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.

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.

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.

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.

O post Avalanche de artigos sobrecarrega revisão por pares: a IA pode ajudar? apareceu primeiro em Science Arena.

O avanço das diferentes plataformas e seu uso com rigor metodológico para o desenvolvimento científico foram tema do encontro virtual promovido pelo Science Arena no dia 28 de maio, com o objetivo de compartilhar dicas práticas para o uso ético desta tecnologia na criação de artigos científicos. 

Em sua participação na live, Brainer disse que a premissa fundamental é: a máquina reflete a qualidade do comando humano. Se a pessoa que está pesquisando fornecer dados e instruções genéricas, obterá um artigo fraco. 

O segredo reside na engenharia de prompts e na transparência.

A seguir, é possível conferir um roteiro prático para guiar a escrita de artigos científicos, com base na experiência compartilhada por João Brainer, que ministra um curso de IA na ciência no Einstein. 

Assista à íntegra da live sobre uso de IA na escrita científica:

Comece por uma introdução de impacto

A introdução deve contextualizar o problema e capturar o interesse de quem lê, explica Brainer. Para evitar parágrafos genéricos, alimente a IA com os seus dados preliminares e referências-chave.

Prompt sugerido: “Escreva uma introdução de quatro a cinco parágrafos. No primeiro, traga a problematização [insira aqui o seu problema] e dê foco em [insira seus insights] e utilize as referências [indique referências]. O objetivo do texto é este [indique seu objetivo] Escreva de uma forma adequada, objetiva e evidente.”

Metodologia e resultados sem alucinações

Para Brainer, a metodologia é o coração do estudo. “É preciso seguir etapas, saber o que e como escrever cada uma delas, a parte ética, definir o plano de avaliação estatística”. Uma pista para assegurar o rigor científico são os standard guidelines para cada método de pesquisa. 

Prompt sugerido: Faça o upload do guideline e do paper de fundamentação mais adequado a seu estudo e peça para a plataforma desenhar as etapas de sua metodologia. “Me pergunte informações pormenorizadas de cada item a partir deste modelo de metodologia aplicado ao meu estudo”. A partir dos seus dados, também é possível pedir que a IA monte um plano de análise estatística adequado aos objetivos do seu artigo.

João Brainer ressalta que, para forçar a correção da IA ao verificar inconsistências, o pesquisador deve utilizar termos enfáticos, que acionam um nível de checagem mais profundo no modelo. 

Prompt sugerido: “Verifique se o que eu coloquei está condizente com o tipo de estudo que estou realizando, mostre onde está a ambiguidade ou incoerência.”

Não tenha medo de fazer três, quatro, cinco prompts em cima de um mesmo subtópico, porque isso vai garantir qualidade do seu paper.

CONFIRA TAMBÉM: Como a IA impacta a carreira científica?

Organização inteligente de referências e dados

A validação das fontes é o pilar da legitimidade científica. Ferramentas especializadas como Consensus, Elicit, SciSpace ou Perplexity ajudam a mapear a literatura e organizar citações. 

Além disso, a construção de elementos visuais necessita de descrições precisas.

Prompt para legendas de figuras/gráficos: “Crie uma legenda explicativa detalhada para este conjunto de dados [inserir dados do gráfico], destacando as variáveis analisadas”.

Transparência e ciência aberta

Para que o artigo seja considerado legítimo por revistas reconhecidas no meio acadêmico, Brainer defende que o autor sinalize explicitamente na metodologia ou nos agradecimentos em que partes e para qual finalidade a IA foi utilizada.

CONFIRA TAMBÉM: “O risco não é a IA, mas delegar à máquina o que é intelectual”, diz pesquisadora.

A auditoria dos dados é a melhor garantia do cientista contra acusações de plágio ou fraude. Por isso, ele também recomenda depositar os dados brutos e os comandos utilizados em plataformas públicas (como o Mendeley).

A IA poupa tempo na redação, mas o julgamento crítico, a responsabilidade ética e a validação final permanecem, inegociavelmente, humanas.

O post Escrita científica: um passo a passo para o uso ético de IA apareceu primeiro em Science Arena.

Segundo os autores, a adoção dos modelos avançados de linguagem podem tornar a produção científica mais rápida, estruturada e eficiente. No entanto, eles ainda não são completamente autônomos e, portanto, não substituem o cientista. 

O artigo aponta que o olhar humano é central, sobretudo, para garantir a interpretação crítica dos dados e a geração de conhecimento original.

Essa discussão ganha particular relevância diante do movimento das universidades estaduais de São Paulo – Universidade de São Paulo (USP), Universidade Estadual de Campinas (Unicamp) e Universidade Estadual Paulista “Júlio de Mesquita Filho” (Unesp) – de regulamentar o uso de IA na pesquisa. 

As diretrizes focam na necessidade de transparência metodológica e exigem, por exemplo, que os pesquisadores detalhem não apenas o uso da ferramenta, mas também como ela foi aplicada.

