IA na pesquisa científica: diretrizes institucionais e práticas em construção

IA na pesquisa científica: diretrizes institucionais e práticas em construção | Zenodo Skip to main Communities My dashboard Log in Sign up Zenodo is currently experiencing slowness and intermittent outages due to heavy automated traffic from bots and AI crawlers. We are aware of the problem, and our team is focused on stabilizing the service. Thank you for your patience. LAMID - Laboratório Multiusuário de Informática e Documentação Linguística Published April 28, 2026 | Version v1 Presentation Open IA na pesquisa científica: diretrizes institucionais e práticas em construção Authors/Creators Freitag, Raquel (Researcher) 1 Show affiliations 1.

Universidade Federal de Sergipe Description Suporte da exposição oral na palestra "IA na pesquisa científica: diretrizes institucionais e práticas em construção", ministrada no Centro de CIências Exatas e Tecnológicas da Universidade Federal de Sergipe, em 28 de abril de 2026. Nota sobre o material: Este texto acompanha slides elaborados para suporte à exposição oral. O material de apresentação contém prints e recortes de citação com finalidade ilustrativa, sem compromisso com a citação formal. Reuso permitido desde que o crédito seja atribuído à autora. Você já usou a Wikipédia no referencial da sua pesquisa? Você já caçou Pokémon? Essas são as perguntas que eu uso para introduzir a reflexão sobre o fato de que toda tecnologia tem custos ocultos que, como usuários, raramente percebemos. No caso do Pokémon Go, os jogadores arcaram com upgrade de celular, deslocamentos e riscos, enquanto a empresa obteve gratuitamente dados georreferenciados de altíssimo valor comercial. Com a inteligência artificial, a reflexão sobre questões éticas é importante antes de pesquisadores incorporarem ferramentas de IA ao seu trabalho. A regulamentação ética da pesquisa científica advém na necessidade de diretrizes para o julgamento dos experimentos nazistas que deram origem ao Código de Nuremberg (1947), e posteriormente à Declaração Universal dos Direitos Humanos (1948). O Brasil regulamentou a matéria por meio das Resoluções 196/1996, 466/2012 e 510/2016 do Conselho Nacional de Saúde, tendo chegado à Lei 14.874/2024, o marco legal da pesquisa com seres humanos no país, que torna o CEP obrigatório antes do início da pesquisa, o TCLE condição de participação e a proteção de dados dever dos pesquisadores. O problema é que nenhuma dessas normas foi elaborada prevendo o ChatGPT. Os Large Language Models (LLMs) funcionam por predição estatística: processam enormes volumes de dados em busca de regularidades e correlações, gerando respostas que “completam” padrões. Não há compreensão, e sim probabilidade de ocorrência. Não se sabe exatamente como funcionam por dentro. O que se sabe é que demandam volumes extraordinários de dados, enorme capacidade de processamento e consumo intenso de energia e recursos ambientais. Os modelos aprendem com dados, e os dados refletem quem os produziu. No caso do português brasileiro, as variedades do Norte e Nordeste estão sub-representadas; comunidades quilombolas, indígenas e periféricas estão ausentes ou mal anotadas. O resultado é que o modelo não aprende a diversidade linguística: aprende a hierarquia social. Um traço como “nós vai” é marcado como incorreção quando associado ao perfil de Pernambuco, mas como marca de cultura urbana em São Paulo, e essa assimetria vem dos dados de treinamento, não de uma decisão consciente dos desenvolvedores. Os corpus usados para treinar os LLMs foram em grande medida obtidos sem consentimento explícito dos produtores dos textos. Isso coloca uma questão incômoda: usar uma IA treinada com dados pirateados nos torna cúmplices? A IA não cria nada genuinamente novo: gera novos arranjos dentro das possibilidades do conjunto de dados disponível. Como esse conjunto é vastíssimo, os resultados parecem inéditos, mas não, são apenas novas combinações. Isso afeta diretamente nossa concepção de plágio e autoria. Os detectores de texto gerado por IA operam medindo perplexidade (o quanto uma palavra surpreende em relação ao contexto anterior) e variabilidade (humanos são mais imprevisíveis; IAs tendem a produzir estruturas sintáticas mais estáveis e repetitivas). No entanto, apresentam taxa elevada de falso positivo, o