Diante da rápida multiplicação de ferramentas e possibilidades, uma pergunta tem se tornado cada vez mais comum: afinal, quais soluções usar e como utilizá-las de forma crítica e estratégica?

Esse será o ponto de partida do próximo encontro virtual do Science Arena, que acontece no dia 30 de abril, às 18h30, e terá como convidado o médico João Brainer, pesquisador clínico do Einstein Hospital Israelita e professor da Universidade Federal de São Paulo (Unifesp).

A live será realizada via Zoom mediante inscrição gratuita.

Haverá intérprete de Libras e os participantes poderão fazer perguntas por meio do chat.

Guia prático sobre uso de IA na pesquisa

Com uma proposta prática, o encontro vai percorrer as diferentes etapas da produção de um artigo científico para mostrar como a IA pode ser incorporada no dia a dia da, desde a formulação da pergunta de pesquisa até a redação e divulgação dos resultados.

O pesquisador é criador de diversas plataformas digitais para modelos preditivos de complicações neurológicas, diagnóstico e classificação em neurologia.

Ao longo da live, serão discutidas aplicações concretas de IA em tarefas como:

• Revisão de literatura;
• Organização de referências;
• Estruturação de manuscritos
• Análise de dados;
• Escrita acadêmica.

Ferramentas como Consensus, Elicit, SciSpace, Jenni Ai e NotebookLM, entre outras, devem aparecer como exemplos práticos de uso no cotidiano científico, especialmente em contextos de acesso aberto e amplo alcance.

Por que não perder esta live?

Mais do que apresentar soluções, o encontro também pretende discutir um ponto central: o uso dessas tecnologias já é uma realidade consolidada — e ignorá-las pode significar perder eficiência no processo de pesquisa.

“Hoje é praticamente impossível um pesquisador não utilizar algum tipo de ferramenta de IA em alguma etapa do trabalho”, observa Brainer.

Nesse cenário, diz o pesquisador, o desafio não é mais decidir se a IA deve ou não ser utilizada, mas compreender como utilizá-la com responsabilidade.

O encontro virtual busca oferecer um panorama integrado e aplicado, especialmente útil para pesquisadores em início de carreira ou para aqueles que ainda se sentem perdidos diante da diversidade de ferramentas.

Serviço

Participantes:

• Bruno de Pierro (mediador): editor-chefe do Science Arena
• João Brainer: médico, pesquisador do Einstein Hospital Israelita e professor da Unifesp

INSCRIÇÕES GRATUITAS

Ou copie e cole o link em seu navegador: https://einstein.zoom.us/webinar/register/WN_U5RduJe3SIyKEnuRkUKMXg#/registration

O post IA na ciência: como escolher e usar as melhores ferramentas na prática apareceu primeiro em Science Arena.

O cotidiano de um pesquisador envolve tarefas diversas — da escrita de artigos à análise de dados. A IA pode ajudar nessas frentes, liberando tempo para atividades de maior complexidade intelectual. O problema, segundo especialistas, está em como esse auxílio é incorporado ao processo de aprendizagem.

A distância entre gerações de pesquisadores torna isso evidente: enquanto muitos doutores consolidados desenvolveram suas habilidades de escrita e análise de forma manual, estudantes de doutorado que ingressam agora já têm acesso irrestrito a plataformas de IA — e podem nunca precisar exercitar essas competências de forma independente.

Confira na íntegra a entrevista de Helder Nakaya ao Science Arena:

Quando a IA compromete a formação

Em entrevista ao Science Arena, o biólogo Helder Nakaya, pesquisador sênior do Hospital Israelita Albert Einstein, distingue dois cenários. No primeiro, o pesquisador já domina as competências fundamentais (sabe escrever um artigo, interpretar dados, estruturar um argumento) e usa a IA para ampliar produtividade ou refinar resultados. Nesse caso, os riscos são limitados.

No segundo cenário, o problema se torna estrutural: quando o pesquisador começa a aprender uma habilidade utilizando a IA como suporte desde o início. 

Nakaya reconhece também a pressão estrutural que empurra pesquisadores para o uso intensivo da ferramenta: a exigência crescente por publicações aumenta a demanda por escrita e revisão, tornando difícil renunciar a qualquer recurso que agilize o processo.

O impacto na qualidade dos manuscritos

Além da formação individual, o avanço da IA na produção científica levanta uma preocupação com a qualidade e a distinção entre pesquisadores. “A facilidade de gerar textos maravilhosos, com o inglês perfeito, torna difícil distinguir a qualidade dos pesquisadores a partir dos manuscritos submetidos para publicação”, disse Nakaya.

O resultado, segundo ele, é uma crise de autenticidade: quando um texto não é reconhecido como genuíno e sim como produto de IA. O trabalho perde valor e prestígio no campo científico.

