💻 computer science

What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

Esta revisão rápida de 40 artigos selecionados identifica oito competências essenciais para pesquisadores alfabetizados em LLM, enfatizando que o uso eficaz e responsável da IA na ciência depende mais da expertise de domínio, da supervisão crítica e da responsabilidade ética do que apenas do conhecimento técnico.

Autores originais: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Publicado 2026-07-20

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

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 o mundo da ciência como uma biblioteca enorme e movimentada, onde os pesquisadores são os bibliotecários. Por décadas, esses bibliotecários tiveram um livro de regras rigoroso: eles devem encontrar livros, lê-los cuidadosamente, verificar os fatos e escrever seus próprios relatórios com base no que aprenderam. Mas recentemente, um assistente robô incrivelmente rápido e falante chegou à biblioteca. Este robô, alimentado por algo chamado "Grande Modelo de Linguagem" (ou LLM), pode ler milhões de livros em um segundo, resumir informações, escrever rascunhos e até ajudar a resolver quebra-cabeças complexos. É como ter um estagiário superinteligente que nunca dorme.

No entanto, há um porém. Este robô é um pouco trapaceiro. Às vezes ele diz a verdade, mas outras vezes ele inventa fatos com confiança (um erro que os pesquisadores chamam de "alucinação") ou copia ideias sem dar o devido crédito. Por causa disso, a grande questão não é apenas "O robô pode nos ajudar?", mas sim "Quais habilidades os bibliotecários humanos precisam para manter o robô sob controle?". Se os bibliotecários não souberem o suficiente sobre os livros que estão organizando, eles podem deixar o robô escrever todo o relatório, levando a uma biblioteca cheia de mentiras. Este artigo mergulha exatamente nas habilidades que os pesquisadores precisam para usar esses robôs de IA de forma responsável, sem perder a própria sanidade ou a verdade.

A Grande Caçada ao Detetive de IA

Uma equipe de pesquisadores decidiu brincar de detetive para responder a uma pergunta urgente: O que realmente é necessário para ser um pesquisador que utiliza ferramentas de IA de forma eficaz, crítica e responsável? Eles não apenas adivinharam; eles realizaram uma missão de revisão rápida, examinando 194 artigos publicados entre 2022 e 2025. Desta montanha de papelada, eles selecionaram cuidadosamente 40 artigos que mostravam exemplos reais de pessoas usando IA em suas pesquisas. Em seguida, utilizaram uma mistura de cérebros humanos e uma segunda ferramenta de IA para filtrar esses artigos, procurando pelas "superpotências" ou competências específicas que os pesquisadores bem-sucedidos pareciam possuir.

O que eles encontraram foi uma lista de oito habilidades essenciais. Pense nelas não como habilidades de programação de computador, mas como os músculos mentais que um pesquisador precisa exercitar.

1. O Olhar Especialista (Especialidade de Domínio e Supervisão)
Esta foi a habilidade mais comum encontrada, aparecendo em 123 instâncias nos estudos. Imagine o robô de IA como um guia turístico muito rápido e muito confiante que sabe um pouco sobre tudo, mas não é especialista em nada. Se você não conhece o território por si mesmo, pode acreditar no guia quando ele aponta para uma cachoeira falsa e diz: "Essa é a real!". O artigo sugere que os pesquisadores devem ser os verdadeiros especialistas em sua área. Eles precisam conhecer o assunto tão bem que sejam capazes de notar quando a IA está mentindo, inventando fontes ou dando uma resposta superficial. O robô pode fazer o trabalho pesado, mas o humano deve ser aquele que diz: "Espere, isso não parece certo", e verificar os fatos.

