A Inteligência Artificial na Produção Científica

benefícios, desafios e o papel docente na academia brasileira contemporânea

Renato Droguett Macedo[1]

Universidade Estadual de Santa Cruz

renato.droguett@outlook.com

______________________________

Resumo

A ascensão da Inteligência Artificial (IA) Generativa, popularizada por ferramentas como o ChatGPT, representa um ponto de inflexão para a produção de conhecimento no ensino superior. Este artigo analisa criticamente os benefícios e as barreiras do uso dessas tecnologias na produção de artigos científicos, com um foco particular no contexto brasileiro. A partir de uma revisão de literatura de natureza qualitativa, exploratória e descritiva, investiga-se a dupla face da IA: por um lado, seu potencial para otimizar processos como a revisão bibliográfica, a análise de dados e a redação científica; por outro, os profundos desafios éticos, pedagógicos e institucionais que emergem, notadamente no que tange à integridade acadêmica, autoria, plágio e à perpetuação de vieses. O estudo aprofunda o papel do docente, que transita de mero transmissor de conteúdo para um mediador crítico, cuja função é promover o letramento em IA e orientar os discentes para um uso ético e reflexivo. São analisados casos concretos e as respostas institucionais de universidades brasileiras, que começam a formular políticas e diretrizes para navegar neste novo cenário. Conclui-se que a integração bem-sucedida da IA na academia não reside em sua proibição ou adoção acrítica, mas na construção de uma cultura de uso consciente, que equilibre a eficiência tecnológica com a valorização do pensamento crítico, da criatividade e da responsabilidade humana, elementos insubstituíveis no fazer científico.

Palavras-chave: inteligência artificial generativa; produção científica; ensino superior; ética acadêmica; plágio; papel docente.

ARTIFICIAL INTELLIGENCE IN SCIENTIFIC PRODUCTION

benefits, challenges and the teaching role in contemporary brazilian academia

Abstract

The rise of Generative Artificial Intelligence (AI), popularized by tools such as ChatGPT, represents a turning point for knowledge production in higher education. This article critically analyzes the benefits and barriers of using these technologies in the production of scientific articles, with a particular focus on the Brazilian context. Based on a qualitative, exploratory, and descriptive literature review, the article investigates the dual facets of AI: on the one hand, its potential to optimize processes such as bibliographic review, data analysis, and scientific writing; on the other, the profound ethical, pedagogical, and institutional challenges that emerge, notably regarding academic integrity, authorship, plagiarism, and the perpetuation of biases. The study delves into the role of the professor, who transitions from a mere transmitter of content to a critical mediator, whose role is to promote AI literacy and guide students toward ethical and reflective use. It analyzes concrete cases and the institutional responses of Brazilian universities, which are beginning to formulate policies and guidelines to navigate this new landscape. It is concluded that the successful integration of AI in academia does not lie in its prohibition or uncritical adoption, but in the construction of a culture of conscious use, which balances technological efficiency with the appreciation of critical thinking, creativity and human responsibility, irreplaceable elements in scientific practice.

Keywords: generative artificial intelligence; scientific production; higher education; academic ethics; plagiarism; teaching role.

INTELIGENCIA ARTIFICIAL EN LA PRODUCCIÓN CIENTÍFICA

beneficios, desafíos y el rol docente en la academia brasileña contemporánea

Resumen

El auge de la Inteligencia Artificial Generativa (IA), popularizada por herramientas como ChatGPT, representa un punto de inflexión para la producción de conocimiento en la educación superior. Este artículo analiza críticamente los beneficios y las barreras del uso de estas tecnologías en la producción de artículos científicos, con especial atención al contexto brasileño. A partir de una revisión bibliográfica cualitativa, exploratoria y descriptiva, el artículo investiga la doble faceta de la IA: por un lado, su potencial para optimizar procesos como la revisión bibliográfica, el análisis de datos y la redacción científica; por otro, los profundos desafíos éticos, pedagógicos e institucionales que surgen, en particular en relación con la integridad académica, la autoría, el plagio y la perpetuación de sesgos. El estudio profundiza en el rol del profesor, quien pasa de ser un mero transmisor de contenido a un mediador crítico, cuya función es promover la alfabetización en IA y guiar a los estudiantes hacia un uso ético y reflexivo. Analiza casos concretos y las respuestas institucionales de las universidades brasileñas, que están comenzando a formular políticas y directrices para abordar este nuevo panorama. Se concluye que la integración exitosa de la IA en la academia no radica en su prohibición o adopción acrítica, sino en la construcción de una cultura de uso consciente, que equilibre la eficiencia tecnológica con la valorización del pensamiento crítico, la creatividad y la responsabilidad humana, elementos irremplazables en la práctica científica.

Palabras clave: inteligencia artificial generativa; producción científica; educación superior; ética académica; plagio; rol docente.

 

1  INTRODUÇÃO

A comunidade acadêmica global encontra-se em meio a uma transformação paradigmática impulsionada pelo avanço e pela democratização da Inteligência Artificial (IA) Generativa. Embora a aplicação de IA no campo educacional não seja um fenômeno recente, com estudos que remontam à década de 1950 e aplicações em sistemas tutores inteligentes e plataformas de aprendizagem adaptativa (Adams et al., 2023; Luckin; Holmes, 2016), o lançamento de modelos de linguagem avançados e acessíveis ao grande público, como o ChatGPT no final de 2022, provocou uma disrupção de magnitude sem precedentes (Azambuja; Silva, 2024; Villas Boas; Villas Boas, 2023). Essa tecnologia, capaz de gerar textos coesos, criativos e contextualmente relevantes em segundos, transcendeu o campo dos especialistas em computação e se instalou no cotidiano de estudantes e pesquisadores, gerando um debate intenso e multifacetado (Santos; Lima, 2024). A IA se estabelece, assim, como uma "inovação tecnológica proveniente do Norte Global com o potencial de desafiar o modo como vivemos, produzimos e disseminamos conhecimento no Sul Global" (Modesto, 2023).

