O futuro do artigo científico na era da IA

Por Ernesto Spinak

Introdução

Imagem: Nathan Dumlao via Unsplash.

O modelo tradicional do artigo científico, concebido há séculos para acelerar o intercâmbio de resultados, aparentemente terminou. Estamos vivendo sua fase de sobrevivência, na qual se questiona a validade do documento PDF imutável como uma “caixa preta” (que alguns consideram um “fóssil”), já que sua rigidez facilita a fraude ao permitir ocultar dados manipulados ou metadados inseridos.

Uma possível transição aponta para a ciência como um processo contínuo e em constante construção, onde o conhecimento não se condensa em um produto, mas em cadernos de pesquisa abertos (como os Jupyter Noteboks). Onde o código e os dados coexistem de forma auditável, garantindo a transparência ao documentar quem tomou uma decisão, quando ela foi tomada e qual informação foi utilizada.

Situação atual: integridade, citações fantasmas, referências ocultas

Uma das ameaças é a manipulação de metadados por meio das chamadas “referências ocultas” (sneaked references). Trata-se de citações que não aparecem nem no texto do artigo nem em sua bibliografia visível.

A primeira pesquisa sobre o tema, publicada no arXiv no ano passado, Detection of metadata manipulations: Finding sneaked references in the scholarly literature ¹, demonstra que a infraestrutura global de comunicação científica apresenta uma vulnerabilidade na qual “é possível manipular artificialmente o impacto científico inserindo citações inexistentes nos metadados de um artigo sem alterar o documento publicado, comprometendo, assim, a confiabilidade dos sistemas internacionais de avaliação baseados em citações. Os resultados são extraordinariamente reveladores. A análise de 4.077 documentos identificou mais de 80.000 referências fraudulentas inseridas artificialmente, distribuídas em 2.787 artigos manipulados”. [2]

O objetivo principal destas citações fantasmas é inflar artificialmente os indicadores de desempenho baseados em citações, como o índice h, o Fator de Impacto dos periódicos e o Field-Weighted Citation Impact (FWCI). Como estas métricas são a base de rankings globais de prestígio (como o Ranking de Shanghai ou as listas de pesquisadores altamente citados da Clarivate), a fraude acaba comprometendo a confiabilidade de todo o sistema de avaliação acadêmica.

As citações fantasmas são inseridas diretamente nos metadados de artigos registrados em agências como a Crossref, o que faz com que se espalhem pelas principais plataformas de cienciometria. Como consequência, estas fraudes forçaram as instituições de infraestrutura a tomar medidas drásticas, como a revogação permanente da filiação à Crossref e, mais importante, uma “crise de confiança”, como apontado no editorial publicado por ACS Nano no começo de 2026, Peer Review and AI: Your (Human) Opinion Is What Matters ² , onde se detalha como as avaliações geradas por IA estão homogeneizando a ciência, destruindo o pensamento crítico e criando “falsas eficiências” que sobrecarregam os editores humanos.

O fenômeno expõe uma “crise ontológica” na ciência, em que o sistema de incentivos do tipo “publique ou pereça” (publish or perish) leva as editoras a priorizar o volume e o impacto em detrimento da solidez da descoberta. (Veja el editorial More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review ³ , que analisa o comportamento dos periódicos científicos após a adoção em massa dos LLMs e conclui que a IA, combinada com os incentivos tradicionais das agências de avaliação e os acordos transformativos, está levando a academia a produzir mais volume em vez de melhor pesquisa, deteriorando os padrões de legibilidade e profundidade conceitual).

Consequentemente, a saturação do sistema pelo uso da IA para gerar artigos e citações fraudulentas ameaça criar um “ciclo fechado” em que alguns computadores escrevem e outros revisam, esvaziando o ecossistema de validação científica de rigor empírico e da intervenção humana. Isso dificulta que pesquisadores humanos consigam distinguir entre ciência legítima e “lixo sofisticado” baseado em dados inventados.

E se passássemos para a automação total da ciência?

O risco da automação total na ciência não é simplesmente uma mudança tecnológica, mas é descrito nas fontes como uma resposta à crise ontológica que afeta a própria essência do conhecimento e sua validação. Os principais riscos mencionados são os seguintes:

