IA para revisão de literatura: como funciona e o que evitar

O problema de usar a ferramenta errada para a tarefa certa

Vamos lá. A revisão de literatura é uma das partes mais trabalhosas e mais importantes de qualquer pesquisa acadêmica. Faz sentido que pesquisadores queiram ferramentas que tornem o processo mais eficiente. O problema não é querer apoio de IA para isso. O problema é não distinguir quais ferramentas são adequadas para cada etapa do processo.

Existe uma diferença enorme entre um sistema que te ajuda a mapear artigos existentes em bases científicas reais e um modelo de linguagem que gera resumos de “estudos” que não existem. Usar o segundo achando que está usando o primeiro é um erro que pode contaminar a base bibliográfica de uma pesquisa de forma difícil de detectar.

O risco específico da revisão de literatura

Em outros usos de IA na escrita acadêmica, o risco principal é de plágio ou de texto sem autoria intelectual própria. Na revisão de literatura, o risco é diferente e mais insidioso: referências falsas.

Modelos de linguagem geral, quando pedidos para listar artigos sobre um tema, têm um comportamento bem documentado: inventam títulos plausíveis, nomes de autores existentes em outros contextos, anos e nomes de periódicos reais, de forma que o resultado parece legítimo mas o artigo não existe.

Isso não é um bug que vai ser corrigido. É uma característica estrutural de como esses modelos funcionam: eles geram texto que parece o próximo token provável dado o contexto, não que recupera informações verificadas. Um artigo científico falso é texto que “parece” uma referência real.

A consequência para a revisão de literatura é grave: você constrói uma seção inteira de referencial teórico sobre fontes que não existem, e o problema pode passar desapercebido até a banca ou a revisão por pares.

Quatro tipos de ferramentas e o que cada uma faz

Para usar IA de forma adequada na revisão de literatura, é útil distinguir os diferentes tipos de ferramenta disponíveis, porque elas têm arquiteturas e riscos muito diferentes.

1. Ferramentas de mapeamento bibliográfico

Exemplos: Connected Papers, ResearchRabbit, Litmaps.

Essas ferramentas constroem redes visuais de citações a partir de artigos reais em bases de dados como Semantic Scholar ou OpenAlex. Você insere um artigo que conhece como ponto de partida, e a ferramenta mapeia os estudos que ele cita e os que o citam.

O risco de alucinação é muito baixo porque as ferramentas não geram conteúdo: elas visualizam relações que existem nos dados bibliométricos reais. O que você vê são artigos que realmente existem.

Útil para: encontrar artigos seminais do campo, identificar clusters de pesquisa, descobrir estudos recentes que citam os mesmos autores fundamentais que você está usando.

2. Ferramentas de busca semântica em bases científicas

Exemplos: Semantic Scholar, Elicit, Consensus.

Essas ferramentas permitem busca em linguagem natural em bases com milhões de artigos reais. Você pergunta “quais estudos investigaram X em população Y?” e a ferramenta retorna artigos reais ordenados por relevância semântica.

O risco de alucinação é baixo para a recuperação dos artigos (eles existem), mas médio para os resumos que a ferramenta gera automaticamente, que às vezes simplificam ou distorcem as conclusões dos estudos. Toda afirmação baseada nesses resumos precisa ser verificada no artigo original.

Útil para: triagem inicial de grandes volumes de literatura, busca exploratória, identificação de estudos que palavras-chave convencionais não capturam.

3. Ferramentas de leitura assistida de documentos

Exemplos: NotebookLM, Humata, SciSpace (no modo PDF).

Você carrega os PDFs dos artigos e a ferramenta responde perguntas sobre eles. O risco de alucinação é menor do que em modelos genéricos porque as respostas são baseadas no texto que você forneceu.

Útil para: navegar rapidamente em artigos longos, identificar trechos específicos, comparar posições de diferentes autores dentro de um conjunto de artigos que você já selecionou.

4. Modelos de linguagem geral

Exemplos: ChatGPT, Gemini, Claude (sem base bibliográfica conectada).

Aqui mora o maior risco. Esses modelos não têm acesso a bases bibliográficas atualizadas e geram referências a partir de padrões textuais, não de dados reais. Pedir uma lista de artigos sobre qualquer tema a um modelo de linguagem geral sem base de dados conectada é pedir conteúdo inventado.

Útil para: tarefas de linguagem (revisar texto, reformular frases, traduzir trechos), síntese de conceitos gerais que serão verificados em fontes reais, ajuda com estrutura de argumentação. Não útil para: localizar artigos, verificar existência de estudos, mapear literatura.

O papel insubstituível do pesquisador

Mesmo com as ferramentas mais confiáveis, há etapas da revisão de literatura que não podem ser delegadas.

A triagem dos artigos recuperados exige julgamento sobre relevância para a sua pesquisa específica, que nenhuma ferramenta conhece melhor do que você. Uma ferramenta pode te dizer que um artigo tem alta relevância semântica para o tema, mas você é quem sabe se a metodologia é compatível com os critérios de inclusão que sua revisão requer.

A análise crítica do que os estudos dizem, onde concordam, onde divergem, que limitações têm, que gaps deixam: isso é trabalho intelectual do pesquisador. Ferramentas podem ajudar a identificar padrões, mas a interpretação crítica desses padrões pertence a quem está fazendo a pesquisa.

A síntese argumentativa, que transforma uma coleção de estudos em um argumento sobre o estado do campo, é onde a revisão de literatura se torna contribuição científica. Isso não é tarefa de IA.

Um fluxo de trabalho que funciona

Para quem quer usar essas ferramentas de forma responsável, um fluxo prático seria:

Primeiro, use ferramentas de busca semântica (Semantic Scholar, Elicit) para identificar os artigos mais relevantes para a sua pergunta de pesquisa. Baixe os PDFs dos que passarem no critério de relevância.

Segundo, use ferramentas de mapeamento (Connected Papers, ResearchRabbit) a partir dos artigos mais centrais para garantir que você não está ignorando estudos fundamentais do campo.

Terceiro, organize os PDFs selecionados em uma ferramenta de leitura assistida (NotebookLM) para navegar no material de forma mais eficiente durante a análise.

Quarto, faça a leitura crítica dos artigos selecionados. O resumo gerado pela IA é ponto de partida, não substituto da leitura.

Quinto, construa a síntese com sua própria análise. As ferramentas ajudaram você a chegar nos artigos certos e a navegar neles com mais eficiência. O argumento que você vai fazer a partir deles é seu.

Transparência metodológica

Se você usou ferramentas de busca assistida por IA como parte do seu processo de revisão, especialmente em revisões sistemáticas onde a metodologia precisa ser reproduzível, mencione isso no método.

Não porque o uso dessas ferramentas seja problemático, mas porque transparência metodológica é princípio da integridade científica. Pesquisadores que vierem depois precisam entender como você chegou nos estudos que incluiu.

Declarar o uso de Elicit ou Semantic Scholar na estratégia de busca não diminui a validade da revisão. Pelo contrário: demonstra que você usou recursos disponíveis de forma consciente e documentada.

Para entender melhor o contexto mais amplo do uso ético de IA na pesquisa, o post sobre como usar IA na escrita acadêmica com ética tr