Como construir prompts que respeitam sua metodologia

O problema não é a IA, é a instrução

Vamos lá: a maioria dos pesquisadores que usa IA de forma problemática não está usando com má intenção. Está usando sem instrução adequada.

Você abre o ChatGPT ou o Gemini, escreve “me ajude a escrever a seção de metodologia” e recebe um texto genérico, formulaico, sem conexão com o que você realmente fez. Você descarta, tenta de novo de forma diferente, continua recebendo algo que não serve. Conclui que IA não funciona para pesquisa acadêmica.

O problema não é a IA. É que você pediu a coisa certa da forma errada.

Um prompt bem construído não é magia. É uma instrução clara que fornece contexto suficiente, delimita o escopo, especifica o formato esperado e, no caso da pesquisa científica, explicita as restrições metodológicas que a resposta precisa respeitar.

O que um prompt de qualidade precisa ter

Um prompt para uso acadêmico tem quatro componentes que fazem diferença:

Papel/persona. O que você quer que a IA seja naquele momento? Revisor, interlocutor, organizador, assistente de formatação? Dizer isso muda significativamente a qualidade da resposta. “Atue como um revisor de texto acadêmico com familiaridade com pesquisa qualitativa” vai gerar uma resposta diferente de “revise este texto”.

Contexto específico. A IA não sabe nada sobre sua pesquisa a não ser o que você conta naquele prompt. Quanto mais contexto relevante você fornece, mais útil a resposta. Tema da pesquisa, abordagem metodológica, público-alvo do texto, nível de formalidade esperado.

Instrução clara. O que exatamente você quer que a IA faça? Revisar? Sugerir? Reorganizar? Formular perguntas? Seja específico. “Melhore este texto” é vaga. “Identifique frases que estejam vagas ou sem sustentação empírica neste trecho” é acionável.

Restrições. O que a IA não deve fazer? Para pesquisa acadêmica, as restrições mais importantes costumam ser: não inventar dados, não adicionar referências que você não forneceu, não alterar o argumento central, não simplificar terminologia técnica sem indicar.

Prompts que funcionam para tarefas comuns

Para revisão de clareza argumentativa

“Atue como revisor acadêmico. Leia o trecho abaixo de uma dissertação de mestrado na área de [área]. Identifique os três pontos onde o argumento fica menos claro ou onde a transição entre ideias é abrupta. Não reescreva o texto. Aponte apenas os problemas com uma frase de diagnóstico para cada um.

[trecho]”

Por que funciona: pede diagnóstico, não reescrita. Limita o escopo a três pontos. Não pede que a IA faça o trabalho do pesquisador.

Para identificar lacunas no referencial teórico

“Sou pesquisador na área de [área]. Estou trabalhando com [tema específico] usando abordagem [metodológica]. Os autores principais que tenho usado até agora são [lista]. Quais perspectivas teóricas complementares, dentro desse campo, eu poderia estar negligenciando? Responda com campos teóricos e autores de referência, não com referências completas que você poderia estar inventando.”

Por que funciona: pede perspectivas e autores de referência, não citações completas. Isso reduz o risco de alucinação porque orienta a resposta para o que LLMs fazem melhor (identificar campos e autores conhecidos) e longe do que fazem pior (produzir citações específicas com precisão).

Para organizar dados qualitativos

“Vou te apresentar 5 trechos de entrevistas de uma pesquisa sobre [tema]. Leia os trechos e identifique padrões recorrentes. Não interprete o significado desses padrões: apenas aponte o que aparece mais de uma vez e em quais trechos. Eu farei a interpretação depois.

Trechos: [trechos]”

Por que funciona: delimita explicitamente o papel da IA (identificar padrões) e o papel do pesquisador (interpretar). Mantém a análise como responsabilidade do pesquisador.

Para revisão de gramática e estilo (sem alterar conteúdo)

“Revise o texto abaixo para clareza e gramática. Regras: (1) não altere o argumento ou a estrutura das seções; (2) não substitua terminologia técnica por termos mais simples; (3) não adicione ou remova informações; (4) sinalize cada alteração com [alterado: motivo]. Objetivo: texto mais claro, não texto diferente.

[texto]”

Por que funciona: as restrições deixam claro o que pode e o que não pode mudar. O pedido de sinalizar alterações mantém você no controle do que foi modificado.

O que não funciona: prompts que convidam à invenção

Alguns tipos de instrução quase garantem respostas problemáticas para uso acadêmico:

“Escreva a seção de revisão de literatura sobre [tema].” A IA vai produzir um texto com referências plausíveis que podem ser falsas. Você não pediu que ela se restringisse ao que você já tem.

“Quais pesquisas mostram que [afirmação]?” A IA vai responder com referências construídas para sustentar a premissa, não com pesquisa real. Você induz a confirmação de viés.

“Complete o argumento que comecei aqui.” Sem contexto do seu referencial teórico, a IA vai completar com o argumento estatisticamente mais provável, que pode ser incompatível com sua abordagem.