Autenticidade como diferencial

Nesse contexto, a autenticidade pode se tornar um ativo cada vez mais valorizado na carreira científica. Para Nakaya, ela funciona como uma espécie de “moeda de troca”: o reconhecimento do esforço humano, da curiosidade genuína e da capacidade de formular perguntas originais são elementos que a IA, por ora, não consegue replicar.

Para saber mais sobre o uso da inteligência artificial na carreira científica, veja a entrevista completa com Helder Nakaya no Science Arena.

O post Uso de IA na pesquisa científica pode prejudicar formação de novos pesquisadores apareceu primeiro em Science Arena.

Em entrevista ao Science Arena, o biólogo Helder Nakaya, pesquisador sênior do Einstein Hospital Israelita, destacou que a humanidade vive um momento histórico, maior, até mesmo, que a Revolução Industrial. 

Nos laboratórios, a IA já era usada há anos para reconhecimento de padrões. O que muda com os modelos generativos é a capacidade de produzir linguagem, território até então reservado ao pesquisador, responsável por contar histórias e elaborar ideias.

Confira na íntegra a entrevista de Helder Nakaya ao Science Arena:

O impacto em três fases

Nakaya divide esse impacto em três momentos: o presente, marcado pela adoção crescente; o médio prazo, com agentes mais autônomos; e o longo prazo, quando o próprio papel do cientista pode ser redefinido.

Primeira fase

No presente, a IA atua principalmente como amplificadora de produtividade. De acordo com Nakaya, os modelos já auxiliam na escrita de documentos, edição de textos e execução de tarefas manuais de baixo valor intelectual.

Segunda fase

No médio prazo, os agentes de IA deverão superar humanos em tarefas específicas de pesquisa.

Para ele, a parte mais estimulante da ciência passará a residir justamente aí: na formulação de perguntas, no diálogo e na compreensão dos impasses que surgem ao longo da pesquisa.

Terceira fase

No longo prazo, a motivação para fazer ciência pode mudar de natureza. “Não terá mais aquela pressão de fazer ciência para ser prática ou ajudar alguém, mas sim porque você gosta”, disse Helder. Nakaya, porém, admite incerteza sobre como os cientistas vão lidar com essa transição.

Nesse estágio, a IA não apenas responderá perguntas, mas formulará novas — a partir da análise de dados e da condução de experimentos. Um efeito colateral previsível: a dificuldade crescente de avaliar a contribuição individual do pesquisador diante do trabalho automatizado.

Para ler o conteúdo completo sobre o uso da inteligência artificial (IA) na carreira científica, veja a entrevista nesta matéria do Science Arena.

O post Três fases do impacto da IA na carreira científica apareceu primeiro em Science Arena.

O diagnóstico resume bem o estágio atual da ciência colaborativa no Brasil: a exigência por equipes multidisciplinares cresceu nos editais de fomento, mas a infraestrutura para viabilizá-la ainda patina. 

Em entrevista ao Science Arena, Leão discute os desafios práticos de construir esses times e os limites — e possibilidades — do uso da inteligência artificial na pesquisa.

Confira na íntegra a entrevista de Lis Leão ao Science Arena:

O desafio de incluir comunidades na pesquisa

Quando se trata da exigência por times compostos por pessoas de diferentes áreas, Lis Leão afirmou que equipes multidisciplinares não se constroem da noite para o dia.

“Hoje se discute muito a inclusão da comunidade que você está estudando dentro do seu projeto”, disse. Ela também comentou que assistiu a uma discussão a respeito de uma nova lei sobre os Comitês de Ética incluírem um representante da população que uma determinada pesquisa irá estudar. 

No entanto, Lis destacou que esse tipo de movimento ainda precisa de ajustes. Por exemplo, ao incluir alguém da comunidade ribeirinha, a pessoa precisa realizar um cadastro na plataforma do Sagem (Sistema de Avaliação e Gestão de Membros de Comitês de Ética). No entanto, muitas vezes, ela mora em local distante e terá dificuldade para concluir esse procedimento.

Outro desafio é a necessidade de ter financiamento para construir essa relação colaborativa com a comunidade. “Hoje existem alguns mecanismos para ampliar essa inclusão. Quando conversamos com as comunidades locais, vemos que vem um aporte de outros saberes muito interessantes. Mas, às vezes, você não tem tempo de fazer isso antes de ter o financiamento, porque é longe”, explicou.

Algo que Lis destacou durante a conversa é que o pesquisador pode ir até o local pesquisado depois e, assim, realizar ajustes no projeto. “Isso é exigido na entrada de uma série de editais, que eu acho que ainda precisa de um ajuste fino”, reforçou.

IA na pesquisa: ferramenta para quem tem domínio

Muitos pesquisadores têm recorrido à inteligência artificial (IA) como um facilitador na jornada da pesquisa. Para Leão, a IA é uma boa ferramenta para a pessoa que sabe como usá-la, como, por exemplo, para agilizar ou refinar processos da própria pesquisa científica. “Ela pode ganhar tempo com isso, mas precisa ter domínio do assunto”, disse. 