Processo clássico sob pressão tecnológica

A revisão de literatura é uma etapa estruturante da produção científica. Nela, o pesquisador organiza o que já se sabe sobre o assunto, identifica as lacunas de conhecimento e orienta novas investigações. 

No caso das revisões narrativas, especificamente, há maior espaço para interpretação, síntese e construção argumentativa. É justamente nesse ponto que a IA surge como ferramenta de apoio. 

Para examinar esse cenário, os autores conduziram uma revisão narrativa baseada em buscas nas bases PubMed e Google Scholar, combinando termos relacionados à escrita científica, medicina e inteligência artificial. A estratégia incluiu também exploração semântica com ferramentas digitais e análise de referências secundárias.

Diferentemente de revisões sistemáticas, o processo de seleção priorizou relevância temática. 

Isso permitiu construir uma visão abrangente do ecossistema de ferramentas disponíveis – ainda que com menor reprodutibilidade metodológica. 

Cadeia de produção parcialmente automatizada

No início do processo de revisão, os modelos de linguagem se mostraram capazes de sugerir lacunas de pesquisa. Isso tanto a partir da análise de tendências recentes quanto por meio da síntese de discussões presentes em artigos científicos publicados.

Já na fase de estruturação, ferramentas como o ChatGPT permitem gerar roteiros organizacionais que funcionam como esqueleto do artigo. Esse recurso reduz o esforço inicial de planejamento e contribui para a coerência lógica do texto.

Plataformas como Research Rabbit e Semantic Scholar conseguem mapear conexões invisíveis em buscas convencionais, oferecendo uma navegação mais contextualizada do conhecimento científico.

Em relação à organização, os gerenciadores de referência integrados a recursos de IA permitem não apenas armazenar artigos, mas também anotar, classificar e recuperar informações de forma estruturada. 

Esse aspecto é crucial para revisões narrativas, que dependem da articulação entre múltiplas fontes.

Por fim, na redação, a IA pode atuar como uma assistente multifuncional, produzindo rascunhos, ajustando o estilo acadêmico, melhorando a clareza textual e até simulando revisões críticas. 

O estudo destaca que essa integração tem a capacidade de reduzir significativamente o tempo de escrita, bem como aumentar a qualidade formal do manuscrito.

Limites estruturais

Por mais que o avanço tecnológico seja reconhecido, os autores enfatizam que a automação também traz riscos relevantes. 

O principal deles é a produção de textos tecnicamente corretos, mas intelectualmente superficiais, sem contribuição analítica significativa. 

A ausência de interpretações originais, a geração de informações incorretas (as chamadas “alucinações”) e a imprecisão em referências exigem verificação rigorosa por parte dos pesquisadores. 

Dessa forma, a pesquisa conclui que o caminho para o futuro não é uma automação total da ciência, mas a consolidação de um novo regime de produção do conhecimento: híbrido, acelerado e dependente de supervisão humana qualificada.

IAs que podem ajudar a rotina dos pesquisadores

ChatGPT

Identifica lacunas na pesquisa, elabora esboços, redige seções do artigo (por exemplo, introdução e discussão), sugere ajustes no tom da linguagem e melhora a legibilidade. Também pode avaliar artigos de forma semelhante a uma revisão por pares.

Research Rabbit

Identifica artigos, autores e tópicos relacionados por meio da análise de citações e coautoria. Facilita a exploração da literatura por meio de uma interface visual e se integra ao Zotero para facilitar o gerenciamento de citações.

Semantic Scholar

Utiliza processamento de linguagem natural e aprendizado de máquina para pesquisar artigos, compreender o conteúdo dentro do contexto da área e classificar os artigos por relevância.

Elicit

Utiliza estratégias avançadas de pesquisa para localizar e compilar artigos relevantes. Oferece uma interface exclusiva para classificar com eficiência os resultados da pesquisa bibliográfica.

Zotero

Sistema gratuito de gerenciamento de referências (RMS) para coletar, organizar, citar e compartilhar fontes de pesquisa. Os recursos incluem integração com o navegador, anotação de PDFs, marcação, citação, gerenciamento de bibliografia e suporte à colaboração.

Mendeley

Sistema de gerenciamento de referências (RMS) baseado na web semelhante ao Zotero, com integração ao Microsoft Word online para gerenciamento de citações e bibliografias na nuvem.

TinyWow

Oferece ferramentas de resumo de PDF para uma análise rápida de artigos, a fim de avaliar sua relevância.

Scribbr

Oferece resumos em PDF para ajudar a gerenciar grandes volumes de literatura, fornecendo resumos concisos de artigos.

Quillbot

Resume artigos científicos para uma triagem inicial, a fim de determinar sua relevância e importância para revisões narrativas.

Grammarly

Assistente de redação com inteligência artificial para ortografia, gramática e estilo, garantindo clareza e precisão. Integra-se a processadores de texto para oferecer assistência em tempo real.

Jenni.ai

Combina correção ortográfica e gramatical, aprimoramento de texto e assistência na elaboração de citações bibliográficas. Melhora a redação ao sugerir o desenvolvimento de frases e integrar recursos de apoio à escrita.

