GPT ACADÊMICO - PROMPTS PARA ELABORAÇÃO DE ARTIGOS CIENTÍFICOS COM IA

Prévia do material em texto

GPT ACADÊMICO: PROMPTS 
PARA ELABORAÇÃO DE ARTIGOS 
CIENTÍFICOS COM IA
Professora Esp. Bruna de Lima Ramos
2023 by Editora Edufatecie. Copyright do Texto C 2023. Os autores. Copyright C Edição 2023 Editora Edufatecie.
O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva
dos autores e não representam necessariamente a posição oficial da Editora Edufatecie. Permitido o download da 
obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la 
de nenhuma forma ou utilizá-la para fins comerciais.
REITORIA Prof. Me. Gilmar de Oliveira
DIREÇÃO ADMINISTRATIVA Prof. Me. Renato Valença
DIREÇÃO DE ENSINO PRESENCIAL Prof. Me. Daniel de Lima
DIREÇÃO DE ENSINO EAD Profa. Dra. Giani Andrea Linde Colauto
DIREÇÃO FINANCEIRA PRESENCIAL Eduardo Luiz Campano Santini
DIREÇÃO FINANCEIRA EAD Guilherme Esquivel
DIREÇÃO DE INOVAÇÃO Prof. Me. Jorge Luiz Garcia Van Dal
NÚCLEO DE APOIO PSICOLÓGICO E PSICOPEDAGÓGICO Bruna Tavares Fernandes
BIBLIOTECÁRIA Tatiane Viturino Oliveira
PESQUISADOR INSTITUCIONAL Tiago Pereira da Silva
COORDENAÇÃO DE ENSINO, PESQUISA E EXTENSÃO (CONPEx) – MODALIDADE PRESENCIAL Profa. Ma. Luciana Moraes
COORDENAÇÃO DE ENSINO, PESQUISA E EXTENSÃO (CONPEx) – MODALIDADE EaD Me. Bruno Eckert Bertuol
COORDENAÇÃO DO DEPTO. DE PRODUÇÃO DE MATERIAIS DIDÁTICOS Luiz Fernando Freitas
REVISÃO ORTOGRÁFICA E NORMATIVA Beatriz Longen Rohling
Carolayne Beatriz da Silva Cavalcante
Eduardo Alves de Oliveira
Gleice Emanoela Nunes Ferreira
Isabelly Oliveira Fernandes de Souza
Jéssica Eugênio Azevedo
Louise Ribeiro
Marcelino Fernando Rodrigues Santos
Stephanie Vieira
Maria Clara da Silva Costa
Vinicius Rovedo Bratfisch
PROJETO GRÁFICO E DIAGRAMAÇÃO Bruna de Lima Ramos
Carlos Firmino de Oliveira
Lucas Patrick Rodrigues Ferreira Estevão
Vitor Amaral Poltronieri
ESTÚDIO, PRODUÇÃO E EDIÇÃO André Oliveira Vaz
DE VÍDEO Carlos Henrique Moraes dos Anjos
Felipe Souza Oliveira
Leandro Tenório
Maria Beatriz Paula da Silva
Pedro Vinícius de Lima Machado
Thassiane da Silva Jacinto
As imagens utilizadas neste material didático 
são oriundas do banco de imagens Shutterstock
Autora
Professora Esp. Bruna 
de Lima Ramos
Acesse meu Currículo
Lattes clicando aqui!
• Bacharel em Arquitetura e Urbanismo;
• Mestranda em Engenharia Urbana;
• Pós-graduada em Topografia;
Arquiteta e Urbanista, especializada em Topografia e Sensoriamento Remoto, 
com vasta experiência em projetos urbanísticos e topográficos, atendendo 
grandes empresas como Agroceres PIC Suínos, PRAT’S, Construtora Monte 
Cristo e CunhaMais Terraplenagem e Transporte.
http://lattes.cnpq.br/5338072314748904
4
Apresentação
Bem-vindo à sua jornada pelo universo da Inteligência 
Artificial aplicada à pesquisa acadêmica!
Nesta apostila, você explorará como a IA Generativa 
está redefinindo a ciência. Na Unidade 1, faremos uma 
introdução ao impacto transformador da IA na atividade 
científica, entendendo a arquitetura por trás dos modelos de 
linguagem, como os Transformers, e seus desafios, como as 
“alucinações”.
A Unidade 2 é um guia prático sobre as mais inovadoras 
ferramentas de IA que podem otimizar sua pesquisa, como 
Consensus, Elicit e Research Rabbit. Além disso, você 
aprenderá a arte e a ciência da “engenharia de prompt”, uma 
habilidade crucial para extrair os melhores resultados dos 
modelos de IA.
Na Unidade 3, mergulharemos nas aplicações práticas da 
IA em cada etapa da sua pesquisa: desde o brainstorming 
do tema e a formulação de hipóteses até o desenvolvimento 
de cada seção do seu artigo, além de conhecer ferramentas 
para gerenciar suas referências bibliográficas.
Finalmente, a Unidade 4 o capacitará a fazer uma análise 
crítica e aprimorar textos gerados por IA, garantindo 
a veracidade, coerência e originalidade. Abordaremos 
as considerações éticas indispensáveis, como autoria, 
responsabilidade e plágio, para que você utilize essa 
tecnologia de forma íntegra e inovadora.
Prepare-se para transformar a maneira como você pesquisa 
e escreve.
5
Unidades de Estudo:
• Unidade 1: Inteligência Artificial e a Pesquisa;
• Unidade 2: Ferramentas de IA para Pesquisa 
Acadêmica;
• Unidade 3: Auxílio da Inteligência Artificial na 
Pesquisa;
• Unidade 4: Análise Crítica e Aprimoramento de 
Textos Acadêmicos Gerados por IA.
6
Sumário
Inteligência Artificial e a Pesquisa
Ferramentas de IA para Pesquisa Acadêmica
Auxílio da Inteligência Artificial na Pesquisa
Análise Crítica e Aprimoramento de Textos 
Acadêmicos Gerados por IA
Unidade 1
Inteligência Artificial e a 
Pesquisa
8UNIDADE 1 Inteligência Artificial e a Pesquisa
A inteligência artificial (IA) refere-se a sistemas computacionais capazes de realizar 
tarefas que normalmente exigiriam inteligência humana, como aprendizado, raciocínio 
e tomada de decisões. Nos últimos anos, avanços em poder computacional e 
disponibilidade de dados permitiram que a IA se expandisse rapidamente, impactando 
áreas como ciência, indústria, saúde, segurança cibernética e até setores criativos, 
como arte e música (Xu et al., 2021; Anantrasirichai; Bull, 2020). 
Os modelos generativos são os que se baseiam em redes neurais profundas, 
conseguindo criar textos, imagens e códigos originais a partir de comandos simples, 
ampliando o potencial criativo das máquinas, mas também trazendo desafios éticos e de 
confiabilidade (Banh; Strobel, 2023).
Esse modelo se tornou muito popular a partir do final de 2022, com a criação de 
ChatGPT da OpenA, desencadeando uma transformação gradual, porém profunda, na 
atividade científica. O impacto desses modelos é tamanho que alguns o comparam à 
criação do primeiro periódico científico em 1665, sinalizando uma potencial redefinição 
da autonomia dos cientistas e instituições na produção e legitimação do conhecimento 
(Vasconcelos; Marušić, 2025).
Já em 2021, a discussão sobre o impacto do GPT-3, um predecessor do ChatGPT, 
na escrita acadêmica evidenciava sua capacidade de produzir textos com notável 
semelhança à escrita humana, levantando questões sobre autoria e criatividade 
(Boa Sorte et al., 2021), sistemas inteligentes adaptam conteúdos às necessidades 
individuais, oferecem feedback personalizado e ajudam na identificação de dificuldades 
de aprendizagem, promovendo experiências educacionais mais inclusivas e eficazes 
(Anantrasirichai; Bull, 2020).
A IA Generativa é vista como uma tecnologia de “uso dual”, com potencial para 
reconfigurar tanto os meios, como a pesquisa é conduzida e os artigos são escritos, 
quanto os fins da ciência, quais questões são investigadas e como o conhecimento é 
validado (Vasconcelos; Marušić, 2025). 
Uma característica distintiva dessa nova onda de IA é sua acessibilidade. 
Diferentemente de sistemas de IA preditiva mais antigos, que frequentemente exigiam 
conhecimento técnico especializado, os modelos de IA Gen atuais, como GPT-4o, Llama 
3, entre outros, possuem interfaces de linguagem natural e são pré-treinados em vastos 
conjuntos de dados. O que reduz significativamente as barreiras de uso, permitindo que 
indivíduos sem formação em ciência da computação ou programação interajam e utilizem 
esses sistemas complexos com relativa facilidade. (Vasconcelos; Marušić, 2025).