Para quem está ingressando no campo, o uso da ferramenta é arriscado: sem domínio do tema, o pesquisador não tem base para avaliar a qualidade do que a IA entrega.

Para ler o conteúdo completo sobre a composição de equipes multidisciplinares e o uso da inteligência artificial no projeto científico,  veja a entrevista nesta matéria do Science Arena.

O post “A IA é uma boa ferramenta para quem sabe usá-la”, diz a especialista em pesquisa Lis Leão apareceu primeiro em Science Arena.

O reconhecimento internacional amplia o interesse por um campo que, na realidade, não é recente. Segundo Helder Veras, pesquisador do Centro Nacional de Pesquisa em Energia e Materiais (CNPEM), os primeiros trabalhos científicos sobre o desenvolvimento artificial de proteínas remontam ao final da década de 1970.

Ainda assim, os avanços recentes em poder computacional e inteligência artificial reposicionaram o design de proteínas como uma das fronteiras mais promissoras da ciência contemporânea.

Para além da saúde humana, pesquisadores também veem no design de proteínas uma ferramenta com potencial para mitigar impactos das atividades humanas no meio ambiente, desenvolver novos materiais biológicos e criar soluções industriais mais sustentáveis.

Desde o doutorado, Veras dedica sua carreira ao estudo da relação entre sequência de aminoácidos, estrutura tridimensional e função biológica das proteínas. A modelagem proteica parte justamente desse princípio: prever a forma tridimensional de uma proteína a partir da ordem de seus aminoácidos.

Essa estrutura não é apenas um detalhe geométrico. Ela determina como a proteína interage com outras moléculas e, portanto, qual será sua função no organismo. Em última instância, é essa relação entre sequência, estrutura e função que orienta tanto a modelagem quanto o design de proteínas.

Da sequência à função: como as proteínas são modeladas

O design de proteínas segue a lógica oposta à modelagem tradicional. Em vez de partir da sequência, os cientistas começam pela função desejada e pela estrutura necessária para desempenhá-la. A partir disso, buscam prever qual sequência de aminoácidos poderia formar aquela estrutura específica.

Esse processo envolve ciclos sucessivos de definição de estrutura, função e sequência — um trabalho altamente dependente de ferramentas computacionais avançadas.

Nesse contexto, computação e inteligência artificial (IA) tornam-se indispensáveis. Para André Teixeira, diretor sênior da plataforma de anticorpos do Institute for Protein Innovation (IPI), em Boston, é teoricamente possível criar uma proteína de forma aleatória — mas isso seria ineficiente.

No IPI, o foco está no desenvolvimento de anticorpos — cada um deles, uma nova proteína. A equipe liderada por Teixeira produz cerca de 300 anticorpos por ano, um volume que seria impraticável sem o uso de IA: “Colocando isso em perspectiva, uma pessoa pode gerar um novo anticorpo em uma pesquisa inteira de doutorado”.

Sem essas ferramentas, os pesquisadores teriam de avaliar manualmente milhões — ou até bilhões — de variantes antes de chegar a candidatos com potencial funcional. A IA permite reduzir drasticamente o universo de possibilidades. Em vez de analisar milhões ou bilhões de variantes, os pesquisadores trabalham hoje com algo entre 1.000 e 10.000 versões por projeto, tornando viável a etapa experimental.

“IA não é inteligente o suficiente para fornecer a solução definitiva para um problema, mas é muito boa em encontrar soluções alternativas”, diz o pesquisador.

Aplicações em saúde e além

A liberdade criativa é uma das marcas do design de proteínas. Para Veras, o principal limite é a imaginação.

No CNPEM, os pesquisadores exploram aplicações em saúde, como o desenvolvimento de novas terapias e ferramentas diagnósticas baseadas em proteínas inéditas. Um dos projetos em andamento envolve o chamado reconhecimento imunológico, cujo objetivo é criar proteínas capazes de direcionar o sistema imunológico a alvos específicos, como células tumorais.

Atualmente, o projeto se encontra na fase computacional, em que são definidas estrutura, função e sequência das proteínas candidatas.

Apesar do entusiasmo, Teixeira faz ressalvas. A IA ainda apresenta limitações importantes, especialmente na capacidade de prever quais moléculas terão desempenho satisfatório em condições reais. Muitas proteínas projetadas computacionalmente falham quando testadas em laboratório. Isso ocorre porque, após a etapa computacional, as proteínas precisam ser produzidas e avaliadas em sistemas biológicos reais, onde interações imprevistas podem comprometer seu desempenho.

Além disso, nem todos os problemas exigem proteínas desenhadas do zero: “Um dos grandes objetivos do design de proteínas é desenvolver anticorpos, mas este ano marca o 50º aniversário dos anticorpos monoclonais, o que significa que esse problema já foi resolvido”, avalia.