que gera problemas sérios quando usados como evidência em processos de integridade acadêmica. As alucinações – referências inventadas e fatos falsos resultantes da combinação probabilística – são um risco inerente aos modelos atuais. A responsabilidade por tudo o que a IA gera, inclusive plágios e imprecisões, recai integralmente sobre o pesquisador que assina o trabalho. As institituições se resguardam e estabelecem um quadro normativo. O CNPq, com a Portaria 2.664/2026, exige declaração do uso de IA em toda fase da pesquisa; veda autoria por IA generativa sem declaração; proíbe a inserção de projetos de terceiros em ferramentas de IAG para elaboração de pareceres; e determina gestão segura dos dados de pesquisa. Os princípios subjacentes são transparência, responsabilidade humana e sigilo, no entanto, a portaria não define onde declarar, nem como a verificação será realizada. O Ministério da Educação, com o Referencial para o Desenvolvimento e Uso Responsável da IA na Educação (2026), recomenda vedar o uso de IA na educação infantil (com base no ECA), na avaliação e como coautora. Na Universidade Federal de Sergipe, ainda não há um quadro normativo institucional, apenas ações pontuais, como a inserção de recomendações em editais, ou iniciativas individuais de pesquisadores. A Resolução 09/2016 não foi atualizada para contemplar o uso de IA generativa. O uso não autorizado de texto gerado por IA sem declaração pode configurar violação dos incisos que tratam de autoria e originalidade. A revisão da resolução é uma necessidade apontada explicitamente na apresentação. Problemas éticos reais: Confidencialidade científica: Uma orientadora recebe um projeto de 40 páginas para avaliar em 48 horas e cola o texto no ChatGPT para obter análise crítica. O projeto é dado confidencial de um terceiro; os modelos são alimentados pelo que os usuários inserem; a autoria e o ineditismo do projeto ficam comprometidos. A alternativa (modelos locais, sem envio de dados a servidores externos) garante a confidencialidade, mas exige infraestrutura. Voz como dado biométrico: Um pesquisador sobe um arquivo de entrevista para um serviço de transcrição automática na nuvem. Voz é dado biométrico sensível (LGPD, Art. 11). Enviar para serviço externo sem previsão no TCLE e sem aprovação do CEP pode configurar violação, mesmo sem intenção, pois serviços gratuitos reservam o direito de usar os dados enviados para treinar seus modelos. Reidentificação por quasi-identificadores: Variáveis aparentemente anônimas, como idade, série escolar, município, cor/raça, religião, presença de deficiência, podem identificar um indivíduo com precisão quando combinadas. Em um município pequeno com poucos declarantes de uma religião minoritária e apenas uma criança de 9 anos no 1º ano do Ensino Fundamental, a linha no Censo Escolar é, na prática, o nome daquela criança. Com grande poder de processamento e o uso de IA, o compartilhamento dessas informações pode violar a confidencialidade de informações sensíveis, como previsto na Lei Gral de Proteção aos Dados. A Lei Geral de Proteção de Dados obriga ao armazenamento em ambiente controlado e seguro, exige anonimização ou pseudonimização sempre que possível (especialmente antes do depósito em repositórios de acesso aberto), vendando o uso dos dados para finalidade diferente da que motivou a coleta e veda a transferência para países sem nível adequado de proteção. Na ausência de infraestrutura e governança institucionais, a responsabilidade recai no CPF do pesquisador. O Guia IBICT de Boas Práticas (2026) é a principal referência brasileira para implementação da LGPD em instituições públicas de pesquisa, cobrindo o ciclo de vida completo dos dados, da concepção ao descarte. O que fazer no vácuo regulatório atual? Registrar todo o uso de IA em todas as etapas: salvar prompts e saídas, anotar ferramenta, versão e data. Declarar o uso sempre: na metodologia, se a IA participou da análise; em nota de rodapé ou agradecimentos, se foi assistente de texto. Garantir a primazia da ideia, por meio de depósito de preprint, hash em blockchain ou depósito na Biblioteca Nacional, antes de inserir qualquer conteúdo original em plataformas externas. Preferir modelos locais  para dados sensíveis. Anonimizar antes de processar. Revisar e assinar tudo o que a IA gerou, assumindo