• Perda de rigor: A automatização total poderia levar à aprovação de documentos que carecessem de pesquisa real, integridade ou padrões científicos mínimos.
• Ausência de intervenção humana: Ao eliminar a intervenção experiente de pesquisadores humanos, o ecossistema de validação científica fica desprovido de conteúdo empírico.
• Atrofia do pensamento crítico: O ato de escrever um artigo não é um mero trâmite administrativo, mas uma forma de pensar. A luta para articular uma descoberta obriga o cientista a detectar incoerências metodológicas e lacunas em seu raciocínio.
• Saturação do sistema: As chamadas “fábricas de artigos” (paper mills) utilizam IA para gerar imagens, gráficos e dados sintéticos impecáveis, criando textos coerentes a custo quase zero, difíceis de serem identificados como fraudes por pareceristas humanos. No artigo de Kobak et al., Delving into LLM-assisted writing in biomedical publications through excess vocabulary ⁴, publicado em Science Advances, o estudo analisou mais de 15 milhões de resumos no PubMed até o final de 2024, constatando que pelo menos 13,5% dos artigos biomédicos apresentam traços linguísticos inequívocos de terem sido processados ou redigidos por LLMs.
• A automação do processo científico tende a padronizar a ciência, eliminando a diversidade de concepções epistêmicas que a enriquecem.
• Complacência (adulação): Existe o risco de que os algoritmos de avaliação tendam à complacência, validando apenas ideias que se encaixam em padrões estatísticos pré-estabelecidos e marginalizando ideias disruptivas ou contraintuitivas.

Uma mudança radical na narrativa global em direção às Unidades Mínimas Verificáveis

O presente pode estar preparando o caminho para o futuro, propondo uma mudança radical na forma de avaliar a ciência. Em vez de revisar um artigo como um bloco narrativo indivisível, existem plataformas como o OpenEval (que propõem decompor cada artigo em “unidades mínimas verificáveis” ou afirmações concretas (claims).

• Avaliação detalhada: A IA pode extrair automaticamente estas afirmações e classificá-las de acordo com as evidências que as sustentam (dados experimentais, referências anteriores ou inferências estatísticas).
• Eficiência: Em testes realizados com o periódico eLife, o sistema de IA conseguiu avaliar 93% das afirmações de um manuscrito, superando a cobertura de 68% alcançada, em média, por pareceristas humanos, como apontado no artigo The next unit of science: Is the scientific paper due to be replaced?.⁵

A homogeneização da ciência pela IA

Embora haja vantagens, existe um risco existencial associado à automação total. Estamos testemunhando o surgimento de um “ciclo fechado” em que a IA escreve e a IA avalia.

• Saturação do sistema: Ferramentas como o Paper Orchestra do Google [5] podem transformar anotações de laboratório em um manuscrito completo em 40 minutos. Isso fez com que até 21% das avaliações por pares em conferências de ciência da computação fossem geradas inteiramente por LLMs, como demonstrado no preprint PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing ⁶
• O autor humano fica invisibilizado: o uso massivo destas ferramentas tende a homogeneizar a linguagem, criando um mundo onde a IA fala “por nós”, mas não necessariamente “como nós”, corroendo a criatividade e a diversidade epistêmica.
• Reducionismo tecnocientífico: Ao tentar automatizar a avaliação por meio da fragmentação em “unidades mínimas verificáveis”, corre-se o risco de adotar uma abordagem reducionista. Embora seja útil para verificar dados isolados, este método pode falhar ao não captar a síntese complexa, a teorização holística e a discussão epistêmica, especialmente em áreas como as ciências humanas e sociais.

Uma lembrança — espero que não nostálgica — é a advertência de que “escrever é pensar”. A dificuldade de redigir um artigo obriga o pesquisador a confrontar lacunas em seu raciocínio e detectar incoerências que não percebeu durante o experimento. Ao automatizar a escrita, corre-se o risco de eliminar este “trabalho de reflexão” essencial para o conhecimento profundo.

OpenEval para avaliar documentos e outros meios de análise forense

Existem algumas ferramentas editoriais para detectar e impedir várias das fraudes mencionadas. Apresentamos nesta seção detalhes sobre o OpenEval e acrescentaremos detalhes técnicos de outros procedimentos no Anexo, no final deste post.

OpenEval propõe que os periódicos científicos separem duas funções que atualmente estão mescladas nos artigos:

• Divulgação de resultados: estes devem ser publicados em um formato estruturado e legível por máquinas.
• Comunicação de ideias: a narrativa tradicional (o PDF) passaria a ser simplesmente uma camada interpretativa sobre esta base de dados estruturada e consultável.

Eficácia comprovada

Em um teste em grande escala utilizando o corpus do periódico eLife (aproximadamente 16.000 artigos), o sistema apresentou resultados notáveis.

• Extração em massa: identificou quase 2 milhões de afirmações individuais.
• Precisão: a IA e os pareceristas humanos concordaram em 81% dos casos.
• Cobertura: O OpenEval avaliou 93% das afirmações dos manuscritos, superando significativamente os 68% de cobertura alcançados, em média, pelos pareceristas humanos devido às limitações de tempo e à complexidade dos textos.

As plataformas do tipo “OpenEval” propõem uma revolução na avaliação científica ao substituir a revisão global do artigo por uma análise automatizada de cada afirmação individual contida no documento, demonstrando que a inteligência artificial pode participar ativamente da validação do conhecimento científico e questionando o modelo tradicional de avaliação por pares que dominou a ciência durante séculos, como demonstrado no trabalho Science should be machine-readable⁷.