O cenário brasileiro: avanço científico e gargalos de financiamento

Pesquisador sênior do Instituto Aggeu Magalhães, da Fundação Oswaldo Cruz (Fiocruz), Roberto Lins construiu parte de sua carreira na Suíça e nos Estados Unidos antes de retornar ao Brasil, em 2009, para atuar na Universidade Federal de Pernambuco (UFPE). “Nessa época, o design de proteínas era relegado basicamente à parte experimental, e a parte computacional ainda estava muito incipiente”, relata.

Lins foi responsável por iniciativas pioneiras no país, incluindo a publicação de um dos primeiros artigos nacionais sobre o tema, em 2013, e a organização de cursos internacionais sobre design de proteínas a partir de 2016. Os cursos reuniram cientistas do Brasil, de outros países da América Latina e da Europa, contribuindo para a formação de uma rede internacional de pesquisadores na área.

Um dos participantes foi Carlos Cruz, hoje pesquisador da University College London, que trabalha no desenvolvimento de vacinas proteicas para aves. Para ele, o Brasil começou cedo, mas enfrenta um obstáculo persistente: financiamento.

Lins concorda. Segundo o pesquisador, enquanto o Brasil responde por menos de 1% da produção científica em design de proteínas, os Estados Unidos concentram entre 30% e 40%, e a Europa, entre 20% e 30%.

Apesar dos avanços científicos e da formação de recursos humanos qualificados, a consolidação do design de proteínas no país depende de políticas estáveis de financiamento e infraestrutura. Sem investimentos contínuos em pesquisa e desenvolvimento, o país arrisca ficar à margem de uma área estratégica para o futuro da ciência, da saúde e da inovação tecnológica.

O post Design de proteínas: como cientistas estão criando moléculas sob medida para enfrentar grandes desafios apareceu primeiro em Science Arena.

O estudo analisou publicações indexadas em bases como Web of Science, DBLP, IEEE Xplore e Google Scholar, mapeando a evolução dessas tecnologias entre 2020 e 2025 — período marcado por crescimento exponencial: de 13 artigos publicados em 2015 para mais de 800 em 2024.

O estudo é assinado por pesquisadores da Jinan University e do Guangdong Eco-Engineering Polytechnic, ambas na China, e da University of Illinois Chicago, nos Estados Unidos. “Ao analisar dados médicos e desenvolver diagnósticos mais precisos e planos de tratamento personalizados para médicos e outros profissionais de saúde, os LLMs têm potencial para revolucionar a indústria da saúde”, escrevem os autores.

Limitações da medicina moderna nas quais LLMs podem ajudar

O estudo identifica três gargalos estruturais da medicina contemporânea que os LLMs podem ajudar a superar:

• Especialização fragmentada: A divisão crescente da medicina em especialidades facilita o aprofundamento em áreas específicas, mas cria silos de conhecimento. Consultas entre múltiplos departamentos tornam-se necessárias para casos complexos, aumentando tempo e custos e gerando barreiras de comunicação.
• Conhecimento e experiência limitados: Médicos precisam dominar conhecimento vasto e em constante atualização; de biologia básica a métodos diagnósticos complexos. Diante de doenças raras e crônicas, esse conhecimento pode se mostrar insuficiente.
• Desafios do tratamento personalizado: Cada paciente possui condições físicas, tipos de doença e níveis de gravidade únicos. Embora médicos ofereçam recomendações gerais, implementar cuidado verdadeiramente personalizado exige capacidade individual que ainda é limitada.

A seguir, as aplicações práticas analisadas pelos autores:

1. Apoio à decisão clínica

Os LLMs começam a atuar como apoio ao diagnóstico ao sintetizar grandes volumes de dados científicos e clínicos. Estudos testaram modelos para prever COVID-19 a partir de relatos textuais de perda de olfato e paladar, e pesquisas recentes investigam o uso da tecnologia na identificação auxiliar de doenças neurológicas, como Alzheimer e demência.

2. Medicina personalizada

Assistentes virtuais baseados em IA oferecem orientação sobre sintomas, tratamentos e cuidados básicos. A aplicação vai desde recomendações para quadros comuns — como resfriados e gripes — até protocolos mais personalizados baseados no histórico clínico e na evolução de cada pessoa.

O acesso por sites, aplicativos e comandos de voz amplia o alcance desse tipo de atendimento, sobretudo para quem vive longe de centros médicos. “Com o avanço contínuo da tecnologia, cresce o potencial dos LLMs em aprimorar o atendimento por meio de aconselhamento personalizado e monitoramento contínuo, sinalizando um caminho promissor para a medicina moderna”, escrevem os autores.

3. Educação médica

A capacidade de gerar textos e simular cenários torna os LLMs ferramentas úteis na formação de profissionais. Professores criam pacientes simulados para treinar diálogos clínicos e casos raros, enquanto plataformas virtuais permitem operar equipamentos fictícios e ensaiar procedimentos antes das intervenções reais. Para pesquisadores, a tecnologia agiliza a triagem de literatura científica ao filtrar estudos relevantes e sintetizar achados-chave, liberando tempo para a investigação propriamente dita.

