Análise Estatística de Dados

Inteligência Artificial na Investigação Científica: Utilização Responsável, Limitações e Boas Práticas

Introdução

A Inteligência Artificial (IA) tornou-se uma presença cada vez mais frequente no contexto académico e científico e diversas ferramentas como o ChatGPT, Gemini, Claude, Copilot e Perplexity são atualmente utilizadas por estudantes, investigadores e docentes para apoiar tarefas de pesquisa, organização de informação, redação e análise de dados.

Conforme nos refere a Ca’ Foscari University of Venice (2024) o rápido desenvolvimento dos modelos de linguagem de grande dimensão (Large Language Models – LLMs) veio a modificar de modo significativo a forma como a informação é pesquisada, processada e utilizada em contextos científicos.

Assim, apesar do seu potencial, a utilização destas ferramentas levanta importantes questões metodológicas, éticas e científicas e é importante referir que diversas instituições internacionais, como a Wiley, a ETH Zurich, a Comissão Europeia e várias universidades de referência, têm publicado orientações específicas para promover uma utilização responsável da IA na investigação científica. A suas orientações e recomendações convergem numa ideia central, de que a IA pode apoiar o investigador, mas não pode substituir o pensamento crítico, a supervisão humana nem a responsabilidade científica (Wiley, 2025; European Commission, 2025).

Como tal, não é adequado dizer que a IA já substitui o investigador, mas que deve, antes, ser entendida como uma ferramenta de apoio que pode aumentar a produtividade e facilitar determinadas tarefas, ainda que seja sempre necessário supervisão humana, validação rigorosa da informação produzida e respeito pelos princípios da integridade científica. Para a Wiley (2025), os investigadores devem utilizar a IA como um “assistente de investigação”, sendo, contudo, responsáveis pela exatidão dos conteúdos, das referências bibliográficas, das análises e das conclusões apresentadas.

Mas estando a falar de IA, o que é mesmo isso e como funciona?

 O que é a IA Generativa e como funciona?

Os modelos de IA generativa, também conhecidos como Large Language Models (LLMs), são treinados com grandes volumes de texto provenientes de livros, websites, artigos científicos e outras fontes digitais e  modo como operam centra-se essencialmente na identificação de padrões estatísticos da linguagem, permitindo gerar respostas que aparentam ser coerentes, contextualizadas e linguisticamente corretas.

Porém, é fundamental salientar que estes sistemas não compreendem verdadeiramente a informação da mesma forma que os seres humanos, sendo o seu objetivo principal prever a sequência mais provável de palavras com base nos dados utilizados durante o treino, sendo que, como consequência, a qualidade da resposta depende dos padrões identificados durante esse processo, não resultando de raciocínio científico autónomo ou de compreensão conceptual genuína (Ca’ Foscari University of Venice, 2024).

É esta característica que nos permite compreender como os sistemas de IA conseguem produzir textos aparentemente credíveis, mas também cometer diversos erros factuais, interpretações incorretas ou referências inexistentes. É neste âmbito que a ETH Zurich (2025) já alertou para o facto de estes sistemas não saberem nem pensarem no sentido humano do termo, produzindo antes respostas probabilísticas, o que pode originar fenómenos conhecidos como alucinações, nos quais informação falsa é apresentada como verdadeira. Por esse motivo, qualquer informação produzida por ferramentas de IA deve ser considerada um ponto de partida para análise e nunca uma fonte científica primária.

E então em que a IA pode apoiar a Investigação Ciêntifica?

Como pode a IA apoiar a investigação científica?

A IA pode ser útil em diferentes fases do processo científico, contribuindo para aumentar a eficiência e reduzir o tempo necessário para determinadas tarefas operacionais. São diversas as suas aplicações como:

• Pesquisa bibliográfica e identificação de palavras-chave;
• Organização de conceitos e elaboração de mapas temáticos;
• Resumo preliminar de artigos científicos;
• Apoio à redação e revisão linguística;
• Tradução académica;
• Apoio à programação em R, Python, SPSS Syntax ou outras linguagens;
• Explicação de procedimentos estatísticos e metodológicos;
• Apoio à construção de questionários e guiões de entrevista;
• Organização de dados qualitativos e quantitativos.