Yomu

Integra recursos de auxílio à redação, como aprimoramento de texto e ajuda com referências bibliográficas. Apoia o processo de redação por meio de recursos semelhantes aos do Jenni.ai.

Claude

IA conversacional avançada para assistência na redação, resumo e brainstorming em textos científicos. Reconhecida por seu foco na segurança e pelo tratamento de contextos extensos.

Perplexity

Motor de busca baseado em IA que fornece respostas concisas e fontes, útil para obter referências atualizadas durante revisões de literatura.

DeepSeek Chat

Modelo de linguagem de grande porte projetado para raciocínio aprofundado, tarefas baseadas em código, perguntas e respostas científicas, resolução de problemas e elaboração de conteúdo técnico.

Llama/Mistral via DuckDuckGo/Groq

A plataforma de chat com IA DuckDuckGo oferece acesso ao Llama e ao Mistral por meio do Groq, útil para consultas científicas rápidas e resumos com tempos de resposta ágeis. 

Como usar ferramentas de IA na produção científica?

Referência

Del Giglio A, Costa MU. Utilizing Artificial Intelligence to create narrative literature reviews. einstein (São Paulo). 2026;24:eRW1165. https://dx.doi.org/10.31744/einstein_journal/2026RW1165

O post ChatGPT e outras IAs redesenham a revisão de literatura científica apareceu primeiro em Science Arena.

Para Brainer, o grande desafio atual do cientista é estratégico: entender qual ferramenta faz sentido para cada etapa do trabalho e como extrair o melhor de cada uma delas, sem comprometer a integridade científica.

Para ajudar a guiar os pesquisadores nesse ecossistema em rápida expansão, o Science Arena listou as principais ferramentas indicadas por Brainer, com suas respectivas funções, características de destaque e pontos de atenção. Confira:

CONSENSUS

Link de acesso: https://consensus.app/ 

Principais usos: Busca bibliográfica com foco em respostas diretas e acuradas baseadas em evidências.

Pontos fortes: A grande vantagem da plataforma é ter acordos de cooperação com grandes editoras científicas (como Wiley, Sage, ACS, entre outras). Graças a isso, o algoritmo consegue extrair dados do texto completo dos artigos, não apenas dos resumos. Além disso, fornece o número exato da página e o link do artigo de origem, reduzindo drasticamente as chances de alucinação ou confabulação de dados.

Ponto fraco: Justamente por depender das parcerias editoriais, a busca do Consensus fica restrita a bases específicas, deixando de fora outras produções importantes.

CORE

Link de acesso: https://core.ac.uk/

Principais usos: Mapeamento de literatura científica em acesso aberto. 

Pontos fortes: Plataforma gratuita que agrega dados de múltiplas redes de repositórios ao redor do mundo. É ideal para conduzir pesquisas bibliográficas amplas, focando no que há de mais recente na literatura de acesso aberto.

Ponto fraco: Por diretriz técnica, o Core ignora e não consegue fazer buscas em periódicos ou artigos de acesso fechado (protegidos por paywalls).

OPEN EVIDENCE

Link de acesso: https://www.openevidence.com/ 

Principais usos: Busca focada em literatura médica de altíssimo impacto científico.

Pontos fortes:  Apresenta excelente robustez e alta confiabilidade para a área médica e biomédica, pois realiza uma triagem direcionada a bases de periódicos consagrados, como o The New England Journal of Medicine (NEJM) e o The Journal of the American Medical Association (JAMA). 

Ponto fraco: Por ser centrado em bases especializadas, restringe a amplitude da pesquisa, podendo deixar de fora revistas relevantes ou outras áreas do conhecimento científico.

SCISPACE

Link de acesso: https://scispace.com/ 

Principais usos: Facilitador da redação acadêmica, com otimização de citações e gestão bibliográfica.

Pontos fortes: Permite que o pesquisador selecione um fragmento de texto autoral e pergunte à ferramenta qual referência dentro de um banco de dados é a mais adequada para sustentar aquela afirmação. Conta com interface direta com o Zotero e o Mendeley, dois gerenciadores de referências bibliográficas, além de automatizar a formatação das tabelas em mais de 2.600 estilos diferentes (como Vancouver e AMA). Também permite ajustar o tom do texto escrito (mais persuasivo, pragmático ou dialógico, por exemplo).

Ponto fraco: O uso inadequado das funções de reescrita pode levar à perda da originalidade textual e do “polo criativo” do autor.

PERPLEXITY AI

Link de acesso: https://www.perplexity.ai/ 

Principais usos: Conectar ideias e cruzar dados de diferentes artigos científicos.

Pontos fortes: Realiza correlações metodológicas avançadas ao cruzar dados de autores e fazer cruzamentos de múltiplos artigos, ajudando a traçar panoramas teóricos complexos de forma ágil.