Esse conjunto de aplicações aponta para processos de ensino mais rápidos, formação prática mais segura e um ecossistema de pesquisa mais ágil, com potencial direto para impulsionar a inovação e a qualificação dos profissionais de saúde.

4. Descoberta e desenvolvimento de medicamentos

A IA vem sendo aplicada na análise de estruturas químicas, seleção de compostos e avaliação preliminar de segurança. A fronteira mais avançada está no desenho de novos medicamentos, em que modelos especializados geram novas moléculas a partir do zero. Estudos recentes demonstram que essas abordagens superam modelos tradicionais em desempenho e precisão, enquanto técnicas como beam search produzem compostos de maior qualidade do que métodos de amostragem.

Além disso, integrações com aprendizado por reforço permitem ajustar doses e regimes terapêuticos em ambientes simulados, com potencial para melhorar eficácia e reduzir efeitos adversos. Em 2021, experimentos direcionados a inibidores de protease e sondas de sítios ativos demonstraram resultados promissores. Pesquisadores da Amsterdam University Medical Centers também exploram aplicações em farmacologia quantitativa, área que se beneficia da capacidade dos LLMs de processar grandes volumes de literatura científica e dados clínicos

5. Extração e atualização de informações médicas

Outra aplicação está em transformar como informações médicas são organizadas. Com técnicas de deep learning e processamento de linguagem natural, os LLMs vasculham grandes volumes de textos — artigos científicos, prontuários e relatórios — e extraem automaticamente informações relevantes.

O resultado é a construção acelerada de gráficos e painéis que reúnem e conectam dados clínicos de forma precisa e atualizada. Em oncologia, por exemplo, já há sistemas que ajustam recomendações terapêuticas conforme novas diretrizes são publicadas.

6. Diagnóstico por imagem

Modelos de linguagem combinados a técnicas de deep learning avançaram na segmentação de tecidos e na identificação de lesões. Em tomografias, algoritmos reduzem ruídos e ampliam a clareza das imagens.

Entre os exemplos reunidos na revisão estão a combinação de IA com radiômica para prever respostas ao tratamento em câncer retal via ressonância magnética, modelos específicos que apoiam ações de prevenção e rastreamento do câncer de mama, e ferramentas que extraem dados detalhados de lesões pancreáticas em laudos de tomografia computadorizada e ressonância magnética.

7. Cuidado ao paciente

Na prática clínica, LLMs já são usados para responder dúvidas sobre doenças, tratamentos e hábitos de vida, contribuindo para adesão terapêutica e reduzindo ruídos de comunicação. Nos prontuários eletrônicos, analisam documentos, apontam lacunas e incoerências entre diagnóstico e conduta, e sugerem ajustes.

8. Análise de literatura médica

Os modelos de linguagem organizam métodos, resultados e conclusões de artigos em formatos estruturados, facilitando a consulta rápida por médicos. Também classificam estudos por área, sintetizam achados e avaliam indícios de robustez, como número de citações e fator de impacto.

“Em um campo tão dinâmico quanto a medicina, atualizar-se continuamente é essencial — e os LLMs ajudam profissionais a acompanhar os avanços mais recentes e a oferecer cuidados baseados em evidências”, escrevem os autores.

O post 8 aplicações estratégicas da IA na medicina apareceu primeiro em Science Arena.

Participam do debate o imunologista Luiz Vicente Rizzo, diretor de Pesquisa do Einstein Hospital Israelita, e o sociólogo Glauco Arbix, professor da Universidade de São Paulo (USP), coordenador científico da Cátedra IA Responsável, com sede no Instituto de Estudos Avançados da USP, e ex-presidente da Financiadora de Estudos e Projetos (Finep).

A transmissão será ao vivo, via Zoom, com intérprete de Libras e emissão de certificado para participantes inscritos. 

A conversa inaugura a nova temporada de encontros virtuais do Science Arena, dando continuidade aos debates realizados no segundo semestre de 2025.

Por que discutir ciência em contextos de incertezas?

No cenário atual, a ciência é convocada a responder com rapidez a problemas cada vez mais complexos — da emergência climática ao rápido avanço da inteligência artificial; da saúde global à desinformação.

Mas quanto mais a tecnologia acelera a produção de dados e resultados, mais aumenta a pressão sobre pesquisadores para decidir, comunicar e se posicionar diante de evidências ainda em construção.

Fato é que a incerteza deixou de ser uma etapa provisória do método científico e passou a ser uma condição estrutural do fazer científico contemporâneo.

Discutir como fazer ciência em tempos de incertezas não é um exercício teórico — é uma necessidade profissional, especialmente para pesquisadores em início de carreira.

Trata-se de refletir sobre: qualidade do conhecimento; responsabilidade pública; limites da automação e o papel do cientista em um cenário de transformações tecnológicas profundas.

