IA na análise de dados quantitativos: possibilidades e armadilhas

O que a IA realmente consegue fazer com seus dados

Olha só: a promessa é sedutor. Você cola uma tabela de dados, faz uma pergunta, e a IA responde com uma análise completa. Sem SPSS, sem consultar o orientador, sem aquela sensação de estar perdido diante de um p-valor.

Mas antes de confiar cegamente, vale perguntar: o que a IA realmente entende sobre seus dados?

A resposta honesta é que depende muito de como você usa e de qual ferramenta escolhe. Há coisas que a IA faz bem, há coisas que ela simula fazer bem, e há armadilhas que podem comprometer toda a sua análise sem que você perceba. E numa dissertação de mestrado ou artigo científico, esse detalhe não é pequeno.

Vou passar pelos três cenários que surgem com mais frequência na prática de pesquisadores que estão começando a usar IA no processo quantitativo.

O que funciona: IA como intérprete de resultados

Uma das aplicações mais seguras é usar a IA para ajudar a interpretar resultados que você já rodou em softwares dedicados (SPSS, R, Stata, Python com pandas).

Você roda sua regressão múltipla no SPSS. Sai aquela tabela cheia de coeficientes, valores de t, p-valores, beta padronizado. Você entende as partes, mas não sabe ao certo como montar o argumento interpretativo para a sua dissertação. Aí pede para a IA: “Tenho esses resultados. O que posso afirmar sobre a relação entre X e Y?”

Isso funciona razoavelmente bem, desde que você forneça o contexto do seu estudo. A IA pode ajudar a estruturar a narrativa, sugerir a linguagem adequada, e alertar para conclusões que extrapolam o que os dados permitem.

O que não funciona tão bem: pedir para a IA decidir por você qual teste usar antes de você entender o porquê. Ou aceitar uma interpretação sem checar se ela é coerente com os pressupostos do método.

A armadilha mais comum: confiar na sugestão de testes estatísticos

Essa é a parte onde pesquisadores tropeçam com mais frequência, e entender o porquê vai te poupar muita dor de cabeça.

Quando você pergunta “que teste devo usar para comparar dois grupos?”, a IA vai provavelmente sugerir o teste t ou o Mann-Whitney. Tecnicamente, não está errado. Mas a pergunta correta não é só “comparar dois grupos”: é comparar esses dois grupos, com esses dados, com essa distribuição, nesse tamanho de amostra, para responder essa pergunta específica.

Modelos de linguagem não têm acesso aos seus dados de verdade quando você está em uma conversa de chat. Eles inferem a partir do que você descreve, e a descrição que um pesquisador iniciante faz raramente tem todos os detalhes que um estatístico consideraria essenciais.

Um exemplo que acontece: pesquisadora descreve um questionário com escala Likert de 5 pontos e pergunta qual teste usar para comparar grupos. A IA sugere ANOVA. A orientadora aponta que dados ordinais de Likert com amostras pequenas pedem Mann-Whitney ou Kruskal-Wallis. A pesquisadora tinha feito a análise toda com o teste errado.

Isso não é culpa da IA ter “errado”. É o resultado natural de fornecer uma descrição incompleta para uma ferramenta que não consegue ver seus dados de verdade.

IA que realmente processa dados: Code Interpreter e alternativas

Agora, quando você usa ferramentas que realmente executam código com seus dados, o cenário muda.

O Code Interpreter do ChatGPT Plus (disponível dentro do GPT-4) e o Julius AI, por exemplo, permitem fazer upload de uma planilha e executar análises reais em Python. O modelo não está “imaginando” os dados: está rodando código sobre eles.

Aí sim você pode:

• Pedir análises exploratórias (distribuições, correlações, outliers)
• Visualizar os dados antes de qualquer teste
• Rodar testes e ver os resultados reais
• Pedir interpretação do output gerado

O risco aqui é diferente: o código pode estar correto, mas o teste escolhido pode ser inadequado para o seu delineamento. Ou os pressupostos (normalidade, homogeneidade de variâncias) podem não ter sido verificados.

O Método V.O.E. tem um princípio importante aplicável aqui: na fase de Orientação, você precisa entender o que está fazendo antes de executar. Com análise quantitativa e IA, isso significa saber ao menos o suficiente para validar se o que a IA sugeriu faz sentido para o seu contexto. Você pode aprender isso; é o que o Método V.O.E. propõe.