A regra geral: quanto mais a instrução deixa a IA livre para “descobrir” conteúdo factual, maior o risco. Quanto mais a instrução delimita a IA a operar sobre material que você forneceu, menor o risco.

Prompt com contexto metodológico: a diferença na prática

Compare estas duas versões do mesmo pedido:

Versão sem contexto metodológico: “Revise minha discussão de resultados.”

Versão com contexto metodológico: “Atue como revisor especializado em pesquisa qualitativa com abordagem fenomenológica. Revise a seção de discussão abaixo de uma dissertação de mestrado. Verifique se: (1) as interpretações estão ancoradas nos dados apresentados, sem generalização excessiva; (2) o diálogo com o referencial teórico está explícito e não apenas implícito; (3) as limitações do estudo são reconhecidas. Aponte problemas, não reescreva. A metodologia utilizada foi entrevistas semiestruturadas com análise temática.

[seção de discussão]”

A segunda instrução vai gerar um diagnóstico muito mais útil porque o revisor-IA sabe o que é adequado para aquela metodologia específica. Revisão de pesquisa qualitativa tem critérios diferentes de revisão de pesquisa experimental. Sem esse contexto, a IA vai aplicar critérios genéricos que podem não ser adequados.

A importância de iterar: prompts raramente funcionam na primeira tentativa

Uma coisa que pouca gente fala sobre uso de IA em pesquisa: você vai ajustar o prompt várias vezes antes de chegar numa resposta útil. Isso não é falha sua nem da ferramenta. É o processo normal.

A primeira resposta que a IA dá revela o que ela entendeu do seu pedido. Se não foi o que você queria, o próximo passo não é desistir. É analisar onde a resposta divergiu do esperado e ajustar a instrução.

Perguntas para diagnosticar uma resposta ruim: A IA interpretou o contexto corretamente? A instrução foi específica o suficiente? Faltou alguma restrição importante? A tarefa que pedi era muito ampla para uma única instrução?

Em muitos casos, dividir uma tarefa complexa em múltiplos prompts menores gera resultados melhores do que tentar um único prompt abrangente. Em vez de “analise meus dados e escreva a discussão”, você faz: primeiro “identifique padrões nestes trechos”, depois “como esses padrões se relacionam com a teoria X que descrevo aqui”, depois “aponte fraquezas nessa interpretação”.

Cada passo constrói sobre o anterior com mais contexto. O resultado final é mais controlado e mais fácil de revisar criticamente do que uma resposta gerada num único prompt aberto.

IA como co-revisor, não como co-autor

A distinção que orienta um uso responsável de IA na pesquisa é esta: a IA pode ser um excelente revisor, organizador e interlocutor. Ela não deve ser co-autora.

Revisor porque aponta problemas no que você escreveu. Organizador porque ajuda a estruturar material que você produziu. Interlocutor porque responde a perguntas e ajuda a testar argumentos. Nessas funções, o conteúdo intelectual continua sendo seu.

Quando você pede que a IA escreva seções, produza argumentos ou gere conteúdo que vai entrar no seu trabalho sem revisão crítica, ela está sendo usada como co-autora. E co-autoria de IA tem implicações de transparência e integridade que você precisa endereçar explicitamente na metodologia.

O Método V.O.E. ajuda aqui porque separa as fases de produção. Na fase de velocidade, você produz sem julgamento. Na fase de orientação, você pode usar IA como interlocutor para testar estrutura. Na fase de execução, você revisa com critério. Em cada fase, o papel da IA fica mais claro.

Declarando o uso de IA na metodologia

Se você usou IA na sua pesquisa, declare isso com precisão. Não basta dizer “ferramentas de IA foram utilizadas como suporte”. Especifique: para quais tarefas, em quais etapas, com qual grau de revisão posterior.

Por exemplo: “Na fase de análise, trechos das entrevistas foram inicialmente organizados com suporte da ferramenta [nome], que sugeriu categorias preliminares. Essas categorias foram revisadas, modificadas e validadas pela pesquisadora à luz do referencial fenomenológico adotado. A interpretação dos dados foi realizada integralmente pela pesquisadora.”

Essa declaração é mais forte do que a ausência de declaração, e muito mais forte do que uma declaração vaga. Ela mostra que você usou a ferramenta com consciência metodológica e que a autoria intelectual é sua.

Conclusão: instruir bem é uma competência

Saber construir bons prompts para uso acadêmico é uma competência que se desenvolve com prática. Não é mágica e não é técnica de programação: é clareza sobre o que você quer, o que você tem, e o que a ferramenta pode e não pode fazer.

O pesquisador que usa IA com instrução cuidadosa, restrições claras e revisão crítica do output está usando a ferramenta de forma metodologicamente responsável. O pesquisador que usa sem instrução e aceita o output sem revisão está expondo seu trabalho a riscos que são evitáveis.

Se você quiser se aprofundar na ética do uso de IA na pesquisa, veja também como usar IA sem comprometer sua autoria intelectual e como declarar o uso de IA no seu artigo.