A problemática central que emerge dessa disrupção é marcada por uma profunda dicotomia. De um lado, a IA apresenta um potencial extraordinário para otimizar, acelerar e até mesmo democratizar a produção científica. Ferramentas baseadas em IA podem auxiliar em tarefas laboriosas como revisões sistemáticas de literatura, análise de grandes volumes de dados, tradução de artigos e aprimoramento da redação acadêmica, prometendo liberar o pesquisador para se dedicar a atividades mais nobres de reflexão e criação (Monteiro, 2025; Villas Boas; Villas Boas, 2023). Por outro lado, essa mesma tecnologia introduz um conjunto de desafios éticos, pedagógicos e institucionais de alta complexidade. Questões sobre a integridade da autoria, a redefinição do plágio, a responsabilidade sobre informações imprecisas ou enviesadas geradas por algoritmos e a crescente dependência de plataformas controladas por um pequeno número de corporações de tecnologia emergem como preocupações urgentes (Silva, 2024; Villas Boas; Villas Boas, 2023). A academia se vê, portanto, diante da tensão entre a promessa de uma eficiência sem precedentes e o risco iminente de uma "desumanização do ensino" e da pesquisa, onde processos reflexivos e críticos podem ser substituídos por uma automação superficial (Silva, 2024).

A velocidade com que essas ferramentas foram adotadas superou em muito a capacidade das instituições de ensino superior de desenvolverem respostas pedagógicas e éticas coesas e proativas. Grande parte da discussão atual é reativa, impulsionada por uma crise percebida de integridade acadêmica, em vez de uma exploração planejada de novas epistemologias e metodologias de produção de conhecimento. Essa postura reativa, embora compreensível, corre o risco de enquadrar a IA primariamente como uma ameaça a ser contida, focando excessivamente em mecanismos de detecção de plágio e em políticas restritivas. Tal abordagem pode ofuscar a oportunidade de se repensar fundamentalmente os processos de avaliação, a noção de autoria e a própria natureza da pesquisa em um mundo onde a geração de texto é, em grande parte, uma commodity (Azambuja; Silva, 2024).

Nesse contexto, o objetivo geral deste artigo é analisar criticamente os benefícios e as barreiras do uso de ferramentas de IA na produção de artigos científicos, com foco no cenário da educação superior brasileira. Como objetivos específicos, busca-se: (a) mapear as principais potencialidades da IA como ferramenta de apoio à pesquisa e à produção científica docente; (b) investigar os desafios éticos, operacionais e pedagógicos, com especial atenção à questão do plágio e da autoria; (c) delinear o novo papel do docente como mediador e orientador no uso crítico e ético dessas ferramentas pelos discentes; e (d) examinar as respostas institucionais que vêm sendo construídas por universidades brasileiras frente a este novo cenário. A justificativa para este estudo reside na urgência de se fomentar um debate acadêmico informado e aprofundado, que transcenda tanto o pânico moral quanto o solucionismo tecnológico ingênuo (Zawacki-Richter et al., 2019). É imperativo fornecer subsídios para que docentes, discentes e gestores possam navegar esta nova realidade de forma consciente, estratégica e alinhada aos princípios fundamentais da integridade e do rigor científico.

Para atingir tais objetivos, o artigo está estruturado da seguinte forma: a seção 2 apresenta uma revisão de bibliografia que explora o panorama da IA na educação, suas potencialidades e os desafios inerentes. A seção 3 detalha a metodologia de pesquisa adotada, baseada em uma revisão de literatura. A seção 4 constitui o cerne do trabalho, com a análise e discussão dos resultados, abordando a prática docente, o papel de orientação, a reconfiguração do plágio e estudos de caso de políticas institucionais no Brasil. Por fim, a seção 5 apresenta as considerações finais, sintetizando os achados, oferecendo recomendações e apontando caminhos para pesquisas futuras.

 

2 REVISÃO DE BIBLIOGRAFIA

Para dar início à revisão de bibliografia, é fundamental compreender como a Inteligência Artificial tem se inserido no cenário educacional, em especial no ensino superior. Antes de abordar os desafios, potencialidades e implicações de sua adoção, faz-se necessário traçar um panorama histórico e conceitual de sua presença no campo, identificando as primeiras experiências, as tendências de aplicação e os principais marcos acadêmicos que sustentam o debate atual. Nesse sentido, o tópico a seguir dedica-se a explorar o percurso da IA na educação superior, situando o leitor quanto à evolução desse campo de estudo.

 

2.1 O PANORAMA DA INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO SUPERIOR

A presença da Inteligência Artificial no campo da educação não é uma novidade, com suas raízes fincadas em pesquisas que datam de meados do século XX (Santos; Lima, 2024). Contudo, a produção científica sobre sua aplicação específica no contexto do ensino superior, especialmente no Brasil, era considerada incipiente até poucos anos atrás (Zawacki-Richter et al., 2019). As primeiras incursões da IA na educação se manifestaram principalmente através de sistemas tutores inteligentes, que buscavam personalizar o aprendizado, e plataformas adaptativas, que ajustavam o conteúdo às necessidades individuais dos alunos (Modesto, 2023). Essas tecnologias, embora inovadoras, permaneciam em grande parte restritas a nichos específicos ou a projetos institucionais de grande escala.

A verdadeira mudança de paradigma ocorreu com o advento e a popularização das IAs Generativas. Ferramentas como o ChatGPT, da OpenAI, e o Gemini, do Google, representam um salto qualitativo, passando de sistemas que analisam e personalizam conteúdo existente para sistemas que criam conteúdo novo e original em resposta a comandos em linguagem natural (Azambuja; Silva, 2024). Essa transição transformou a IA de um interesse acadêmico específico em um tema central e urgente no debate educacional global (Adiguzel; Kaya; Cansu, 2023). A facilidade de acesso e a versatilidade dessas ferramentas provocaram uma adoção massiva por parte de estudantes e profissionais, forçando as instituições de ensino superior a confrontarem suas implicações de maneira imediata e, muitas vezes, despreparada (Santos; Lima, 2024).

 

2.2 POTENCIALIDADES DA IA COMO FERRAMENTA DE APOIO À PRODUÇÃO CIENTÍFICA

As ferramentas de IA generativa oferecem um leque de funcionalidades que podem beneficiar diretamente o trabalho de docentes e pesquisadores, otimizando diversas etapas da produção científica.