9UNIDADE 1 Inteligência Artificial e a Pesquisa
O surgimento de modelos de linguagem sofisticados abriu um leque de possibilidades 
para a aplicação da IA tanto no ensino superior quanto na produção científica. Isso, 
pois a IA tem o potencial de transformar fundamentalmente as dinâmicas de ensino, 
aprendizagem e pesquisa nas universidades (Henning, et al., 2023).
A Inteligência Artificial pode desempenhar um papel significativo como ferramenta de 
apoio em diversas etapas da elaboração de um artigo acadêmico e pesquisas, desde a 
concepção inicial do tema até o desenvolvimento das seções que compõem o trabalho. 
Sua capacidade de analisargrandes volumes de dados é particularmente promissora 
em diversas áreas, com o processamento de linguagem natural para análise de textos e 
discursos (Vasconcelos; Marušić, 2025).
Para a área acadêmica, isso significa uma otimização do tempo e uma expansão dos 
recursos disponíveis, permitindo focar em aspectos mais analíticos e criativos do trabalho 
científico (Boa Sorte et al., 2021).
Pervin et al. (2024) em seu estudo investigam como a inteligência artificial generativa é 
percebida e utilizada por professores e estudantes de diferentes países, abordando que 
81,79% dos participantes conhecem e/ou utilizam ferramentas de GenIA, e que os usos 
predominantes são para buscar informações (44,3%) e parafraseamento (39,4%). Mas 
também é utilizado para aprendizagem autônoma (28,5%) e redação de textos (27,2%).
Ferramentas específicas, como o Research Rabbit, auxiliam na busca e visualização de 
redes de artigos, e o Consensus, extrai e destila descobertas diretamente de pesquisas 
científicas, exemplificam como a IA pode agilizar a revisão de literatura e a síntese de 
conhecimento (Rivero, 2022).
1.1. Modelos de Linguagem
Para compreender o salto qualitativo da IA na geração de texto, é fundamental 
entender a arquitetura que sustenta muitos dos modelos mais avançados: os 
Transformers, modelo proposto originalmente por Vaswani e colaboradores em 
2017, essa arquitetura revolucionou o Processamento de Linguagem Natural (PLN) 
ao superar limitações de modelos anteriores, como as Redes Neurais Recorrentes 
(RNNs) e as Redes Neurais Convolucionais (CNNs), que processavam o texto de forma 
predominantemente sequencial, dificultando a captura de relações de longo alcance 
entre as palavras.
10UNIDADE 1 Inteligência Artificial e a Pesquisa
Os pilares da arquitetura Transformer incluem:
• Autoatenção (Self-Attention): que permite que o modelo avalie a importância 
de todas as palavras em uma sequência de entrada simultaneamente, ao invés 
de processá-las uma a uma. Ao gerar uma representação para uma palavra 
específica, o modelo pode “prestar atenção” a outras palavras na frase, mesmo 
que distantes, ponderando sua relevância para o contexto. Isso resulta em uma 
compreensão mais rica das dependências globais no texto. 
• Paralelização: ao contrário das RNNs, que processam palavras sequencialmente, 
os Transformers podem processar todos os elementos de uma sequência em 
paralelo. Essa capacidade não apenas acelera o processamento durante a 
geração de texto, mas também torna o treinamento desses modelos em grandes 
volumes de dados muito mais eficiente e rápido. 
• Atenção Multi-Cabeças (Multi-Head Attention): em vez de aplicar a autoatenção 
uma única vez, os Transformers utilizam múltiplas “cabeças” de atenção que 
operam em paralelo. Cada cabeça pode aprender a focar em diferentes aspectos 
das relações entre as palavras, por exemplo, uma cabeça pode focar em relações 
sintáticas, outra em relações semânticas. As saídas dessas múltiplas cabeças 
são então combinadas, permitindo que o modelo capture um espectro mais amplo 
de informações contextuais e construa representações mais ricas e detalhadas da 
sequência de entrada. 
Outros componentes importantes da arquitetura Transformer incluem a codificação 
posicional, que injeta informação sobre a ordem das palavras na sequência, já que 
o mecanismo de autoatenção por si só não considera a posição, e as estruturas de 
codificador (encoder) e decodificador (decoder), que trabalham em conjunto para 
processar a entrada e gerar a saída, respectivamente.
A combinação desses elementos resultou em modelos com uma capacidade sem 
precedentes de entender nuances da linguagem e gerar textos fluidos e coerentes.
No entanto, apesar de suas capacidades impressionantes, há um desafio persistente e 
significativo que limita a confiabilidade e a implementação segura dos LLMs, a tendência 
de “alucinar” (Towhidul et al., 2024).
Este fenômeno refere-se à geração de conteúdo que, embora possa parecer 
convincente e contextualmente coerente, é factualmente incorreto, sem sentido ou 
inteiramente fabricado e não fundamentado na realidade ou no contexto de entrada 
fornecido (Özer, 2024).
11UNIDADE 1 Inteligência Artificial e a Pesquisa
A alucinação não é um erro aleatório, mas um problema que surge de interações 
complexas nos dados de treinamento, no design do modelo e na interpretação dos prompts 
(Nexla, 2024). É uma falha intrínseca onde os sistemas de IA produzem informações que 
são plausíveis, mas factualmente imprecisas ou totalmente fabricadas (Shenfield; Lee, 
2025).
Uma característica particularmente perigosa é a capacidade do modelo de apresentar 
essas informações errôneas com um tom de certeza e confiança, dificultando a distinção 
para os usuários. A sua ocorrência levanta preocupações significativas, pois pode levar 
à disseminação de informações falsas ou enganosas, comprometendo a confiança do 
usuário e a credibilidade das aplicações baseadas em IA.
As alucinações em LLMs manifestam-se de diversas formas, como:
• Imprecisões Factuais: o modelo gera informações incorretas sobre fatos 
históricos, científicos ou biográficos. Um exemplo notório é o Google Bard 
alegando incorretamente que o Telescópio Espacial James Webb capturou as 
primeiras imagens de um exoplaneta, quando a NASA confirmou que as primeiras 
imagens de exoplanetas foram obtidas muito antes do lançamento do Webb 
(Nexla, 2024).
• Informações Fabricadas/Citações Inexistentes: criação de artigos, autores, 
periódicos, casos jurídicos ou citações inteiramente fictícios, que, embora pareçam 
convincentes, não têm base factual. Um caso amplamente divulgado envolveu 
um escritório de advocacia que foi multado por submeter uma pesquisa jurídica 
gerada pelo ChatGPT que incluía citações falsas e casos judiciais inexistentes 
(Shenfield; Lee, 2025).
• Contradições: a saída do modelo não se alinha com a entrada fornecida ou 
contradiz informações geradas anteriormente no mesmo texto, ou em interações 
diferentes (Nexla, 2024).
• Confabulações Temporais: o modelo embaralha a linha do tempo, relatando 
eventos como se tivessem ocorrido em um período diferente do real.
• Código ou Funções Imaginárias: geração de funções ou bibliotecas de código 
inexistentes que não seriam executadas quando testadas.
• Respostas Sem Sentido: produção de texto que não faz sentido factual ou lógico 
(Nexla, 2024).
• Informações Prejudiciais: fabricação de conteúdo difamatório ou prejudicial à 
reputação de indivíduos, ou empresas. Exemplos incluem o ChatGPT alucinando 
que um professor universitário havia feito comentários sexuais inadequados ou 
que um prefeito foi preso por suborno, sem qualquer base na realidade.
12UNIDADE 1 Inteligência Artificial e a Pesquisa
Por isso, apesar do entusiasmo com as inovações, uma série de desafios significativos 
precisam ser enfrentados. O principal deles é o Desafio Ético, que exige a garantia do uso 
responsável da IA, incluindo a prevenção do plágio e da disseminação de desinformação, 
a manutenção da integridade científica em todas as etapas da pesquisa e o enfrentamento 
dos vieses algorítmicos que podem perpetuar desigualdades ou distorcer resultados 
(Vasconcelos; Marušić, 2025).
Outro desafio é a Qualidade da Informação Gerada, pois a precisão das respostas e 
do conteúdo gerado pela IA está intrinsecamente ligada à qualidade e à abrangência 
dos dados com os quais foi treinada e, ainda hoje, persiste-se o risco de geração de 
informações e referências falsas, desatualizadas ou enganosas (Costa et al., 2025).