Por que seu orientador ainda precisa entrar na jogada

Tem uma ilusão de autonomia que a IA cria muito bem. Você acha que está fazendo a análise sozinho porque está lendo e executando. Mas se você não consegue avaliar criticamente o output, você não está fazendo análise: você está transcrevendo sugestões.

A análise quantitativa numa dissertação não é só um passo técnico. Ela precisa fazer sentido dentro do seu delineamento de pesquisa, da sua pergunta, do seu referencial teórico. Um orientador ou um consultor de estatística olha para isso como um todo. A IA olha para o que você descreve no chat.

Isso não significa que a IA não tem valor. Significa que ela tem um papel diferente: pode acelerar a compreensão, pode te ajudar a formular perguntas melhores para o orientador, pode te mostrar como escrever a seção de análise. Mas a validação metodológica ainda precisa de um humano com olhos no seu projeto completo.

O que declarar quando usar IA na análise quantitativa

Se você usou IA de alguma forma no processo de análise, isso precisa aparecer na seção de metodologia. Não de forma vaga, mas descrevendo o que a ferramenta fez.

Exemplos concretos de como declarar:

• “A visualização exploratória dos dados foi gerada com o auxílio do Code Interpreter (ChatGPT-4), que executou scripts em Python sobre os dados brutos. Os testes estatísticos foram realizados no SPSS versão X e validados pelo orientador.”
• “A interpretação dos coeficientes da regressão foi revisada com apoio de ChatGPT (GPT-4, OpenAI), sendo os resultados verificados pelo pesquisador.”

A transparência aqui não é só questão ética. É também autoproteção: se a banca perguntar como você fez a análise, você precisa saber explicar cada escolha. Se você usou IA e não entendeu o que ela fez, vai ter dificuldade nessa hora.

Fechando: use IA para aprender, não para delegar

A diferença entre usar IA bem e usar IA mal na análise quantitativa está em onde você coloca a responsabilidade intelectual.

Use IA para entender: “Explica o que é um teste de Levene e quando preciso aplicá-lo antes de uma ANOVA.” Use IA para praticar interpretação. Use IA para revisar a escrita da seção de análise.

Não use IA para substituir a compreensão do método. Não aceite sugestões de testes sem verificar os pressupostos. Não copie interpretações sem checá-las com seu orientador.

Análise quantitativa com IA pode ser muito produtiva quando você entende o suficiente para questionar. Quando você não entende, a IA vai parecer útil e pode estar te levando por um caminho metodológico problemático, sem alarmes, sem aviso.

Faz sentido? O ponto não é ter medo da ferramenta. É usar com o olho aberto.

Exemplos de bons e maus usos na prática

Para deixar mais concreto, alguns cenários que illustram a diferença:

Uso produtivo: Você tem um output de regressão logística e não entende o que significa “razão de chances de 1,43 para a variável X”. Você pede para a IA explicar em linguagem simples, para depois reescrever com suas palavras no texto da dissertação. Isso é usar a IA como professora particular de estatística.

Uso problemático: Você descreve seu estudo brevemente e pede “qual análise devo usar?”, recebe uma sugestão, aplica no SPSS sem entender os pressupostos, e vai para a defesa sem saber explicar por que usou aquele teste. Se a banca perguntar, vai ser uma conversa difícil.

Uso produtivo: Você usa o Code Interpreter para fazer análise exploratória inicial, identificar valores ausentes, checar distribuições. Isso acelera o trabalho sem comprometer a integridade, porque você está vendo os dados de verdade.

Uso problemático: Você pede para a IA “fazer a análise estatística” e copia o texto gerado diretamente para a dissertação sem entender se os testes fazem sentido para a sua amostra e pergunta de pesquisa.

A linha entre um uso e outro é, sempre, o entendimento. Quanto mais você entende do método, mais útil a IA se torna, porque você consegue fazer perguntas melhores e avaliar as respostas com senso crítico.

Um ponto sobre documentação e auditoria

Pesquisas financiadas por agências como CAPES e CNPq precisam de transparência metodológica crescente. Registrar o uso de IA no processo de análise não é só uma boa prática: pode se tornar requisito formal dependendo do seu programa e da agência financiadora.

O bom hábito é manter um log simples do que você usou, como, e para quê. Não precisa ser uma lista exaustiva, mas ter registro é muito mais fácil do que tentar reconstruir depois. E esse log, adaptado, pode virar parte da sua seção de metodologia ou dos apêndices da dissertação, dependendo das normas do seu programa.

Para quem quiser se aprofundar na questão ética do uso de IA na pesquisa, há um post específico com mais detalhes sobre declaração e integridade.