IA para Revisão de Escopo: o que muda na prática

A revisão de escopo e a IA: uma relação possível (com limites reais)

Olha só: a scoping review virou febre na pós-graduação. Em quase toda banca que participo, aparece um mestrando querendo fazer uma revisão de escopo “rápida” para mapear o campo antes da pesquisa empírica. E junto com isso, surge a pergunta inevitável: dá para usar IA nesse processo?

Dá. Mas antes de sair testando tudo quanto é ferramenta, vale entender o que exatamente está em jogo quando você usa IA em uma revisão de escopo, porque é aí que mora a diferença entre rigor e desleixo disfarçado de inovação.

Esse post não vai te ensinar o passo a passo de uma scoping review, esse é assunto para o método, para as aulas, para a orientação. O que quero conversar aqui é sobre o porquê de certas decisões sobre IA nesse processo serem mais delicadas do que parecem, e por que a transparência metodológica nunca foi tão urgente quanto agora.

O que é uma scoping review (e por que ela não é a mais fácil das revisões)

Antes de entrar na questão da IA, preciso falar uma coisa que muita gente ignora: scoping review não é revisão sistemática “light”. Não é a versão simplificada para quem não quer trabalho.

A revisão de escopo tem um objetivo diferente. Enquanto a revisão sistemática busca responder a uma pergunta clínica ou de eficácia com síntese rigorosa de evidências, a scoping review mapeia o que existe no campo: conceitos, lacunas, tipos de estudos, como a literatura tem abordado determinado tema. O framework mais usado é o de Arksey e O’Malley, revisitado por Levac e depois atualizado pelo JBI.

O que torna a scoping review trabalhosa é exatamente o que a torna diferente: o volume. Como o objetivo é mapear, não filtrar por qualidade metodológica, a tendência é incluir muito mais estudos do que numa revisão sistemática. Cinquenta artigos para triagem num estudo qualitativo parece muito. Quinhentos artigos para triagem numa scoping review é completamente normal.

E é aí que a IA aparece como solução tentadora.

Onde a IA genuinamente ajuda na scoping review

Não sou contra o uso de IA na revisão de escopo. Sou contra o uso desinformado e não declarado. Existe diferença.

Há pelo menos três momentos onde ferramentas de IA têm utilidade real:

Na construção da estratégia de busca. Ferramentas de IA podem ajudar a identificar termos MeSH equivalentes, sinônimos em outros idiomas, variações terminológicas que você não conhecia. Isso não substitui um bibliotecário especialista, mas para quem não tem acesso a um, é um ponto de partida razoável.

Na triagem inicial de títulos e resumos. Plataformas como Rayyan já incorporam recursos de IA para sugerir inclusão ou exclusão com base nos critérios que você define. O software aprende com suas decisões ao longo da triagem e começa a antecipar escolhas. Isso pode reduzir tempo com os estudos claramente fora do escopo. O problema é confundir “reduzir tempo” com “delegar decisão”.

Na extração e organização de dados. Depois que os artigos foram incluídos, IA pode ajudar a criar estruturas de tabelas, sugerir categorias temáticas iniciais, ou sistematizar informações brutas que você leu e anotou. Aqui ela funciona como organizadora, não como analista.

O ponto é: em todos esses casos, a IA apoia uma decisão humana. Ela não toma a decisão por você.

Onde a IA cria problemas sérios (e por que você precisa estar atento)

Agora vem a parte que me preocupa mais.

A maior armadilha do uso de IA em revisões de escopo não é o erro técnico. É a opacidade. É a revisão que foi feita “com ajuda de IA” mas onde o método não diz nada sobre isso. Onde o leitor não consegue replicar o processo porque os critérios de triagem algorítmicos não estão documentados. Onde a etapa de extração foi parcialmente automatizada mas o manuscrito finge que tudo foi feito manualmente.

Isso é um problema de integridade metodológica, não de uso de tecnologia.

Outra armadilha: IA tem dificuldade real com ambiguidade. Numa scoping review, você frequentemente encontra artigos que estão no limite do seu critério de inclusão. Um estudo que aborda perifericamente seu tema. Um artigo que usa terminologia diferente mas fala do mesmo fenômeno. Nessas situações, a decisão exige julgamento contextual, leitura cuidadosa, às vezes conversa com a orientação. Delegar essa decisão para a IA porque “ela triou como exclusão” é um erro metodológico grave.

