Antes e Depois: Revisão de Literatura com IA

O que mudou e o que não mudou

Vamos lá. Antes de falar sobre IA na revisão de literatura, preciso fazer uma distinção que a maioria dos tutoriais sobre o tema não faz com clareza suficiente: há coisas que mudaram de fato com a chegada das ferramentas de IA, e há coisas que não mudaram e provavelmente não vão mudar, porque dependem de julgamento intelectual que nenhuma ferramenta substitui.

Confundir essas duas categorias é o erro que leva pesquisadores a dois extremos igualmente problemáticos: evitar qualquer uso de IA por receio de comprometer a integridade, ou delegar à IA tarefas que precisam de avaliação crítica humana e depois se surpreender com os resultados.

A revisão de literatura é, na sua essência, um processo intelectual de mapeamento e análise do conhecimento existente sobre um tema. Esse processo tem etapas, e a IA é útil em algumas dessas etapas e inútil ou perigosa em outras.

O que era antes

Antes das ferramentas de IA, a revisão de literatura era um processo completamente manual. Você entrava nas bases de dados, fazia suas buscas com descritores, lia os títulos e abstracts que apareciam, selecionava os que pareciam relevantes, baixava os textos completos, lia, fichava, organizava por temas.

Para uma dissertação de mestrado, esse processo significava geralmente semanas de trabalho. Para uma tese de doutorado ou para uma revisão sistemática formal, podia significar meses. O tempo gasto era proporcional ao volume da literatura existente sobre o tema, e para temas com muita produção internacional em inglês, o processo era exaustivo mesmo para pesquisadores experientes.

Havia também a questão do acesso. Encontrar artigos relevantes dependia muito de quais bases de dados sua instituição assinava, de quais termos de busca você usava, e de quanta sorte você tinha ao seguir as citações de artigos que você já tinha.

O que mudou com a IA

A principal mudança é na escala e na velocidade das etapas de triagem inicial.

Identificação de literatura relevante. Ferramentas como Connected Papers e Research Rabbit criam mapas visuais de como artigos se relacionam por citações, revelando conexões que buscas por palavras-chave não mostrariam. Semantic Scholar usa processamento de linguagem natural para recomendar artigos relacionados. Isso não substitui a busca sistemática nas bases de dados, mas complementa de forma útil.

Triagem de abstracts. Para revisões com centenas ou milhares de artigos potencialmente elegíveis, o trabalho de triagem inicial por abstract é onde a IA tem impacto mais significativo. Ferramentas como Rayyan e Covidence (que existem há mais tempo, antes do boom de IA generativa) automatizam parte desse processo. Modelos mais recentes conseguem classificar abstracts por relevância com base em critérios que você define.

Síntese inicial. Ferramentas como Elicit e Consensus conseguem responder perguntas sobre literatura científica citando estudos específicos. São úteis para ter um panorama inicial de o que a literatura diz sobre uma questão, mas exigem verificação: nem sempre os estudos citados existem ou dizem o que a ferramenta afirma.

Resumo de textos. Modelos de linguagem conseguem resumir artigos de forma razoavelmente precisa se você fornece o texto completo (não apenas o título). Útil para uma triagem rápida de textos longos antes de decidir se vale a leitura completa.

O que não mudou (e não vai mudar)

Olha só: aqui é onde a maioria das discussões sobre IA na pesquisa fica vaga, e eu quero ser específica.

A avaliação de qualidade metodológica. Ler um artigo e julgar se o desenho de pesquisa é adequado para a pergunta proposta, se a amostra é suficiente, se os instrumentos são válidos, se a análise é correta, se as conclusões extrapolam o que os dados permitem afirmar, isso exige formação metodológica e julgamento crítico. Nenhuma ferramenta de IA atual faz isso de forma confiável.

A síntese que conecta à sua pergunta. A revisão de literatura de uma dissertação não é uma lista de resumos de artigos. É uma análise de como o conjunto da literatura se posiciona em relação à pergunta de pesquisa específica que você está investigando. Essa síntese depende de você entender sua pergunta de pesquisa com profundidade suficiente para identificar quais aspectos da literatura são relevantes, quais não são, e por quê.

A decisão sobre o que incluir ou excluir. Os critérios de inclusão e exclusão de uma revisão precisam ser definidos com base em razões metodológicas que você vai ter que justificar. Uma IA pode aplicar critérios que você definiu, mas não pode definir quais critérios fazem sentido para a sua pergunta.

A análise de viés. Identificar viés de publicação, viés de seleção, conflitos de interesse não declarados, e outros problemas sistemáticos na literatura exige análise que vai além do conteúdo explícito dos textos.

Como usar IA na revisão de literatura: o que funciona

Com essas distinções claras, é possível descrever um uso de IA na revisão de literatura que é genuinamente útil sem comprometer o rigor.

Use IA para ampliar a cobertura inicial, não para substituir a busca sistemática. Ferramentas como Research Rabbit e Connected Papers ajudam a encontrar artigos que você poderia ter perdido com suas buscas por descritores. Use como complemento à busca sistemática nas bases de dados, não como substituto.

Use modelos de linguagem para reformular buscas. Se você está tendo dificuldade de encontrar literatura relevante, descrever sua pergunta de pesquisa para um modelo de linguagem e pedir sugestões de descritores de busca pode ampliar sua cobertura.

Use resumos de IA como primeira triagem, não como leitura final. Se você tem 50 artigos que passaram pela triagem de abstract e precisa decidir quais ler completamente, usar um modelo para resumir pode ajudar na priorização. Mas os artigos que você vai citar precisam ser lidos por você.

Documente tudo. Quais ferramentas você usou, em quais etapas, com quais prompts. Essa documentação vai aparecer na sua metodologia e é parte da transparência que a pesquisa com IA exige.

O risco que poucos mencionam

O risco mais sério do uso de IA na revisão de literatura não é o que mais aparece nas discussões: não é o plágio, não é a geração de texto, não é nem mesmo a alucinação de referências que não existem (embora esse seja real).

O risco mais insidioso é a confiança excessiva numa síntese que parece completa mas é superficial. Ferramentas de IA são muito boas em produzir textos que parecem abrangentes e bem fundamentados. Um resumo de literatura gerado por IA pode ter a aparência de um estado da arte sem ser um, porque não tem a análise crítica que diferencia mapeamento de fichamento.

Quem leu os artigos, avaliou a qualidade metodológica, identificou os debates reais do campo, e construiu uma síntese genuína, vai produzir algo diferente de quem usou IA para gerar um resumo sem fazer esse trabalho. A banca experiente vai perceber a diferença.

O uso de IA que fortalece a pesquisa é o uso que acelera etapas de triagem e organização para que você tenha mais tempo e energia para a leitura crítica que realmente importa. O uso que enfraquece é o que substitui essa leitura crítica por sínteses geradas automaticamente.

Faz sentido? A IA muda o quanto você consegue processar. Não muda o que você precisa entender.