Uma das tarefas mais trabalhosas e demoradas na pesquisa é a revisão sistemática de literatura (RSL). A IA pode automatizar e acelerar significativamente este processo, auxiliando na identificação, triagem, resumo e síntese de um vasto corpo de publicações científicas. Ferramentas especializadas podem analisar milhares de artigos em minutos, identificando temas recorrentes, metodologias empregadas e lacunas no conhecimento, facilitando a construção do "estado da arte" (Astudillo, 2025). É crucial ressaltar, contudo, que a IA deve ser empregada como um assistente para ampliar a capacidade investigativa, e não como um substituto para a análise crítica e a interpretação do pesquisador, que permanece o responsável final pela validade e profundidade da revisão (Monteiro, 2025).

A IA também demonstra grande potencial na análise de dados, tanto quantitativos quanto qualitativos. Em pesquisas qualitativas, por exemplo, modelos de IA podem transcrever entrevistas de áudio com alta precisão e em tempo reduzido, uma tarefa tradicionalmente manual e demorada. Além disso, podem ser utilizados para realizar uma pré-análise de conteúdo, identificando e categorizando temas, padrões e sentimentos em grandes volumes de texto, como respostas a questionários abertos ou documentos (Santos et al., 2024; Sinha et al., 2023). Essa automação permite que o pesquisador se concentre nos aspectos mais interpretativos e complexos da análise, otimizando o processo sem abdicar do rigor metodológico.

Como assistentes de redação, os modelos de linguagem podem ajudar a aprimorar a clareza, a coesão, a correção gramatical e o estilo de textos científicos. Para muitos pesquisadores, especialmente aqueles para quem a língua de publicação não é nativa, a IA pode ser uma ferramenta poderosa de democratização. Ela pode auxiliar na tradução de artigos e na refinação da escrita em inglês, por exemplo, reduzindo barreiras linguísticas e ampliando o alcance e o impacto da produção científica de pesquisadores de países não hegemônicos (Schmidt, 2024).

Além de otimizar tarefas existentes, a IA pode atuar como um catalisador para a descoberta científica. Ao processar e correlacionar informações de vastos conjuntos de dados, ela pode gerar hipóteses, ideias para experimentos, encontrar padrões em dados existentes e identificar lacunas no conhecimento que poderiam não ser evidentes para um pesquisador humano (Villas Boas; Villas Boas, 2023). A IA pode funcionar como um parceiro de brainstorming, oferecendo novas perspectivas e acelerando o ciclo de inovação e descoberta científica.

 

2.3 DESAFIOS ÉTICOS, OPERACIONAIS E PEDAGÓGICOS

Apesar do notável potencial, a integração da IA na produção científica é permeada por desafios complexos que demandam uma análise crítica e cuidadosa. A questão da autoria é central no debate. Há um consenso crescente de que uma IA não pode ser listada como coautora de um trabalho, pois não possui responsabilidade moral ou legal pelo seu conteúdo (Schmidt, 2024). A responsabilidade por garantir a precisão, a originalidade e a integridade de todo o trabalho, incluindo as partes geradas ou auxiliadas por IA, recai inteiramente sobre o autor humano (Villas Boas; Villas Boas, 2023). Isso implica a necessidade de uma verificação humana rigorosa de todas as informações fornecidas pela IA. Além disso, o uso dessas ferramentas deve ser transparente, com os pesquisadores declarando explicitamente em suas metodologias como e para que finalidade a IA foi utilizada (Villas Boas; Villas Boas, 2023; Schmidt, 2024). A capacidade da IA de gerar textos fluentes torna cada vez mais difícil distinguir a produção humana da maquínica, desafiando os softwares tradicionais de detecção de plágio e exigindo novas abordagens para a avaliação da originalidade (Azambuja; Silva, 2024; Villas Boas; Villas Boas, 2023).

É fundamental reconhecer que a tecnologia de IA não é neutra (Modesto, 2023). Os modelos de linguagem são treinados com base em enormes volumes de dados extraídos da internet, os quais refletem e podem amplificar os vieses, estereótipos e desigualdades presentes na sociedade (Silva, 2024). O uso acrítico dessas ferramentas pode levar à reprodução de desinformação e à perpetuação de visões de mundo hegemônicas. Outra preocupação significativa é a privacidade e a governança de dados. Informações sensíveis de pesquisa inseridas em plataformas de IA comerciais podem ser armazenadas e utilizadas para treinar futuros modelos, levantando questões sobre confidencialidade e propriedade intelectual (Schmidt, 2024). Adicionalmente, a concentração do desenvolvimento desses modelos nas mãos de poucas grandes empresas de tecnologia cria um risco de monopólio, o que vai na contramão do movimento de ciência aberta, que preza pela transparência e pelo acesso livre ao conhecimento (Villas Boas; Villas Boas, 2023).

Talvez o desafio mais profundo seja o risco da "automatização da produção científica" (Villas Boas; Villas Boas, 2023). A confiança excessiva em ferramentas que fornecem respostas prontas pode levar à atrofia de habilidades cognitivas essenciais para um pesquisador, como o pensamento crítico, a capacidade de síntese, a argumentação complexa e a criatividade (Azambuja; Silva, 2024; Souza et al., 2025). Existe uma tensão fundamental entre os benefícios de eficiência da IA e os valores intrínsecos do processo acadêmico. A velocidade e a automação podem entrar em conflito direto com a lentidão reflexiva, o esforço intelectual e a construção gradual de conhecimento que caracterizam a pesquisa de alta qualidade. A IA pode, por exemplo, identificar uma "lacuna" no conhecimento ao cruzar palavras-chave, mas a verdadeira compreensão da relevância dessa lacuna exige um domínio profundo do campo, construído justamente através do processo lento de leitura e reflexão que a IA visa "otimizar". O maior desafio para a academia, portanto, não é meramente técnico ou ético, mas epistemológico: como integrar ferramentas que otimizam o produto (o artigo) sem degradar o processo de formação do pesquisador, que é onde o verdadeiro aprendizado e a geração de insights ocorrem. É preciso, como defendem Zawacki-Richter et al. (2019), adotar “um posicionamento inerentemente cético” para desconstruir os discursos solucionistas da indústria de tecnologia e evitar a otimização da produção de artigos em detrimento da produção de conhecimento genuíno.

