IA para Revisar Citações e Referências ABNT e APA

O problema com referências e por que a IA entra na conversa

Vamos lá. Referências são a parte mais trabalhosa e mais chata da dissertação. Não porque sejam difíceis conceptualmente, mas porque exigem atenção a detalhes minúsculos que não têm nada de intelectuais. Ponto depois do ano ou antes? Dois pontos ou ponto e vírgula? Itálico no título do livro ou no título da revista?

Faz sentido que pesquisadores procurem ajuda de IA para essa tarefa. E faz sentido que eu queira ser honesta sobre o que essa ajuda pode e não pode fazer.

A resposta curta: a IA é útil para formatar referências quando você tem todos os dados corretos, mas é perigosa quando você espera que ela verifique se os dados são verdadeiros. Essa distinção importa muito mais do que parece.

O que a IA faz bem nesse contexto

Quando você tem uma referência com todos os campos preenchidos e precisa formatá-la em ABNT ou APA, a IA é eficiente. Você fornece o nome dos autores, o título, o ano, a editora, o DOI, e pede a formatação. Em geral, o resultado é satisfatório e economiza tempo.

Isso é especialmente útil quando você tem referências em formatos diferentes (como referências de periódicos internacionais que seguem padrão Vancouver) e precisa padronizá-las todas para ABNT. A IA faz essa conversão com razoável precisão, desde que os dados de entrada estejam corretos.

A IA também é boa em identificar o que está faltando. Se você colar uma referência incompleta, ela vai apontar que está faltando o DOI, o número de edição, o volume da revista, ou o sobrenome de um segundo autor. Isso ajuda a organizar a lista de verificações que você precisa fazer.

Outra função útil: consistência. Quando você tem 80 referências no mesmo documento e precisa garantir que todas sigam o mesmo padrão de formatação, a IA ajuda a identificar inconsistências. Esse tipo de varredura que exige muita atenção a detalhes é onde a IA pouupa tempo real.

O que a IA faz mal, e onde está o risco

Aqui começa a parte importante.

A IA não tem acesso às publicações originais. Quando você pede para ela “conferir” se uma referência está correta, ela não vai ao artigo, não verifica se o ano está certo, não checa se o volume é aquele mesmo, não confirma se o DOI leva para o lugar certo. Ela faz uma checagem superficial de consistência interna, não uma verificação factual.

O risco real acontece quando você usa IA para completar uma referência com dados faltando. Você tem o título e os autores de um artigo, mas não lembra o ano e o volume da revista. A IA vai tentar preencher esses campos com informações plausíveis. E plausível não é o mesmo que correto.

Isso é especialmente perigoso com o fenômeno que chamamos de alucinação de IA. O modelo pode inventar um DOI que não existe, atribuir uma publicação a uma revista errada, ou trocar o ano de publicação de um artigo. Essas informações parecem corretas porque estão formatadas corretamente. Mas estão erradas.

Uma referência com DOI errado em sua dissertação é mais do que um erro de formatação. É um dado falso que qualquer revisor pode verificar com dois cliques. Se o avaliador da banca ou do periódico clicar no DOI e chegar a outro artigo ou a uma página de erro, isso compromete sua credibilidade.

A alucinação de referências é um problema documentado

Pesquisadores ao redor do mundo têm reportado que modelos de linguagem cometem erros específicos com referências bibliográficas. Inventam autores que não existem. Criam combinações de autores reais com títulos falsos. Geram números de volume e página que não correspondem à publicação real.

Isso não é falha de um modelo específico. É uma característica estrutural dos LLMs: eles geram texto estatisticamente provável, não texto verificado contra fontes externas. Referências acadêmicas corretas são muito específicas, e quando o modelo não tem certeza de um detalhe, ele preenche com o que parece mais provável.

Por isso o ChatGPT e referências falsas é um dos temas mais pesquisados por mestrandos nos últimos dois anos. Não é paranoia. É precaução bem fundamentada.

O que usar no lugar da IA para verificação

Se você quer verificar se uma referência está correta, a ferramenta certa não é um modelo de linguagem. É um verificador de metadados.

O CrossRef (crossref.org) é gratuito e permite buscar um DOI para obter os metadados completos da publicação: autores corretos, título exato, ano de publicação, nome do periódico, volume, número e páginas. Se o artigo tem DOI, você tem acesso à referência correta diretamente da fonte.

O Zotero captura metadados automaticamente quando você salva um artigo. Se você usou o Zotero durante a coleta bibliográfica, as referências já têm os dados corretos. A IA pode ajudar a formatar, mas os dados vêm do Zotero, não da imaginação do modelo.

O Google Scholar também tem referências formatadas que você pode usar como ponto de partida, mas o Scholar tem seus próprios erros de metadados. Não confie cegamente. Use sempre como verificação adicional, não como fonte única.