Por isso, a inteligência artificial deve ser utilizada como ferramenta e não deve ficar à 
frente de uma pesquisa, de uma contribuição científica, deve apenas, auxiliar e o 
acadêmico deve validar todos os dados apresentados.
Unidade 2 
Ferramentas de IA para 
Pesquisa Acadêmica
14UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
Com o avanço das tecnologias baseadas em inteligência artificial,surgiram ferramentas 
que otimizam significativamente o processo de busca e análise de informações científicas. 
Nesse contexto, os mecanismos de busca acadêmica inteligente tornam-se aliados 
indispensáveis para pesquisadores e estudantes, facilitando o acesso a conteúdos 
confiáveis e relevantes de forma rápida e precisa.
O Consensus é um motor de busca acadêmico que permite fazer perguntas e obter 
respostas baseadas no consenso da comunidade acadêmica, pesquisando mais de 200 
milhões de artigos científicos. Ele fornece um resumo dos principais artigos, citações e 
informações precisas.
O Elicit utiliza IA para encontrar trabalhos acadêmicos relevantes, pesquisando em 
bancos de dados e extraindo informações importantes. Ajuda a descobrir novas fontes 
para revisões de literatura, resumir artigos e sintetizar resultados. Atua como um assistente 
de revisão bibliográfica, respondendo a perguntas com base em artigos científicos e 
auxiliando na estruturação de pesquisas.
O Scite.ai é uma ferramenta de IA que analisa citações para avaliar a confiabilidade 
das referências em um contexto específico. Fornece visualizações e métricas para 
compreender o cenário de citações, indicando se um estudo foi citado de forma positiva, 
negativa ou neutra.
O Perplexity é um mecanismo de busca avançado que não apenas responde a 
perguntas, mas também cita as fontes, oferecendo respostas completas e concisas.
As ferramentas de mapeamento de literatura e conexões também são essenciais. O 
Research Rabbit, conhecido como o “Spotify da pesquisa”, permite aos usuários criar 
coleções de trabalhos acadêmicos. A IA aprende os interesses do usuário e recomenda 
notícias e artigos de pesquisa relevantes. É uma ferramenta inovadora de “mapeamento 
de literatura baseada em citações” que otimiza o tempo de busca por referências. Começa 
com “artigos semente” e encontra trabalhos relacionados, permitindo visualizar conexões 
entre artigos (linha do tempo, rede), filtrar por citações ou ordem alfabética, e exibir 
resumos.
15UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
O Litmaps encontra e sugere literatura visualmente, mostrando como a literatura se 
conecta. Ajuda a identificar artigos relevantes, garantir que papers importantes não sejam 
perdidos e manter-se atualizado. É crucial para revisões de literatura, pois identifica 
lacunas e fornece uma base para novas pesquisas. Permite buscar em um catálogo de 
mais de 270 milhões de artigos, encontrando os mais relevantes com base em conexões 
de citações e referências. Oferece visualizações interativas e a capacidade de anotar 
artigos.
Ferramentas como a Jenni AI atuam como assistentes de escrita projetados 
especificamente para a redação acadêmica. Elas podem auxiliar em revisões de literatura, 
seções de metodologia e até mesmo artigos de pesquisa inteiros, com foco na integridade 
acadêmica e fornecimento de citações para o conteúdo gerado. A Jenni AI ajuda a superar 
o bloqueio criativo com sugestões e ideias geradas por IA que se alinham ao tópico de 
pesquisa, além de assistência com formatos de citação adequados. 
Além disso, modelos de IA generativa de propósito geral, como ChatGPT e Claude AI, 
são valiosos para a organização e síntese de informações na escrita acadêmica. Outra 
ferramenta que auxilia na escrita acadêmica seria o Google Gemini, principalmente com 
a funcionalidade de deep research (pesquisa aprofundada), pois possui capacidade de ir 
além de uma busca superficial na internet. Em vez de apenas apresentar os resultados 
mais populares ou com melhor ranqueamento em mecanismos de busca convencionais, 
essa funcionalidade foi projetada para mergulhar em camadas mais profundas da web, 
acessando bancos de dados acadêmicos, repositórios institucionais, publicações 
científicas e outras fontes de alta credibilidade.
Ao utilizar o deep research para a pesquisa acadêmica, o usuário pode instruir a 
inteligência artificial a focar especificamente na busca por artigos científicos, teses, 
dissertações e publicações de periódicos renomados. Isso significa que, ao solicitar 
informações sobre um determinado tema, o Gemini pode ser direcionado a priorizar e citar 
fontes que passaram por revisão por pares (peer review), um pilar fundamental para a 
validação do conhecimento científico.
16UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
Assim, o deep research facilita a pesquisa acadêmica utilizando: 
• Acesso a Fontes Confiáveis: a ferramenta é capaz de distinguir entre 
fontes de informação com diferentes níveis de credibilidade. Ao solicitar uma 
pesquisa aprofundada sobre, por exemplo, “o impacto das mudanças climáticas 
na biodiversidade da Amazônia”, o Gemini pode ser instruído a buscar 
exclusivamente em portais como SciELO, Google Scholar, PubMed, entre outros, 
garantindo a fundamentação do trabalho em fontes fidedignas.
• Agilidade na Revisão Bibliográfica: a etapa de revisão de literatura, essencial 
para qualquer pesquisa, é significativamente agilizada. O deep research pode 
compilar um resumo das principais correntes de pensamento sobre um tema, 
identificar os autores mais influentes e apresentar uma lista de artigos relevantes, 
poupando horas preciosas que seriam gastas em buscas manuais.
• Identificação de Lacunas na Pesquisa: ao analisar um grande volume de 
publicações, a ferramenta pode auxiliar na identificação de áreas menos 
exploradas dentro de um campo de estudo, sugerindo possíveis lacunas que 
podem se tornar o foco de uma nova pesquisa original.
• Obtenção de Citações e Referências: o Gemini pode não apenas encontrar 
os artigos, mas também extrair as informações de citação em diversos formatos 
(como ABNT, APA, MLA), facilitando a organização das referências bibliográficas 
e evitando o plágio acidental.
Assim, pode-se observar que o Gemini transcende a um simples buscador. Trata-se de 
um assistente de pesquisa inteligente, capaz de navegar pelo complexo ecossistema 
da informação científica e entregar ao pesquisador um material pré-selecionado de 
alta qualidade. Ao citar e priorizar artigos e fontes confiáveis, o Gemini se torna um 
aliado estratégico para a construção de trabalhos acadêmicos mais robustos, bem 
fundamentados e alinhados com o rigor científico exigido.
2.1. O Que São Prompts e Por Que São Cruciais?
A interação com modelos de Inteligência Artificial Generativa (IA Gen) ocorre 
predominantemente através de “prompts”, o qual é a instrução dada a um programa de 
inteligência artificial que afeta ou determina como aquilo que se especificou é gerado 
automaticamente.
Um “prompt” é, essencialmente, o comando, a instrução ou a pergunta que um usuário 
fornece a um modelo de IA generativa para que ele produza um determinado tipo de 
conteúdo, seja texto, imagem, código, entre outros formatos (Salesforce Brasil, 2023).
17UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
A qualidade e a precisão da resposta gerada pela IA estão intrinsecamente ligadas à 
qualidade do prompt fornecido, em outras palavras, um prompt bem elaborado tende a 
gerar resultados mais relevantes, detalhados e úteis (Salesforce Brasil, 2023).
É fundamental entender que, apesar de sua sofisticação, os modelos de IA generativa 
atuais não leem pensamentos, muito menos possuem uma compreensão intuitiva das 
intenções do usuário. Eles processam a linguagem de entrada e geram uma resposta 
com base nos padrões aprendidos durante seu treinamento massivo. Portanto, a IA só 
fornecerá o que o usuário deseja se for instruída de maneira clara e específica.
Nesse contexto, surge a “engenharia de prompt” (prompt engineering), que pode ser 
definida como a arte e a ciência de desenhar, refinar e otimizar os prompts para obter os 
melhores resultados possíveis dos modelos de IA (Salesforce Brasil, 2023). Trata-se de 
uma habilidade cada vez mais valorizada, pois permite ao usuário guiar a IA de forma mais 
precisa, evitando ambiguidades e maximizando a relevânciada saída.
A construção de prompts eficazes envolve a aplicação de alguns princípios-chave, que 
ajudam a comunicar as intenções do usuário de forma clara para o modelo de IA:
• Clareza e Especificidade: os prompts devem ser objetivos e concisos, utilizando 
linguagem descritiva e frases completas. É importante evitar jargões excessivos 
ou ambiguidades que a IA possa interpretar de maneira equivocada. Quanto mais 
detalhes relevantes forem fornecidos, melhor a IA poderá atender à solicitação.
