IA para Levantamento Bibliográfico: Ferramentas e Cuidados

O levantamento bibliográfico ainda é manual porque precisa ser confiável

Vamos lá. O levantamento bibliográfico é uma das etapas mais trabalhosas da pesquisa acadêmica. Você precisa identificar o estado da arte do seu tema, encontrar os estudos relevantes, organizar o que existe e identificar as lacunas que justificam o seu trabalho.

Ferramentas de IA entraram nesse processo nos últimos anos. Algumas ajudam genuinamente. Outras criam novos problemas. Entender a diferença entre os dois tipos é o que vai permitir usar tecnologia a favor da pesquisa sem comprometer a confiabilidade do seu trabalho.

O que a IA pode fazer no levantamento bibliográfico

As ferramentas de IA mais úteis para levantamento bibliográfico não geram conteúdo. Elas facilitam a busca e a organização de conteúdo que já existe.

Busca semântica. Ferramentas como o Elicit permitem que você descreva sua pergunta de pesquisa em linguagem natural e receba sugestões de artigos relevantes. Isso é diferente da busca por palavras-chave. Você pode buscar “estudos sobre ansiedade em estudantes de doutorado que comparam grupos por gênero” e obter resultados pertinentes sem precisar montar a equação de busca perfeita.

Mapeamento de conexões. O Connected Papers gera um mapa visual de como artigos se relacionam entre si. Você insere um artigo que já conhece e relevante para sua área, e a ferramenta mostra os estudos mais citados em conjunto com ele. Útil para identificar trabalhos seminais e literatura relacionada que você pode ter deixado de fora.

Organização de literatura. O NotebookLM do Google permite carregar PDFs de artigos e fazer perguntas específicas sobre eles. Você pode pedir “quais são as conclusões principais deste artigo?” ou “esse estudo usa abordagem qualitativa ou quantitativa?”. Economiza tempo na leitura exploratória de artigos que você ainda está avaliando se incluirá no trabalho.

Identificação de termos e autores. Ferramentas de linguagem como Claude e ChatGPT podem ajudar a identificar autores centrais de uma área, termos técnicos alternativos para a sua busca, e campos acadêmicos adjacentes que podem ter estudos relevantes. Isso é orientação, não resultado de busca.

O que IA não faz de forma confiável

Aqui está o ponto onde muita gente se mete em problema: usar IA generativa para gerar listas de referências.

Quando você pede ao ChatGPT, Gemini ou Claude “liste os 10 principais artigos sobre X”, existe um risco real de receber referências fabricadas. Isso significa autores, títulos e periódicos que parecem reais mas não existem, ou artigos reais com informações incorretas (ano, volume, página).

Por que isso acontece? Porque essas ferramentas funcionam por probabilidade estatística de tokens, não por acesso real a bases de dados. Elas produzem texto que parece uma referência bibliográfica porque foram treinadas em muitos textos com referências. Mas não necessariamente esse texto corresponde a um artigo que existe.

A consequência prática: um artigo com uma referência inventada que passou pelo processo de revisão por pares e foi publicado vai ter um problema sério de credibilidade. E a responsabilidade é da autora.

As ferramentas que minimizam esse risco

O Elicit foi construído especificamente para busca acadêmica. Ele acessa bases reais de artigos (principalmente Semantic Scholar) e retorna resultados que existem. Ainda assim, nem toda ferramenta é infalível, e a prática de verificar cada artigo antes de usar permanece válida.

O Semantic Scholar é uma base de dados construída pelo Allen Institute for AI. Tem cobertura ampla em ciências da natureza, computação e biomédica, e interface de busca que incorpora funcionalidades de IA. É gratuito e confiável.

O Research Rabbit é outra ferramenta que mapeia conexões entre artigos a partir de uma coleção que você importa. Integra com Zotero, o que facilita a organização das referências que você já tem.

Essas ferramentas são complementares, não substitutos, das buscas nas grandes bases de dados: Scopus, Web of Science, PubMed, SciELO, LILACS. Para uma revisão sistemática ou scoping review, as buscas nessas bases são indispensáveis. O protocolo de busca precisa ser replicável e documentado, o que não é possível com ferramentas de IA conversacional.

Como organizar o fluxo de trabalho

Um fluxo que funciona para levantamento bibliográfico com uso responsável de IA:

Primeiro, use ferramentas como Elicit ou Semantic Scholar para uma exploração inicial do campo. Identifique os artigos mais citados na área, as revisões sistemáticas mais recentes e os autores que aparecem com frequência. Isso dá uma visão panorâmica.

Segundo, realize buscas estruturadas nas bases de dados convencionais usando as equações de busca que você montou a partir dos termos que a exploração inicial ajudou a identificar. Documente as equações e o número de resultados encontrados em cada base.

Terceiro, use gestores de referências como Zotero ou Mendeley para organizar os artigos selecionados. Essas ferramentas integram com o Word e o Google Docs para gerar citações e referências automaticamente no formato correto.

Quarto, para artigos longos que você precisa ler mas tem dúvida sobre incluir, o NotebookLM pode ajudar a fazer uma triagem rápida das informações mais relevantes.

O que não funciona: substituir as etapas 1 e 2 por “pedir ao ChatGPT uma lista de artigos sobre o tema”.

O cuidado ético que vale repetir

Usar IA para organizar e explorar é diferente de usar IA para gerar conteúdo que você vai apresentar como sua pesquisa.

No levantamento bibliográfico, o risco específico é inserir no trabalho referências que você não verificou. Esse risco existe tanto quando a IA inventa uma referência quanto quando ela recupera uma referência real mas com dados incorretos.

A regra que protege seu trabalho é simples: toda referência que vai no seu texto precisa ter sido verificada por você na fonte original. Você precisa ter acessado o artigo, confirmar que ele existe, e confirmar que diz o que você atribui a ele.

Esse cuidado não é burocrático. É o que sustenta a credibilidade da pesquisa.

IA como aliada, não como atalho

O levantamento bibliográfico feito com ferramentas de IA bem escolhidas pode ser mais eficiente e abrangente do que o processo manual puro. Mas ele ainda exige julgamento humano em cada etapa.

Você decide quais artigos são realmente relevantes para o seu problema. Você avalia a qualidade metodológica dos estudos. Você interpreta o que a literatura diz e o que ainda está em aberto.

Essas decisões não podem ser delegadas para nenhuma ferramenta.

Para aprofundar como usar IA na escrita acadêmica de forma ética e produtiva, veja também o post sobre como usar IA para escrever artigos científicos neste blog. E se quiser recursos adicionais sobre revisão de literatura, a página de recursos tem materiais específicos para essa etapa.

Um resumo das ferramentas mencionadas

Para facilitar a consulta:

O Elicit (elicit.org) é gratuito até um certo volume de buscas e especializado em artigos científicos. Bom ponto de partida para exploração inicial.

O Semantic Scholar (semanticscholar.org) é gratuito e tem boa cobertura em ciências exatas, computação e biomédica.

O Connected Papers (connectedpapers.com) é gratuito para uso limitado. Útil para mapear redes de artigos a partir de um estudo seminal.

O Research Rabbit (researchrabbitapp.com) é gratuito para pesquisadores. Integra com Zotero.

O NotebookLM (notebooklm.google.com) é gratuito. Permite carregar documentos e fazer perguntas sobre eles.

Nenhuma dessas ferramentas substitui o acesso às grandes bases de dados institucionais. Se você tem acesso pelo seu programa de pós-graduação ao Scopus, Web of Science ou outras bases, use-as como base do seu levantamento. As ferramentas de IA são o complemento, não o substituto.