IA na Pesquisa em Educação: Guia para Mestrandos

A IA chegou na educação, e agora?

Vamos lá. A pesquisa em educação sempre lidou com volume: muitas entrevistas, muitos documentos curriculares, muitas atas de reunião, muitas observações de campo para analisar. A IA não chegou ao campo como uma ameaça, chegou como uma ferramenta que pode mudar como esse volume é processado.

Mas ferramenta não é neutro. Como qualquer instrumento metodológico, a IA carrega pressupostos, tem limitações e pode ser usada bem ou mal. Para mestrandos em educação, entender onde ela ajuda, onde atrapalha e onde não entra é tão importante quanto saber usar.

O que a pesquisa em educação pede que a IA não entrega

Para começar pelo que importa: existem dimensões da pesquisa em educação que estão fora do alcance de qualquer ferramenta de IA, e essa clareza precisa vir antes de qualquer uso.

A interpretação do contexto é uma delas. Pesquisa qualitativa em educação, seja ela fenomenológica, baseada em teoria crítica, nos estudos foucaultianos ou em qualquer outro referencial, exige que o pesquisador compreenda o contexto histórico, cultural e político do campo que estuda. A IA não esteve na escola que você observou. Não ouviu o tom da voz da professora entrevistada. Não sabe que naquela comunidade a relação com a escola pública é carregada de uma história específica. Quem sabe é você, porque foi ao campo.

A construção da pergunta de pesquisa também é do pesquisador. Uma pergunta bem formulada em educação nasce de uma tensão entre o que se vê na prática, o que a teoria diz e o que ainda não está respondido na literatura. Isso é um percurso de pensamento que nenhum modelo de linguagem substitui.

E o diálogo com o referencial teórico exige leitura real. Não resume de artigo. Não bullet points de capítulos. Leitura que deixa rastro no seu pensamento, que você discute com o orientador, que você vê se manifestar nos dados. A IA pode te ajudar a localizar textos. Não pode ler por você de um jeito que faça você pensar melhor.

Onde a IA realmente ajuda na pesquisa em educação

Dito isso, existem usos concretos e legítimos da IA na pesquisa educacional que valem ser explorados.

Organização de grandes volumes textuais. Se você tem 30 entrevistas transcritas e precisa começar a identificar recorrências, ferramentas de IA podem ajudar num primeiro mapeamento de palavras, temas e padrões. Isso não substitui a análise, mas pode tornar o trabalho inicial mais eficiente. A análise de conteúdo com apoio de IA é um campo em desenvolvimento e existem pesquisadores que usam e publicam sobre isso de forma transparente.

Revisão e organização bibliográfica. Ferramentas que conectam artigos por citação, como o Litmaps ou o Connected Papers, usam algoritmos para mostrar redes de produção acadêmica. Úteis para o mapeamento inicial da literatura, para identificar autores centrais num campo e para não perder referências relevantes. Não substituem a leitura, mas organizam o terreno.

Apoio à escrita. Usar IA para revisar a clareza de um parágrafo, verificar coesão textual ou corrigir erros gramaticais é diferente de pedir para ela escrever o argumento. O primeiro é apoio. O segundo é delegação do que é seu. A diferença importa, e você reconhece ela quando precisa defender o que está escrito para o orientador.

Busca em bases de dados. Alguns sistemas de busca bibliográfica já incorporam IA para refinamento de resultados. Entender como esses sistemas funcionam ajuda a usar as buscas com mais inteligência e menos frustração.

IA na análise de dados educacionais: o que está em discussão

A pesquisa em educação frequentemente usa métodos qualitativos que geram grandes volumes de texto: entrevistas semiestruturadas com professoras, grupos focais com estudantes, análise de documentos curriculares, registros de observação em sala de aula.

Nos últimos anos, pesquisadores têm explorado ferramentas de processamento de linguagem natural para apoiar a análise desses dados. Não como substituição da análise temática ou da análise de conteúdo, mas como um primeiro passo de organização antes da interpretação humana.