Segundo a Ca’ Foscari University of Venice (2024) a IA pode ter bastante utilidade em tarefas repetitivas, demoradas ou de reduzida complexidade intelectual, o que possibilita ao investigadores dedicar-se mais às atividades que exigem pensamento crítico, criatividade e tomada de decisão científica.

Conforme referiu a Wiley (2025) a IA pode apoiar processos como revisões preliminares da literatura, organização de ideias, formatação de referências e revisão linguística de manuscritos. Porém reforçam o facto de estas ferramentas deverem ser utilizadas como complemento ao trabalho do investigador e não como substituto da análise científica.

Apesar de facilitar o processo é muito importante que as fontes originais sejam consultadas e verificadas pelo investigador. A utilização acrítica de resumos produzidos por IA pode conduzir à interpretação incorreta dos resultados de estudos científicos ou à propagação de informação imprecisa.

Neste caso, será que podemos dizer que a IA já substitui totalmente a revisão da literatura por parte dos próprios investigadores?

A IA substitui a pesquisa e revisão da literatura?

Não totalmente.

A IA já consegue apoiar na síntese de artigos científicos e na identificação de literatura potencialmente relevante, através de diversas ferramentas como Perplexity, Elicit, Consensus e Research Rabbit que têm vindo a ganhar popularidade devido à sua capacidade para acelerar as fases iniciais da pesquisa bibliográfica.

Porém é bom esclarecer que uma correcta revisão da literatura é muito mais do que um simples resumo de artigos, implicando também análise crítica, comparação de resultados, identificação de lacunas de investigação, avaliação da qualidade metodológica dos estudos e integração de evidência científica proveniente de múltiplas fontes.

Segundo as orientações da Ca’ Foscari University of Venice (2024), a IA pode ser utilizada para apoiar a identificação inicial de literatura ou para fazer resumos preliminares, mas os investigadores não devem citar ou utilizar trabalhos científicos sem proceder à leitura integral das fontes originais. É importante também alertar, igualmente, para o risco de a IA ignorar estudos relevantes, interpretar incorretamente resultados ou produzir referências inexistentes.

A Wiley (2025) recomenda que qualquer informação obtida através de IA seja posteriormente validada através da consulta direta dos artigos científicos originais, sendo da inteira responsabilidade do autor do trabalho a seleção, interpretação e integração da evidência científica. Assim, a IA pode apoiar a revisão da literatura, mas não substitui as competências científicas necessárias para avaliar criticamente a qualidade e a relevância dos estudos incluídos numa investigação.

E no que respeita à componente empírica e prática dos estudos científicos. A IA já substitui a análise estatística por parte do investigador?

A IA substitui a análise estatística?

Consideramos que também não.

Embora a IA consiga sugerir testes estatísticos, interpretar outputs e gerar código para diferentes softwares, a escolha da análise adequada depende do desenho do estudo, dos objetivos da investigação, das características da amostra e dos pressupostos estatísticos aplicáveis, o que implica conhecimento mais técnico e já alguma experiência.

Apesar de várias ferramentas de IA como ChatGPT, Claude e Copilot conseguirem fornecer explicações detalhadas sobre técnicas estatísticas, auxiliar na programação em R ou Python e até sugerir procedimentos de análise as suas recomendações nem sempre são adequadas ao contexto específico do estudo e podem conter erros metodológicos significativos.

Deste modo, a responsabilidade pela definição metodológica continua a pertencer ao investigador, uma vez que a escolha incorreta de um teste estatístico, a violação de pressupostos ou a interpretação inadequada dos resultados podem comprometer toda a investigação e conduzir a conclusões inválidas.

Sobre este assunto pode consultar outro artigo nosso intitulado:

Importância da Escolha Metodológica na Investigação Científica e a sua Relação com a Análise Estatística

As orientações internacionais sobre utilização responsável da IA sublinham que a supervisão humana é indispensável em tarefas que envolvem tomada de decisão científica, interpretação de resultados e elaboração de conclusões (European Commission, 2025; Wiley, 2025).

Em resumo, a IA até pode facilitar a aprendizagem de métodos estatísticos e apoiar a execução de análises, mas não substitui totalmente o conhecimento especializado necessário para garantir a validade científica dos resultados obtidos.