 

3 METODOLOGIA

O presente estudo caracteriza-se como uma pesquisa qualitativa de natureza exploratória e descritiva. A abordagem metodológica central adotada foi a revisão de literatura, um método que, conforme definido por Boccato (2016 apud Oliveira; Vicente, 2021) busca a resolução de um problema ou a análise de um tema por meio do levantamento, análise e discussão de referenciais teóricos já publicados. A escolha desta metodologia justifica-se pela necessidade de mapear, sintetizar e analisar criticamente um campo de conhecimento emergente e em rápida e constante evolução, como é o caso da aplicação da Inteligência Artificial Generativa na produção científica (Santana et al., 2024). A natureza exploratória permite uma maior familiaridade com o problema, enquanto o caráter descritivo visa correlacionar os fatos e fenômenos observados na literatura sem manipulá-los (Gil, 2008).

Os procedimentos de coleta de dados envolveram um levantamento bibliográfico sistemático realizado em bases de dados acadêmicas de ampla circulação nacional e internacional, como a Scientific Electronic Library Online (SciELO), a Rede de Revistas Científicas da América Latina e Caribe, Espanha e Portugal (Redalyc), e o Google Acadêmico. A busca foi complementada pela consulta a repositórios institucionais de universidades brasileiras de referência, como a Universidade de Brasília (UnB), a Universidade Federal do Rio de Janeiro (UFRJ) e a Universidade Estadual de Campinas (Unicamp), bem como portais governamentais, como o da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e do Ministério da Educação (MEC), para a coleta de teses, dissertações e documentos oficiais (Modesto, 2023; Schirru, 2020; Oliveira, 2020; Oliveira et al., 2025; Brasil, 2025).

Para a busca, foram utilizados os seguintes descritores e suas combinações em língua portuguesa: "inteligência artificial", "produção científica", "produção acadêmica", "artigo científico", "ensino superior", "docentes", "plágio", "ChatGPT", "Gemini". Os critérios de inclusão para a seleção do material foram: (1) artigos científicos, teses, dissertações, capítulos de livros e documentos institucionais; (2) publicações com data a partir de 2019, a fim de garantir a contemporaneidade da discussão, dado o avanço acelerado da tecnologia; (3) foco em publicações em língua portuguesa para refletir o debate no contexto brasileiro; (4) abordagem das implicações educacionais, éticas, pedagógicas ou institucionais da IA. Adicionalmente, foram incluídas matérias jornalísticas de veículos de comunicação reconhecidos para fundamentar a análise de casos concretos, conforme a pertinência. Foram excluídos trabalhos com enfoque puramente técnico sobre os algoritmos de IA, que não estabelecessem relação com o ensino superior ou a produção de conhecimento.

A análise dos dados coletados seguiu os princípios da análise de conteúdo, que consiste em um conjunto de técnicas para analisar comunicações de forma objetiva, sistemática e, quando aplicável, quantitativa, para obter indicadores que permitam a inferência de conhecimentos (Titscher et al., 2000). O material selecionado foi lido integralmente e de forma flutuante, seguido por um processo de categorização temática. As categorias de análise foram definidas a priori com base nos objetivos da pesquisa: (1) Benefícios e potencialidades da IA na pesquisa científica; (2) Desafios, riscos e barreiras ético-pedagógicas; (3) Estratégias de mediação e orientação docente; e (4) Respostas e políticas institucionais. Este procedimento metodológico permitiu uma análise sistemática e aprofundada do corpus documental, possibilitando a identificação de tendências, convergências, divergências e lacunas no debate acadêmico sobre o tema (Gouvêa, 2015). A própria condução desta revisão, realizada de forma manual e reflexiva, serve como uma metarreflexão sobre o valor da curadoria e síntese humanas em uma era onde tais processos podem ser automatizados, reforçando a importância do julgamento e da construção argumentativa do pesquisador.

 

4 ANÁLISE E DISCUSSÃO DE RESULTADOS

Concluída a etapa metodológica, o próximo passo consiste em apresentar e discutir os resultados obtidos a partir da revisão conduzida. A análise foi estruturada em torno das quatro categorias previamente definidas, de modo a organizar o debate e iluminar diferentes dimensões do impacto da Inteligência Artificial no ensino superior. Assim, a seção que se segue busca não apenas descrever os achados, mas também interpretá-los criticamente, destacando convergências, tensões e implicações para a prática acadêmica.

 

 

 

4.1 A DUPLA FACE DA IA NA PRÁTICA DOCENTE: ENTRE A EFICIÊNCIA E A SOBRECARGA

A inserção da Inteligência Artificial no cotidiano do docente-pesquisador revela uma tensão fundamental. De um lado, a tecnologia surge como uma promessa de alívio em um ambiente acadêmico crescentemente pressionado pela lógica produtivista do "Publish or Perish" (Pereira; Almeida Filho, 2024). A capacidade de automatizar tarefas repetitivas e demoradas, como a triagem inicial de artigos para uma revisão de literatura ou a transcrição de entrevistas, pode, em tese, liberar tempo valioso para que o pesquisador se dedique às etapas mais criativas e reflexivas do trabalho científico, ou a "mente pensante" por trás da pesquisa (Villas Boas; Villas Boas, 2023). Essa otimização de processos é frequentemente citada como um dos maiores benefícios da IA, com potencial para acelerar a inovação e a produção de conhecimento.

Contudo, a outra face dessa moeda é a emergência de novas formas de trabalho e sobrecarga. A premissa de que a IA é uma ferramenta de apoio, e não um substituto, impõe ao pesquisador a responsabilidade inalienável de verificar, validar e refinar rigorosamente todo o conteúdo gerado pelos algoritmos (Villas Boas; Villas Boas, 2023). Essa verificação não é trivial; ela exige um profundo conhecimento do campo para identificar imprecisões, informações desatualizadas ou as chamadas "alucinações" da IA, ou seja, respostas plausíveis, mas factualmente incorretas. Além disso, a velocidade vertiginosa com que novas ferramentas e atualizações são lançadas exige do docente um estado de atualização constante, demandando tempo e energia para o aprendizado de novas competências digitais e para a adaptação de suas metodologias de trabalho e ensino (Ribas, 2007). O que se apresenta como uma solução para a sobrecarga pode, paradoxalmente, se converter em uma nova fonte de ansiedade tecnológica e de intensificação do trabalho docente.

