IA na Pesquisa em Sociologia e Antropologia

IA em ciências humanas: tensão real, não fantasia

Olha só: a sociologia e a antropologia têm uma relação historicamente tensa com tecnologias que prometem “objetividade”. Isso não é paranoia acadêmica. É memória institucional. Décadas de críticas ao positivismo nas ciências humanas deixaram marcas profundas, e com razão.

Então quando a inteligência artificial entra na conversa, a primeira reação de muitos pesquisadores dessas áreas é de ceticismo. Às vezes de rejeição completa. E às vezes de adoção acrítica também, que é o outro extremo igualmente problemático.

O que quero explorar aqui não é “IA sim ou não”, mas onde ela faz sentido nessas áreas e onde ela não faz. Porque a distinção importa, e ela é metodológica antes de ser tecnológica.

O que a IA pode (e não pode) fazer em ciências sociais

Vamos começar pelo que a IA faz bem, independente de área:

Tarefas repetitivas, de baixo julgamento interpretativo. Transcrição de entrevistas. Organização de documentos. Busca e triagem de referências bibliográficas. Identificação de padrões textuais superficiais. Tradução de materiais em idiomas que o pesquisador domina parcialmente.

Agora o que a IA não faz, e que é exatamente o núcleo da pesquisa qualitativa em sociologia e antropologia:

Compreender o contexto cultural de uma fala. Captar o que não foi dito numa entrevista. Interpretar um silêncio, uma hesitação, uma expressão corporal. Reconhecer ironia, trauma, resistência, ambiguidade. Relacionar o dado com a experiência de campo que só o pesquisador viveu. Posicionar a análise dentro de uma tradição teórica específica.

Isso não é modéstia sobre o que a tecnologia pode fazer no futuro. É descrição do que ela faz agora. E nas áreas onde o dado é inseparável do contexto relacional e interpretativo, essa limitação é central.

Transcrição: o uso mais defensável

Se há uma aplicação de IA amplamente aceita em pesquisas qualitativas dessas áreas, é a transcrição de entrevistas e grupos focais.

Ferramentas como Whisper, Otter.ai e similares conseguem transcrever áudio com qualidade razoável, economizando horas de trabalho manual. O pesquisador ainda precisa revisar, porque erros de homófonos, nomes próprios e jargões locais são frequentes. Mas a base gerada pela IA reduz significativamente o tempo de preparação dos dados.

O ponto crítico é o que acontece depois da transcrição. A análise do material transcrito ainda é trabalho humano. E nas ciências sociais, a análise raramente se separa da escuta: reler a transcrição enquanto ouve o áudio, notar o que foi capturado e o que foi perdido, recuperar o tom emocional que o texto plano apaga.

Revisão de literatura: onde a IA poupa tempo sem comprometer a teoria

Pesquisadores de ciências humanas costumam trabalhar com literaturas densas, frequentemente em múltiplas línguas e tradições teóricas. Essa é uma área onde a IA pode ajudar sem comprometer a integridade do trabalho.

Ferramentas que permitem busca semântica em bases de dados, como Semantic Scholar ou Research Rabbit, ajudam a encontrar artigos relevantes que uma busca por palavras-chave convencional perderia. Ferramentas de síntese, como NotebookLM ou Elicit, podem ajudar a mapear argumentos em artigos específicos antes de o pesquisador ler com profundidade.

O que não se delega: a escolha das lentes teóricas. A decisão de quais autores fazem sentido para seu quadro interpretativo. A articulação entre teoria e dado. Isso requer domínio do campo que a IA não tem.

No Método V.O.E., essa distinção é tratada como divisão entre o que pode ser otimizado e o que precisa ser pensado. IA na revisão de literatura entra no “otimizar” — ajuda a não perder referências importantes. A construção do argumento teórico é “pensar”, e permanece inteiramente com o pesquisador.

Análise temática assistida por IA: o terreno mais delicado

Aqui é onde a conversa fica mais difícil, e onde mais pesquisadores me perguntam coisas como “posso usar o ChatGPT para codificar minhas entrevistas?”

A resposta honesta: depende do que você chama de codificar e depende do que a IA vai produzir.

Se você está pedindo para a IA identificar temas recorrentes em um corpus textual como ponto de partida para você trabalhar, isso tem uso metodologicamente defensável. Muitas ferramentas de análise qualitativa, como Atlas.ti e NVivo, já incorporam funções de sugestão automática de categorias há anos.

O problema começa quando o pesquisador aceita os temas gerados pela IA sem questionar, sem retornar aos dados, sem verificar se aquelas categorias fazem sentido dentro do seu quadro teórico e do seu campo de pesquisa. A IA identifica frequência e coocorrência textual. Ela não identifica significado no sentido que a hermenêutica ou a análise de discurso entendem esse conceito.