responsabilidade integral pelo resultado. Algumas questões, no entanto, não têm resposta  consolidada. O viés de julgamento é um risco amplificado pelas diretrizes de declaração obrigatória: saber de antemão que uma proposta usou IA tende a gerar desvalorização antecipada e busca por defeitos; saber depois produz desconforto de dissonância cognitiva. Como e onde declarar o uso sem que a declaração em si prejudique a avaliação é ainda uma questão em aberto. A assimetria de acesso é outro risco: pesquisadores com recursos para planos pagos (que não cedem dados ao modelo) terão vantagem crescente sobre os que dependem de planos gratuitos, que, além de ceder os dados, têm acesso a capacidades inferiores. Sem acordos transformativos ou infraestrutura soberana, a desigualdade entre grupos de pesquisa tende a se aprofundar. O custo ambiental também merece atenção: estima-se que cada 100 tokens processados consumam cerca de 1,5 litro de água para resfriamento dos servidores. Campanhas de conscientização ambiental convivem com uso intensivo de IA, uma contradição que a formação ética precisa enfrentar. Momento de formação, não de punição O problema não é a IA em si. Pesquisas sem consentimento existem desde antes da IA; plágio, uso indevido de dados e violação de privacidade também. A IA amplifica e acelera problemas que são, antes de tudo, de formação. Pesquisadores que entendem por que as regras existem tomam decisões melhores do que os que apenas seguem protocolos. E aqui fica o exemplo da Wikipédia: em 2001, a pergunta era Por que você usou a Wikipédia? ; em 2026, a pergunta passou a ser Por que você não usou a Wikipédia? , hoje reconhecida como curadoria humana confiável. A inteligência artificial está em trajetória semelhante, e o momento presente é de construção de consenso sobre rotinas, autoria, plágio e usos responsáveis, não de punição a quem ainda está aprendendo a navegar nesse território. Files Inteligência Artificial (IA) na Pesquisa Científica- diretrizes institucionais e práticas em construção.pdf Files (15.9 MB) Name Size Download all Inteligência Artificial (IA) na Pesquisa Científica- diretrizes institucionais e práticas em construção.pdf md5:e28a14a85093895950810bbe2dd3d144 15.9 MB Preview Download Additional details Dates Available 2026-05-05 120 Views 94 Downloads Show more details All versions This version Views Total views 120 120 Downloads Total downloads 94 94 Data volume Total data volume 1.9 GB 1.9 GB More info on how stats are collected.... Versions External resources Indexed in OpenAIRE Communities Keywords and subjects EuroSciVoc Ethical principles Artificial intelligence Details DOI DOI Badge DOI 10.5281/zenodo.20037675 Markdown [](https://doi.org/10.5281/zenodo.20037675) reStructuredText .. image:: https://zenodo.org/badge/DOI/10.5281/zenodo.20037675.svg :target: https://doi.org/10.5281/zenodo.20037675 HTML <a href="https://doi.org/10.5281/zenodo.20037675"><img src="https://zenodo.org/badge/DOI/10.5281/zenodo.20037675.svg" alt="DOI"></a> Image URL https://zenodo.org/badge/DOI/10.5281/zenodo.20037675.svg Target URL https://doi.org/10.5281/zenodo.20037675 Resource type Presentation Publisher Zenodo Languages Portuguese Rights License Creative Commons Attribution 4.0 International The Creative Commons Attribution license allows re-distribution and re-use of a licensed work on the condition that the creator is appropriately credited. Read more Citation Export Technical metadata Created May 5, 2026 Modified June 15, 2026 Jump up About About Policies Infrastructure Principles Projects Roadmap Contact Blog Blog Support Help FAQ Developers REST API OAI-PMH Contribute GitHub Donate Funded by Powered by CERN Data Centre & InvenioRDM Status Privacy policy Cookie policy Terms of Use This site uses cookies. Find out more on how we use cookies Accept all cookies Accept only essential cookies

Related documents

• Sobre la enseñanza de la filosofía a través de las voces de los maestros. ¿Para qué enseñar Filosofía?#690778
• As análises institucionalistas nas organizações e o conceito de &quot;institucional&quot;#338899
• La técnica y la política. Perspectivas desde América Latina#708914
• Maquiavel e Weber: a lógica do poder e a ética da ação – O “príncipe-centauro” e o “homem autêntico”#717107
• Ética del discurso como ética referida a las instituciones#766567