Ganhos:
- Ser capaz de distinguir onde a inteligência artificial economiza tempo real no fluxo de trabalho da pesquisa acadêmica (literatura, design, análise, redação) e onde o julgamento científico e a responsabilidade permanecem com o pesquisador, de acordo com o nível de risco da tarefa
- Ser capaz de aplicar uma disciplina que conecte e verifique cada saída de inteligência artificial à fonte e compreender o problema da atribuição de alucinações (fabricadas), que é o risco mais crítico da academia.
- Capacidade de adotar uma estrutura de uso que esteja em conformidade com as políticas institucionais e de uso de inteligência artificial de periódicos, honestidade acadêmica e princípios de transparência.
O trabalho de um pesquisador envolve muito mais escrita, leitura e edição do que parece: digitalizar centenas de artigos, resumi-los, aprimorar a questão de pesquisa, projetar métodos, analisar dados, transcrever resultados, formatar citações, selecionar periódicos, responder aos comentários dos revisores. Grande parte deste trabalho é repetitivo, demorado e perturbador; Rouba o que é verdadeiramente valioso, pensamento e interpretação originais. A inteligência artificial (IA) — programas de computador capazes de compreender a linguagem humana e produzir resultados como textos, resumos, códigos, rascunhos, etc. — é uma ajuda poderosa para acelerar esta carga repetitiva. Ao longo deste módulo, consideramos a IA não como uma fonte mágica de informação; Aprenderemos a utilizá-lo como auxiliar de pesquisa, produzindo rascunhos, dando ideias e editando.
Mas desde o início, vamos colocar a frase mais importante específica da academia: a IA não toma decisões científicas em vez do pesquisador; produz a minuta, o julgamento científico e a responsabilidade são do pesquisador. No meio académico, esta regra é ainda mais rigorosa do que noutras profissões, porque a moeda da ciência é a confiança, e a base dessa confiança é que cada afirmação está ligada a uma fonte verificável.
Esta primeira unidade estabelece três fundamentos: distinguir onde a IA funciona e onde deve permanecer no fluxo de trabalho da investigação; verificar cada saída; Adotar o princípio da honestidade e transparência acadêmica. Estes três são a base de segurança subjacente para todas as unidades subsequentes.
Onde a IA economiza tempo, onde a decisão cabe ao pesquisador?
Ajuda pensar nas tarefas de pesquisa em termos de nível de risco. O nível de risco é quanto dano causaria ao registro científico se feito incorretamente.
Tarefas de baixo risco que a IA acelera muito: Gerar uma estratégia de busca (palavra-chave, sinônimo), fazer um resumo inicial de um texto longo, simplificar a linguagem de um parágrafo, sugerir um título de tabela, fazer brainstorming, explicar um conceito de diferentes maneiras, chegar à estrutura de um esboço. Aqui a IA resolve o problema da “página em branco”; você corrige, verifica e enriquece.
Tarefas de médio risco produzidas por IA que exigem verificação rigorosa: recomendação de seleção de testes estatísticos, rascunho de código, formatação de citações, rascunho de interpretação de uma descoberta, comparação de opções de métodos. Aqui a IA dá velocidade, mas cada número, cada tag, cada passo lógico deve ser confirmado manualmente.
Tarefas de alto risco em que a decisão é deixada exclusivamente ao investigador: determinação final da hipótese e do método, decidir o que os dados significam, julgar se uma descoberta é significativa, decisões dentro do comité de ética (IRB), decidir se uma fonte realmente existe e apoia a afirmação, declaração de autoria e contribuição. Estas decisões determinam a fiabilidade do registo científico; A responsabilidade e a palavra final são sempre do pesquisador.
Cuidado: "AI disse" não é uma justificativa. Um editor de periódico ou júri de tese não aceitará a afirmação “meu modelo produziu assim”. Uma saída de IA não verificada é como um boato não verificado.
Por que a verificação é necessária? Alucinação e atribuição fabricada
A IA produz texto não por “conhecer”, mas por “prever a palavra possível”. É por isso que às vezes fornece informações extremamente fluentes, mas na verdade incorretas. Isso é chamado de alucinação (fabricação). A forma mais perigosa disto no meio académico é a atribuição espúria: a IA gera um nome de autor, ano, revista ou mesmo DOI (identificador de objecto digital – o endereço permanente de uma publicação) que parece real, mas essa fonte nunca existiu. Se um investigador utilizar isto sem verificar, está a fazer uma afirmação baseada num estudo que não existe; Isto leva à rejeição da tese, retratação do artigo e perda de reputação.