Uma mestranda em sociologia com quem conversei usou uma ferramenta de IA para gerar uma primeira categorização temática de cinquenta entrevistas sobre moradia e desigualdade urbana. A IA agrupou falas por proximidade semântica. Mas ela percebeu que dois grupos que a IA havia separado, um sobre “dificuldades financeiras” e outro sobre “problemas com o proprietário”, eram na verdade manifestações do mesmo fenômeno: a precariedade da relação de aluguel para famílias de baixa renda. Só quem esteve em campo, conversou com os sujeitos e conhecia o contexto local conseguia ver isso.

A IA produziu uma organização que era linguisticamente coerente mas sociologicamente superficial. O trabalho de análise real foi dela.

Pesquisa etnográfica e IA: onde a limitação é mais clara

A etnografia tem uma lógica que resiste particularmente ao uso de IA na fase analítica. Isso não é conservadorismo. É epistemologia.

A etnografia pressupõe que o conhecimento emerge da relação entre pesquisador e campo, que o dado não preexiste independentemente da experiência de pesquisa. O que o antropólogo registra no caderno de campo é inseparável de quem ele é, de onde estava, do que havia acontecido antes naquele dia, da relação que construiu com os sujeitos ao longo de meses.

Nenhuma ferramenta de IA tem acesso a essa camada. Ela só tem acesso ao que foi registrado em texto. E muito do que importa na etnografia não foi, não pôde ser, registrado.

Isso não significa que a IA não tem lugar na pesquisa etnográfica. Organizar o diário de campo. Buscar conexões textuais em notas extensas. Auxiliar na escrita de partes descritivas. Tudo isso cabe. O que não cabe é delegar a interpretação do campo.

Transparência metodológica: a regra que não tem exceção

Independente de como você usa IA na sua pesquisa em ciências humanas, o princípio fundamental é transparência. Descrever no método o que foi usado, para quê, em que etapa, e como o pesquisador revisou e interpretou o que a IA produziu.

Isso não é burocracia acadêmica. É honestidade científica. Seu leitor precisa entender como o conhecimento que você está apresentando foi construído. E se a IA participou desse processo, isso faz parte da cadeia epistêmica da pesquisa.

Programas de pós-graduação em ciências humanas e sociais ainda estão formulando suas diretrizes sobre isso. Se o seu programa não tem uma política clara, a orientação mais segura é errar pelo lado da transparência.

O que vale levar daqui

A IA tem lugar em pesquisas de sociologia e antropologia, mas esse lugar é auxiliar, não central. Ela pode poupar tempo em tarefas operacionais e ajudar a organizar volumes de dado que seriam impraticáveis de gerenciar só com ferramentas manuais.

O que ela não faz é interpretar cultura, compreender relação social, captar ambiguidade, posicionar análise dentro de uma tradição teórica. Isso permanece sendo trabalho humano, e em ciências humanas, esse trabalho é o coração da pesquisa.

Usar IA com critério nessas áreas não é contradição. É coerência: entender o que a ferramenta pode e o que ela não pode, usar o que serve, e não terceirizar o que é insubstituível.

Faz sentido?

Uma palavra sobre os receios legítimos

Existe um receio genuíno, que ouço frequentemente de pesquisadoras de ciências humanas, de que a adoção de ferramentas de IA vai gradualmente empurrar o campo em direção a abordagens mais quantificáveis, mais padronizadas, mais facilmente avaliadas por sistemas automáticos. Que o que é distintivo nas metodologias qualitativas, justamente a subjetividade posicionada, a relação com os sujeitos, a atenção ao particular, vai perdendo espaço diante de ferramentas que operam por generalização estatística.

Esse receio merece ser levado a sério, não descartado como conservadorismo. As epistemologias que fundamentam a sociologia e a antropologia foram construídas em diálogo crítico com modelos positivistas que prometiam objetividade total. A memória desse diálogo importa.

O que pode acontecer, se a adoção for acrítica, é que a linguagem da IA, os padrões, os clusters, as categorias emergentes, passe a substituir os conceitos que essas disciplinas desenvolveram com muito trabalho para dar conta da complexidade do social. Isso não é inevitável. Mas exige vigilância ativa de quem usa as ferramentas.

Usar IA com critério epistemológico é, no fundo, a mesma postura que essas áreas desenvolveram em relação a qualquer ferramenta metodológica: ela não é neutra, ela carrega pressupostos, e precisamos entendê-los antes de incorporá-la ao trabalho.