O pedido mais tentador também é o menos seguro: solicitar à Inteligência Artificial (IA) uma lista pronta de artigos. O estudante informa o tema, aguarda alguns segundos e recebe títulos, autores e referências apresentados com aparente precisão. A resposta parece economizar horas de trabalho, mas não revela como as fontes foram localizadas, quais critérios orientaram a seleção nem quais estudos relevantes ficaram de fora. Antes de aceitar essa facilidade, é preciso compreender que uma bibliografia convincente não é necessariamente uma busca científica.
As lacunas invisíveis representam o principal risco de delegar a revisão bibliográfica à IA. Uma referência inexistente pode ser conferida e descartada, enquanto um artigo importante que não foi sugerido permanece ausente sem produzir qualquer alerta. O pesquisador pode avançar acreditando que examinou o campo, embora autores fundamentais, termos equivalentes ou resultados contraditórios não tenham aparecido. Como não é possível avaliar aquilo que não foi mostrado, o pedido precisa mudar antes que a investigação prossiga.
A solicitação correta não é para que a inteligência artificial encontre os artigos, mas para que ajude a construir a estratégia de busca. Em vez de transferir à ferramenta a seleção das fontes, o estudante pode utilizá-la para identificar conceitos, reunir sinônimos e organizar operadores booleanos. A consulta aos estudos continuará sendo realizada em bases científicas, nas quais o percurso poderá ser testado, registrado e aprimorado. Essa mudança aparentemente pequena define o verdadeiro papel da IA na pesquisa acadêmica.
IA na pesquisa acadêmica
A inteligência artificial pode funcionar como uma assistente na preparação da busca bibliográfica. Ela é capaz de separar uma pergunta de pesquisa em conceitos centrais, sugerir variações terminológicas, traduzir descritores e organizar os termos em blocos lógicos. Em uma investigação sobre políticas públicas de combate ao desmatamento na Amazônia brasileira, por exemplo, os núcleos principais seriam “desmatamento”, “Amazônia” e “políticas públicas”. Depois dessa divisão, cada conceito poderá ser ampliado com palavras equivalentes.
Os operadores booleanos transformam os conceitos identificados em uma combinação pesquisável. O operador OR reúne sinônimos, como “deforestation” OR “forest loss”, enquanto o AND conecta os diferentes núcleos, como desmatamento, Amazônia e políticas públicas. O operador NOT pode excluir temas indesejados, embora deva ser utilizado com cautela para não eliminar trabalhos pertinentes. Com esses elementos organizados, a pergunta deixa de ser uma frase ampla e passa a assumir a forma de uma estratégia estruturada.
A base científica é o local em que essa estratégia deve ser aplicada e verificada. Plataformas como Scopus, Web of Science e SciELO permitem inserir combinações de termos, utilizar filtros e examinar os resultados recuperados. O estudante pode observar se os artigos correspondem ao tema, identificar palavras que geram ruído e acrescentar expressões que ainda não foram contempladas. Para chegar a uma primeira string de qualidade, porém, é necessário formular um prompt suficientemente claro.
O poder do prompt
Um bom prompt deve explicar exatamente qual estratégia de busca o estudante deseja receber. A instrução precisa informar o tema, a pergunta da investigação, a base escolhida, o idioma dos descritores e a necessidade de utilizar sinônimos e operadores booleanos. Pedidos vagos, como “procure artigos sobre desmatamento”, oferecem pouco contexto e tendem a produzir respostas genéricas. Quanto mais completa for a orientação, mais útil será a combinação apresentada.
Um modelo de prompt pode ser adaptado a diferentes temas: “Minha pesquisa investiga [tema ou pergunta de pesquisa]. Identifique os conceitos centrais, sugira sinônimos e termos relacionados em [idioma] e elabore uma string de busca para a pesquisa avançada da base [nome da base]. Utilize os operadores booleanos AND e OR, organize cada conceito em um bloco entre parênteses e explique brevemente a função de cada bloco”. Esse formato não solicita referências prontas; solicita um instrumento que permitirá encontrá-las de maneira mais transparente.
Uma investigação sobre políticas públicas de combate ao desmatamento na Amazônia poderia gerar a seguinte string para a Scopus: TITLE-ABS-KEY((“deforestation” OR “forest loss”) AND (“Amazon” OR “Brazilian Amazon”) AND (“public policy” OR “government policy” OR “environmental policy”)). O estudante deve copiar essa expressão, inseri-la no campo de pesquisa avançada da base e analisar os primeiros resultados. Se surgirem muitos trabalhos irrelevantes, será necessário restringir os termos; se aparecerem poucos documentos, convém acrescentar sinônimos ou retirar expressões excessivamente específicas. É nesse teste, e não na primeira resposta da IA, que a estratégia começa a ganhar qualidade acadêmica.
Antes de iniciar sua próxima revisão, experimente mudar apenas uma coisa: não peça os artigos. Apresente sua pergunta, solicite uma string, leve-a para uma base científica e refine os resultados com seu próprio julgamento. Compartilhe este texto com outro estudante que ainda utiliza a inteligência artificial como fornecedora de respostas prontas. A IA pode ajudar a construir o caminho, mas encontrar, avaliar e escolher as evidências continua sendo o trabalho do pesquisador.