Assim, quais são as suas principais limitações e riscos?

Principais limitações e riscos

Entre os principais riscos associados à utilização da IA na investigação científica destacam-se:

• Alucinações, isto é, informação falsa apresentada como verdadeira;
• Referências bibliográficas inexistentes;
• DOI incorretos;
• Enviesamentos presentes nos dados de treino;
• Falta de transparência sobre a origem da informação;
• Dependência excessiva da tecnologia;
• Redução do pensamento crítico quando utilizada de forma inadequada;
• Possível exposição de dados pessoais, confidenciais ou ainda não publicados.

Assim, um dos problemas debatidos com bastante frequência na literatura recente é a possibilidade de os sistemas de IA generativa produzirem respostas plausíveis, mas incorretas. Sobre esta questão, a ETH Zurich (2025) alerta que estas ferramentas não “sabem” nem “pensam” criticamente, mas conseguem produzir conteúdos com base em probabilidades, o que podem levar a que misturem factos com ficção, criem referências inexistentes, apresentem ligações incorretas ou formulem afirmações que parecem cientificamente válidas, mas que não resistem a uma verificação rigorosa.

A Ca’ Foscari University of Venice (2024) também sublinha que os modelos de IA podem dar origem a documentos sintaticamente corretos, mas metodologicamente frágeis, contendo informação falsa, enviesada, incompleta ou difícil de identificar, o que se torna um risco particularmente relevante na investigação científica, uma vez que uma referência inventada, uma interpretação estatística incorreta ou uma conclusão mal fundamentada pode comprometer a credibilidade de todo o trabalho.

Outro risco relevante prende-se com os enviesamentos presentes nos dados de treino, dado que como os modelos de IA são treinados com grandes volumes de informação disponível online, podem reproduzir desigualdades, estereótipos, perspetivas dominantes ou lacunas existentes na própria produção científica. Hagendorff (2020), ao analisar várias orientações internacionais sobre ética da IA, demonstrou que princípios como transparência, justiça, responsabilidade, privacidade e não discriminação são frequentemente mencionados, mas nem sempre são fáceis de aplicar na prática, o que significa que a existência de diretrizes éticas não garante, por si só, uma utilização responsável da tecnologia.

Também a dependência excessiva da IA representa igualmente um risco importante. Llerena-Izquierdo e Ayala-Carabajo (2025) referem que a integração da IA em contextos académicos pode constituir oportunidades significativas, como a otimização da investigação e a personalização da aprendizagem, mas também riscos humanos e éticos, incluindo perda de pensamento crítico, dependência tecnológica e homogeneização de ideias. Assim, quando o investigador passa a aceitar respostas geradas pela IA sem questionar, perde-se uma parte essencial do processo científico,  que é a dúvida, a análise crítica e a capacidade de construir conhecimento de forma autónoma.

É neste sentido que a importância da validação humana se tornou particularmente evidente em casos recentes de retratação de artigos científicos associados à utilização inadequada de ferramentas de IA. Como exemplo mais recente temos um artigo, deste mesmo ano, submetido à revista IJC Heart & Vasculature (mais info) que foi retratado após os seus revisores terem identificado múltiplas referências com títulos, autores, revistas e DOI incompatíveis, bem como várias referências que simplesmente não existiam. No aviso de retratação, os editores referiram explicitamente que não conseguiram identificar durante o processo de revisão o uso indevido de ferramentas de IA na elaboração do manuscrito. Este caso demonstra que, embora a IA possa facilitar a redação e a organização da informação, a responsabilidade pela verificação das referências, da qualidade das fontes e da exatidão do conteúdo continua a pertencer integralmente aos autores.

É por este motivo que toda a informação produzida por IA deve ser cuidadosamente verificada, sendo que A IA apesar de poder acelerar tarefas, organizar informação e sugerir caminhos de análise não deve ser utilizada como fonte final de verdade científica e a validação das fontes, a leitura dos documentos originais, a confirmação dos DOI, a análise dos métodos e a interpretação dos resultados continuam a ser responsabilidades humanas.