Isso levanta questões metodológicas interessantes. Quando a IA identifica recorrências em um corpus de entrevistas, ela está fazendo uma coisa diferente do que o pesquisador faz ao ler as mesmas entrevistas. O algoritmo responde à frequência de palavras e coocorrências. O pesquisador responde à frequência mas também ao silêncio, às hesitações, aos contextos que estavam presentes durante a coleta.

Transparência metodológica exige que você descreva como a IA foi usada, em qual etapa, com qual ferramenta e quais as limitações desse uso. Se você usou IA para uma pré-análise de frequência de temas, isso precisa aparecer na seção de Métodos da dissertação. Não como confissão, mas como descrição precisa do processo.

Essa é uma área em que a metodologia ainda está sendo construída. Publicações recentes em periódicos como a Qualitative Inquiry e o International Journal of Qualitative Methods já discutem padrões e boas práticas. Se a sua pesquisa usa IA na análise, ler o que está sendo publicado sobre o tema não é opcional.

A questão ética que não vai embora

Pesquisa em educação frequentemente envolve dados sensíveis. Entrevistas com professoras sobre condições de trabalho. Grupos focais com estudantes sobre experiências escolares. Documentos institucionais de escolas com informações sobre comunidades específicas.

Quando você insere esses dados em ferramentas de IA externas, levanta questões éticas que precisam ser endereçadas:

Esses dados foram coletados com consentimento para análise por terceiros, incluindo sistemas de IA? Onde esses dados ficam armazenados depois que você submete? Qual é a política de privacidade da ferramenta que você está usando?

O comitê de ética que aprovou sua pesquisa aprovou um protocolo específico de uso dos dados. Usar ferramentas que não estavam previstas nesse protocolo pode ser uma violação, mesmo que não intencional.

Isso não significa que IA não pode ser usada com dados qualitativos educacionais. Significa que precisa ser pensada no protocolo de pesquisa, discutida com o orientador e, quando necessário, registrada no comitê.

O que os programas de educação estão discutindo

A área de educação está, como muitas outras, num momento de atualização acelerada das políticas sobre uso de IA. Alguns programas já têm diretrizes. Muitos ainda não têm. Essa heterogeneidade significa que você precisa saber o que diz o seu programa específico, não uma regra geral.

O que está razoavelmente consolidado na maioria das discussões é a distinção entre uso instrumental (a IA como ferramenta para apoio ao pesquisador) e uso substitutivo (a IA gerando o raciocínio e o texto que deveriam ser seus). O primeiro tende a ser aceito com transparência. O segundo é questionado como fraude acadêmica.

Transparência é a palavra mais relevante aqui. Quando você usa alguma ferramenta de IA no processo de pesquisa, documentar como e onde é tanto uma prática ética quanto uma proteção para você. Se o parecerista perguntar, você tem resposta clara.

IA como colega de trabalho, não como substituto

A metáfora que faz mais sentido para pensar IA na pesquisa em educação é a de um colega de trabalho muito rápido a organizar informação, mas que nunca esteve no campo que você estuda, não conhece sua pergunta de pesquisa do jeito que você a formulou, e não vai defender sua dissertação no dia da banca.

Quem vai defender é você. E para defender bem, você precisa ter pensado de verdade sobre cada escolha metodológica, cada categoria analítica, cada interpretação. A IA pode ter ajudado no caminho. A autoria intelectual, no sentido que a academia exige, continua sendo sua.

Se você usa o Método V.O.E. para organizar seu processo de escrita e pesquisa, a IA pode entrar nas etapas de Velocidade (organizar, buscar, mapear) e Execução (revisar, refinar). A etapa de Orientação, que define o rumo e o argumento central, é onde o pensamento crítico do pesquisador é insubstituível.

Para mais discussões sobre uso ético de IA na pesquisa acadêmica, veja os outros posts da categoria ia-etica e confira os recursos disponíveis.