Em um contexto em que a legitimidade da ciência não é mais automática, aprender a trabalhar com incerteza é parte essencial da prática científica do século XXI.

O Science Arena promove a live “Como fazer ciência em tempos de incertezas?”, para discutir como a prática científica está sendo redesenhada por novas tecnologias e quais são os desafios e responsabilidades que emergem desse novo contexto.

Vamos discutir:

• Como a IA está redefinindo a produção de conhecimento;
• IA e aceleração científica: quando a tecnologia aumenta a incerteza;
• O que muda no papel do pesquisador;
• Como a comunicação da incerteza se tornou parte do trabalho científico;
• Competências essenciais em cenários de transformação tecnológica;
• Como preparar a carreira científica para um ambiente cada vez mais tecnológico;

Inscrição gratuita: clique aqui para se inscrever, ou copie e cole o link em um navegador da web: https://einstein.zoom.us/webinar/register/WN_XKzW-p5BSEarKB-tu-6B_Q?#/registration

O post Live: Como fazer ciência em tempos de incertezas? apareceu primeiro em Science Arena.

Em uma análise publicada no portal Research Information, o especialista em mercado editorial científico propõe que o setor supere o modelo focado em conteúdo “estático” e migre para o que ele define como “conhecimento computacional” — informações estruturadas, conectadas e contextualizadas para serem reutilizadas em larga escala por máquinas.

No artigo, Smith argumenta que a consolidação de ferramentas de inteligência artificial (IA) como o ChatGPT, capazes de analisar rapidamente grandes volumes de publicações científicas, exige que editoras repensem seus produtos.

Ele defende que o conhecimento científico não pode mais ser apresentado apenas como artigos estáticos disponíveis em PDF, mas sim como objetos de conhecimento,ou seja, produtos consistentes compostos por imagens, legendas, detalhes metodológicos e proveniência de dados, todos estruturados para análises confiáveis feitas por ferramentas computacionais.

“O que está emergindo é um modelo de ‘conhecimento como serviço”, escreve Smith, referindo-se ao conceito conhecido como knowledge-as-a-service. Trata-se, explica o autor, de uma forma de entregar o significado essencial e estruturado da pesquisa, e não apenas seus resultados formatados.

Nesse modelo, dados e informações são processados, muitas vezes com auxílio de IA e aprendizado de máquina (como redes neurais), a fim de responder a perguntas, resolver problemas complexos e apoiar a tomada de decisão em tempo real.

Riscos de ficar para trás

O consultor alerta que, sem adaptação, editoras científicas podem perder protagonismo — como já ocorreu em outras circunstâncias. Ele cita o caso da plataforma Google Acadêmico (Google Scholar), que integrou modelos de citação desenvolvidos por publicações científicas.

Também menciona a ascensão do site Sci-Hub, usado por muitos cientistas para contornar paywalls das editoras.

“A oportunidade do ‘conhecimento como serviço’ pode seguir a mesma trajetória se as editoras não agirem”, resume Smith no artigo.

Para viabilizar o chamado “conhecimento como serviço”, Smith propõe três requisitos fundamentais:

Interoperabilidade de sistemas digitais

A construção e incorporação de sistemas digitais compatíveis e interconectados é essencial, segundo Smith. Se existir uma variedade de interfaces de programação sem compatibilidade entre elas, haverá fragmentação.

O objetivo de consolidar objetos de conhecimento confiáveis com proveniência acessível não será alcançado sem essa interoperabilidade.

Governança confiável

Quando máquinas (as ferramentas de IA) se tornarem consumidoras importantes de conteúdo científico, a reputação de grandes publicações não será mais a forma central de assegurar a confiabilidade do conhecimento veiculado.

Nesse cenário, a verificação de proveniência será valiosa, e o desenvolvimento de políticas de governança se torna crucial. Smith aponta a necessidade de transparência sobre como máquinas consomem conteúdo, como dados são atualizados ou deletados e como a fonte do conteúdo é checada.

Transparência sobre preços e direitos

A terceira etapa envolvida no estabelecimento do conhecimento como serviço é a transparência sobre preços e direitos. A partir de políticas comprometidas em fornecer informações claras para clientes, editoras científicas poderão gerar confiança naqueles que pagam por seus serviços nesse novo modelo de negócio.

Embora considere a transformação digital como fator fundante para as mudanças de mercado no mundo das publicações científicas, o especialista ressalta as limitações atuais das ferramentas de IA.

Inteligências artificiais podem acessar grandes volumes de conteúdo rapidamente, mas ainda têm dificuldades em compreender materiais de forma completamente adequada e inter-relacionada, observa Smith.

Para ele, cabe às editoras científicas, definidas por Smith como “curadoras de contexto”, gerar as conexões entre diferentes conteúdos, consolidando o modelo de conhecimento como serviço.

O post Editoras científicas como “curadoras de contexto” na era da IA apareceu primeiro em Science Arena.

