IA para Visualização de Dados na Dissertação

Visualização de dados: onde IA pode ajudar e onde pode complicar

Vamos lá. A visualização de dados é uma das partes menos ensinadas formalmente na pós-graduação, mas é uma das mais visíveis. Um gráfico mal construído em uma dissertação gera perguntas na banca. Uma visualização que distorce os dados, mesmo que involuntariamente, é um problema de integridade científica.

Com IA disponível para ajudar na criação de gráficos, tabelas e infográficos, a pergunta que muitos pesquisadores têm é: como usar isso de forma responsável?

A resposta começa com uma distinção que precisa ser clara antes de qualquer outra coisa.

A distinção que define tudo: representar vs. manipular

IA pode ajudar a representar seus dados de forma mais clara, mais informativa e mais esteticamente organizada. Isso é legítimo e pode melhorar significativamente a qualidade do trabalho.

O que IA não pode fazer é gerar, alterar ou interpretar os dados para você. Se você usa IA para criar um gráfico e o resultado não corresponde aos seus dados reais, você tem um problema de integridade científica. Não um problema de “uso indevido de IA”, mas um problema de dados falsificados.

Isso parece óbvio, mas há zonas cinzentas. Quando você pede para uma IA “deixar o gráfico mais claro” e ela ajusta os intervalos dos eixos de um jeito que minimiza a variação dos dados, você pode estar, sem perceber, criando uma representação que distorce a história que os dados contam.

A responsabilidade pelo que está representado nos gráficos é sua. A IA é uma ferramenta. Você é quem assina o trabalho.

O que IA realmente consegue fazer bem na visualização

Sugerir tipos de visualização adequados para os dados. “Tenho um conjunto de dados com medidas repetidas em 4 grupos ao longo de 6 meses. Que tipo de gráfico você recomendaria?” Essa é uma pergunta excelente para uma IA, que pode sugerir opções como linha do tempo por grupo, boxplot por tempo, ou heatmap, dependendo do que você quer enfatizar.

Gerar código funcional. Se você precisa de um gráfico em Python com matplotlib ou seaborn, ou em R com ggplot2, uma IA pode gerar o código base a partir da descrição dos seus dados. Isso economiza tempo de documentação e permite que você ajuste parâmetros específicos sem precisar dominar todos os detalhes da sintaxe da biblioteca.

Refinar a estética e a legibilidade. Cores acessíveis para daltônicos, proporções adequadas de fonte para impressão, alinhamento de legendas, escolha de paleta de cores consistente com o restante do trabalho. Esses ajustes estéticos são uma área onde IA pode ajudar sem tocar nos dados.

Identificar problemas na visualização existente. “Aqui está o código do meu gráfico. O que você vê de problema de legibilidade ou comunicação?” IA pode apontar questões como sobreposição de rótulos, escala logarítmica onde linear seria mais adequada, ou cores que não se distinguem bem quando impressas em preto e branco.

O que fica de fora da IA: as decisões que são suas

A escolha de o que representar. Quais variáveis incluir no gráfico, quais omitir, qual o recorte temporal, quais grupos comparar. Essas são decisões analíticas que determinam a história que os dados contam. Delegar essas escolhas para IA é abrir mão da agência científica.

A interpretação do que os gráficos mostram. Um gráfico bem feito comunica; a análise do pesquisador explica o que significa. “O gráfico mostra aumento nos valores no grupo X ao longo do período” é uma descrição. “Isso sugere que…” é a análise, e essa precisa ser sua.

A decisão de como apresentar outliers e anomalias. Dados que fogem ao padrão precisam aparecer, ser explicados e contextualizados, não removidos porque “ficam feios no gráfico.” IA pode sugerir formas de representar outliers, mas a decisão de incluí-los e como é do pesquisador.

Responsabilidade metodológica: como declarar

Quando você usa IA na criação das visualizações, como declara isso na dissertação?