O segundo problema é a distorção: ao resumir um artigo, a IA pode exagerar uma descoberta, resumindo um estudo que dizia “não houve diferença significativa” como “foi encontrada uma diferença significativa”. O terceiro é o preconceito: a IA repete as tendências nos dados nos quais é treinada; Pode destacar uma determinada escola, língua ou ponto de vista e fazer com que a literatura pareça distorcida.
Devido a esses limites, propomos uma disciplina de validação simples para aplicar a cada saída:
- Conecte-o à fonte. Encontre e verifique a fonte real (artigo, banco de dados, DOI) de cada fato, data, número, citação e principalmente de cada citação.
- Verifique novamente. Verifique manualmente as saídas numéricas ou lógicas (resultado estatístico, cálculo amostral).
- Filtro científico. “Esta afirmação é consistente com a literatura conhecida na minha área?” lidar com isso com sua própria experiência.
- Assuma a responsabilidade. No momento em que você coloca isso em sua publicação ou tese, essa frase é sua; Quaisquer erros são de sua responsabilidade.
Honestidade e transparência acadêmica
A integridade acadêmica garante que o trabalho seja verdadeiramente sua contribuição original e que todas as fontes sejam citadas honestamente. A utilização da IA não elimina este princípio, mas acrescenta uma nova responsabilidade: a transparência. A maioria das revistas e universidades exige agora uma declaração explícita do uso de IA. A linha editorial comum (por exemplo, os princípios dos órgãos de ética de publicação como o ICMJE e o COPE) diz duas coisas claramente: a IA não pode ser a autora (porque não pode assumir responsabilidade, não pode declarar um conflito de interesses) e o uso da IA não é oculto, mas divulgado na seção de método ou agradecimentos.
Dica: Antes de colar texto em qualquer ferramenta, faça duas perguntas: (1) Como essa ferramenta armazena dados, ela é usada na educação? (2) O que diz a política de IA da minha instituição e do periódico alvo? Não comece sem conhecer esses dois.
três mini cases
Caso 1 — Tese comprometida com atribuição fabricada. Um estudante de pós-graduação pediu a YZ 12 fontes para a introdução de sua tese e recebeu todas elas com suas citações. Seu orientador pesquisou aleatoriamente 4 deles no Google Scholar; 2 deles nem existiam, 1 deles tinha um DOI indo para outro artigo. O aluno teve que verificar toda a lista uma por uma e utilizou apenas 7 fontes autênticas. A verificação demorou 40 minutos; mas se tivesse sido entregue com referência fictícia, a confiança do júri teria ficado completamente abalada.
Caso 2 — Economia de tempo. Um pesquisador de pós-doutorado passou 6 horas examinando e resumindo de 15 a 20 novos artigos por semana. Ele começou a usar a IA como seu primeiro gerador de resumos: fazendo com que a IA resumisse o resumo e a introdução de cada artigo, aprofundando-os com sua própria leitura crítica e verificando as conclusões do texto original. O tempo diminuiu de 6 horas por semana para aproximadamente 2,5 horas; Ele dedicou o tempo que ganhou escrevendo sínteses originais.
Caso 3 — Retorno da furtividade. Um cientista social estava prestes a colar dados de campo não publicados e depoimentos de participantes na IA para análise. Ele percebeu que continha credenciais; Em vez de compartilhar os dados brutos, ele apenas pediu uma amostra resumida e anônima e um plano de análise. Ele recebeu uma recomendação valiosa de método, mas nenhum dado confidencial foi divulgado.