Questões éticas e integridade científica

As principais orientações internacionais sobre a utilização da Inteligência Artificial na investigação científica convergem em quatro princípios fundamentais: transparência, responsabilidade, supervisão humana e proteção da privacidade (European Commission, 2025; Wiley, 2025; Ca’ Foscari University of Venice, 2024). Como tal voltamos a referir, que embora a IA possa apoiar diversas etapas do processo científico, a responsabilidade pelas decisões metodológicas, interpretações e conclusões permanece sempre do lado do investigador.

A transparência constitui outro elemento central da integridade científica, o que faz com que as orientações da Ca’ Foscari University of Venice (2024) sejam no sentido de os investigadores descreverem claramente de que forma utilizaram ferramentas de IA, especificando, sempre que relevante, os sistemas utilizados, as versões empregues e o papel desempenhado pela tecnologia no desenvolvimento da investigação. Esta transparência é fundamental para garantir a reprodutibilidade científica e permitir que outros investigadores compreendam adequadamente os procedimentos adotados.

Outra preocupação crescente e muito relevante é a proteção da privacidade e da confidencialidade, e neste aspecto a ETH Zurich (2025) alerta para o facto de muitos sistemas de IA armazenarem ou utilizarem os dados introduzidos pelos utilizadores para fins de melhoria dos modelos. Consequentemente, os investigadores devem evitar inserir informações confidenciais, dados pessoais identificáveis, resultados ainda não publicados, informação protegida por acordos de confidencialidade ou conteúdos sujeitos a propriedade intelectual sem as devidas salvaguardas.

Estes preocupações éticas tornam-se particularmente relevantes em áreas que envolvem dados sensíveis ou participantes humanos, e a Wiley (2025) reforça esta questão ao recomendar que os investigadores avaliem cuidadosamente os riscos associados à utilização de IA em projetos que envolvam dados pessoais, informações clínicas, entrevistas, imagens identificáveis ou qualquer conteúdo cuja divulgação possa comprometer a privacidade dos participantes. Em alguns contextos, poderá mesmo ser necessário obter pareceres adicionais das comissões de ética ou rever os consentimentos informados inicialmente obtidos.

Outro aspeto frequentemente discutido refere-se à autoria científica, existindo, na atualidade, um consenso alargado entre universidades, editoras científicas e organismos internacionais de que as ferramentas de IA não podem ser consideradas autoras de artigos científicos. A ETH Zurich (2025) menciona mesmo que os sistemas de IA não podem assumir responsabilidade intelectual pelo conteúdo produzido, não participam conscientemente no processo científico e não podem responder por eventuais erros ou violações éticas, não cumprindo como tal os critérios normalmente exigidos para atribuição de autoria académica.

Além disso, Hagendorff (2020) chamou a atenção para uma questão frequentemente ignorada nos debates sobre IA, que é o facto de a existência de princípios éticos não garantir automaticamente comportamentos éticos. Embora muitas organizações e empresas adotam diretrizes sobre transparência, justiça ou responsabilidade a aplicação prática desses princípios continua a ser um desafio. Assim, a utilização responsável da IA depende não apenas da tecnologia, mas também da formação, do julgamento crítico e do compromisso ético dos próprios investigadores.

Em resumo a integridade científica continua a assentar nos mesmos princípios que orientam a investigação tradicional que são o rigor metodológico, a honestidade intelectual, a transparência, a responsabilidade e o respeito pelos participantes e pela comunidade científica e a IA pode apoiar estes objetivos quando utilizada de forma adequada, embora também possa, igualmente, criar novos riscos quando utilizada sem supervisão ou validação crítica.

E relativamente a outra questão que tantas dores de cabeça tem dado a investigadores e estudantes universitários. Os famosos detectores de IA funcionam realmente?

Detetores de IA: funcionam realmente?

Com o elevado e constante crescimento da utilização de ferramentas de IA generativa também foram surgindo paralelamente diversos sistemas de deteção automática, como Turnitin AI, GPTZero, Copyleaks e ZeroGPT, plataformas que procuram identificar padrões linguísticos que permitam distinguir textos produzidos por humanos de conteúdos gerados por Inteligência Artificial. Contudo, é importante ressalvar que a evidência científica mais recente sugere que a eficácia destes sistemas continua a apresentar limitações significativas.

