16.07.2026 Inteligência Artificial

Avalanche de artigos sobrecarrega revisão por pares: a IA pode ajudar?

Pesquisadores defendem IA para triagem de manuscritos, detecção de fraudes e apoio a editores, mas alertam para riscos à integridade do processo

Daniel Dieb

O volume crescente de submissões de artigos é um desafio para os revisores, que muitas vezes realizam o trabalho de forma voluntária e são cada vez mais difíceis de recrutar.

Apenas a editora Elsevier recebeu, em 2025, cerca de 4,2 milhões de manuscritos, dos quais 795 mil foram publicados e o restante foi rejeitado ao longo do processo editorial, muitos deles antes mesmo de chegar aos revisores.

O relatório 2026 Future of Peer Review mostra que são necessários, em média, cinco convites para que um único pesquisador aceite avaliar um manuscrito.

A disseminação da inteligência artificial (IA) generativa como ferramenta tanto de autores quanto de revisores coloca em debate se e como o sistema de publicação acadêmica deve usá-la.

Em entrevista ao Science Arena, o médico e pesquisador Howard Bauchner, ex-editor-chefe do Journal of the American Medical Association (JAMA), defende o uso da IA como filtro de pré-revisão.

“A IA avaliaria o manuscrito, e o editor veria essa avaliação e então teria algumas opções: poderia rejeitar o manuscrito porque a IA está apontando falhas fundamentais, ou devolvê-lo aos autores antes de encaminhá-lo para revisão externa”, sugere.

Para Bauchner, antes de agilizar o processo, o objetivo do uso de IA é reduzir o volume que chega aos revisores humanos.

Como a triagem por IA funcionaria

Nesse modelo, a IA ficaria responsável pelas tarefas técnicas, verificáveis e repetitivas. Bauchner as nomeia:

Adesão a diretrizes de relato;
Registros do estudo;
Precisão das referências;
Detecção de texto artificial não declarado;
Manipulação de imagens.

Esta última (manipulação de imagens) é especialmente importante para as ciências laboratoriais, e raramente detectada na revisão por pares humana.

Há ainda, neste cenário, o que Bauchner chama de revisores fantasma: quando o revisor usa IA mesmo em revistas que a proíbem. Ele propõe que o uso seja permitido e declarado, em vez de velado e sem critérios.

O que a IA já consegue fazer na triagem editorial, segundo Howard Bauchner

1. Adesão a diretrizes de relato: verifica se o manuscrito segue os checklists de relato exigidos pelo periódico.

2. Registro do estudo: confirma se ensaios clínicos e outros desenhos de pesquisa foram devidamente pré-registrados.

3. Precisão das referências: identifica citações incorretas ou inexistentes, incluindo as geradas por IA generativa.

4. Detecção de texto artificial não declarado: sinaliza trechos possivelmente escritos por modelos de linguagem sem a devida declaração.

5. Manipulação de imagens: identifica alterações indevidas em figuras científicas — falha frequente na revisão feita só por humanos.

Os limites da inteligência artificial na avaliação de manuscritos

Por enquanto, a IA não substitui o revisor em todas as tarefas. Bauchner explica que ela não consegue avaliar o contexto científico em que um manuscrito se insere, onde aquele trabalho se encaixa no conjunto do que está sendo investigado.

“E se você perguntar à maioria dos revisores, é exatamente isso que eles gostam de comentar”, diz o ex-editor-chefe do JAMA.

Jesús Mena-Chalco, professor da Universidade Federal do ABC (UFABC) e pesquisador de cientometria (campo que analisa aspectos quantitativos da ciência), aponta problema similar.

“A questão do ineditismo, de tentar ver se uma pesquisa é ou não inédita, é ou não relevante é papel-chave do avaliador humano.”

Esse limite aparece também na falta de criticidade dos modelos de IA. “Os modelos atualmente são positivos, eles raramente são críticos”, explica Mena-Chalco.

