Autonomous Research Assistant: An AI-Powered System for Automated Paper Discovery, Summarization, Domain Classification, and Citation Generation

Resumo Técnico: Assistente de Pesquisa Autônomo

Definição do Problema
O cenário acadêmico está atualmente sobrecarregado pelo volume massivo de novas pesquisas, com mais de 200 milhões de artigos indexados em grandes bases de dados. Os pesquisadores enfrentam desafios significativos para acompanhar esse crescimento, especificamente em três áreas: descobrir estudos relevantes de forma eficiente, compreender rapidamente as contribuições centrais de artigos individuais e gerenciar citações em diversos padrões de formatação (ex: APA, MLA, IEEE). As revisões de literatura tradicionais são demoradas, levando frequentemente semanas, enquanto as ferramentas existentes normalmente abordam apenas partes isoladas do fluxo de trabalho (busca, sumarização ou gerenciamento de citações), forçando os pesquisadores a alternar entre múltiplas plataformas e perder a continuidade organizacional.

Metodologia e Arquitetura do Sistema
Os autores apresentam o Assistente de Pesquisa Autônomo, uma aplicação web de IA full-stack projetada para automatizar o fluxo de trabalho de pesquisa de ponta a ponta. O sistema integra quatro capacidades primárias: descoberta automatizada de artigos, sumarização impulsionada por IA, classificação de domínio baseada em aprendizado de máquina e geração de citações em múltiplos formatos.

• Arquitetura: O sistema é construído sobre uma arquitetura de múltiplas camadas e sem servidor (serverless). O frontend utiliza React 18 e TypeScript com Tailwind CSS para a camada de apresentação, enquanto o gerenciamento de estado é tratado pelo TanStack Query e React Hook Form. O backend depende de Deno Edge Functions, garantindo execução de baixa latência e sem servidor. A persistência de dados é gerenciada via PostgreSQL com Segurança em Nível de Linha (RLS) para garantir o isolamento e a privacidade dos dados do usuário. A autenticação é feita via JWT.
• Descoberta de Artigos e Sumarização: O sistema consulta a API do Semantic Scholar para acessar uma biblioteca de mais de 200 milhões de artigos. Ele emprega uma lógica de tentativa de reexecução (retry logic) robusta (até três tentativas com backoff exponencial) para lidar com limites de taxa (rate limits). Se a API falhar, um mecanismo de fallback de IA é acionado. Para a sumarização, o sistema utiliza o Google Gemini 2.5 Flash para gerar resumos abstrativos (2–3 frases) e extrair de 5 a 7 palavras-chave relevantes dos resumos dos artigos em tempo real.
• Classificação de Domínio: Para categorizar artigos em seis domínios de pesquisa distintos, os autores treinaram um modelo de aprendizado de máquina no conjunto de dados de Resumos de Artigos da Cornell University arXiv.
  • Conjunto de Dados: 18.000 resumos foram selecionados entre seis domínios disjuntos: Visão Computacional (cs.CV), Processamento de Linguagem Natural (cs.CL), Astrofísica (astro-ph.GA), Combinatória (math.CO), Neurociência (q-bio.NC) e Física de Altas Energias (hep-th).
  • Pré-processamento: O pipeline inclui normalização de caixa, remoção de caracteres não alfabéticos (exceto hifens), tokenização, remoção de stopwords (incluindo termos acadêmicos genéricos) e lematização. Os títulos são prefixados aos resumos duas vezes para reforçar o contexto.
  • Engenharia de Atributos: A vetorização TF-IDF foi utilizada com um máximo de 50.000 atributos, utilizando unigramas até trigramas.
  • Seleção de Modelo: Cinco classificadores foram comparados: Regressão Logística, Naive Bayes Multinomial, SVM Linear, Classificador SGD e Random Forest. O SVM Linear com Platt scaling e ajuste de hiperparâmetros (C=1.0) emergiu como o modelo superior.
  • Estratégia de Implantação: Em vez de implantar um modelo sklearn baseado em Python diretamente no ambiente Deno (o que exigiria uma conteinerização complexa), os autores utilizaram uma abordagem de engenharia de prompt. A taxonomia treinada e a lógica de classificação foram codificadas em um prompt para o Gemini 2.5 Flash, permitindo que a Edge Function realize a classificação de domínio juntamente com a sumarização sem a necessidade de um tempo de execução Python.
• Geração de Citações: O sistema gera automaticamente citações nos formatos APA, MLA e IEEE com base nos metadados recuperados, permitindo a exportação com um único clique.

Principais Resultados

• Desempenho de Classificação: O SVM Linear ajustado alcançou uma acurácia de teste de 97,25% com um F1 score macro de 0,97 em uma divisão estratificada de 80/20 (3.600 amostras de teste). Isso superou a Regressão Logística (97,06%), o Classificador SGD (97,03%), o Naive Bayes Multinomial (96,69%) e o Random Forest (94,44%).
  • A análise por classe mostrou os maiores F1 scores para Astrofísica e PLN (0,98), com Visão Computacional ligeiramente inferior (0,96) devido à sobreposição de vocabulário com PLN.
  • O modelo foi validado via validação cruzada de 5 dobras (96,17% ± 0,45%) e um teste customizado de seis resumos criados manualmente, atingindo 100% de acurácia.
• Latência do Sistema: O pipeline de ponta a ponta para processar 5 artigos leva entre 8 a 15 segundos. Os detalhamentos incluem ~1,2 segundos para sumarização, ~0,8 segundos para extração de palavras-chave e ~0,6 segundos para classificação de domínio por artigo.
• Eficiência: A abordagem TF-IDF + Linear SVM foi treinada em menos de 30 segundos no nível gratuito do Google Colab, sem exigir GPU, contrastando com os altos custos computacionais de modelos baseados em transformers como BERT ou SciBERT.

Significância e Alegações
O artigo afirma que o Assistente de Pesquisa Autônomo demonstra com sucesso que um pipeline completo de automação de pesquisa pode ser entregue como uma aplicação web de nível de produção com fortes garantias de segurança. As principais contribuições incluem:

1. Fluxo de Trabalho Holístico: Unificar descoberta, sumarização, classificação e citação em uma única interface, eliminando a necessidade de alternar entre ferramentas díspares.
2. ML de Baixo Custo: Provar que abordagens de ML tradicional cuidadosamente projetadas (TF-IDF + Linear SVM) podem alcançar uma acurácia próxima à do deep learning (97,25%) para classificação de domínio, sendo significativamente mais rápidas de treinar e mais baratas de implantar do que alternativas baseadas em transformers.
3. Implantação Inovadora: O uso de engenharia de prompt para incorporar uma taxonomia de classificação treinada em uma chamada de inferência de LLM permite que a classificação de domínio ocorra dentro de um ambiente Deno serverless sem dependências Python, reduzindo a latência e a complexidade da infraestrutura.
4. Ganhos de Produtividade: O sistema relata reduzir o tempo necessário para revisões de literatura manuais por um fator de três (aproximadamente 70% de economia de tempo) e automatiza a tarefa tediosa de formatação de citações.

Os autores mantêm uma postura modesta, reconhecendo limitações como a dependência de metadados de API para a precisão das citações, a restrição atual a seis domínios amplos (embora expansíveis) e a falta de análise de texto completo de PDF no protótipo atual. Trabalhos futuros são propostos para incluir classificação hierárquica, análise de PDF via GROBID e recursos de compartilhamento colaborativo.