2. A Troca Inteligente (Metacognição e Tomada de Decisão)
Encontrada em 55 instâncias, esta habilidade trata de saber quando usar o robô e quando desligá-lo. É como decidir se você vai usar uma furadeira elétrica para pendurar um quadro ou apenas um martelo. Os pesquisadores descobriram que os melhores cientistas não deixam a IA assumir todo o trabalho. Eles decidem quais partes da pesquisa são seguras para a IA (como organizar notas) e quais partes devem permanecer humanas (como elaborar a conclusão final). Trata-se de ser o capitão do navio, não apenas um passageiro.

3. A Bússola Moral (Ética, Privacidade e Integridade)
Com 53 menções, esta habilidade trata de jogar limpo. Usar IA não é apenas obter respostas; é fazê-lo sem roubar, mentir ou vazar segredos. Os pesquisadores precisam saber como proteger dados privados, como admitir quando usaram um robô para escrever parte de seu artigo e como garantir que não estão cometendo plágio acidentalmente. É a diferença entre usar uma calculadora para fazer matemática e colar em uma prova deixando outra pessoa fazer o trabalho por você.

4. A Arte de Perguntar (Engenharia de Prompt)
Isso apareceu 38 vezes. Se você fizer uma pergunta vaga ao robô como "Fale-me sobre a ciência", receberá uma resposta vaga e entediante. Mas se você perguntar: "Explique a teoria da relatividade para uma criança de 12 anos usando uma analogia de pizza", você obterá algo incrível. Esta habilidade trata de aprender como falar com a IA. É como ser um diretor dando instruções a um ator; quanto melhor o seu roteiro (o prompt), melhor será a performance. Os pesquisadores descobriram que refinar essas perguntas repetidamente é a chave para obter resultados úteis.

5. O Rastro de Papel (Reprodutibilidade e Relato)
Encontrada em 29 instâncias, isso trata de manter um diário. Se você usa uma ferramenta de IA para ajudar a encontrar informações, precisa escrever exatamente o que perguntou, qual versão da ferramenta utilizou e como verificou o trabalho dela. Por quê? Para que, se alguém quiser repetir seu experimento, possa ver exatamente como você o fez. É como deixar um rastro de migalhas de pão para que ninguém se perca na floresta da sua pesquisa.

6. O Construtor de Plantas (Design Metodológico e Experimental)
Esta habilidade, mencionada 20 vezes, trata de planejar todo o projeto antes mesmo de ligar a IA. É como um arquiteto desenhando a planta de um edifício antes de assentar o primeiro tijolo. Os pesquisadores precisam projetar seus estudos de modo que a IA se encaixe adequadamente sem quebrar a estrutura. Eles precisam definir seus objetivos e limites claramente para que o robô não se desvie e construa uma casa em um pântano.

7. O Tradutor Tecnológico (Letramento em IA e Conhecimento Técnico)
Interessantemente, isso foi mencionado com menos frequência (apenas 16 vezes) e foi sinalizado como um risco caso estivesse ausente. Isso não significa que os pesquisadores precisem ser engenheiros de software capazes de construir a IA do zero. Em vez disso, eles precisam entender como o robô pensa, quais são seus limites e que tipo de erros ele cost de cometer. É como saber que um carro precisa de combustível e freios, mesmo que você não saiba construir o motor. Sem esse entendimento básico, você pode confiar que o carro dirigirá sozinho quando, na verdade, ele está quebrado.

8. O Detetive de Dados (Análise e Interpretação de Dados)
Encontrada em apenas 7 instâncias, isso trata de usar a IA para ajudar a processar números ou encontrar padrões nos dados. Mas o artigo é claro: o humano ainda deve ser aquele que interpreta o que esses números significam. A IA pode encontrar um padrão, mas o humano tem que decidir se esse padrão é importante ou apenas uma coincidência.

O Panorama Geral

Os autores sugerem que usar IA na pesquisa não é apenas aprender uma nova ferramenta; é tornar-se um pensador melhor e mais crítico. A lição mais importante é que o humano ainda é o chefe. A IA é um assistente poderoso, mas não pode substituir a necessidade de julgamento, especialidade e responsabilidade humana. Se um pesquisador não tiver o "Olhar Especialista" ou a "Bússola Moral", a IA poderá levá-lo pelo caminho errado.