• Contextualização: fornecer contexto é essencial. Isso inclui explicar o objetivo 
da solicitação, o público-alvo do texto a ser gerado, o formato desejado, o tom e o 
estilo de escrita esperado.
• Perguntas Abertas e Específicas: em vez de perguntas que podem ser 
respondidas com um simples “sim” ou “não”, deve-se optar por perguntas 
abertas que incentivem a IA a fornecer respostas mais detalhadas e informativas. 
Ao mesmo tempo, essas perguntas devem ser específicas o suficiente para 
direcionar a IA.
• Definição de Persona/Papel: uma técnica poderosa é instruir a IA a “atuar” como 
um determinado especialista ou a adotar uma persona específica. Por exemplo, 
pode-se pedir à IA que responda como um “pesquisador sênior em biologia 
molecular”, um “revisor crítico de artigos científicos” ou um “defensor de uma 
teoria sociológica particular”. 
• Iteração e Refinamento (Prompt Chaining): raramente o primeiro prompt gera 
o resultado perfeito. É comum e recomendável interagir com a IA. Se a resposta 
inicial não for satisfatória, pode-se dar seguimento com novos prompts, solicitando 
ajustes, aprofundamentos ou correções. Essa técnica, conhecida como prompt 
chaining, envolve dividir tarefas complexas em uma sequência de prompts 
menores e mais gerenciáveis, refinando progressivamente a saída da IA.
18UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
• Técnicas Avançadas de Prompt: além dos princípios básicos, existem técnicas 
mais estruturadas para a elaboração de prompts, como:
• Zero-shot prompting: consiste em dar um comando direto e objetivo à 
IA, sem fornecer exemplos prévios do resultado esperado. É eficaz para 
tarefas simples e diretas.
• Few-shot prompting: envolve fornecer à IA alguns exemplos (geralmente 
de um a cinco) do tipo de resposta desejada. Isso ajuda a IA a entender 
melhor o padrão e o formato esperados, sendo ideal para tarefas mais 
complexas ou específicas.
• Chain-of-Thought prompting (CoT): particularmente útil para tarefas que 
exigem raciocínio lógico ou resolução de problemas em etapas. Consiste 
em instruir a IA a “pensar passo a passo” ou a descrever o processo de 
raciocínio por trás da construção de sua resposta, o que muitas vezes 
leva a resultados mais precisos.
• Least-to-most prompting: focado em problemas complexos e extensos, 
essa técnica envolve fazer a IA dividir uma instrução maior em etapas 
menores e progressivas, detalhando o que precisa ser feito para concluir 
cada etapa e atingir o objetivo final.
• Self-consistency: neste método, o usuário pede à IA que gere várias 
soluções ou respostas para um mesmo problema e, em seguida, 
seleciona a mais consistente ou a que melhor atende aos critérios. Isso 
pode aumentar a robustez da resposta final.
A capacidade de traduzir uma necessidade de informação complexa em uma instrução 
clara e eficaz para a IA é o que determina, em grande medida, a utilidade e a precisão 
do resultado gerado pelo modelo. Portanto, a engenharia de prompt não é apenas uma 
curiosidade técnica, mas está se consolidando como uma habilidade essencial para a 
pesquisa e a escrita acadêmica na era da IA. Se a IA é uma ferramenta, o prompt é a 
interface de operação da mesma, por isso, é necessária a proficiência nessa operação 
para seu uso produtivo.
2.3. Exemplos Práticos de Prompts para Diferentes Tipos de Artigos Científicos
Seguem alguns exemplos de como os prompts podem ser aplicados em diferentes 
estágios e para diferentes tipos de produção acadêmica: 
19UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
Revisão de Literatura:
• Identificar lacunas: “Aja como um pesquisador experiente em ____________. 
Analise os seguintes resumos de artigos. Identifique as principais lacunas na 
pesquisa atual sobre o _________________ e sugira três direções promissoras 
para investigações futuras. Apresente os resultados em formato de tópicos, com 
breve justificativa para cada sugestão.”
• Resumir e comparar teorias: “Explique a Teoria da _____________ e a Teoria 
da __________________. Em seguida, compare seus principais pressupostos, 
mecanismos explicativos e domínios de aplicação. Forneça um exemplo 
___________________ que poderia ser interpretado de forma diferente por cada 
teoria.”
Artigos Empíricos:
• Refinar questão de pesquisa para Metodologia: “minha questão de 
pesquisa é: ‘_____________________________’. Pretendo realizar um estudo 
_______________________. Sugira uma estrutura detalhada para a seção de 
metodologia, incluindo subseções sobre delineamento da pesquisa, seleção de 
participantes, instrumento de coleta de dados, procedimentos de coleta e plano 
de análise temática. Adote um tom formal e objetivo, seguindo as diretrizes da 
APA 7ª edição.”
• Interpretar dados (com cautela e para discussão inicial): “apresento os 
seguintes resultados de uma pesquisa [descrever brevemente os principais 
achados quantitativos ou qualitativos]. Considerando a literatura existente sobre, 
quais são as possíveis implicações desses resultados? Sugira três pontos para 
iniciar a seção de discussão do meu artigo.” (Lembrete: a interpretação final e a 
análise profunda devem ser do pesquisador).
Artigos Teóricos:
• Desenvolver argumento: “quero desenvolver um argumento teórico sobre 
a relação entre _________________. Ajude-me a estruturar este argumento, 
identificando premissas-chave, possíveis contra-argumentos e evidências 
(teóricas ou empíricas hipotéticas) que poderiam sustentar cada ponto. O objetivo 
é construir uma linha de raciocínio clara e persuasiva.”
Outras Seções (Introdução, Conclusão):
• Gerar rascunho de Introdução: “preciso escrever a introdução de um artigo 
sobre _______________________________. O artigo se destina a uma revista 
de _____________. Gere um rascunho de introdução que inclua: 1) um ‘gancho’ 
para atrair o leitor, 2) a contextualização do problema, 3) uma breve apresentação 
da ____________________l, 4) a lacuna na literatura que o estudo pretende 
preencher, e 5) o objetivo do artigo. O tom deve ser acadêmico e convincente.”
20UNIDADE 2 Ferramentas de IA para Pesquisa Acadêmica
• Sintetizar para Conclusão: “com base nos seguintes pontos principais do 
meu artigo [listar os principais achados e argumentos], redija um parágrafo 
de conclusão que recapitule as contribuições mais significativas do estudo, 
reconheça brevemente suas limitações e sugira uma implicação prática ou uma 
direção para pesquisa futura.”
2.4. Personalização de Prompts para Diferentes Áreas do Conhecimento
A eficácia dos prompts pode ser significativamente aumentada pela sua personalização de 
acordo com as especificidades de cada área do conhecimento. Isso envolve:
• Incorporar Terminologia Específica: utilizar o vocabulário técnico e os 
conceitos-chave da disciplina no prompt ajuda a direcionar a IA para o universo 
semântico correto.
• Referenciar Teóricos, Metodologias ou Paradigmas: mencionar autores, 
teorias ou abordagens metodológicas consagradas na área pode ajudar a IA a 
gerar respostas mais alinhadas com as convenções e expectativas do campo. 
• Ajustar o Nível de Detalhe e Complexidade: as diferentes áreas do 
conhecimento possuem expectativas distintas quanto à profundidade da análise 
e à complexidade da argumentação. O prompt deve refletir essas nuances, 
solicitando um nível de detalhe apropriado.
Unidade 3
Auxílio da inteligência 
Artificial na Pesquisa
22UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
3.1 Definição de Tema e Escopo de Pesquisa com Auxílioda IA
A escolha de um tema de pesquisa relevante e a delimitação de um escopo factível são 
passos iniciais em qualquer pesquisa acadêmica. Ferramentas de IA podem ser utilizadas 
para realizar brainstorming de tópicos de pesquisa com base em interesses gerais ou 
áreas amplas fornecidas, por exemplo, o prompt a seguir pode gerar boas ideias iniciais 
para sua pesquisa:
“Sugira 5 tópicos de pesquisa inovadores na interseção de ‘neurociência cognitiva’ 
e ‘processos de aprendizagem em ambientes virtuais’ que sejam relevantes em 2024 
e adequados para um trabalho de conclusão de curso em Psicologia”.