 

4.2 O PAPEL DOCENTE COMO MEDIADOR E ORIENTADOR CRÍTICO

Diante da inevitável presença da IA na vida acadêmica dos estudantes, o papel do professor se reconfigura drasticamente. A postura de simples fiscalização, focada em proibir e detectar o uso indevido, mostra-se não apenas ineficaz, mas também pedagogicamente pobre. A alternativa mais promissora é a assunção de um papel ativo de mediador, curador e orientador crítico, que prepara os discentes para interagir com essas tecnologias de forma ética, consciente e produtiva.

Uma das tarefas mais urgentes para as instituições de ensino é a promoção de um amplo "letramento em IA" para toda a comunidade acadêmica (Souza, 2023; Schmidt, 2024). Isso vai além de ensinar a usar uma ferramenta específica. Trata-se de desenvolver uma compreensão crítica sobre como essas tecnologias funcionam, quais são suas limitações e quais vieses elas podem carregar. Os docentes devem orientar os alunos a desenvolverem habilidades de "engenharia de prompts", que é a arte de formular perguntas e comandos eficazes para a IA e, sobretudo, a avaliarem criticamente as respostas obtidas. O objetivo é utilizar a ferramenta para estimular o raciocínio e aprofundar a compreensão, e não para substituí-los (Pereira et al., 2024).

É fundamental que os docentes estabeleçam diretrizes claras e transparentes sobre o que é permitido ou não em suas disciplinas e atividades avaliativas (Schmidt, 2024). Essa clareza ajuda a mitigar a ansiedade dos alunos e a criar um ambiente de confiança. A orientação deve focar em como documentar e citar adequadamente o uso de ferramentas de IA tratando-as como qualquer outra fonte de consulta que exige atribuição e transparência (Villas Boas; Villas Boas, 2023). Ferramentas como Gemini ou ChatGPT devem ser apresentadas como parceiros de diálogo ou "sparring partners" intelectuais, sendo excelentes para gerar ideias, explorar diferentes ângulos de um problema ou obter feedback sobre um rascunho, mas nunca como oráculos ou produtores do texto final. Uma abordagem pedagógica baseada no diálogo e na escuta sobre os processos de aprendizagem dos alunos é muito mais eficaz do que uma baseada na vigilância e na punição (Muniz, 2025).

A existência da IA generativa exige uma profunda reflexão e adaptação das estratégias de ensino e avaliação. Em vez de proibir o uso, os docentes podem redesenhar suas atividades para incorporar a IA de maneira produtiva. Por exemplo, podem solicitar que os alunos usem o ChatGPT para gerar um resumo de um tópico e, em seguida, realizem uma análise crítica desse resumo, identificando seus pontos fortes, fracos, imprecisões e vieses. As avaliações podem se deslocar do produto final (o texto escrito) para o processo, valorizando etapas como a defesa oral do trabalho, a apresentação de rascunhos, debates em sala e a capacidade do aluno de articular e justificar seu raciocínio. Essa mudança de foco torna o plágio por IA menos eficaz e, ao mesmo tempo, desenvolve as competências eminentemente humanas que a tecnologia não pode replicar: pensamento crítico, criatividade, comunicação e argumentação (Azambuja; Silva, 2024; Santos et al., 2024).

 

4.3 A RECONFIGURAÇÃO DO PLÁGIO E DA AVALIAÇÃO NA ERA DA IA GENERATIVA

A popularização da IA generativa força a academia a repensar conceitos fundamentais como originalidade e plágio. A simples apropriação de um texto gerado por IA e sua apresentação como autoria própria constitui uma fraude acadêmica, mas a linha se torna mais tênue quando a ferramenta é usada para parafrasear, refinar ideias ou estruturar argumentos.

A resposta inicial de muitas instituições foi buscar softwares capazes de detectar textos gerados por IA. No entanto, essa abordagem se mostra limitada. Tais ferramentas são notoriamente falíveis, podendo gerar tanto falsos positivos (acusando um texto humano de ser artificial) quanto falsos negativos (não detectando um texto gerado por IA). Além disso, a evolução dos modelos de IA é muito mais rápida que a das ferramentas de detecção, criando uma "corrida armamentista" tecnológica que é insustentável e desvia o foco do problema pedagógico central (Villas Boas; Villas Boas, 2023). A solução para a integridade acadêmica não pode ser puramente tecnológica.

Como mencionado anteriormente, a resposta mais robusta ao desafio da IA na avaliação é deslocar o foco do produto para o processo. Avaliações que exigem que os alunos demonstrem sua compreensão e seu percurso intelectual, através de diários de pesquisa, portfólios, apresentações orais, debates e defesas de seus argumentos, são muito mais resilientes à fraude por IA. Quando o professor conhece o processo de construção do trabalho do aluno, a entrega de um produto final que destoa completamente desse percurso se torna facilmente identificável, não por um software, mas pelo julgamento pedagógico do docente.

Paradoxalmente, a IA também pode ser uma aliada na promoção da integridade acadêmica. Muitos casos de plágio, especialmente entre estudantes iniciantes, ocorrem por desconhecimento sobre como citar fontes e parafrasear corretamente (Mega, 2017). Ferramentas de IA podem ser utilizadas de forma orientada para ensinar essas habilidades. Um aluno pode, por exemplo, pedir à IA para gerar diferentes versões de uma paráfrase de um trecho complexo, analisando-as com o professor para entender os limites entre a reformulação aceitável e o plágio. Além disso, a tecnologia pode ser usada de forma proativa para o bem, como no caso do Laboratório de Inteligência Artificial (Recod.ai) da Unicamp, que desenvolveu algoritmos para detectar imagens potencialmente falsificadas em artigos científicos, uma ferramenta já em uso por agências de integridade científica internacionais (Rocha, 2025).

 

4.4 ESTUDOS DE CASO: RESPOSTAS INSTITUCIONAIS À IA NO BRASIL

A resposta das instituições de ensino superior brasileiras à IA tem sido heterogênea, variando de um silêncio cauteloso à formulação de políticas pioneiras. Um caso emblemático e anterior à era da IA generativa serve como um poderoso alerta sobre os riscos de uma implementação antiética. Em 2020, veio a público que a rede educacional Laureate, controladora de universidades como a FMU e a Anhembi Morumbi, estava utilizando um software de IA para corrigir atividades dissertativas de alunos em cursos de educação a distância (EAD) sem o conhecimento deles. Professores eram orientados a não revelar a prática e a responder aos alunos como se eles próprios fossem os corretores (Domenici, 2020). O sistema funcionava com base em palavras-chave, resultando em avaliações superficiais e, por vezes, incoerentes. Este caso exemplifica uma abordagem focada exclusivamente na redução de custos e na automação em escala, em detrimento da qualidade pedagógica, da transparência e da relação professor-aluno, representando um modelo a ser evitado (Domenici, 2020).

