ser sintetizados em princípios de design e conhecimento metodológico mais amplo.

D. Fluxo de Trabalho Operacional:
O fluxo conecta: Espaço de Chat $\rightarrow$ Ciclo SHAPR $\rightarrow$ Artefato Evolutivo $\rightarrow$ Repositório. Isso garante que a evolução do artefato e o aprendizado associado sejam rastreáveis e reproduzíveis.

3. Principais Contribuições

O artigo faz quatro contribuições principais para a prática de pesquisa assistida por IA:

Operacionalização da ADR para IA: Estende o ciclo tradicional "Construir-Intervir-Avaliar" para um ciclo de raciocínio iterativo: Explorar-Construir-Usar-Avaliar-Aprender.
Fluxo de Trabalho Rastreável: Introduz um fluxo que vincula espaços de interação humano-IA, ciclos de desenvolvimento, evolução de artefatos e documentação baseada em repositório, transformando atividades assistidas por IA em evidência de pesquisa sistemática.
Mecanismo de Acúmulo de Conhecimento (SKUs): Propõe as Unidades de Conhecimento Estruturadas como meio de transformar insights de desenvolvimento em conhecimento reutilizável e progressivamente generalizável.
Framework Executável por IA: Conceitualiza o SHAPR como um framework orientado a sistemas e executável por IA. Seus processos estruturados e práticas de documentação podem ser interpretados e executados por sistemas de IA generativa para guiar fluxos de trabalho de pesquisa, permitindo desde workflows humanos controlados até ambientes altamente automatizados.

4. Resultados e Implicações

O framework foi desenhado para ser independente de ferramentas, adaptando-se a diferentes níveis de envolvimento da IA:

Baixo Envolvimento: Uso de IA para suporte de código e depuração, com controle total do pesquisador.
Alto Envolvimento/Automatizado: Uso de agentes autônomos ou semi-autônomos para gerenciar partes do ciclo, mantendo a supervisão humana para validação.
Sistemas de Pesquisa Integrados: Integração de LLMs, IDEs, armazenamento em nuvem e controle de versão (Git) em um ambiente coeso.

Implicações para Educação e Supervisão (HDR):
O SHAPR sugere uma reconfiguração da integridade acadêmica. Em vez de focar se a IA foi usada (visão binária), o foco muda para a responsabilidade epistêmica. A avaliação passa a considerar a capacidade do pesquisador de explicar, justificar e rastrear o processo de desenvolvimento e a extração de conhecimento, independentemente do nível de automação.

5. Significância

O SHAPR oferece uma base prática e teoricamente fundamentada para conduzir pesquisas rigorosas, transparentes e reproduzíveis em ambientes assistidos por IA.

Rigor Metodológico: Garante que o desenvolvimento de software não seja apenas uma atividade técnica, mas um processo gerador de conhecimento científico.
Escalabilidade: Permite que pesquisadores individuais realizem projetos complexos de software de pesquisa com a mesma qualidade metodológica de grandes equipes.
Futuro da Pesquisa: Posiciona o SHAPR como uma ponte entre o design de pesquisa liderado por humanos e a execução assistida por IA, preparando o terreno para sistemas de pesquisa executáveis por IA que mantêm a autoridade epistêmica humana.

Em suma, o SHAPR transforma o desenvolvimento iterativo de software em uma atividade de pesquisa estruturada, onde cada ciclo contribui incrementalmente para um corpo de conhecimento robusto, resolvendo o dilema entre a velocidade da IA e a necessidade de rigor científico.