Ponto fraco: João Brainer faz um alerta enfático sobre a privacidade de dados. O navegador integrado da plataforma extrai dados das atividades de leitura e navegação em tempo real. Para cientistas que trabalham com patentes, ideias de negócios ou teses inéditas, esse compartilhamento pode gerar riscos de vazamento de informações e perda de propriedade intelectual antes da publicação.

Modelos de Linguagem mais comuns (LLMs)

Principais usos: Triagem preliminar, estruturação lógica de ideias e aprimoramento de manuscritos.

Pontos fortes:  Cada um desses modelos de linguagem mais populares (LLMs) apresenta uma aptidão específica na rotina de pesquisa: o Claude é apontado por Brainer como o modelo mais robusto e refinado para lidar com a densidade de textos puramente acadêmicos; o Gemini destaca-se na mineração de referências na web e facilidade de redirecionamento por links de checagem; já o ChatGPT funciona para um mapeamento inicial de tendências e lacunas na literatura.

Pontos fracos: Por serem generalistas, operam sob lógica de probabilidades linguísticas, o que significa que quanto mais dados forem inseridos sem barreiras contextuais, maior será o risco de alucinação. Exigem prompts detalhados e exaustivos, uma vez que comandos mal elaborados ou superficiais tendem a gerar respostas imprecisas e de baixa relevância.

Dica de ouro: combine ferramentas e monte um banco de PDFs

A principal recomendação prática deixada por Brainer para o público é jamais esperar que uma única ferramenta resolva todo o problema de pesquisa. É necessário investir esforços para obter resultados mais consistentes. 

“Você pode combinar as buscas amplas do PubMed AI ou do Core com o refinamento interno do Consensus e a organização de referências do SciSpace”, indicam o especialista.

“Além disso, crie um banco próprio com os seus PDFs coletados”, aconselha o pesquisador.

Ele prevê que, diante da enxurrada de textos gerados de forma automatizada por algoritmos, revistas de maior impacto global passarão a exigir que os autores submetam também os arquivos originais consultados para fins de auditoria e preservação da integridade.

Confira a seguir a íntegra da live com João Brainer:

O post Guia de IA na ciência: as principais ferramentas para produzir artigos com originalidade apareceu primeiro em Science Arena.

Esse argumento, no entanto, deixou de se sustentar. A China não apenas completou seu processo de convergência tecnológica (catching up), como passou a definir a fronteira científica global.

A produção científica chinesa ganhou não só escala, mas qualidade e impacto. Em poucos anos, instituições acadêmicas do país passaram a substituir universidades tradicionais nas primeiras posições dos rankings que medem contribuição efetiva à ciência de ponta.

O aspecto mais impressionante não é apenas a conquista, mas a velocidade com que ela ocorreu. Indicadores clássicos de produção científica e tecnológica revelam curvas de crescimento abruptas, quase exponenciais.

O indicador mais contundente dessa transformação é o Nature Index. Diferentemente de rankings baseados em volume total de publicações, ele foca em um conjunto restrito de periódicos de alto impacto e que concentram a fronteira do conhecimento nas ciências naturais.

Além disso, o Nature Index utiliza uma métrica fracionada (Share), que atribui o crédito científico de acordo com a contribuição real de cada instituição ou país, evitando distorções causadas por grandes colaborações.

Em 2015, a China já ocupava a segunda posição no Nature Index, mas ainda muito distante dos Estados Unidos.

A liderança dos EUA era tão ampla que equivalia à soma de diversos países desenvolvidos. Em menos de uma década, essa geografia foi radicalmente redesenhada.

Trata-se de uma redistribuição de poder cognitivo sem precedentes recentes.

Dados consistentes

Esse desempenho é sustentado por liderança em múltiplos campos do conhecimento. A China já lidera a produção de ciência de alta qualidade em química, física e ciências da Terra. Em biologia e saúde, os Estados Unidos ainda mantêm a dianteira, mas sob pressão crescente.

Em 2015, universidades norte-americanas e britânicas dominavam amplamente os rankings. A Universidade de Pequim, melhor colocada entre as chinesas à época, apresentava menos da metade do índice da líder Harvard.

Menos de dez anos depois, houve uma verdadeira “blitzkrieg científica”: em 2024, nove das dez instituições mais relevantes para a ciência de elite são chinesas, restando Harvard como exceção resiliente de uma ordem anterior.

Argumentos sobre viés metodológico dos rankings perdem força diante da consistência dos dados. Independentemente da base utilizada (Scopus, Web of Science ou Nature Index), a tendência é inequívoca.

Usando a base Scopus, a China já produz o dobro de artigos dos Estados Unidos. No recorte mais restritivo do Nature Index, ainda assim supera os norte-americanos em cerca de 17%.

A Ivy League agora fica na China. “Ivy League” é como tradicionalmente se retrata o grupo de oito universidades privadas dos Estados Unidos, conhecido tanto pela excelência acadêmica quanto pelo prestígio histórico. Figuram na Ivy League dos EUA universidades como Harvard, Yale, Princeton e Columbia.  