Além disso, algumas ferramentas de IA são capazes de analisar publicações recentes 
e identificar tendências em campos específicos, ajudando o pesquisador a se situar na 
fronteira do conhecimento. Uma vez que um tema mais amplo é identificado, a IA pode 
auxiliar no seu refinamento, ajudando a delimitar o escopo para torná-lo gerenciável dentro 
das restrições de tempo e recursos de um projeto de pesquisa, especialmente ao nível de 
graduação (Sampaio et al., 2024).
Por exemplo, a IA pode analisar a quantidade de literatura existente sobre diferentes 
subtemas, ajudando a identificar um nicho específico que seja, ao mesmo tempo, 
interessante e viável para investigação.
3.2. Construção de Hipóteses e Objetivos com Auxílio da IA
Após a definição do tema e do escopo, a formulação de hipóteses claras ou de 
perguntas de pesquisa bem definidas, juntamente com objetivos precisos, orienta todo 
o processo investigativo. A IA pode atuar como uma ferramenta de apoio na revisão da 
literatura relevante, ajudando a identificar questões ainda não respondidas ou lacunas 
no conhecimento que podem inspirar a formulação de hipóteses originais.
Com base em um conjunto de informações fornecidas, como um problema de pesquisa 
e alguns artigos-chave, a IA pode ser solicitada a gerar rascunhos de hipóteses ou 
perguntas de pesquisa.
Lembrando que a validação e o refinamento final dessas formulações DEVEM ser de 
responsabilidade do pesquisador. O auxílio da IA pode, apenas, acelerar o processo e 
oferecer novas perspectivas.
23UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
Um exemplo mais avançado, que ilustra o potencial futuro, é o conceito de “IA orientada 
por hipóteses”, nesse modelo, o conhecimento científico existente sobre um assunto é 
incorporado diretamente no algoritmo de IA, permitindo que a própria IA ajude a formular e 
testar novas hipóteses (Madson, 2024).
Para o contexto da graduação, a aplicação pode ser mais simples, como instruir a IA: 
“Dado o problema da evasão escolar no ensino médio e a literatura que aponta fatores 
socioeconômicos e pedagógicos, quais hipóteses poderiam ser testadas para entender 
a influência específica do clima escolar nesse fenômeno?”. A IA também pode ser útil 
no refinamento dos objetivos de pesquisa, tanto gerais quanto específicos, auxiliando 
o estudante a garantir que sejam claros, mensuráveis, alcançáveis, relevantes e 
temporalmente definidos (critérios SMART), e que estejam em perfeito alinhamento com o 
tema e a questão central da pesquisa.
3.3. Desenvolvimento das Seções do Artigo com IA
A IA pode ser uma aliada na redação de rascunhos iniciais e no desenvolvimento de 
cada uma das seções tradicionais de um artigo científico. Mas, reforçando um tópico 
dito em todo esse material, o papel da IA é de assistência e todo o conteúdo deve ser 
rigorosamente revisado, criticado e adaptado pelo autor humano.
Introdução: a IA pode ajudar a gerar rascunhos iniciais para a introdução, 
contextualizando o problema de pesquisa e justificando sua relevância. Pode-se solicitar 
à IA que identifique “ganchos” (estatísticas impactantes, citações relevantes, ou anedotas 
breves) para capturar o interesse do leitor desde o início. Um prompt que pode ser aplicado 
para refinar um rascunho de introdução ou outra seção, seria:
“Analise este trecho e sugira melhorias para torná-lo mais [descritivo, objetivo, 
envolvente, formal, etc.]. Mantenha a essência do conteúdo, mas ajuste o ritmo, a 
escolha de palavras e a estrutura das frases”.
Revisão de Literatura: esta é uma área onde a IA tem demonstrado grande potencial. 
Ferramentas especializadas como Elicit.org são projetadas para auxiliar na busca de 
artigos, extrair dados-chave de múltiplos estudos e até resumir informações relevantes. 
24UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
A IA também pode ser instruída a organizar os achados da literatura em temas ou 
categorias, facilitando a estruturação desta seção. Com supervisão humana rigorosa, a 
IA pode até mesmo gerar parágrafos que sintetizam as contribuições de vários estudos 
sobre um ponto específico, embora a verificação da precisão e da correta atribuição seja 
indispensável.
Metodologia: para a seção de metodologia, a IA pode sugerir estruturas com base 
no tipo de estudo, quantitativo, qualitativo, misto, revisão sistemática, entre outros. 
Se informações claras sobre o delineamento da pesquisa, participantes, instrumentos 
e procedimentos de coleta e análise de dados forem fornecidos no prompt, a IA pode 
auxiliar na descrição detalhada desses componentes. Um prompt que pode ser aplicado 
seria: 
“Para um estudo qualitativo sobre ________________, utilizando entrevistas 
semiestruturadas como principal método de coleta de dados, detalhe os passos e 
subseções para a seção de metodologia. A análise de dados será feita por meio de 
análise de conteúdo. A revista alvo é ‘_____________________________________’.”
Resultados: a utilização da IA na redação da seção de resultados deve ser feita com 
extrema cautela. Para dados quantitativos simples, a IA pode, em alguns casos, ajudar 
a descrever os resultados numéricos de forma textual. Para dados qualitativos, se 
transcrições de entrevistas ou notas de campo forem fornecidas, a IA pode, teoricamente, 
ajudar a identificar padrões ou temas emergentes, mas isso requer um software 
especializado e, mais importante, a análise primária e a interpretação devem ser 
conduzidas pelo pesquisador.
A IA pode, no máximo, gerar rascunhos de apresentação de resultados, que devem ser 
minuciosamente verificados quanto à precisão e fidelidade aos dados originais.
Discussão: na seção de discussão, a IA pode ser útil para ajudar a conectar os 
resultados obtidos com a literatura revisada anteriormente, apontando para estudos 
que corroboram ou contradizem os achados. Pode também sugerir possíveis 
interpretações dos resultados, que devem ser avaliadas criticamente pelo pesquisador 
à luz do referencial teórico e do contexto da pesquisa. Além disso, a IA pode auxiliar na 
identificação das limitações do estudo e na formulação de sugestões para pesquisas 
futuras, com base nas lacunas que o próprio estudo não conseguiu preencher.
25UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
Conclusão e Resumo/Abstract: para a conclusão, a IA pode ajudar a gerar sínteses dos 
principais pontos abordados no artigo, recapitulando os achados e sua importância. Da 
mesma forma, para o resumo (ou abstract), um prompt eficaz seria:
“Resuma este texto [colar o corpo principal do artigo] mantendo suas principais 
ideias e argumentos. O resumo deve ter entre 200 e 250 palavras e preservar a 
clareza e coerência do conteúdo, destacando objetivo, metodologia, resultados 
principais e conclusão”.
O uso da IA na estruturação de artigos e, de forma ainda mais incipiente, na formulação de 
hipóteses, sugere uma potencial transformação no processo de criação e análise científica. 
Tradicionalmente, a definição do tema, a formulação de hipóteses e a estruturação do 
texto são processos cognitivos predominantemente individuais, mediados talvez pelo 
diálogo com orientadores ou pares.
A introdução de ferramentas de IA como “colaboradoras” nesse processo pode deslocar 
essa dinâmica de um esforço puramente linear e introspectivo para um modelo mais 
interativoe exploratório, onde o pesquisador dialoga com a IA para testar, refinar e 
expandir suas ideias. A “IA orientada por hipóteses” é um exemplo de como a IA pode não 
apenas organizar informações existentes, mas também participar ativamente da geração 
de novas linhas de investigação, transformando a fase inicial da pesquisa de uma busca 
solitária para uma exploração assistida.
Contudo, essa colaboração também embute um risco. Se um grande número de 
pesquisadores começar a utilizar ferramentas de IA para estruturar seus trabalhos, e essas 
ferramentas operarem com base nos mesmos modelos e dados de treinamento massivos, 
pode surgir uma tendência à homogeneização de ideias, abordagens metodológicas e 
até mesmo estilos de escrita. A criatividade, o pensamento divergente e a capacidade de 
realizar conexões inusitadas, características que são eminentemente humanas, tornam-
se, paradoxalmente, ainda mais necessárias para garantir a originalidade e o avanço 
genuíno do conhecimento.
As IAs são treinadas em vastos volumes de texto existente. Se elas ajudam a estruturar 
artigos e sugerir caminhos com base nesses padrões, há um risco inerente de que as 
sugestões convirjam para abordagens comuns ou “seguras”, já exploradas na literatura.
26UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
Questões sobre o impacto na criatividade já eram levantadas com modelos como 
o GPT-3.3 Para evitar a estagnação ou a produção de trabalhos excessivamente 
“formulaicos”, o pesquisador precisa utilizar a IA como um ponto de partida ou um 
interlocutor crítico, mas sempre aplicando seu próprio julgamento, sua bagagem 
teórica e sua capacidade criativa para ir além do que a IA sugere, buscando ângulos e 
contribuições verdadeiramente novos para seu campo de estudo.
3.4. Ferramentas de IA para Busca e Gestão de Referências Bibliográficas
O cenário de ferramentas para pesquisa e gestão bibliográfica está sendo 
progressivamente enriquecido com funcionalidades baseadas em IA. Podemos distinguir 
entre os gerenciadores de referência tradicionais que estão incorporando IA e novas 
ferramentas de pesquisa assistida por IA.
Alguns gerenciadores de Referência Tradicionais que possuem interação com a 
inteligência artificial são: 
• Mendeley: este gerenciador tem incorporado funcionalidades de IA, como o 
recurso “Related Papers”. Essa função utiliza IA para analisar o histórico de leitura 
do usuário e os metadados de sua biblioteca, sugerindo artigos relevantes que 
poderiam ter passado despercebidos. O Mendeley também oferece ferramentas 
de anotação inteligente em PDFs, que podem melhorar o fluxo de trabalho de 
revisão. No entanto, é importante notar que, atualmente, a IA no Mendeley foca 
mais na assistência à organização e descoberta do que em análises profundas ou 
geração autônoma de insights de pesquisa.
• Zotero com Plugins de IA: sendo um software de código aberto, o Zotero 
beneficia-se de uma comunidade ativa de desenvolvedores que criam plugins 
para estender suas funcionalidades. Recentemente, surgiu uma vasta gama 
de plugins que conectam o Zotero a diversos Modelos de Linguagem Grandes 
(LLMs) como ChatGPT, Claude, Gemini, entre outros. Esses plugins permitem, por 
exemplo, realizar buscas semânticas dentro da biblioteca pessoal, resumir PDFs, 
fazer perguntas e obter respostas sobre o conteúdo de textos selecionados, e até 
mesmo gerar rascunhos de anotações. Exemplos notáveis de plugins incluem 
ARIA (AI Research Assistant), Zotero-GPT (que permite usar GPT-3.5 ou GPT-
4 para interagir com a biblioteca), PapersGPT (para análise conversacional de 
PDFs), AskYourPDF (para fazer perguntas específicas a documentos), ZotAI (que 
acessa localmente a base de dados do Zotero para análises mais profundas) 
e Scite for Zotero (que integra as funcionalidades do Scite.ai diretamente na 
interface do Zotero).
27UNIDADE 3 Auxílio da Inteligência Artificial na Pesquisa
Os gerenciadores de referência são ferramentas indispensáveis para aplicar 
automaticamente os diversos estilos de citação exigidos por periódicos e instituições 
acadêmicas (como a ABNT). Eles permitem que o usuário mude o estilo de todas as 
citações e da lista de referências de um documento com poucos cliques.
O potencial da IA nessa área vai além da formatação das referências. Futuramente, 
ferramentas de IA poderão ser capazes de verificar a conformidade de todo o manuscrito 
com guias de estilo específicos, analisando a formatação de títulos, subtítulos, tabelas, 
figuras, espaçamento, margens, etc. No entanto, mesmo com o avanço dessas tecnologias, 
a responsabilidade final pela correção e adequação da formatação do trabalho acadêmico 
permanece integralmente com o autor.
Unidade 4
Análise Crítica e 
Aprimoramento de Textos 
Acadêmicos Gerados por IA
29UNIDADE 4 Análise Crítica e Aprimoramento de Textos Acadêmicos Gerados por IA
A utilização da Inteligência Artificial na redação acadêmica, embora promissora, 
exige uma postura de vigilância crítica e um compromisso ético por parte do 
pesquisador. Textos gerados por IA não são e não devem ser utilizados como produtos 
finais e infalíveis, muito pelo contrário, eles requerem uma avaliação cuidadosa e, 
frequentemente, correções substanciais. A avaliação de um texto gerado por IA deve ser 
multifacetada, cobrindo desde a veracidade das informações até a adequação estilística.
Um dos maiores riscos associados aos LLMs é a sua capacidade de “alucinar”, ou 
seja, gerar informações que parecem factuais e coerentes, mas que são, na verdade, 
incorretas ou completamente fabricadas (Spinak, 2023).
Isso é particularmente perigoso no contexto acadêmico, onde o rigor e a veracidade 
são fundamentais. Portanto, toda afirmação, dado, estatística e, principalmente, toda 
referência bibliográfica gerada pela IA deve ser checada de forma independente e 
rigorosa em fontes confiáveis. A IA, como apontado, não se preocupa intrinsecamente 
com a verdade da informação, mas sim com sua plausibilidade dentro do contexto 
aprendido (Spinak, 2023).
Assim, é preciso questionar se o texto gerado realmente atende aos objetivos 
especificados no prompt e se aborda o tema com a profundidade necessária para um 
trabalho acadêmico. Muitas vezes, as respostas da IA podem ser genéricas ou superficiais, 
exigindo que o pesquisador adicione substância, análise crítica e nuances.
Além disso, embora os LLMs modernos sejam proficientes em gerar texto fluído, é 
necessário verificar a lógica interna do argumento, a progressão das ideias entre frases e 
parágrafos, e a conexão adequada entre as diferentes partes do texto. Curiosamente, uma 
coerência estrutural excessivamente uniforme ao longo de um documento pode ser um 
indicador de geração por IA, já que textos humanos tendem a apresentar mais flutuações 
estilísticas dependendo do contexto ou mesmo do estado de ânimo do autor.
Mesmo que um texto gerado por IA não seja uma cópia direta de uma única fonte, ele é, 
por natureza, uma recombinação de padrões e informações presentes em seus dados de 
treinamento. Isso significa que ele pode ser uma paráfrase muito próxima de múltiplas 
fontes não explicitadas ou combinar ideias de uma forma que, embora nova em sua 
combinação específica, carece de originalidade conceitual.
30UNIDADE 4 Análise Crítica e Aprimoramento de Textos Acadêmicos Gerados por IA
4.1. Uso de IA para Revisar e Aprimorar a Clareza, Coesão e Coerência
Paradoxalmente, a mesma tecnologia que gera o texto pode ser utilizada para aprimorá-
lo. Com prompts específicos, a IA generativa pode atuar como uma ferramenta de revisão 
sofisticada.
• Pode-se solicitar a IA que identifique frases prolixas, ambiguidades, repetições 
desnecessárias, problemas de concordância ou outros erros gramaticais em um 
rascunho, seja ele originalmente humano ou gerado por IA e depois editado.
• Prompts como “Analise o estilo e a coerência deste texto. Identifique trechos que 
podem ser melhorados em termosde fluidez, redundância e escolha de palavras. 
Sugira ajustes para tornar a leitura mais envolvente e natural” podem ser muito 
úteis para um diagnóstico estilístico.
• A IA pode também sugerir alternativas de palavras para enriquecer o vocabulário, 
ou propor reestruturações de frases complexas para melhorar a clareza e a fluidez 
da leitura.
No entanto, é imperativo que o autor humano mantenha o controle editorial final. A IA 
deve ser vista como um “segundo par de olhos” ou um assistente de revisão avançado, 
cujas sugestões devem ser avaliadas criticamente e aceitas, modificadas ou rejeitadas 
pelo autor com base em seu próprio julgamento e conhecimento.
4.2. Considerações Éticas e Plágio em Textos Gerados com IA
O uso de IA na escrita acadêmica levanta questões éticas complexas, sendo as mais 
prementes as relacionadas à autoria, responsabilidade e plágio.
Organismos internacionais de ética em publicação, como o COPE (Committee on 
Publication Ethics), têm se posicionado firmemente sobre esta questão. A diretriz é clara: 
ferramentas de Inteligência Artificial, como ChatGPT ou outros LLMs, não podem ser 
listadas como autoras de um artigo científico.
 A justificativa é que as IAs não podem atender aos requisitos fundamentais de autoria, 
como assumir responsabilidade pelo trabalho submetido, declarar conflitos de interesse 
ou gerenciar acordos de direitos autorais e licenciamento, por não serem entidades legais 
(Cope Council, 2024).
31UNIDADE 4 Análise Crítica e Aprimoramento de Textos Acadêmicos Gerados por IA
Consequentemente, os autores humanos são totalmente responsáveis por todo o 
conteúdo de seus manuscritos, incluindo quaisquer partes que tenham sido produzidas ou 
auxiliadas por uma ferramenta de IA. Isso significa que os autores são legal e eticamente 
responsáveis por qualquer violação da ética de publicação, como plágio, fabricação de 
dados ou imprecisões (Cope Council, 2024).