No mestrado, comecei a pesquisar sobre cognição e tecnologias digitais. No doutorado, trabalhei as interseções entre aprendizagem humana e aprendizado de máquina (machine learning, uma vertente da inteligência artificial – IA).

O fato de que o ambiente importa para a aprendizagem é uma premissa de minha pesquisa, bem como as relações intersubjetivas e as emoções. Além disso, é um pressuposto da pesquisa que o corpo está na base da atividade cognitiva.

É interessante perceber que pesquisar a cognição a partir do enativismo (ou cognição enativa, que é a criação de significados a partir da experiência vivida) me trouxe não apenas conhecimento específico em uma área de domínio, mas um novo modo de pensar a inteligência artificial e, principalmente, o humano – em um momento em que os algoritmos recebem tanta atenção.

Se você se abre de verdade para as descobertas que podem estar envolvidas no processo de fazer pesquisa, algo muito além de uma formação acadêmica pode acontecer.

A partir da minha pesquisa, que se transformou em atitudes implicadas na maneira como conduzo minha vida pessoal e profissional, tenho me esforçado para construir algo que seja verdadeiramente útil para as pessoas.

Para isso, desde que terminei o doutorado me empenhei em uma estratégia de difusão científica e de comunicação da IA em múltiplas linguagens.

Inteligência Artificial e educação

Procuro comunicar a IA em suas várias dimensões, de uma forma que seja compreensível, capaz de chegar a profissionais de diferentes áreas, especialmente educadores.

Preocupo-me, em particular, com a IA na educação e com a educação para a IA.

Além de me dedicar a comunicar a IA, também considero importante – se quiser apoiar outros pesquisadores em formação – compartilhar desafios pertinentes a ser pesquisador, hoje, no Brasil. Afinal, a carreira científica não é mais “garantida” como um dia parecia ser.

O cenário é complexo, as perguntas estão mais variadas e as respostas, menos óbvias. O que é ter uma carreira sólida? O que significa ter estabilidade, de fato? É possível obter liberdade para pesquisar o que quiser e como quiser?

A única certeza, penso, é a de que os caminhos profissionais variam de acordo com o que se pretende trilhar, e os espaços que, nessa trajetória, cada um almeja ocupar.

No enativismo, uma imagem forte é a de que o caminho se constrói na medida em que se caminha. Ele não está pronto, esperando para ser trilhado, mas depende de cada atitude e decisão que vai sendo tomada no decorrer.

O que é “certo” para um pesquisador, para um estudante ou profissional pode ser muito diferente do que parece “certo” para outros.

Quando se trabalha com pesquisa, é preciso ter uma certa disposição para encarar esse fato, de que o caminho não está pronto; isso demanda empenho, dedicação e criatividade para buscar soluções para os inúmeros desafios que se apresentam.

Momento de transição

Estamos claramente numa transição. Modelos se saturaram. Temos diversos problemas complexos que nos afetam como sociedade e que, consequentemente, afetam também a pesquisa.

Significa não apenas compreender e aceitar o ambiente difícil que temos na pesquisa e na academia, mas contribuir para transformá-lo.

Muita gente que habita o cenário da pesquisa ainda tem uma cabeça “old school”, que trabalha na frequência do “garantido” e não entende muito bem o que um pesquisador em começo de carreira precisa fazer hoje para permanecer na pesquisa.

Quem está começando na pesquisa, ainda que já traga experiência de outras áreas em que trabalhou, se vê imerso em descobrir caminhos alternativos, os quais envolvem trabalhar em diversas frentes ao mesmo tempo para sobreviver, por exemplo.

Essa é uma realidade do pesquisador que pode levá-lo a ser interpretado como alguém sem foco, ou com focos demais, mas muitas vezes não se trata disso, e sim de uma questão de sobrevivência.

Os novos cientistas estão imersos num cenário de incerteza, marcado pela precariedade do trabalho de pesquisa, pela dificuldade de obter uma remuneração adequada e de conseguir condições de trabalho que garantam mais tranquilidade (cenário que não é exclusivo da academia, mas atinge muitos outros trabalhadores em muitos e diversificados setores também).

Parâmetro coletivo

Não se trata de uma responsabilidade ou de um fardo individual, e sim de uma questão coletiva, a ser enfrentada por todos, incluindo quem já está nessa trajetória há mais tempo. Pesquisar é lutar o tempo todo.

Nesse percurso, considero importante nos unirmos a pessoas que possam nos apoiar, que estejam dispostas a compartilhar seu conhecimento, trocando verdadeiramente com a gente, nos ouvindo e respeitando.

No máximo, compare-se a versões anteriores de si mesmo, mas nunca a outras pessoas.

Se lidar com tais desafios estiver difícil, pare e lembre-se do que você tem avançado, do que já conseguiu fazer. Cada um tem uma trajetória, uma história. Valorize a sua e use essa capacidade a seu favor.