Em contraste, algumas universidades federais têm se posicionado na vanguarda da regulamentação. A Universidade Federal do Delta do Parnaíba (UFDPar) e a Universidade Federal do Maranhão (UFMA) foram das primeiras a aprovar, em 2025, políticas institucionais formais para o uso de IA (UFDPar, 2025; UFMA, 2025). Essas políticas estabelecem diretrizes para o uso ético, seguro e eficiente da tecnologia em todos os âmbitos da universidade: ensino, pesquisa, extensão e gestão. Elas enfatizam princípios como a transparência, a proteção de dados, o alinhamento aos direitos humanos e a equidade digital, além de preverem a criação de estruturas de governança, como comitês de ética em IA, para acompanhar a implementação e a evolução do tema (UFDPar, 2025; UFMA, 2025).

Outras instituições, como o centro universitário Senai Cimatec e a Universidade Federal de Minas Gerais (UFMG), optaram por criar guias de recomendações para suas comunidades acadêmicas (Schmidt, 2024). O guia do Senai Cimatec, por exemplo, baseia-se em três princípios: transparência (exigindo que o uso da IA seja detalhado na metodologia e que os prompts sejam anexados como material suplementar), "centralidade na pessoa humana" (preservando o controle humano sobre a tecnologia) e atenção à privacidade de dados. A UFMG propôs, entre outras coisas, que as ementas das disciplinas informem claramente o que é permitido fazer com IA e que a universidade invista em cursos de letramento em IA para todos os seus membros (Schmidt, 2024). Em nível nacional, o Ministério da Educação (MEC) também iniciou debates para a elaboração de um Referencial para Uso e Desenvolvimento Responsáveis de Inteligência Artificial na Educação, buscando criar uma política robusta para o país (Brasil, 2025).

Essas iniciativas, embora distintas em seu formato, sinalizam uma tendência importante. Emerge uma divergência entre duas abordagens complementares: a de "conformidade" (compliance-based), que foca em regras, limites e detecção para garantir a integridade; e a de "competência" (competency-based), que foca na formação, no letramento e na reformulação pedagógica para desenvolver novas habilidades. As políticas mais eficazes serão aquelas que conseguirem integrar harmonicamente ambas as abordagens, estabelecendo um piso ético claro ao mesmo tempo em que promovem uma cultura de uso crítico e inovador.

 

5 CONSIDERAÇÕES FINAIS

Este artigo buscou analisar o fenômeno complexo e multifacetado da integração da Inteligência Artificial Generativa na produção científica, um processo que se mostra irreversível e que reconfigura práticas estabelecidas na academia. A análise da literatura e dos casos recentes no contexto brasileiro demonstra que a questão fundamental para a comunidade acadêmica não é mais "se" devemos usar a IA, mas "como" podemos integrá-la de forma produtiva, ética e que enriqueça, em vez de empobrecer, o fazer científico e o processo de formação de novos pesquisadores.

A síntese dos achados reforça a concepção da IA como uma ferramenta de dupla face. Seu potencial para otimizar tarefas, acelerar descobertas e democratizar o acesso à publicação é inegável. Contudo, esse potencial só se concretiza de forma positiva através de uma mediação humana qualificada e crítica. Sem uma governança institucional clara, uma intencionalidade pedagógica bem definida e uma postura ética por parte dos usuários, os riscos de desqualificação do trabalho intelectual, de aprofundamento de desigualdades, de violações de privacidade e de erosão da integridade acadêmica são iminentes. O impacto da tecnologia, portanto, não reside nela própria, mas na forma como é concebida, regulada e utilizada pela sociedade.

Diante do exposto, algumas implicações e recomendações podem ser delineadas para os diferentes atores envolvidos neste processo:

01) Para Docentes: É recomendável a adoção de uma postura de "ceticismo construtivo" (Zawacki-Richter et al., 2019), que envolve experimentar com as ferramentas para entender suas potencialidades e limitações, mas sempre mantendo o foco no desenvolvimento do pensamento crítico, da criatividade e da autonomia dos estudantes. Isso exige um investimento na própria formação continuada e, crucialmente, a coragem de reformular práticas de ensino e avaliação consolidadas, deslocando o foco do produto final para o processo de aprendizagem.

02) Para Instituições de Ensino Superior (IES): As IES precisam ir além de políticas puramente reativas e desenvolver estratégias proativas e abrangentes. É fundamental que integrem as abordagens de "conformidade" (regras claras, políticas de integridade) e de "competência" (investimento massivo em letramento em IA para toda a comunidade acadêmica). A criação de comitês de ética e governança em IA, multidisciplinares e permanentes, é um passo estratégico para acompanhar as rápidas mudanças tecnológicas e orientar a instituição de forma contínua.

03) Para Agências de Fomento e Pesquisa: Cabe a estas agências o papel de incentivar e financiar pesquisas que investiguem o impacto cognitivo e pedagógico do uso contínuo de IA na formação de estudantes e pesquisadores. Além disso, é estratégico fomentar o desenvolvimento de modelos de linguagem de código aberto (open-source), treinados com dados transparentes e, se possível, com curadoria voltada para o contexto acadêmico brasileiro. Isso representaria uma alternativa aos sistemas comerciais fechados, mitigando riscos de monopólio e vieses do Norte Global, e alinhando o desenvolvimento da IA com os valores da ciência aberta (Villas Boas; Villas Boas, 2023).

Este estudo possui limitações inerentes à sua natureza. O cenário tecnológico encontra-se em um estado de fluxo contínuo, o que significa que qualquer análise é um retrato de um momento específico. O foco no contexto brasileiro, embora intencional, limita a generalização dos achados para outras realidades acadêmicas. Como agenda para pesquisas futuras, sugere-se a realização de estudos empíricos e longitudinais para avaliar o impacto do uso de IA nas competências de pesquisa dos estudantes ao longo do tempo. Análises comparativas internacionais sobre políticas universitárias podem oferecer insights valiosos para o aprimoramento das diretrizes brasileiras. Por fim, é de suma importância aprofundar a pesquisa sobre o desenvolvimento de ferramentas de IA que sejam não apenas eficientes, mas também pedagogicamente embasadas e eticamente responsáveis, projetadas em colaboração com educadores para verdadeiramente servir aos propósitos da educação e da ciência.