Como usar IA de forma responsável para referências

Existe um fluxo que funciona. A lógica é usar IA para o que ela faz bem (formatação, identificação de inconsistências, padronização) e verificação humana ou ferramentas especializadas para o que ela faz mal (checagem de dados factuais).

Primeiro, você coleta as referências com metadados corretos (usando Zotero, Mendeley, ou capturando manualmente do CrossRef). Segundo, você usa IA para formatar no padrão ABNT ou APA. Terceiro, você verifica uma amostra das referências geradas contra as fontes originais, especialmente aquelas que a IA completou com dados que você não tinha certeza.

O passo três é crítico e não pode ser pulado. Sem verificação, você está assumindo que a IA não cometeu erros. E ela comete.

Para a sua dissertação, pense nas referências como um dado de pesquisa. Assim como você não aceitaria um resultado estatístico sem verificar o cálculo, você não deveria aceitar uma referência sem verificar os dados. A IA é uma ferramenta de apoio, não uma ferramenta de validação.

A questão da responsabilidade

Há algo mais amplo por trás da discussão sobre IA e referências.

Quando você entrega uma dissertação, você assina embaixo dizendo que o trabalho é seu e que é correto. As referências fazem parte desse trabalho. Uma referência errada não é só um detalhe técnico, ela indica que você não verificou sua própria fonte. Em alguns contextos, pode indicar que você citou um artigo que nunca leu.

Usar IA para auxiliar na formatação é legítimo e pode ser declarado no seu trabalho como uso de ferramenta de apoio. Usar IA como substituto para verificação factual é um problema de integridade acadêmica, não porque a intenção seja desonesta, mas porque o resultado pode ser um dado falso apresentado como verdadeiro.

Se quiser entender mais sobre como declarar o uso de IA em trabalhos acadêmicos de forma transparente, confira o post sobre como declarar uso de IA na dissertação.

A pergunta que você deve fazer antes de usar IA para qualquer tarefa na sua pesquisa é: estou usando isso como apoio para fazer melhor, ou como substituto para fazer menos? A primeira é produtividade. A segunda é risco.

ABNT e APA têm versões diferentes, e isso importa

Um detalhe prático que costuma confundir: tanto as normas ABNT quanto as normas APA são atualizadas periodicamente, e a IA pode estar formatando com base em versões mais antigas.

A ABNT NBR 6023, que rege referências bibliográficas, teve atualizações relevantes. O ChatGPT ou qualquer LLM treinado antes dessas atualizações pode formatar de acordo com a versão anterior. Se seu programa ou orientador exige a versão mais recente, você pode ter um problema.

O mesmo vale para APA, que está na 7ª edição. Muitas referências que circulam na internet ainda seguem a 6ª edição. A IA pode usar qualquer uma das duas.

Antes de usar IA para formatação, verifique qual versão das normas seu programa exige. Depois, seja explícito no prompt: “Formate esta referência conforme ABNT NBR 6023 versão mais recente” ou “Formate em APA 7ª edição”. Isso não garante a correção, mas reduz o risco de usar uma versão desatualizada.

Outra questão: normas mudam para tipos específicos de fonte. Referências de vídeos no YouTube, de posts em redes sociais, de repositórios institucionais, de conjuntos de dados, de software. Esses formatos mais recentes são justamente os que a IA tem mais dificuldade, porque são menos representados nos dados de treinamento.

Quando o tipo de fonte é pouco comum, o risco de erro da IA aumenta. Verifique com atenção especial as referências de tipos não convencionais: relatórios técnicos, teses de instituições estrangeiras, conjuntos de dados abertos, documentos históricos. Para esses, consulte exemplos na própria norma ou em manuais confiáveis do seu programa.

O ganho real ao usar IA nas referências

Depois de tanto falar sobre riscos, é justo também reconhecer onde a IA gera ganho real.

Para pesquisadores que escrevem em inglês e precisam traduzir ou adaptar referências de periódicos internacionais para ABNT, a IA é genuinamente útil. Ela formata rápido, padroniza o estilo e reduz o trabalho de decorar as regras de cada tipo de fonte.

Para revisão final de lista de referências, pedir para a IA “verifique se todos os elementos obrigatórios estão presentes nessas referências” é uma checagem útil. Ela vai apontar o que falta. Você verifica se o que está lá é correto.

Para criar templates de referências para os tipos de fonte que você usa mais (artigos de periódicos, capítulos de livro, dissertações), a IA é boa. Uma vez criado e verificado o template, você replica com seus dados.

A regra prática é esta: use IA para estrutura, use você mesmo (ou ferramentas especializadas) para validação de dados. É uma parceria que funciona quando você mantém o controle do processo.