Liderança qualificada

Quando se analisa o impacto, medido por citações, o padrão se repete. A Academia Chinesa de Ciências (CAS) lidera globalmente em número de pesquisadores altamente citados.

Entre as cinco instituições com maior presença nesse grupo, figura também a Universidade Tsinghua, à frente do Massachusetts Institute of Technology (MIT). A liderança, portanto, não é apenas quantitativa, mas qualitativa.

Essa nova posição também se manifesta em realizações científicas concretas. A missão Chang’e 6 é um exemplo emblemático.

Pousar na face oculta da Lua já seria um feito extraordinário, dadas as exigências tecnológicas envolvidas, como sistemas autônomos e satélites de retransmissão.

Trazer de volta amostras físicas dessa região (quase dois quilos de rochas e solo) eleva ainda mais o patamar, colocando a China na vanguarda da “Big Science” (ciência produzida em larga escala, com equipes numerosas e grandes orçamentos).

Esse tipo de realização representa o ápice de uma longa cadeia de conhecimento acumulado. Por trás da missão, há décadas de pesquisa em áreas como engenharia aeroespacial, física de materiais, telecomunicações, geologia planetária e algoritmos de controle.

Para hoje haver foguetes, antes houve universidades, laboratórios, empresas, infraestrutura, talentos, financiamento estável e comando e controle eficientes.

Projetos dessa magnitude exigem:

• Infraestrutura científica robusta;
• Financiamento estável;
• Formação de talentos;
• Coordenação institucional eficiente.

Publicar artigos de impacto não é suficiente para alcançar esse nível; é necessário converter conhecimento em capacidade tecnológica e industrial. A China demonstra que já domina esse processo.

Por isso, a missão marca um ponto de inflexão: o país deixou de ser seguidor tecnológico para se tornar líder.

Sua ciência não busca apenas reconhecimento acadêmico, mas influência geopolítica. O objetivo é reconfigurar o equilíbrio tecnológico global no século XXI.

Estratégia chinesa

Diante desse cenário, surge uma questão inevitável: a que custo essa transformação foi alcançada?

Sabemos muito sobre a trajetória que levou à hegemonia científica dos Estados Unidos, mas ainda conhecemos pouco sobre os mecanismos internos do sistema científico chinês, sua governança, financiamento, avaliação e implicações éticas, ambientais e trabalhistas.

Outro ponto relevante é a viabilidade desse modelo em outros contextos políticos.

A velocidade observada parece estar associada a um sistema de comando e controle centralizado, distinto do modelo ocidental baseado em maior autonomia acadêmica e contestação contínua.

Enquanto, após a Segunda Guerra Mundial, os Estados Unidos absorveram cientistas estrangeiros em larga escala (por meio de programas como a Operação Paperclip, que importou capital humano de alto nível, inclusive cientistas ligados ao esforço bélico alemão, como Wernher von Braun e sua equipe de foguetes), a China adotou uma abordagem distinta, enviando seus próprios estudantes ao exterior e, posteriormente, criando condições para repatriá-los.

Milhões de pesquisadores chineses foram formados em instituições como Stanford, MIT, Cambridge e Oxford. Nas últimas décadas, o país passou a oferecer infraestrutura, financiamento e estabilidade suficientes para atrair uma parcela significativa desses talentos de volta.

O foco não foi importar cérebros prontos, mas formar e reintegrar seu próprio capital humano.

Isso não exclui a atração de estrangeiros, que tende a crescer com a consolidação da liderança científica chinesa. No entanto, o núcleo da estratégia permanece centrado na diáspora e na formação interna massiva.

Enquanto os EUA combinaram liberdade acadêmica com forte atração de talentos globais, a China aposta em planejamento central e repatriação.

Trata-se de um experimento histórico de grande escala, a emergência de uma potência científica global em um contexto de baixa abertura política, limitado pluralismo institucional e reduzido espaço para dissenso público.

Esse modelo desafia teorias tradicionais que associam o avanço científico à democracia liberal e à liberdade acadêmica.

O lado escuro da lua

Dado que a ciência não é neutra, a questão central talvez não seja apenas quem lidera, mas que tipo de ciência está sendo produzida.

A ciência do século XX foi profundamente moldada pelo complexo industrial-militar norte-americano, gerando desde a bomba atômica até a internet, sempre em interseção com interesses estratégicos e corporativos.

Um sistema baseado em planejamento central, fusão civil-militar, vigilância digital e repatriação em larga escala tende a definir prioridades específicas e também a produzir silêncios.

Se já compreendemos a ciência que emergiu de Los Alamos e do Vale do Silício, resta saber se estamos preparados para entender e lidar com  a ciência que se consolida em Pequim, Shenzhen e, simbolicamente, no “dark side of the moon”?

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

O post A Ivy League agora fica na China apareceu primeiro em Science Arena.

O veredicto determinou o pagamento de US$ 6 milhões em indenização: US$ 3 milhões em danos compensatórios e US$ 3 milhões em danos punitivos, sendo 70% a cargo da Meta e 30% do YouTube, que é de propriedade do Google. 