As vantagens da IA no processo editorial não vêm sem riscos. O mais premente é a confidencialidade de dados. Os manuscritos contêm dados inéditos que não devem ser absorvidos pelos modelos usados pelo avaliador ou pelo próprio autor.

“Se alguém usa um modelo de linguagem, é preciso garantir que esses dados não passem a fazer parte do corpo desse modelo”, alerta Howard Bauchner.

Ainda assim, a IA pode ajudar a combater um problema que ela mesma contribuiu para criar: as referências fabricadas, geradas por modelos de linguagem que produzem citações inexistentes.

A detecção automática de referências, já prevista no modelo de filtro pré-revisão, ganha urgência diante desse quadro.

Vieses: dos dados de treinamento aos revisores humanos

O aprendizado dos modelos de linguagem de grande porte (LLMs) reflete os vieses das bases de dados nas quais foram treinados, do mesmo modo que revisores humanos também têm os seus.

Bauchner argumenta que os modelos poderiam ser instruídos a desconsiderar a identidade dos autores, eliminando preconceitos ligados a instituição, país ou idioma.

Mena-Chalco, da UFABC, acrescenta que os modelos de linguagem têm uma vantagem prática: eles não cansam.

“Talvez o avaliador humano, ao ter muitos artigos para avaliar, tenha mais viés do que um computador que não canse.”

Os dois argumentos, porém, descrevem intenções de uso, não garantias: vieses embutidos nos dados de treinamento persistem nos modelos independentemente das instruções que recebem.

Para os dois pesquisadores, a adoção declarada da IA no ecossistema de publicação científica é uma questão de tempo. Mena-Chalco observa que muitos pesquisadores já usam as ferramentas, mas relutam em admitir.

“Muitas pessoas acabam tendo uma sensação de culpa ao usar o sistema, por temor de que seu trabalho pareça facilitado. Até onde vai o uso?”, questiona.

Para Mena-Chalco, a resposta virá com a normalização: “Daqui a uns dez anos vai ser desnecessário indicar o uso”, prevê.

“Acredito que até 2030 a IA se tornará parte do ecossistema de comunicação científica”, argumenta Bauchner.

Há indícios de que essa incorporação já está em curso. A organização sem fins lucrativos Public Library of Science (PLOS), uma das maiores plataformas de publicação científica em acesso aberto, implementou triagem automatizada de integridade.

Dados apresentados pea organização mostram que as rejeições na mesa do editor subiram de 13%, em 2021, para 40% em 2025.

Um estudo do próprio corpo editorial da revista Organization Science oferece o primeiro retrato empírico de corpus completo sobre esse fenômeno em um periódico científico.

Entre 2021 e 2026, o volume de submissões ao periódico cresceu 42% desde o lançamento do ChatGPT, em novembro de 2022 – alta puxada majoritariamente por textos produzidos com uso intenso de IA, e não por crescimento orgânico da área.

Manuscritos com mais de 30% de conteúdo gerado por IA (medido pela ferramenta de detecção Pangram) tiveram taxa de rejeição já na triagem inicial até 30 pontos percentuais mais alta, e a qualidade da escrita, medida pelo Índice de Legibilidade de Flesch, caiu 1,28 desvio-padrão no período.

Os pareceres de revisores seguiram padrão semelhante: mais de 30% já apresentam algum grau de uso de IA, com textos mais difíceis de ler e foco mais estreito, concentrado em teoria e menos em dados.

Para pesquisadores de países onde o inglês não é a língua de trabalho, a mudança pode ter efeitos concretos antes do prazo previsto.

“A IA pode ajudar numa tradução. Se usarmos esses modelos com um prompt bem estruturado, a tradução fica muito profissional, baseada no contexto”, disse Mena-Chalco.

O que ainda está em aberto são as políticas editoriais que vão acompanhar essa transição e com que impacto sobre a integridade do processo que sustenta a ciência.

* É permitida a republicação das reportagens e artigos em meios digitais de acordo com a licença Creative Commons CC-BY-NC-ND.
O texto não deve ser editado e a autoria deve ser atribuída, incluindo a fonte (Science Arena).