Num estudo muito recente (Giray et al., 2026) foi analisado o desempenho de vários detetores de IA, tendo-se concluido que a precisão dos resultados varia consideravelmente entre plataformas. Os autores verificaram que alguns sistemas apresentam taxas elevadas de falsos positivos, classificando incorretamente textos produzidos por humanos como conteúdos gerados por IA. Simultaneamente, também foram observados falsos negativos, nos quais textos produzidos por ferramentas de IA não foram identificados corretamente. Tais resultados demonstram que a deteção automática continua longe de oferecer níveis de fiabilidade suficientes para servir como prova definitiva de autoria. Os autores também fazem referência à facilidade com que determinados conteúdos podem escapar à deteção, uma vez que pequenas alterações realizadas pelo utilizador, como reformulações, reorganização de frases ou introdução de exemplos próprios, podem alterar significativamente a classificação atribuída pelos sistemas, sendo também de destacar o facto de que à medida que os modelos de linguagem evoluem e produzem textos cada vez mais semelhantes à escrita humana, os desafios enfrentados pelos detetores tornam-se ainda maiores.

Para além das limitações técnicas, Deep et al. (2025) alertaram para importantes implicações éticas associadas à utilização destes mecanismos em contextos académicos, afirmando que muitos detetores funcionam como sistemas pouco transparentes, não permitindo compreender claramente os critérios utilizados para classificar um texto como humano ou artificial, falta de transparência esta que levanta grandes preocupações relativamente à justiça, à responsabilidade institucional e ao direito dos utilizadores contestarem decisões potencialmente incorretas.

Os problemas tornam-se particularmente relevantes para estudantes multilíngues ou não nativos de inglês e neste caso para Deep et al. (2025), algumas características linguísticas frequentemente presentes nestes grupos podem ser interpretadas pelos algoritmos como indícios de escrita produzida por IA, aumentando o risco de classificações incorretas. Como consequência, determinados estudantes podem ser injustamente penalizados, mesmo quando produziram os seus trabalhos de forma autónoma.

Em suma, tanto Giray et al. (2026) como Deep et al. (2025) defendem que os resultados produzidos pelos detetores de IA não devem ser utilizados como prova única em processos disciplinares ou decisões relacionadas com integridade académica, devendo, antes pelo contrário, ser encarados como indicadores complementares que necessitam sempre de validação humana, análise contextual e avaliação crítica por parte dos docentes ou investigadores envolvidos.

A tendência mais recente nas instituições de ensino superior aponta para uma mudança de paradigma. Em vez de depender exclusivamente da deteção automática, muitas universidades estão a privilegiar estratégias centradas na literacia digital, na utilização ética da IA e na reformulação dos métodos de avaliação, sendo o principal objetivo passa promover uma utilização responsável destas tecnologias, reconhecendo simultaneamente os benefícios que podem trazer para a aprendizagem e para a investigação científica.

É possivel então concluir que os detetores de IA podem constituir uma ferramenta útil de apoio à integridade académica, mas não são infalíveis, uma vez que a evidência científica disponível sugere que devem ser utilizados com prudência, complementados por avaliação humana e enquadrados por políticas institucionais transparentes e justas. Deste modo o maior desafio não é apenas identificar a utilização da IA, mas sobretudo promover uma cultura de responsabilidade, ética e utilização crítica destas tecnologias no contexto académico e científico.

E como podemos referir a utilização de IA?

Como referenciar a utilização de IA?

A crecente utilização de ferramentas de IA generativa na investigação científica levou universidades, editoras e organizações internacionais a desenvolver orientações específicas para garantir transparência e integridade académica e apesar de não existir ainda uma norma universal aplicável a todas as áreas científicas, existe um consenso crescente de que a utilização da IA deve ser declarada sempre que tenha contribuído de forma relevante para a elaboração do trabalho (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024).

Conforme já foi referido, a transparência é um princípio fundamental da investigação científica e tal como os investigadores descrevem os métodos, os instrumentos utilizados e os procedimentos adotados, também a utilização de ferramentas de IA deve ser comunicada de forma clara quando influencia a redação, organização, análise ou interpretação da informação. Com esta prática leitores, revisores e outros investigadores podem compreender adequadamente o processo de produção científica e avaliar a qualidade do trabalho realizado.