Tem mais: IA pode alucinar referências. Se você pedir para uma IA “me ajude a sistematizar os achados deste artigo”, ela pode misturar informações de artigos diferentes, criar sínteses fictícias, inventar citações. Para quem usa IA generativa (como o ChatGPT) no processo de extração, isso não é risco teórico. Já vi acontecer.

A questão da transparência: declarar não é opcional

No cenário atual da pesquisa, a maioria dos periódicos já tem políticas sobre uso de IA nos manuscritos. Muitos exigem declaração explícita. Alguns proíbem determinados usos. E o campo está em movimento rápido, a cada seis meses as recomendações mudam.

O que não muda é o princípio: se você usou IA em qualquer etapa da sua revisão, isso precisa estar no método. Ponto.

Não estou falando de você usar corretor ortográfico ou tradução automática. Estou falando de IA no processo de triagem, extração, categorização ou síntese. Nesses casos, você precisa declarar: qual ferramenta, em qual etapa, como validou os resultados gerados pela IA, e quem tomou as decisões finais.

E olha: isso não enfraquece sua pesquisa. Pelo contrário. Pesquisadores que documentam o uso de IA com transparência demonstram maturidade metodológica. Mostram que entendem o que estão fazendo e por quê. Isso é rigor, não fraqueza.

O que o Método V.O.E. tem a ver com isso

Quando trabalho com pesquisadores no Método V.O.E., uma das coisas que mais aparece é a confusão entre eficiência e atalho. Queremos ser eficientes, e faz sentido querer. Pesquisa leva tempo, e qualquer coisa que economize tempo sem comprometer qualidade merece atenção.

A IA usada de forma consciente entra nessa categoria. O problema é quando a busca por eficiência vira busca por atalho, quando a triagem “com ajuda de IA” vira triagem “feita pela IA”, quando a síntese “apoiada por IA” vira síntese gerada e não verificada.

Essa distinção parece sutil mas é fundamental. Ferramenta que você controla e documenta é eficiência. Ferramenta que você usa sem entender e não declara é risco metodológico.

Como documentar o uso de IA na sua revisão

Se você decidiu usar IA em alguma etapa da sua scoping review, aqui vai o mínimo que sua seção de método precisa responder:

Qual ferramenta foi usada (nome, versão quando disponível). Em qual etapa do processo. Quais critérios guiaram o uso dessa ferramenta. Como as decisões geradas pela IA foram validadas. Quem tomou a decisão final em casos de divergência.

Isso não precisa ser uma seção longa. Dois ou três parágrafos bem escritos são suficientes. O que não pode é estar ausente.

Se você está em dúvida sobre o que declarar, um teste simples: se alguém quisesse replicar exatamente o que você fez, conseguiria com as informações do seu método? Se a resposta for não, algo está faltando.

A decisão que nenhuma IA toma por você

Tem uma coisa que fica clara quando você trabalha com revisões de escopo de perto: o maior desafio não é triagem, não é extração, não é síntese. O maior desafio é decidir o que sua revisão está tentando responder de verdade.

Uma scoping review bem-feita começa com uma pergunta clara. Não “quero mapear o campo de X”, mas “quero entender como a literatura tem tratado X em relação a Y, em quais contextos, usando quais abordagens”. Essa clareza conceitual é o que orienta cada decisão metodológica depois, inclusive o que você inclui, o que você exclui, e como você interpreta o que encontrou.

Essa pergunta você formula. Você refina na orientação. Você revisa quando a busca mostra que sua delimitação estava errada.

Nenhuma IA faz isso por você. E honestamente, bom que não faz. Porque é exatamente nessa parte que a pesquisa se torna sua.

Para fechar: use IA, mas saiba o que está usando

Faz sentido? A questão não é se você vai usar IA na sua revisão de escopo. A questão é como, com qual consciência, e com qual compromisso de transparência.

Use o que ajuda. Declare o que usou. Valide o que a ferramenta fez. Mantenha o controle das decisões que importam.

Pesquisa com IA não é pesquisa menos rigorosa. Pesquisa com IA não declarada, sim.

Se quiser entender mais sobre como usar ferramentas de forma ética e estratégica no seu processo de pesquisa, dá uma olhada na nossa página de recursos. E se a sua dificuldade é mais fundamental, como estruturar a metodologia desde o início, vale conhecer o Método V.O.E..

A revisão de escopo é trabalhosa. Mas ela conta uma história sobre o campo que nenhuma outra metodologia conta. Vale fazer direito.