O artigo conclui que as escolas e programas de treinamento precisam ensinar essas oito habilidades em conjunto. Não basta apenas mostrar aos alunos como digitar um prompt; eles precisam aprender a questionar as respostas, a manter a ética e a manter o humano no controle. Em um mundo onde robôs podem escrever ensaios e analisar dados, a habilidade mais valiosa que um pesquisador pode ter é a sabedoria de saber quando confiar no robô e quando confiar em seu próprio cérebro.

Resumo Técnico: Competências para Pesquisadores Literatos em LLM

Problema de Pesquisa
A rápida integração de Modelos de Linguagem de Grande Escala (LLMs) na pesquisa científica criou uma lacuna crítica na compreensão das competências específicas que pesquisadores e estudantes de pós-graduação exigem para utilizar essas ferramentas de forma eficaz, crítica e responsável. Embora a literatura existente aborde a alfabetização em IA, a integridade da pesquisa e a engenharia de prompts de forma isolada, há uma carência de evidências consolidadas sobre a interseção desses domínios dentro do ciclo de vida da pesquisa. Especificamente, permanece incerto como as competências tradicionais de pesquisa (ex: rigor metodológico, conduta ética) se interceptam com novas habilidades específicas de IA para garantir a produção de conhecimento confiável em ambientes assistidos por IA.

Metodologia
Os autores realizaram uma revisão rápida da literatura publicada entre 2022 e 2025 para identificar e consolidar as competências exigidas. O estudo seguiu um processo de quatro fases:

Identificação dos Estudos: 194 artigos foram recuperados via Elicit (usando busca semântica assistida por IA) e Google Scholar (primeiras 10 páginas de resultados). Os autores priorizaram a recuperação oportuna em detrimento da cobertura exaustiva, optando por essas fontes em vez de bases de dados curadas como Scopus ou IEEE Xplore.
Seleção dos Estudos: Dois grupos independentes de pesquisadores realizaram a triagem de títulos e resumos, seguida de análise de texto completo, baseando-se em cinco critérios de inclusão (ex: documentação de práticas de pesquisa científica mediadas por IA generativa, publicação entre 2022–2025). Este processo resultou em 40 artigos para extração final de dados. A confiabilidade inter-avaliador foi avaliada usando o Gwet's AC1 (0,76–0,83), indicando concordância substancial a quase perfeita.
Extração e Análise de Dados: Os autores empregaram uma abordagem de análise temática dupla:
- Análise Manual: 40 artigos foram analisados para extrair 147 instâncias de competência, que foram iterativamente codificadas em 26 códigos e consolidadas em 7 temas.
- Análise Assistida por IA: Um LLM analisou independentemente 17 artigos (selecionados via um processo de validação paralelo) para extrair 199 ocorrências e gerar 9 temas.
- Síntese: Os pesquisadores fundiram os temas manuais e gerados por IA com base na equivalência conceitual, resultando em 8 competências consolidadas.
Ameaças à Validade: Os autores reconhecem limitações, incluindo a exclusão de bases de dados revisadas por pares (o que pode reduzir a cobertura), a natureza qualitativa da codificação e o fato de que as contagens de frequência ( $\Sigma n$ ) representam a saliência relativa, e não a prevalência precisa, devido ao agrupamento não desduplicado das análises manuais e de IA.

Principais Contribuições
O artigo apresenta três contribuições primárias:

Síntese de Evidências Empíricas: Consolida como os LLMs são atualmente utilizados ao longo do ciclo de vida da pesquisa, desde a exploração de literatura até a análise de dados.
Framework de Competências: Identifica e define oito competências específicas necessárias para a pesquisa assistida por IA, indo além da instrução técnica para incluir dimensões epistêmicas, éticas e metodológicas.
Implicações para Educação e Prática: Fornece uma base para o design de programas de pós-graduação e iniciativas de alfabetização em IA que preparem pesquisadores para a integração responsável da IA.