A decisão é tratada por especialistas como um possível ponto de inflexão para a indústria de tecnologia, com potencial de abrir caminho para novas ações judiciais da mesma natureza. O caso mobiliza os campos jurídico e tecnológico, e estimula ainda mais o debate científico sobre os limites da responsabilidade corporativa na área da saúde.

Entenda o caso: Meta, YouTube e a saúde mental de adolescentes

Redes sociais como risco à saúde pública

O veredicto ecoa argumentos levantados em artigo de opinião publicado em 7 de abril na revista BMJ pela pesquisadora Ilona Kickbusch, diretora do Digital Transformations for Health Lab (DTH-Lab), da Universidade de Genebra, na Suíça. 

No texto, Kickbusch argumenta que as práticas das grandes plataformas digitais configuram novos riscos à saúde, especialmente entre jovens, ao influenciar comportamentos, bem-estar mental e padrões de consumo.

Para a autora, o problema exige uma atualização das estratégias regulatórias e jurídicas — processo análogo ao que ocorreu, décadas atrás, com a indústria do tabaco. 

A responsabilização judicial das empresas de tecnologia por impactos negativos à saúde marcaria, segundo ela, uma nova fase na relação entre saúde pública, regulação e poder corporativo.

Uma arquitetura projetada para manter o usuário conectado

Kickbusch chama atenção para o fato de que, diferentemente de outras indústrias historicamente associadas a riscos à saúde, as plataformas digitais operam em um ambiente ainda amplamente desregulado, em que os impactos negativos tendem a ser difusos, cumulativos e de difícil mensuração.

O modelo de negócios dessas empresas, baseado na captura de atenção e na maximização do tempo de uso, seria, segundo a pesquisadora, o núcleo do problema. 

No caso de crianças e adolescentes, essa engenharia pode amplificar vulnerabilidades já existentes.

A análise dialoga com dados que ajudam a dimensionar a exposição: adolescentes passam, em média, cerca de 2h30 por dia em redes sociais, segundo o World Happiness Report, produzido pela Organização das Nações Unidas (ONU).

O avanço de decisões judiciais como a de Los Angeles, nos EUA, indica uma mudança mais ampla de paradigma. 

As plataformas digitais já fazem parte permanente do tecido social, mas seus impactos sobre a saúde pública deixam de ser tratados como efeitos colaterais inevitáveis e passam a ser reconhecidos como questões centrais de regulação, ética e responsabilidade corporativa.

O post Redes sociais podem causar danos à saúde? Caso contra Meta e YouTube reacende debate apareceu primeiro em Science Arena.

Uma vez que a condição é causada por protozoários Plasmodium sp., que chegam ao corpo humano por meio da picada de fêmeas dos mosquitos Anopheles sp., detectar a posição de seus criadouros aparece como uma estratégia central para interromper o ciclo da infecção. Na prática, porém, rastrear a circulação do parasita está longe de ser simples. 

A vigilância tradicional depende da memória do paciente para relatar por onde circulou nas semanas anteriores ao diagnóstico. Além disso, os sistemas oficiais levam tempo para consolidar e disponibilizar os dados, o que pode atrasar intervenções em áreas críticas. 

Foi diante de tal limitação que um grupo de pesquisadores decidiu inverter a lógica de busca dos criadouros. Em vez de perguntar por onde o infectado passou, eles recorreram ao próprio histórico digital de deslocamento registrado no celular do paciente. 

Essa proposta deu origem ao Sickness Positioning System (SiPoS), uma ferramenta capaz de apontar zonas de transmissão da malária com mais rapidez e precisão. Seus detalhes foram compartilhados em um artigo publicado em novembro de 2025 na revista einstein. 

O projeto contou com a colaboração de cientistas do Einstein Hospital Israelita, da Universidade do Estado do Amazonas (UEA), da Universidade de São Paulo (USP), da Secretaria Municipal de Saúde de Manaus (SEMSA), da Fundação de Medicina Tropical Dr. Heitor Vieira Dourado (FMT-HVD), do Instituto de Pesquisa Leônidas e Maria Deane (ILMD/Fiocruz Amazônia), da Universidade Federal do Amazonas (UFAM), da Fundação de Vigilância em Saúde do Amazonas (FVS-RCP) e do Institut Pasteur de São Paulo (IPSP).

Rastros digitais

A pesquisa foi conduzida em Manaus, onde pacientes diagnosticados com malária foram convidados a compartilhar, de forma voluntária e anônima, o histórico de localização armazenado em suas contas do Google. 

Mais de 800 pacientes foram abordados, dos quais 104 aceitaram participar e apresentaram registros com qualidade suficiente para condução da análise. De forma a garantir precisão dos dados, os pesquisadores descartaram pontos de GPS com erro superior a 50 metros.