A transparência é outro pilar ético, autores que utilizam ferramentas de IA na concepção 
da pesquisa, coleta ou análise de dados, ou na redação do manuscrito, devem divulgar 
claramente como a ferramenta foi utilizada e qual ferramenta específica foi empregada. 
Essa divulgação geralmente é feita na seção de Materiais e Métodos ou em uma seção 
similar do artigo.
Existe também o risco de “plágio acidental”, caso as fontes originais das informações 
processadas e apresentadas pela IA não sejam devidamente rastreadas e citadas pelo 
autor humano. As ferramentas de detecção de texto gerado por IA, como GPTZero, 
existem, mas sua eficácia é limitada e controversa. Além disso, já surgem ferramentas 
projetadas para “humanizar” o texto de IA e contornar esses detectores, tornando a 
identificação ainda mais complexa. Atualmente, nenhum software de detecção pode 
garantir 100% de precisão (Spinak, 2023).
A integração da IA Generativa desafia as noções tradicionais de integridade científica 
(Vasconcelos; Marušić, 2025). Um ponto sensível é o alinhamento dos LLMs com valores 
humanos e o risco inerente de que eles reproduzam ou amplifiquem vieses culturais, 
sociais ou de gênero presentes nos dados com os quais foram treinados (Vasconcelos; 
Marušić, 2025). Isso pode afetar a objetividade e a equidade da pesquisa.
Assim, hoje, o pesquisador é responsável não apenas pelo que escreve diretamente, 
mas também pela curadoria, verificação crítica, validação e integração ética do conteúdo 
que pode ter sido sugerido ou rascunhado por um “colaborador” não humano. 
32UNIDADE 4 Análise Crítica e Aprimoramento de Textos Acadêmicos Gerados por IA
A ascensão da Inteligência Artificial Generativa (IA Gen) no meio acadêmico tem provocado 
uma verdadeira revolução nos modos de pesquisar, escrever e divulgar o conhecimento. No 
entanto, mais do que apenas celebrar os ganhos em eficiência, é essencial refletir criticamente 
sobre o lugar da criatividade humana em um cenário cada vez mais assistido por máquinas.
Você sabia que um dos maiores riscos apontados por pesquisadores é a homogeneização do 
pensamento científico? Isso ocorre porque os modelos de IA, treinados em grandes volumes 
de textos já existentes, tendem a sugerir respostas ou caminhos que reforçam o que já foi 
produzido. O risco, portanto, é que passemos a ver mais do mesmo — artigos com estruturas, 
argumentos e conclusões similares, baseadas em tendências já consolidadas.
Esse fenômeno é chamado por alguns autores de “convergência algorítmica”. Ele ameaça 
a diversidade epistêmica e o pensamento divergente — características que sempre estiveram 
na base das grandes descobertas científicas. Afinal, foi justamente quando rompeu com os 
modelos aceitos de sua época que Einstein formulou a teoria da relatividade, ou quando 
Darwin propôs a seleção natural.
Além disso, vale lembrar que a criatividade não é apenas uma questão de estilo ou inovação 
estética, mas sim um motor essencial para a delimitação de problemas relevantes, a formulação 
de hipóteses originais e a proposição de metodologias ousadas. Tais capacidades ainda 
são intransferíveis à IA, pois envolvem não apenas lógica, mas também intuição, valores, 
experiências e percepções subjetivas — elementos intrinsecamente humanos.
Assim, ao mesmo tempo que a IA nos oferece ferramentas poderosas, ela nos lembra da 
importância de cultivarmos o pensamento crítico, a originalidade e a responsabilidade 
intelectual. A IA pode ser um mapa preciso, mas o destino da pesquisa ainda depende das 
escolhas do condutor.
“Não basta produzir mais rápido. É preciso produzir com sentido.”
Fonte: Vasconcelos; Marušić (2025.)
33UNIDADE 4 Análise Crítica e Aprimoramento de Textos Acadêmicos Gerados por IA
A ascensão da Inteligência Artificial Generativa nos convida a uma reflexão profunda sobre 
o futuro da pesquisa. Se por um lado temos em mãos uma ferramenta poderosa, capaz de 
acelerar descobertas e otimizar processos, por outro, enfrentamos desafios éticos e práticos 
sem precedentes.
Confiança vs. Cautela: como podemos confiar em uma tecnologia que, por sua natureza, pode 
“alucinar” e apresentar informações fabricadas com a mesma convicção de fatos verídicos? A 
validação rigorosa de cada dado e referência gerada por IA deixa de ser uma opção e se torna 
uma obrigação do pesquisador.
Originalidade vs. Homogeneização: a IA é treinada com base em um vasto volume de 
conhecimento existente. Ao utilizá-la para estruturar nossos artigos e gerar ideias, corremos o 
risco de convergir para abordagens comuns, criando uma ciência “formulaica” e sufocando a 
criatividade e o pensamento divergente que levam a avanços genuínos.
Ferramenta vs. Autor: a linha que separa o auxílio da autoria está cada vez mais tênue. A 
responsabilidade final sobre a integridade, a precisão e a ética de um trabalho é e sempre será 
do autor humano. A IA é uma colaboradora, mas não pode assumir a responsabilidade pelas 
implicações do conhecimento produzido.
A verdadeira habilidade na era da IA não será apenas saber usar a ferramenta, mas saber 
quando e como questioná-la, garantindo que a tecnologia sirva à ciência, e não o contrário.
Fonte: a autora (2025).
34
Conclusão geral
Ao longo desta apostila, exploramos as múltiplas facetas da Inteligência Artificial e sua 
crescente aplicação na escrita acadêmica e na pesquisa científica. Desde os fundamentos 
históricos e o funcionamento dos modelos de linguagem, passando pelas estratégias de 
interação eficaz através de prompts, até a utilização da IA na estruturação de artigos, na 
análise crítica de textos e na gestão de referências, buscamos oferecer um panorama 
abrangente e atualizado.
As unidades demonstraram que a IA, especialmente em suas formas generativas mais 
recentes, apresenta-se como uma ferramenta de imenso potencial. Ela pode otimizar 
processos, auxiliar na descoberta de informações, facilitar a superação de barreiras 
linguísticas e até mesmo contribuir para a formulação de novas hipóteses de pesquisa. A 
capacidadede personalizar o aprendizado e de oferecer suporte individualizado também 
desponta como uma grande promessa para a educação superior.
Contudo, a par dessas potencialidades, emergiram também desafios significativos 
e considerações éticas incontornáveis. A precisão da informação gerada, o risco de 
vieses algorítmicos, as questões de autoria e responsabilidade, a ameaça do plágio 
e a necessidade de preservar a integridade científica e a agência humana foram temas 
recorrentes. Ficou claro que a IA não é uma solução mágica nem um substituto para o 
intelecto e o rigor do pesquisador. Pelo contrário, seu uso eficaz e ético exige um nível 
ainda maior de criticidade, discernimento e responsabilidade por parte do usuário.
35
Reforçamos, portanto, a visão da Inteligência Artificial como uma aliada poderosa, mas 
que demanda um uso informado, crítico e, acima de tudo, ético. A capacidade de formular 
bons prompts, de avaliar criticamente os resultados gerados pela IA, de integrar suas 
contribuições de forma transparente e de assumir plena responsabilidade pelo produto 
final são habilidades que se tornam cada vez mais essenciais no repertório do estudante e 
do pesquisador contemporâneo.
Encorajamos os estudantes a explorarem com curiosidade e prudência o potencial 
transformador da IA, mas sem nunca abdicarem do rigor científico, da originalidade do 
pensamento e da autoria responsável que caracterizam a verdadeira produção de 
conhecimento. A jornada da IA está apenas começando, e sua evolução será contínua. 
Manter-se atualizado, aprender ao longo da vida e participar ativamente das discussões 
sobre o papel da tecnologia na academia são, portanto, imperativos para todos que 
desejam contribuir para um futuro onde a ciência e a tecnologia caminhem juntas em 
benefício da sociedade.
36
Referências
BOA SORTE, Paulo; et al. Inteligência artificial e escrita acadêmica: o que nos reserva 
o algoritmo GPT-3? Revista EntreLínguas, Araraquara, v. 7, n. esp., e021035, 2021. 
Disponível em: https://periodicos.fclar.unesp.br/entrelinguas/article/view/15352. Acesso 
em: 25 jun. 2025.