Segundo as orientações da Wiley (2025), a utilização de IA deve ser declarada especialmente quando as ferramentas são utilizadas para produzir texto, reorganizar argumentos, traduzir conteúdos ou apoiar processos metodológicos. A organização recomenda que estas informações sejam incluídas nas secções apropriadas do manuscrito, como os agradecimentos, os métodos ou outras secções destinadas à descrição dos procedimentos utilizados.

A Ca’ Foscari University of Venice (2024) vai ainda mais longe ao recomendar que os investigadores descrevam não apenas a ferramenta utilizada, mas também a sua versão, os objetivos da sua utilização e, sempre que relevante, os prompts ou instruções fornecidas ao sistema, referindo mesmo que é esta transparência que contribui para aumentar a reprodutibilidade da investigação e facilita a avaliação crítica dos resultados obtidos.

Por sua vez, a ETH Zurich (2025) destaca que a utilização não declarada de ferramentas de IA pode constituir uma forma de ocultação da verdadeira origem de determinados conteúdos, defendendo que os autores devem assumir total responsabilidade pelos textos produzidos e indicar claramente quando recorreram a sistemas de IA para apoiar tarefas específicas. Esta necessidade de transparência

A American Psychological Association (APA) também reconhece a necessidade de transparência relativamente à utilização de IA generativa, apontando para o facto de apesar de as ferramentas de IA não serem consideradas autores e não possam ser citadas como fontes científicas convencionais, a sua utilização deve ser descrita quando tiver desempenhado um papel relevante na elaboração do trabalho.

Um exemplo simples de declaração poderá ser:

Foi utilizada uma ferramenta de inteligência artificial para apoio na organização preliminar de ideias, revisão linguística e melhoria da clareza textual. Todo o conteúdo foi posteriormente revisto, validado e adaptado pelo autor.

Contudo em investigações mais complexas, poderá ser necessário fornecer uma descrição mais detalhada, incluindo a ferramenta utilizada, a versão empregue e o tipo de apoio fornecido pela IA.

Importa voltar a reforçar que a utilização de IA não transfere qualquer responsabilidade científica para a tecnologia, sendo que Independentemente do grau de utilização destas ferramentas, os autores continuarem a ser totalmente responsáveis pela exatidão da informação, pela validade metodológica, pela interpretação dos resultados e pelo cumprimento das normas éticas e científicas aplicáveis (Wiley, 2025; ETH Zurich, 2025).

À medida que a utilização da IA se torna mais comum na investigação científica, é expectável que universidades, revistas científicas e entidades financiadoras continuem a atualizar as suas orientações. Por esse motivo, os investigadores devem consultar regularmente as normas específicas aplicáveis à sua instituição, área científica ou publicação de destino, garantindo que a utilização destas tecnologias ocorre de forma transparente, responsável e alinhada com os princípios da integridade científica.

Conclusão

Com a presente revisão e a pesquisa levada a cabo para a sua realização foi possível constatar que a Inteligência Artificial está a transformar profundamente a forma como a investigação científica é desenvolvida, oferecendo novas oportunidades para aumentar a eficiência, facilitar o acesso à informação e apoiar diversas tarefas ao longo do processo de investigação, sendo cada vez mais as ferramentas de IA generativa que podem contribuir para a pesquisa bibliográfica, organização de conteúdos, revisão linguística, programação e apoio metodológico, permitindo que os investigadores reduzam o tempo dedicado a atividades operacionais e concentrem mais esforços na análise e interpretação científica.

Porém apesar destas vantagens, a sua crescente utilização também levanta desafios importantes, como a produção de informação incorreta, referências inexistentes, enviesamentos, problemas de transparência e riscos associados à privacidade que demonstram que a IA não pode ser utilizada de forma acrítica. Assim as várias orientações internacionais analisadas ao longo deste artigo (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024) são consistentes ao afirmar que a supervisão humana continua a ser indispensável e que a responsabilidade científica permanece sempre do lado dos investigadores .