Uma orientação que tem emergido como boa prática é: descreva o papel da IA no processo com a mesma especificidade que descreveria o papel de qualquer software de análise. “Os gráficos foram produzidos em Python 3.11 com as bibliotecas matplotlib e seaborn. O código base foi gerado com auxílio de IA (ChatGPT, versão X) e adaptado pela pesquisadora para representar adequadamente os dados coletados.”

Essa descrição deixa claro que a IA foi uma ferramenta, não a autora da análise. E protege você caso alguém questione o processo metodológico.

Quando a IA complica mais do que ajuda

Há situações em que tentar usar IA para visualização cria mais problemas do que resolve.

Se você não entende o suficiente sobre seus próprios dados para avaliar se o gráfico gerado por IA os representa corretamente, você está operando em território arriscado. A IA vai gerar algo plausível, mas “plausível” e “correto” são coisas diferentes.

Se a visualização depende de convenções específicas da sua área (tipos de gráfico esperados em artigos clínicos, representações padronizadas em ciências sociais quantitativas), é melhor conhecer essas convenções antes de pedir para a IA sugerir. IA genérica pode não saber que sua área usa um tipo específico de representação por razões metodológicas bem fundamentadas.

E se o seu orientador ou os avaliadores do programa têm expectativas específicas sobre softwares aceitos para análise, verificar isso antes é mais seguro do que apresentar visualizações geradas com ferramentas não sancionadas.

Boas práticas para o fluxo de trabalho

Um fluxo de trabalho que funciona bem para quem quer usar IA na visualização sem perder o controle metodológico é mais ou menos assim:

Primeiro, você faz a análise com suas ferramentas habituais (SPSS, R, Python, Excel, qualquer que seja) e gera os resultados brutos. Nesse ponto, você sabe o que os dados mostram.

Depois, você usa IA como consultor estético e técnico: “Com esses dados de distribuição, que tipo de visualização seria mais informativa? Como deixar esse gráfico legível para leitores que podem imprimir em preto e branco?”

Em seguida, você implementa as sugestões que fazem sentido e verifica se o resultado representa fielmente os dados brutos. Não “parece com o que eu esperava ver” mas “representa matematicamente o que os dados mostram.”

Por fim, você documenta o uso da IA como parte da nota metodológica.

Esse fluxo mantém você no centro das decisões analíticas e usa a IA onde ela é genuinamente útil: na execução técnica e nas decisões estéticas.

O risco que poucos percebem: a visualização que “confirma” o que você esperava

Há um viés cognitivo na criação de visualizações que IA pode amplificar. Quando você pede para uma IA criar um gráfico que “mostra bem a diferença entre os grupos,” a instrução já carrega um preconceito: você quer ver uma diferença. E a IA vai otimizar para isso.

Escalas que começam no zero ou em um valor muito específico, escolhas de tipo de gráfico que amplificam variações pequenas, omissão de intervalos de confiança: tudo isso pode fazer uma diferença pequena parecer grande ou uma associação fraca parecer robusta.

Não necessariamente por má-fé. Mas porque é o que foi pedido.

Revisitar os gráficos com a pergunta “o que esse gráfico esconde?” é um exercício importante para qualquer pesquisador. Com IA, essa pergunta fica ainda mais pertinente.

A visualização como comunicação científica

No fundo, visualização de dados é comunicação. Um gráfico existe para transmitir ao leitor uma informação sobre os dados de forma mais eficiente do que um texto corrido faria.

Quando você usa IA para ajudar nisso, a pergunta que precisa guiar cada decisão é: isso representa com fidelidade o que meus dados mostram? Se a resposta for sim, e se o processo foi transparente, o uso de IA é legítimo.

Se a resposta for “não sei” ou “mais ou menos,” aí está o problema. E ele não é da IA.

No contexto do Método V.O.E., a precisão na representação dos dados é parte da integridade que permeia todo o processo de pesquisa. A tecnologia muda; esse compromisso não.

Quer entender mais sobre como usar IA de forma responsável ao longo de toda a pesquisa? Os recursos disponíveis têm materiais que abordam essas questões de forma integrada.