Resultados: Oito Competências Identificadas
A análise identificou oito competências, classificadas por sua prevalência na literatura ( $\Sigma n$ ):

Expertise de Domínio e Supervisão de Outputs de IA ( $\Sigma n = 123$ ): A competência mais prevalente. Envolve a capacidade de avaliar criticamente o conteúdo gerado por IA, verificar fontes, detectar alucinações e reter a responsabilidade final pelas conclusões da pesquisa. A literatura enfatiza que o conhecimento do domínio é um pré-requisito para uma avaliação crítica significativa.
Metacognição e Tomada de Decisão quanto ao Uso de IA ( $\Sigma n = 55$ ): A capacidade de determinar quando, onde e como implantar a IA. Isso inclui julgar a adequação da tarefa, manter o controle do humano no circuito (human-in-the-loop) e decidir quais tarefas exigem expertise humana direta versus aumento pela IA.
Ética, Privacidade e Integridade Acadêmica ( $\Sigma n = 53$ ): Abrange o manuseio responsável de dados, transparência quanto ao envolvimento da IA, atribuição adequada, prevenção de plágio e consciência das implicações legais/sociais ao longo do processo de pesquisa.
Engenharia de Prompt para Pesquisa ( $\Sigma n = 38$ ): A habilidade de formular, refinar e contextualizar instruções para guiar sistemas de IA em direção a outputs confiáveis. Isso inclui o refinamento iterativo e a especificação de contexto e objetivos.
Reprodutibilidade e Relato do Uso de IA ( $\Sigma n = 29$ ): A prática de documentar prompts, versões de modelos, configurações e procedimentos de validação para garantir a transparência e permitir a replicação das etapas assistidas por IA.
Design Metodológico e Experimental com IA ( $\Sigma n = 20$ ): A capacidade de integrar a IA no planejamento da pesquisa, definindo restrições, fluxos de trabalho e procedimentos de validação que considerem os pontos fortes e as limitações da IA.
Alfabetização em IA e Conhecimento Técnico ( $\Sigma n = 16$ ): Compreender as capacidades, limitações, riscos e características técnicas da IA. O artigo observa que isso é explicitamente identificado como um fator de risco quando ausente, mas é menos prevalente do que a supervisão específica do domínio.
Análise e Interpretação de Dados com IA ( $\Sigma n = 7$ ): Usar a IA para apoiar análises quantitativas/qualitativas (ex: geração de código, reconhecimento de padrões), preservando a responsabilidade humana pela interpretação dos resultados e validação da qualidade analítica.

Significância e Alegações
Os autores alegam que preparar pesquisadores para LLMs exige mais do que treinamento técnico; demanda um conjunto integrado de competências epistêmicas, éticas e metodológicas centradas na responsabilidade humana.

Mudança Epistêmica: Os achados sugerem que os LLMs não alteram os fundamentos epistêmicos da pesquisa. Em vez de transferir a responsabilidade para a IA, os pesquisadores devem exercer o julgamento sobre quando usar a IA, como validar os outputs e sob quais condições incorporar o conteúdo gerado.
Redistribuição de Expertise: O desafio não é obter outputs, mas governar e integrar esses outputs. A proeminência da expertise de domínio e da supervisão indica que o rigor de pesquisa tradicional permanece como a principal salvaguarda contra erros de IA (ex: alucinações, viés).
Implicações Educacionais: O artigo argumenta que a educação de pós-graduação deve evoluir para incluir estas competências explicitamente. O treinamento deve ir além do uso da ferramenta para focar na avaliação crítica, tomada de decisão ética e manutenção da integridade científica em fluxos de trabalho mediados por IA.

O estudo conclui chamando para pesquisas futuras que investiguem como estas competências se manifestam em diferentes disciplinas e como podem ser avaliadas e apoiadas através de orientação institucional.

Mais como este