A partir daí, entrou em cena a engenharia metodológica do sistema. Cada ponto de localização foi classificado conforme o momento em relação ao diagnóstico: período sintomático, fase provável de exposição – entre três e 30 dias antes da confirmação – e um intervalo mais remoto, utilizado como referência. 

Essa segmentação considerou o tempo médio entre a picada do mosquito infectado e o aparecimento dos primeiros sintomas.

A lógica para essa seleção considera que a infecção exige uma permanência mínima no ambiente com presença do vetor, não havendo riscos de picadas durante deslocamentos rápidos.

Como o mosquito transmissor da malária tem maior atividade no período noturno, a análise também priorizou registros feitos entre 17h e 6h. Esses pontos de permanência foram então submetidos ao algoritmo DBSCAN, técnica de clusterização baseada em densidade. 

Foram considerados potenciais hotspots os agrupamentos que reuniam ao menos três pacientes em um raio de até 500 metros.

O sistema identificou 56 clusters de possível transmissão em Manaus e arredores, com concentração relevante na zona sudoeste da cidade e na região de Tarumã. 

Ao comparar os resultados com o Sistema de Informação de Vigilância Epidemiológica da Malária (SIVEP), base oficial do país, os pesquisadores observaram que 97% dos pontos identificados estavam a uma distância de até um quilômetro de áreas já classificadas como prováveis locais de infecção.

Vigilância mais ágil

Diferentemente dos métodos tradicionais, a nova ferramenta permite gerar análises espaciais quase em tempo real, a partir do momento em que o histórico é compartilhado. 

A equipe também vislumbra expandir o uso da ferramenta para outras doenças transmitidas por vetores, como dengue e chikungunya, além de investigar se o histórico de deslocamento pode ajudar a diferenciar reinfecção de recorrência em pacientes com episódios repetidos.

Referência

Silva BM, Giddaluru J, Cardozo LE, Martins FM, Antolini AP, Bargieri DY, et al. Smartphone-based retrospective analysis for malaria hotspot detection. einstein (São Paulo). 2025;23:eAO1826. https://dx.doi.org/10.31744/einstein_journal/2025AO1826

O post Tecnologia ajuda a identificar zonas de transmissão de malária no Brasil apareceu primeiro em Science Arena.

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 encontro reuniu o sociólogo Glauco Arbix, coordenador científico da Cátedra IA Responsável da Universidade de São Paulo (USP) e o imunologista Luiz Vicente Rizzo, diretor de Pesquisa do Einstein Hospital Israelita.

Eles discutiram como pesquisadores podem lidar com transformações profundas que atravessam a ciência contemporânea, em especial aquelas motivadas pelo uso crescente de inteligência artificial (IA) na produção científica.

Confira a seguir a íntegra da live:

Ao longo da conversa, os Arbix e Rizzo destacaram que a incerteza sempre fez parte da prática científica, mas ganha hoje novas dimensões diante de fatores como o avanço da IA, a complexidade dos problemas globais e a crescente demanda por respostas rápidas.

Nesse contexto, argumentaram, a ciência é pressionada a equilibrar velocidade e rigor, ao mesmo tempo em que enfrenta desafios estruturais — como desigualdades no acesso a tecnologias, mudanças no ambiente educacional e tensões entre produção quantitativa e qualidade do conhecimento.

Também estiveram em pauta os impactos da IA sobre a prática científica, desde o aumento da capacidade de processamento de dados até riscos associados ao uso inadequado dessas ferramentas, como a reprodução de vieses e a padronização excessiva da pesquisa.

Para Arbix e Rizzo, o cenário atual exige não apenas domínio técnico, mas também uma reflexão crítica sobre o papel do pesquisador, a formulação de perguntas relevantes e o compromisso com os fundamentos do método científico.

“Incerteza assume escala inédita”

Na conversa, Arbix enfatiza que a incerteza é constitutiva da ciência, mas assume hoje uma escala inédita diante da combinação de transformações tecnológicas, sociais e geopolíticas.

Para ele, a IA deve ser entendida como uma tecnologia ambivalente: ao mesmo tempo em que amplia capacidades, carrega riscos pouco visíveis — como o reforço de vieses, a adaptação das respostas às expectativas do pesquisador e a possível homogeneização da produção científica.

Arbix chama atenção ainda para o aprofundamento de desigualdades no acesso à IA, para a defasagem das universidades frente à velocidade das mudanças e para o risco de uma ciência cada vez mais produtivista, em que o aumento no número de publicações não necessariamente se traduz em avanço real do conhecimento.

Nesse cenário, defende que competências como criatividade, intuição e pensamento crítico tornam-se ainda mais centrais na formação científica.

“IA potencializa tanto virtudes quanto distorções”

Já Rizzo destaca que a IA, como qualquer ferramenta poderosa, potencializa tanto virtudes quanto distorções da prática científica.

Ele alerta para o risco de uma “confirmação acelerada” de hipóteses, em que a rapidez no processamento de dados pode levar a conclusões pouco rigorosas, e reforça que o valor da ciência está menos na quantidade de resultados e mais na qualidade das perguntas formuladas.