É então evidente que atualmente a IA deva ser encarada como uma ferramenta de apoio e não como substituto do pensamento crítico, da capacidade analítica ou do julgamento científico que a qualidade da investigação continua a depender da formulação adequada das questões de investigação, da escolha dos métodos, da interpretação rigorosa dos resultados e da capacidade de produzir conhecimento novo e relevante para a comunidade científica.

Para além disso, as questões relacionadas com a ética, a transparência e a integridade científica são de importância crescente e cada mais significativa, uma vez que a utilização responsável da IA implica verificar cuidadosamente toda a informação produzida, proteger dados sensíveis, declarar adequadamente a utilização destas ferramentas e garantir que as decisões científicas permanecem sob controlo humano. Como já salientaram Hagendorff (2020) e a Comissão Europeia (2025), o verdadeiro desafio não se restringe unicamente ao desenvolvimento da tecnologia, mas também à capacidade de assegurar que a sua utilização respeita valores fundamentais como a responsabilidade, a justiça, a transparência e a confiança.

À medida que a Inteligência Artificial continua a evoluir, é provável que o seu papel na investigação científica se torne cada vez mais relevante, embora independentemente dos avanços tecnológicos que venham a surgir, o rigor metodológico, a honestidade intelectual e o pensamento crítico continuem a ser os pilares fundamentais da produção científica. A IA pode acelerar processos e apoiar o trabalho dos investigadores, mas não substitui totalmente a experiência, o conhecimento especializado nem a capacidade humana de compreender, interpretar e produzir ciência de qualidade.

É com este pensamento que a nossa equipa trabalha para apoiar e contribuir para a produção de conhecimento e evidências cientificas de relevo.

Precisa de apoio no seu projeto?

Prestamos apoio especializado em revisão da literatura, metodologia científica, definição amostral, validação de instrumentos, análise estatística (SPSS, JASP, Jamovi, R e SmartPLS), interpretação e discussão de resultados e apoio à redação científica.

Então, se necessita de apoio na elaboração da sua dissertação, tese, artigo científico ou projeto de investigação, entre em contacto para obter acompanhamento especializado e adaptado às necessidades específicas do seu estudo.

Pode também consultar mais sobre os nosso serviços em:

Consultoria em Trabalhos académicos

Explicações de Análise Estatística

Referências Bibliográficas

American Psychological Association (APA) (2026). APA Journals policy on generative AI: Additional guidance. https://www.apa.org/pubs/journals/resources/publishing-tips/policy-generative-ai 

Ca’ Foscari University of Venice (2024). Guidelines for the Responsible Use of Artificial Intelligence in Research. Computer Services and Telecommunications Area (ASIT) Working Group for ICT Research Support Activities. https://www.unive.it/pag/fileadmin/user_upload/ateneo/norme_regolamenti/regolamenti/servizi-informatici/Linee_Guida_IA_Ricerca_ENG.pdf 

Deep, P.D., Edgington,W.D., Ghosh, N., & Rahaman, M.S. Evaluating the Effectiveness and Ethical Implications of AI Detection Tools in Higher Education. Information 2025, 16, 905. https://doi.org/10.3390/info16100905 

ETH Zurich (2025). Plagiarism and generative Artificial Intelligence. https://library.ethz.ch/en/scientific-writing/plagiat-und-kuenstliche-intelligenz-ki.html 

European Comission (2026). Guidelines on the ethical use of artificial intelligence and data in teaching and learning for Educators. https://doi.org/10.1007/s11023-020-09517-8doi:10.2766/7967834 

Giray, L., Roe, J., & Espiritu, J.D. (2026). AI writing detectors are ineffective, unreliable and harmful. English Teaching: Practice & Critique. https://doi.org/10.1007/s11023-020-09517-810.1108/ETPC-07-2025-0155  

Hagendorf, T. (2020). The Ethics of AI Ethics: An Evaluation of Guidelines. Minds and Machines. https://doi.org/10.1007/s11023-020-09517-8 

Llerena-Izquierdo, J., & Ayala-Carabajo, R. Ethics of the Use of Artificial Intelligence in Academia and Research: The Most Relevant Approaches, Challenges and Topics. Informatics 2025, 12, 111. https://doi.org/10.3390/informatics12040111 

Wiley (2025). AI guidelines for researchers: Using AI tools in your research. https://www.wiley.com/en-nl/publish/article/ai-guidelines/