O complexo digital em que vivemos na contemporaneidade e que eu chamo de “algoritmosfera” – título do livro que publiquei em 2024 – incentiva as comparações com a vida de outras pessoas, mas, lembre-se: elas são prejudicais e paralisantes.

Numa era em que falamos tanto dos poderes de inteligência artificial, é preciso gostar muito do trabalho de pesquisa, e acreditar na importância do conhecimento humano e das interações humanas.

O principal desafio a ser vencido, acredito, ainda é ter vontade real de pesquisar, conhecer, ir atrás do conhecimento mesmo, ler, se aprofundar, estar disposto a transformar sua forma de pensar e de ver o mundo.

Camila De Paoli Leporace é jornalista, mestre e doutora em educação e pesquisadora em inteligência artificial (IA) sob a perspectiva da cognição humana. Desenvolve pós-doutorado no Instituto de Computação da Universidade Estadual de Campinas (Unicamp) com foco em educação e difusão científica. É research fellow do Transformative Learning Technologies Lab (TLTL), da Universidade Columbia, no Brasil, pesquisando as competências docentes em interseção com a IA, e autora do livro Algoritmosfera – A cognição humana e a inteligência artificial (PUC-Rio e Hucitec, 2024).

Os artigos opinativos não refletem necessariamente a visão do Science Arena e do Einstein.

O post Experiências específicas podem ser parâmetro para diferentes profissionais de pesquisa? apareceu primeiro em Science Arena.

O levantamento foi realizado em janeiro e fevereiro de 2024, em uma universidade do noroeste dos Estados Unidos, com 52 licenciandos (média de 20 anos) e 21 professores universitários formadores de docentes (média de 54 anos e duas décadas de experiência em média). Os dados mostram um uso mínimo da tecnologia na formação inicial:

• Entre licenciandos: 48 não usam IA em suas disciplinas; 49 nunca receberam treinamento; apenas 3 relataram algum tipo de orientação.
• Entre professores universitários: 18 não utilizam IA nas aulas; 18 não receberam treinamento; apenas 9 permitem que os alunos usem a ferramenta de forma limitada, em tarefas como brainstorming ou esboços de planos de aula.

Essa baixa adesão se reflete na autopercepção: em uma escala de 0 a 10, licenciandos deram nota média 4,2 para sua alfabetização em IA, enquanto os docentes se avaliaram em 3,9.

IA: entre entusiasmo e desconfiança

Apesar da pouca prática, muitos licenciandos enxergam vantagens no uso da IA, como economia de tempo, apoio na geração de ideias e facilidade para aprender novos conteúdos. Professores também citaram benefícios, como maior consciência tecnológica e suporte na criação de materiais.

Ao mesmo tempo, ambos os grupos manifestaram preocupações.

Alunos temem que o uso excessivo leve a aprendizado superficial e dependência das ferramentas; já professores destacam questões de integridade acadêmica, plágio, além da curva de aprendizado necessária para dominar a tecnologia.

Os grupos focais revelaram a tensão entre otimismo e resistência.

Uma futura professora de inglês relatou interesse em usar IA para iniciar atividades, mas alertou para os riscos de uso irresponsável. Já um licenciando de matemática declarou-se contra a adoção em sala de aula, embora reconhecesse que poderia “deixar seus alunos para trás” se ignorasse completamente a ferramenta.

Barreiras e caminhos para adoção da IA

O estudo foi estruturado com base na teoria da Difusão da Inovação, de Everett Rogers, que avalia atributos que favorecem ou dificultam a adoção de novas tecnologias.

No caso da IA na educação, os participantes reconheceram vantagens claras, mas relataram baixa compatibilidade com práticas atuais e ausência de treinamento formal – o que limita a percepção dos benefícios.

Para enfrentar essas barreiras, Panday-Shukla desenvolveu um workshop piloto no WSU Global Campus, inspirado em uma matriz criada pelo órgão estadual de educação (OSPI).

O modelo propõe quatro níveis graduais de uso, que vão desde a proibição total até a obrigatoriedade em certas atividades, sempre com transparência sobre o que é ou não permitido.

Implicações para o futuro do trabalho

O debate não se restringe à sala de aula. O estudo cita projeções do McKinsey Global Institute segundo as quais até 30% das horas de trabalho nos Estados Unidos poderão ser automatizadas até 2030, forçando milhões de trabalhadores a buscar novas áreas de atuação. Nesse cenário, resistir ao uso da IA sem preparo pode prejudicar não apenas os futuros professores, mas também os alunos que eles irão formar.

A principal recomendação é investir em alfabetização digital e em IA para docentes e licenciandos, com programas de capacitação, diretrizes institucionais claras e espaços de debate sobre usos éticos.

Para Panday-Shukla, trata-se de uma questão de justiça educacional: preparar os futuros educadores para ensinar em um mundo que já está sendo moldado pela inteligência artificial.

Difusão da Inovação aplicada à IA na educação

O post Professores e licenciandos querem usar IA, mas falta formação para isso apareceu primeiro em Science Arena.