REFERÊNCIAS

ADAMS, C. et al. Ethical Principles for Artificial Intelligence in Education. In: The International Encyclopedia of Education. 4. ed. Elsevier, 2023.

ADIGUZEL, T.; KAYA, M. H.; CANSU, F. K. Transformações no ensino-aprendizagem com o uso da inteligência artificial: revisão sistemática da literatura. RECIMA21: Revista Científica Multidisciplinar, São Paulo, v. 4, n. 5, e453103, 2023. Disponível em: https://recima21.com.br/index.php/recima21/article/view/3103. Acesso em: 25 nov. 2025.

ASTUDILLO, Mario Vásques. Revisão sistemática de literatura com inteligência artificial: contribuições para o estado do conhecimento na pesquisa. In: BIEGING, Patricia; BUSARELLO, Raul Inácio (coord.). Abordagens teóricas e práticas em pesquisa. São Paulo: Pimenta Cultural, 2025. v.1, cap. 2, p. 31-50. (Coleção Ciências Sociais Aplicadas). DOI: 10.31560/pimentacultural/978-85-7221-363-9. Disponível em: https://www.pimentacultural.com/wp-content/uploads/2025/05/ID-CSA-v.-1-cap-2_Revisao-sistematica-de-literatura-com-inteligencia-artificial-contribuicoes-para-o-estado-1.pdf. Acesso em: 26 nov. 2025.

AZAMBUJA, Celso C. de; SILVA, Gabriel F. da. Novos desafios para a educação na era da inteligência artificial. Filosofia Unisinos, São Leopoldo, v. 25, n. 1, p. 1-16, 2024. Disponível em: https://revistas.unisinos.br/index.php/filosofia/article/download/27063/60749934/60803686. Acesso em: 26 nov. 2025.

BRASIL. Ministério da Educação. Debate sobre IA nas políticas educacionais é foco do BRICS. Gov.br, Assessoria de Comunicação Social do MEC, 16 jun. 2025. Disponível em: https://www.gov.br/mec/pt-br/assuntos/noticias/2025/junho/debate-sobre-ia-nas-politicas-educacionais-e-foco-do-brics. Acesso em: 25 nov. 2025.

COSTA JÚNIOR, João Fernando et al. Educação na era da inteligência artificial: entre a inovação e a desumanização do ensino. Revista Aracê, São José dos Pinhais, v.7, n.7, p.35409-35427, 2025. Disponível em: https://periodicos.newsciencepubl.com/arace/article/download/6292/8808/24944. Acesso em: 26 nov. 2025.

DOMENICI, Thiago. Laureate usa robôs no lugar de professores sem que alunos saibam. Agência Pública, São Paulo, 30 abr. 2020. Disponível em: https://apublica.org/2020/04/laureate-usa-robos-no-lugar-de-professores-sem-que-alunos-saibam/.

GIL, A. C. Métodos e técnicas de pesquisa social. 6. ed. São Paulo: Atlas, 2008.

GOUVÊA, G. O uso de software de análise de dados qualitativos, QDA'S em uma investigação em rede. Revista Pesquisa Qualitativa, São Paulo, v. 4, n. 5, p. 253–274, 2016. Disponível em: https://editora.sepq.org.br/rpq/article/view/52.

LUCKIN, R.; HOLMES, W. Intelligence Unleashed: An argument for AI in Education. London: Pearson, 2016.

MEGA, H. Universidade deve formar alunos e docentes para prevenir o plágio. Jornal da USP, 13 nov. 2017. Disponível em: https://jornal.usp.br/universidade/universidade-deve-formar-alunos-e-docentes-para-prevenir-o-plagio/.

MONTEIRO, Rhadson Rezende; ASSIS, Cristina Ferreira de. Inteligência artificial na metodologia científica: aplicações epistêmicas, éticas e práticas para revisão bibliográfica, revisão sistemática e análise de conteúdo. Revista Destarte, Vila Velha/ES, v. 14, n. 1, p. 63-91, ago.2025. Disponível em: https://estacio.periodicoscientificos.com.br/index.php/destarte/article/download/4000/3034/7223. Disponível em: 26 nov. 2025.

MUNIZ, I. S. (org.). Guia para o uso ético e criativo da Inteligência Artificial Generativa no Ensino Superior. Salvador: UFBA, 2025. Disponível em: https://zenodo.org/records/15684089/files/Guia_Etico_IA_IgorSobralMuniz_UFBA_2025.pdf?download=1.

OLIVEIRA, R. S. de. A consolidação do sistema tecnológico digital: transformações na ciência e em outros domínios. 2020. Tese (Doutorado em Política Científica e Tecnológica) - Instituto de Geociências, Universidade Estadual de Campinas, Campinas, 2020. Disponível em: https://repositorio.unicamp.br/Busca/Download?codigoArquivo=552591.

OLIVEIRA, Tatiana dos Santos; OLIVEIRA, Rigleia Ribeiro de; MADEIRA, Tatiana Bada; SOUZA, Valkiria de. A inteligência artificial na educação a distância: a inserção da inteligência artificial e sua relevância. In: RIBEIRO, Lucilene Batista et al. (org.). Pesquisas Contemporâneas na Educação Moderna. Formiga, MG: Editora MultiAtual, 2025. v. 6, cap. 2, p. 30-36. Disponível em: https://educapes.capes.gov.br/bitstream/capes/971905/2/Pesquisas%20Contempor%C3%A2neas%206.pdf. Acesso em: 26 nov. 2025.

PEREIRA, E. T.; ALMEIDA FILHO, N. Desafios para a avaliação e a sustentabilidade da editoria científica em Educação. Ensaio: Avaliação e Políticas Públicas em Educação, Rio de Janeiro, v. 32, n. 125, p. 1-19, out./dez. 2024. Disponível em: https://www.redalyc.org/journal/3995/399579788003/399579788003.pdf.