COPE COUNCIL. COPE position – Authorship and AI – English. Committee on 
Publication Ethics, 2024. Disponível em: https://publicationethics.org/guidance/cope-
position/authorship-and-ai-tools. Acesso em: 25 jun. 2025.
COSTA, Marcelle Feitoza Bassi; et al. Challenges and opportunities of artificial 
intelligence in higher education: perceptions of faculty in the university environment. 
Avaliação (Campinas), v. 30, 2025. Disponível em: https://doi.org/10.1590/1982-
57652025v30id2864353. Acesso em: 25 jun. 2025.
MADSON, Rhoda. Pesquisadores da Mayo Clinic criaram uma nova classe de algoritmos 
com IA para melhorar a pesquisa e os tratamentos contra o câncer. Mayo Clinic News 
Network, 15 abr. 2024. Disponível em: https://newsnetwork.mayoclinic.org/pt/2024/04/15/
pesquisadores-da-mayo-clinic-criaram-uma-nova-classe-de-algoritmos-com-ia-para-
melhorar-a-pesquisa-e-os-tratamentos-contra-o-cancer/. Acesso em: 25 jun. 2025.
NEXLA. LLM hallucination — Types, causes, and solution. Nexla AI Infrastructure (blog), 
13 maio 2024. Disponível em: https://nexla.com/ai-infrastructure/llm-hallucination/. Acesso 
em: 27 jun. 2025.
https://periodicos.fclar.unesp.br/entrelinguas/article/view/15352
https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
https://doi.org/10.1590/1982-57652025v30id2864353
https://doi.org/10.1590/1982-57652025v30id2864353
https://doi.org/10.1590/1982-57652025v30id2864353
https://newsnetwork.mayoclinic.org/pt/2024/04/15/pesquisadores-da-mayo-clinic-criaram-uma-nova-classe-de-algoritmos-com-ia-para-melhorar-a-pesquisa-e-os-tratamentos-contra-o-cancer/
https://newsnetwork.mayoclinic.org/pt/2024/04/15/pesquisadores-da-mayo-clinic-criaram-uma-nova-classe-de-algoritmos-com-ia-para-melhorar-a-pesquisa-e-os-tratamentos-contra-o-cancer/
https://newsnetwork.mayoclinic.org/pt/2024/04/15/pesquisadores-da-mayo-clinic-criaram-uma-nova-classe-de-algoritmos-com-ia-para-melhorar-a-pesquisa-e-os-tratamentos-contra-o-cancer/
https://newsnetwork.mayoclinic.org/pt/2024/04/15/pesquisadores-da-mayo-clinic-criaram-uma-nova-classe-de-algoritmos-com-ia-para-melhorar-a-pesquisa-e-os-tratamentos-contra-o-cancer/
https://nexla.com/ai-infrastructure/llm-hallucination/
https://nexla.com/ai-infrastructure/llm-hallucination/
37
ÖZER, Mahmut. Is artificial intelligence hallucinating? Turkish Journal of Psychiatry (Turk 
Psikiyatri Derg), v. 35, n. 4, p. 333–335, 14 out. 2024. Disponível em: https://www.ncbi.nlm.
nih.gov/pmc/articles/PMC11681264/. Acesso em: 25 jun. 2025. 
PERVIN, Nasrin; et al. Generative AI in education and research: a systematic mapping 
review. Review of Education, [S.l.], 13 ago. 2024. Disponível em: https://doi.org/10.1002/
rev3.3489. Acesso em: 25 jun. 2025.
RIVERO, J. J. L. Ciencia de datos e inteligencia artificial como apoyo para investigaciones 
cualitativas. Revista EDUCARE. UPEL-IPB. Segunda Nueva Etapa 2.0, v. 26, n. 2, p. 186-
209, 2022.
SALESFORCE BRASIL. IA generativa e prompt engineering: como obter melhores 
respostas? Salesforce Brasil, 23 jun. 2023. Disponível em: https://www.salesforce.com/br/
blog/ia-generativa-prompt-engineering/. Acesso em: 25 jun. 2025.
SAMPAIO, Rafael Cardoso et al. Uma revisão de escopo assistida por inteligência artificial 
(IA) sobre usos emergentes de IA na pesquisa qualitativa e suas considerações éticas. 
Revista Pesquisa Qualitativa, São Paulo, v. 12, n. 30, p. 1–28, abr. 2024. Disponível em: 
https://editora.sepq.org.br/rpq/article/download/729/467/4339. Acesso em: 25 jun. 2025.
SHENFIELD, Emily; LEE, Alvin. Abordando alucinações de IA. ABES (blog), 30 jan. 2025. 
Disponível em: https://abes.com.br/abordando-alucinacoes-de-ia/. Acesso em: 27 jun. 2025.
SPINAK, Ernesto. IA: como detectar textos produzidos por chatbox e seus plágios. SciELO 
em Perspectiva (blog), 17 nov. 2023. Disponível em: https://blog.scielo.org/blog/2023/11/17/
ia-como-detectar-textos-produzidos-por-chatbox-e-seus-plagios/. Acesso em: 25 jun. 2025.
TOWHIDUL, S. M.; et al. A comprehensive survey of hallucination mitigation techniques 
in large language models. [S. l.], jan. 2024. Disponível em: https://www.researchgate.
net/publication/377081841_A_Comprehensive_Survey_of_Hallucination_Mitigation_
Techniques_in_Large_Language_Models. Acesso em: 25 jun. 2025. DOI: https://doi.
org/10.13140/RG.2.2.11724.39045.
VASCONCELOS, Sonia; MARUŠIĆ, Ana. Integridade científica e agência humana na 
pesquisa entremeada por IA Generativa. SciELO em Perspectiva (blog), 7 maio 2025. 
Disponível em: https://blog.scielo.org/blog/2025/05/07/integridade-cientifica-e-agencia-
humana-na-pesquisa-ia-gen/. Acesso em: 25 jun. 2025.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11681264/
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11681264/
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11681264/
https://doi.org/10.1002/rev3.3489
https://doi.org/10.1002/rev3.3489
https://doi.org/10.1002/rev3.3489
https://www.salesforce.com/br/blog/ia-generativa-prompt-engineering/
https://www.salesforce.com/br/blog/ia-generativa-prompt-engineering/
https://www.salesforce.com/br/blog/ia-generativa-prompt-engineering/
https://editora.sepq.org.br/rpq/article/download/729/467/4339
https://editora.sepq.org.br/rpq/article/download/729/467/4339
https://abes.com.br/abordando-alucinacoes-de-ia/
https://abes.com.br/abordando-alucinacoes-de-ia/
https://blog.scielo.org/blog/2023/11/17/ia-como-detectar-textos-produzidos-por-chatbox-e-seus-plagios/
https://blog.scielo.org/blog/2023/11/17/ia-como-detectar-textos-produzidos-por-chatbox-e-seus-plagios/
https://blog.scielo.org/blog/2023/11/17/ia-como-detectar-textos-produzidos-por-chatbox-e-seus-plagios/
https://www.researchgate.net/publication/377081841_A_Comprehensive_Survey_of_Hallucination_Mitigation_Techniques_in_Large_Language_Modelshttps://www.researchgate.net/publication/377081841_A_Comprehensive_Survey_of_Hallucination_Mitigation_Techniques_in_Large_Language_Models
https://www.researchgate.net/publication/377081841_A_Comprehensive_Survey_of_Hallucination_Mitigation_Techniques_in_Large_Language_Models
https://www.researchgate.net/publication/377081841_A_Comprehensive_Survey_of_Hallucination_Mitigation_Techniques_in_Large_Language_Models
https://doi.org/10.13140/RG.2.2.11724.39045
https://doi.org/10.13140/RG.2.2.11724.39045
https://doi.org/10.13140/RG.2.2.11724.39045
https://blog.scielo.org/blog/2025/05/07/integridade-cientifica-e-agencia-humana-na-pesquisa-ia-gen/
https://blog.scielo.org/blog/2025/05/07/integridade-cientifica-e-agencia-humana-na-pesquisa-ia-gen/
https://blog.scielo.org/blog/2025/05/07/integridade-cientifica-e-agencia-humana-na-pesquisa-ia-gen/
38UNIDADE 1 Inteligência Artificial e a Pesquisa
Endereço:
Telefone:
Megapolo Sede: Praça Brasil, 250 - Centro
CEP 87702-320 - Paranavaí - PR - Brasil
(44) 3045-9898
	Tópico 1
	Tópico 2
	Tópico 3
	Tópico 4
	Botão 1: 
	Botão 2: 
	Botão 3: 
	Botão 4: