Como Usar IA na Análise de Redes Sociais em Pesquisa

Redes que você não consegue enxergar sem ajuda

Vamos lá. Existe uma categoria de fenômenos sociais que simplesmente não aparece quando você entrevista pessoas uma a uma ou analisa documentos isoladamente. São os padrões que só existem nas relações, não nos elementos.

Quem colabora com quem numa área científica? Quais autores dominam a produção de determinado campo? Quais conceitos aparecem juntos com mais frequência na literatura? Qual pesquisador funciona como ponte entre grupos que, de outra forma, não se comunicariam?

Essas perguntas pertencem ao universo da análise de redes sociais (ARS), e elas estão cada vez mais presentes em dissertações e teses de diversas áreas, da educação à saúde, da sociologia à ciência da informação.

O problema é que redes grandes são impossíveis de analisar manualmente. É aqui que a IA e os softwares especializados entram, e onde também surgem os riscos mais sérios de uso inadequado.

O que a análise de redes sociais realmente investiga

Antes de falar sobre IA, preciso contextualizar o método. A análise de redes sociais não é análise de “redes sociais” no sentido popular (Instagram, TikTok, LinkedIn). Embora essas plataformas possam ser objeto de ARS, o método é anterior a elas.

ARS é uma abordagem metodológica que estuda estruturas relacionais. Em vez de olhar para atributos de indivíduos (idade, gênero, renda), ela olha para as conexões entre esses indivíduos e o que essas conexões revelam sobre o sistema.

Na pesquisa acadêmica, os usos mais comuns são:

Bibliometria e análise de coautoria: quem escreve com quem, quais países colaboram, quais instituições dominam a produção em um campo. Ferramentas como VOSviewer e Bibliometrix (R) são amplamente usadas para esse tipo de análise.

Análise de citações: quais autores são mais citados, quais trabalhos funcionam como pontes entre subáreas, onde estão os “buracos estruturais” numa rede de citações.

Análise de interações sociais: em pesquisas qualitativas ou mistas, pode-se mapear quem se comunica com quem numa organização, numa escola, numa comunidade.

O método tem métricas próprias que você precisa conhecer antes de usar qualquer ferramenta.

As métricas que a IA vai calcular por você (e o que elas significam)

Quando você roda uma análise de redes, os softwares calculam automaticamente uma série de indicadores. Aqui estão os principais que você vai encontrar:

Centralidade de grau: quantas conexões diretas um nó tem. Um autor com muitas coautorias tem alta centralidade de grau. Isso indica produtividade relacional, mas não necessariamente influência conceitual.

Centralidade de intermediação (betweenness): mede em quantos “caminhos mais curtos” entre outros nós determinado nó aparece. Um ator com alta betweenness é um intermediário, uma ponte. Pode ser muito influente mesmo tendo poucas conexões diretas.

Coesão e densidade: quanto os nós de uma rede estão conectados entre si. Redes muito densas podem indicar isolamento (um grupo muito fechado que não conversa com o restante do campo).

Modularidade e comunidades: identifica clusters, subgrupos dentro da rede que têm mais conexões entre si do que com o restante.

A IA (ou o software) calcula tudo isso. Mas ela não interpreta. Você precisa dizer o que significa ter alta betweenness num programa de pós-graduação específico. Que implicações tem um campo muito fragmentado em clusters que não se comunicam? Isso é análise sua. Não da ferramenta.

Onde a IA entra nesse processo

Na análise de redes sociais, a IA atua em duas frentes principais: extração de dados e apoio à visualização e cálculo.

Extração e estruturação de dados relacionais: Para analisar redes de coautoria ou citação, você precisa exportar dados de bases como Web of Science, Scopus ou Google Scholar. Esse processo pode ser trabalhoso quando envolve muitos registros. Ferramentas com recursos de IA conseguem filtrar, limpar e estruturar esses dados com mais velocidade, mas você ainda precisa validar o que foi capturado.

Para dados mais específicos (interações em plataformas digitais, redes de organizações), ferramentas de coleta automatizada com scripts Python (usando bibliotecas como tweepy ou selenium) combinadas com ChatGPT para organizar e pré-classificar o material podem reduzir muito o trabalho braçal. Mas cuidado com os aspectos éticos dessa coleta, que discuto mais adiante.

Interpretação assistida: Algumas pesquisadoras usam ChatGPT ou Claude para ajudar a interpretar os padrões que encontraram na rede. Isso pode ser produtivo como ponto de partida para reflexão, mas tem um risco sério: a IA vai gerar interpretações plausíveis baseadas no que ela conhece do campo, não no contexto específico da sua pesquisa.

Uma rede de citações no campo de saúde mental na periferia de São Paulo tem implicações completamente diferentes de uma rede similar no contexto da pesquisa europeia. A IA não sabe isso. Você sabe.

O uso ético: o que precisa estar na sua metodologia

Pesquisadoras que usam ARS com IA precisam ser específicas na descrição metodológica. Não basta dizer “fiz análise de redes com suporte de IA.” Faz sentido?

O que os avaliadores de qualificação e os pareceristas vão querer saber:

Qual foi a fonte dos dados relacionais? Como foram coletados? Houve limpeza e padronização? Quais critérios você usou para incluir ou excluir nós e arestas da rede?

Qual software foi usado e com quais parâmetros? VOSviewer tem configurações de resolução de cluster, por exemplo, que influenciam diretamente o resultado. Um pesquisador que não sabe que esse parâmetro existe vai interpretar resultados que são, em parte, artefatos das configurações padrão.

Como a IA auxiliou e onde o pesquisador julgou? Transparência aqui é obrigatória, especialmente após as novas diretrizes do CNPq sobre declaração de uso de IA na pesquisa, que abordamos no post sobre como declarar o uso de IA no seu artigo.

A armadilha da análise de redes “bonita”

Existe um problema crescente em dissertações que usam ARS: a análise de redes como estética, não como método.

Colocar um grafo colorido no capítulo de resultados porque fica visualmente impactante, sem que ele responda nenhuma pergunta de pesquisa específica, é um erro metodológico sério.

Se a análise de redes está na sua dissertação, ela precisa estar justificada na metodologia (por que essa abordagem serve às suas perguntas?), explicada nos resultados (o que cada métrica diz?) e interpretada na discussão (o que esses padrões significam no contexto da sua pesquisa?).

A IA facilita gerar o grafo. Ela não facilita fazer o grafo ter sentido. Essa parte é sua.

Ferramentas que vale conhecer

Sem entrar em tutorial (isso é o tipo de conteúdo dos produtos, não do blog), vale nomear os recursos mais usados para que você saiba o que pesquisar:

Para bibliometria e coautoria: VOSviewer (gratuito, interface gráfica) e Bibliometrix (R, mais flexível). Ambos exportam dados de Scopus e Web of Science.

Para análise de redes mais gerais: Gephi (gratuito, muito visual) e NetworkX (Python, para quem tem familiaridade com código).

Para dados de plataformas digitais: a extração de dados está ficando mais restrita por questões de API e termos de uso. Consulte sempre a política das plataformas antes de coletar.

Para quem quer usar IA no processo: ChatGPT pode ajudar a entender métricas que você não conhece, a formular hipóteses sobre padrões encontrados e a estruturar a apresentação dos resultados. Mas a interpretação vinculada à sua pergunta de pesquisa precisa ser sua.

Antes de sair criando redes

A análise de redes sociais é um método poderoso que amplia o que a pesquisa pode enxergar. Mas ela só agrega valor quando serve à sua pergunta de pesquisa, quando você entende o que está calculando e quando você interpreta os resultados no seu contexto específico.

A IA pode acelerar o processo de extração, organização e até visualização dos dados. Ela não substitui o entendimento metodológico que diferencia uma pesquisadora séria de alguém que colocou um grafo bonito na dissertação sem saber o que ele diz.

Se você está construindo sua base metodológica e quer entender como integrar ferramentas de IA sem comprometer o rigor, o Método V.O.E. trabalha exatamente essa articulação entre velocidade e qualidade na escrita e na análise.