Para Rizzo, o rigor científico depende sobretudo de uma postura interna do pesquisador — ética, crítica e comprometida com o método —, e não apenas de regulações externas.

Ele também relativiza a centralidade da IA no debate sobre desigualdade, argumentando que o problema é mais profundo e começa nas falhas estruturais da educação básica, e ressalta que a multidisciplinaridade sempre esteve no coração dos grandes avanços científicos, ainda que hoje ocorra em um ritmo muito mais acelerado.

O post A ciência está mais rápida, mas menos rigorosa? O impacto da IA na pesquisa apareceu primeiro em Science Arena.

Mas um estudo brasileiro publicado em novembro de 2025 na revista einstein revela que, mesmo com o apoio da tecnologia e da experiência clínica, prever esse período com precisão continua sendo um grande desafio. Para chegar a tal conclusão, a pesquisa comparou o desempenho das estimativas de médicos intensivistas com as projeções feitas pelo sistema Epimed Solutions, por meio do módulo Epimed Monitor Performance (EMP). 

Ao todo, foram analisadas 555 internações de adultos ocorridas por mais de 12 horas entre agosto e dezembro de 2019 em três unidades de terapia intensiva (UTIs): Hospital Beneficência Portuguesa Mirante (BP Mirante), Hospital Nove de Julho (H9J) e Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (HCFMUSP).

Para além dos profissionais dos hospitais que serviram de sede para as análises, também colaboraram com a iniciativa alguns especialistas do Einstein Hospital Israelita, da Universidade Federal de São Paulo (Unifesp), do Hospital Sírio-Libanês, do Hospital São Luiz, do Hospital Vila Nova Star, do Instituto D’Or de Pesquisa e Educação (IDOR) e do Centro Universitário Faculdade de Medicina do ABC (FMABC).

Por dentro das previsões

Os dados clínicos do estudo foram obtidos logo no momento da admissão na UTI. Ali, paralelamente, o médico responsável avaliava o paciente e registrava sua estimativa de quantos dias ele permaneceria na unidade, enquanto o software EMP calculava sua própria projeção a partir das informações disponibilizadas no prontuário e no Epimed Monitor – um banco de dados em nuvem, que reúne informações de diversas UTIs adultas do Brasil.

A idade mediana dos indivíduos atendidos era de 63 anos, e quase três em cada quatro deles sofriam com outras doenças associadas. 

As internações se dividiram entre casos clínicos, como infecções e sepse, e cirúrgicos, com casos eletivos e de urgência. Esse perfil diversificado dos pacientes tornou o desafio de projeção do tempo de tratamento intensivo particularmente complexo.

Tanto a experiência clínica quanto o algoritmo conseguiram identificar tendências gerais, mas erraram com frequência ao estimar o número exato de dias. A diferença entre o tempo previsto e o observado muitas vezes ultrapassou a margem de erro de quatro dias.

Curiosamente, quando a previsão deixou de ser um número exato e passou a ser organizada em três faixas – internações curtas, intermediárias ou mais longas – o desempenho melhorou. 

Cerca de seis em cada dez previsões passaram a coincidir com a realidade. Para a gestão hospitalar, essa informação já é bastante útil, pois permite estimar fluxos e organizar equipes com maior previsibilidade.

O software, por sua vez, mostrou uma vantagem específica ao identificar com razoável precisão quais pacientes tinham maior probabilidade de permanecer internados por períodos considerados prolongados. 

Embora esses casos representem uma parcela menor das admissões, eles concentram grande parte dos dias totais de UTI e, portanto, dos custos e da ocupação de leitos.

Apoio, não substituição

Os resultados observados reforçam que a permanência em UTI é, por natureza, difícil de antecipar. A evolução de um paciente crítico pode mudar rapidamente, seja por melhora clínica inesperada ou complicações que surgem ao longo do tratamento. 

Apesar disso, os autores destacam que a tecnologia ainda pode ser uma grande aliada nas UTIs. Mesmo sem determinar com precisão quantos dias cada pessoa ficará internada, sinalizar pacientes com risco elevado de permanência já pode permitir com que os hospitais organizem suas equipes, ajustem a programação de procedimentos e planejem os seus fluxos assistenciais com mais cautela.

Na prática, isso significa que os algoritmos não são capazes de substituir o julgamento clínico, mas podem qualificá-lo. 

Em um ambiente de alta complexidade e recursos finitos, integrar análise de dados e experiência médica tende a oferecer decisões mais informadas e uma gestão mais eficiente da terapia intensiva.

Referência

Santos TT, Resende LS, Taniguchi LU, Romano TG, Tavares MS, Azevedo LC, et al. Predicting intensive care unit length of stay: comparing physician assessments with software predictions in a multicenter study. einstein (São Paulo). 2025;23:eAO1265. https://dx.doi.org/10.31744/einstein_journal/2025AO1265

O post Software e médicos humanos apresentam desempenho semelhante ao estimar tempo de permanência de pacientes na UTI apareceu primeiro em Science Arena.