PEREIRA, L. S. et al. O uso do ChatGPT na educação médica: a percepção de estudantes e professores. Revista Brasileira de Educação Médica, v. 48, n. 1, e025, 2024. Disponível em: https://www.scielo.br/j/ep/a/Gy4tY6vHyc8wjYySjyv4ctk/.

RIBAS, M. C. C. A cultura digital e os desafios para a prática docente. In: Anais do Congresso Ibero-Americano de Ciência, Tecnologia, Sociedade e Inovação., 2007.

ROCHA, A. Grupo de alunos desenvolve ferramentas contra plágio e conteúdo falso. Gazeta de Limeira, 15 mar. 2025. Disponível em: https://www.gazetadelimeira.com.br/noticia/educacao/2025/03/grupo-de-alunos-desenvolve-ferramentas-contra-plagio-e-conteudo-falso/Y0GO.

SANTANA, I. M.; SOUZA, F. N. de; VIANA, H. B. Ferramentas de inteligência artificial na revisão de literatura: um estudo com base no tema das falácias lógicas. Revista Temática, v. 20, n. 1, p. 1-15, 2024. Disponível em: https://periodicos.ufs.br/revtee/article/download/22252/16589/71633.

SANTOS, A. K. F. dos; LIMA, F. W. C. de. Inteligência artificial no ensino superior: uma revisão de literatura sobre desafios e possibilidades no contexto acadêmico. Poliética, São Paulo, v. 12, n. 3, p. 145-171, 2024. Disponível em: https://revistas.pucsp.br/index.php/PoliEtica/article/download/68116/46355/228455.

SANTOS, E. A. dos; SILVA, B. M. da; SILVA, A. C. R. da. User experience e inteligência artificial: relato de experiência sobre a reestruturação da pesquisa de satisfação da Biblioteca Central da PUCRS. Informatio, v. 29, n. 2, e213, 2024. Disponível em: http://www.scielo.edu.uy/pdf/info/v29n2/2301-1378-info-29-02-e213.pdf.

SANTOS, J. V. dos; SILVA, M. G. da; OLIVEIRA, C. E. M. de. Inteligência artificial generativa no ensino superior: uma análise crítico-reflexiva. Revista Ibero-Americana de Estudos em Educação, Araraquara, v. 19, n. 3, p. 1-20, 2024. Disponível em: https://www.e-publicacoes.uerj.br/riae/article/download/84894/53282/337016.

SCHIRRU, L. Direito Autoral e Inteligência Artificial: Autoria e titularidade nos produtos da IA. 2020. Tese (Doutorado em Políticas Públicas, Estratégias e Desenvolvimento) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2020. Disponível em: https://www.ie.ufrj.br/images/IE/PPED/Teses/2020/Vers%C3%A3o%20final_Tese%20Luca_PDFA.pdf.

SCHMIDT, S. Universidades brasileiras discutem regras de uso de inteligência artificial. Revista Pesquisa FAPESP, ed. 342, ago. 2024. Disponível em: https://revistapesquisa.fapesp.br/universidades-brasileiras-discutem-regras-de-uso-de-inteligencia-artificial/.

SINHA, Ravi; SOLOLA, Idris; NGUYEN, Ha; SWANSON, Hillary; LAWRENCE, Luettamae. (2024). The Role of Generative AI in Qualitative Research: GPT-4's Contributions to a Grounded Theory Analysis. 17-25. Disponível em: https://dl.acm.org/doi/10.1145/3663433.3663456. Acesso em: 5 dez. 2025.

OLIVEIRA Raysa da Luz; VICENTE, Kyldes Batista. Estudo sobre o uso de tecnologias digitais no processo de educação utilizando inteligência artificial (ia): benefícios e desafios. Revista Humanidades e Inovação, Palmas/TO, v. 8, n. 50, p. 203-212, 2021. Disponível em: https://revista.unitins.br/index.php/humanidadeseinovacao/article/view/5433/3168. Acesso em: 26 nov. 2025.

MODESTO, Bárbara Nunes de Araújo. Ética para uso de inteligência artificial na educação superior no Brasil. 2023. 102 f. Dissertação (Mestrado em Desenvolvimento, Sociedade e Cooperação Internacional). Universidade de Brasília, Brasília, 2023. Disponível em: https://repositorio.unb.br/handle/10482/48322. Acesso em: 26 nov. 2026.

SOUZA, Maria Eduarda Ferreira; SOUSA, Reudismam Rolim de; GONÇALVES, Samara Maria Nascimento. A inteligência artificial no ensino superior na visão discente: uma revisão sistemática da literatura. RECIMA21: Revista Científica Multidisciplinar, São Paulo, v. 6, n. 7, e676611. 2025. Disponível em: https://recima21.com.br/recima21/article/view/6611. Acesso em: 26 nov. 2025.

TITSCHER, S. et al. Methods of text and discourse analysis. Thousand Oaks, CA: Sage Publications, 2000. 288 p.

UNIVERSIDADE FEDERAL DO DELTA DO PARNAÍBA. UFDPar aprova sua Política de Uso de Inteligência Artificial. Gov.BR, UFDPar Notícias, Parnaíba, 11 abr. 2025. Disponível em: https://ufdpar.edu.br/UFDPar/noticias-1/ufdpar-aprova-sua-politica-de-uso-de-inteligencia-artificial. Acesso em: 26 nov. 2025.

UNIVERSIDADE FEDERAL DO MARANHÃO. Consulta Pública sobre Política de Inteligência Artificial da Universidade Federal do Maranhão (UFMA). São Luís, MA: UFMA, Superintendência de Tecnologia da Informação, Diretoria de Inteligência Artificial, 3 jun. 2025. Disponível em: https://www.gov.br/participamaisbrasil/politica-de-inteligencia-artificial-da-universidade-federal-do-maranhao-ufma. Disponível em: 26 nov. 2025.

VILLAS BOAS, Paulo José Fortes; VILLAS BOAS, José Vitor Polachini do Valle. Geriatr Gerontol Aging. 2023; 17: e0230027. Disponível em: https://doi.org/10.53886/gga.e0230027. Acesso em: 5 dez. 2025.

ZAWACKI-RICHTER, Olaf et al. Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, v. 16, n. 39, p. 3-27, 2019. Disponível em: https://link.springer.com/article/10.1186/s41239-019-0171-0. Acesso em: 26 nov. 2025.