Modelos copiáveis
1) Separando a tarefa por nível de risco:
Sua função: assistente acadêmico auxiliando um pesquisador. Divida as seguintes tarefas de pesquisa em três listas: (A) tarefas de baixo risco para as quais a IA pode produzir um manuscrito com segurança, (B) tarefas de médio risco para as quais a IA pode produzir um manuscrito e exigir verificação rigorosa, (C) tarefas de alto risco para as quais a decisão final deve caber ao pesquisador. Escreva uma justificativa de uma frase para cada tarefa. Missões: [cole as próprias missões]
2) Solicitação de verificação de validação:
Marque cada frase no texto abaixo que contenha um fato, data, número, citação ou atribuição e marque-a como “precisa de verificação”. Indique claramente onde você não tem certeza. NÃO invente a fonte ou o número; Se você não sabe, escreva "Não sei".Texto: [colar rascunho]
3) Projeto de declaração de uso de IA:
Para a seção de métodos/agradecimentos de um artigo, escreva um rascunho de 2 a 3 frases de "declaração de uso de IA" que explique de forma transparente em quais estágios usei IA (por exemplo, correção de linguagem, rascunho). Uso: [explicar]
4) Lista de verificação de origem:
Gere uma planilha de verificação para cada fonte na seguinte lista de citações: [autor, ano, título, DOI, verificado?].Você não pode verificar; Dê-me uma tabela vazia que irei verificar manualmente. Lista: [colar citações]
Alerta fraco / Alerta forte
Alerta fraco:
Encontre-me fontes para a introdução à minha tese.
Sem contexto e perigoso: a IA cospe identidades falsas e você pensa que são reais.
Alerta poderoso:
Sua função: um consultor de metodologia. Local: “motivação do aluno na educação a distância”. NÃO ME ENCONTRE UMA FONTE; Em vez disso, sugira 8 palavras-chave, 3 grupos de sinônimos e uma string de pesquisa booleana para pesquisar este tópico no Scopus. Assinatura real do artigo FAKE. Vou verificar as fontes que encontro.
Missão
Nível de risco
Papel da IA
decisão final
Gerando uma estratégia de pesquisa
baixo
Sugere palavra-chave/string
pesquisador
Rascunho do resumo do artigo
Baixo-médio
Gera rascunho
O pesquisador confirma
Recomendação de teste de estatística
médio
Fornece opções
Pesquisador seleciona/confirma
Lista de citações
alto
Assistente de formato
Cada impressão é verificada manualmente
Encontrando interpretação/hipótese
alto
dá ideias
pesquisador solitário
Erros comuns
- Usando citações sem verificação. A atribuição fabricada é o erro mais frequente e devastador na academia; leva à retirada.
- Substituindo o resumo pela fonte. O resumo da IA pode distorcer a descoberta; Nenhuma citação é feita sem retornar ao texto original.
- Ignorando a transparência. Ocultar o uso é uma violação ética quando descoberto.
- Deixe a IA tomar decisões científicas. As decisões de hipóteses, interpretação e método pertencem ao pesquisador.
- Carregando dados confidenciais para ferramenta aberta. Dados não publicados e informações dos participantes estão fora do seu controle.
Dica: pense em cada sessão de IA como trabalhar com um estagiário experiente, mas não confiável: ele é rápido e diligente, mas você verifica tudo o que ele diz antes de assinar.
Em resumo
A IA é um assistente poderoso que alivia o fardo de leitura e escrita repetitivas do pesquisador; mas devido à alucinação, distorção e preconceito, cada resultado requer verificação. O risco mais crítico na academia é a citação espúria: toda fonte deve ser verificada através do DOI e banco de dados. Separe as tarefas por nível de risco, proteja os dados e declare o uso de forma transparente. Regra prática mais curta: o projeto é da IA, a responsabilidade científica é do pesquisador.
Tarefa de aplicativo
Liste 8 tarefas do seu projeto de pesquisa atual e marque cada uma como de baixo/médio/alto risco. Em seguida, escolha uma tarefa de baixo risco e escreva um prompt com contexto, como "Prompt poderoso" acima. Marque pelo menos 3 elementos (número, impressão, reivindicação) que você precisa verificar na saída e escreva como irá verificá-lo.
lista de verificação
- [ ] Separei as tarefas por nível de risco?
- [] Pretendo verificar cada citação e contagem na saída da IA?
- [ ] Conheço a política de retenção de dados do veículo que utilizo?
- [ ] Li a política de IA da minha instituição e do periódico alvo?
- [ ] Tenho certeza de que mantenho o julgamento científico final?