Papel do Acesso Aberto e servidores de preprints

O Acesso Aberto surge nas fontes como uma das ferramentas de resistência estrutural mais poderosas para desmantelar as fraudes de citações fantasmas e outros problemas introduzidos pela IA, bem como o oligopólio dos editores de periódicos com as taxas de publicação (APC) incluídas. O papel do Acesso Aberto não é apenas uma forma de distribuição, mas também de auditoria e mudança de incentivos.

No modelo tradicional, um artigo é revisado por dois ou três pareceristas, geralmente em um processo pouco transparente. Em contrapartida, o Acesso Aberto permite que milhares de cientistas revisem o documento simultaneamente, o que possibilita:

• Detecção de anomalias: Plataformas como PubPeer permitem que a comunidade comente e denuncie publicamente padrões fraudulentos, como o excesso de citações inexplicáveis ou metadados inconsistentes, o que se mostra muito mais eficaz do que o filtro tradicional de avaliação fechada.
• Análise pós-publicação: Ao disponibilizar o documento abertamente, as chances de detectar manipulações estatísticas ou referências inseridas aumentam exponencialmente.

Ao romper com o modelo de “caixas pretas” e de produtos finais e imutáveis, como os PDFs publicados no modelo comercial, o modelo de Acesso Aberto impulsiona a transição para uma “Ciência de Processos”, na qual se publica não apenas o texto, mas também o contexto da pesquisa, o código e os dados brutos. Além disso, se o processo for aberto e auditável em tempo real, a utilidade de inventar citações ou manipular metadados desaparece, já que qualquer algoritmo de IA ou pesquisador pode verificar a rastreabilidade das evidências.

O sistema de servidores de preprints para artigos de acesso aberto altera o modelo econômico e os incentivos, atuando contra as “fábricas de artigos”, pois os periódicos comerciais que cobram altas taxas de publicação (APC) têm hoje um incentivo financeiro para aceitar um grande volume de artigos, o que flexibiliza os filtros de qualidade e abre as portas para fraudes industrializadas.

O acesso aberto real (no qual nem o autor nem o leitor pagam, modelo Diamante) elimina a pressão comercial pelo volume, permitindo manter padrões éticos mais rigorosos e reduzindo a atratividade das táticas de “citation gaming” para inflar métricas de mercado.

E poderíamos acrescentar, ademais, que o modelo tradicional raramente publica estudos com resultados malsucedidos, pois eles não geram citações. O Acesso Aberto facilita a publicação destes resultados, o que é vital para treinar modelos de IA com dados honestos e não tendenciosos, evitando a necessidade de os pesquisadores “maquiarem” ou injetarem citações para fazer com que suas descobertas pareçam mais bem-sucedidas do que realmente são.

O Acesso Aberto promove a interoperabilidade ao publicar em formatos como o XML-JATS, que transformam o artigo em um objeto computacional. Isso permite que redes de conhecimento legíveis por máquinas coletem e verifiquem automaticamente as referências, detectando imediatamente se uma citação nos metadados não tem o correspondente respaldo no texto real.

Por fim, podemos observar que o Acesso Aberto facilita a auditoria técnica automatizada. Para que ferramentas forenses como o GROBID ou os algoritmos de cross-referencing funcionem, é imprescindível ter acesso ao texto completo dos artigos.

A validação não pode ser um evento único de “aprovado/rejeitado” antes da publicação. Plataformas de preprints apontam o caminho: a avaliação por pares deve ser um diálogo público, pós-publicação, comunitário e evolutivo. A IA pode atuar como um assistente de primeira linha (verificando a consistência estatística, o formato e a verificação da bibliografia com ferramentas forenses), mas a avaliação do valor heurístico e conceitual deve ser feita por seres humanos e pela comunidade de interessados.

Conclusões

O futuro do artigo científico não reside apenas no aprimoramento dos algoritmos de detecção de fraudes, mas em uma mudança de paradigma:

Passar da “produção de texto para ser indexado” para a “produção de conhecimento verificável para ser compartilhado”

A arquitetura que substituir o modelo atual deverá encontrar um equilíbrio entre a eficiência algorítmica e a reflexão humana que definiu a ciência ao longo de séculos.

Em resumo, a automação total do processo científico ameaça transformar o artigo científico de um veículo de descoberta em uma mera moeda de troca burocrática, onde o volume de publicações prevalece sobre a solidez e a veracidade das descobertas.

Por fim, preprints e Acesso Aberto descentralizam a autoridade epistêmica, tirando das editoras o poder de decidir o que é “ciência válida” com base em métricas opacas, devolvendo a validação à comunidade científica global, transformando-a em um exercício de transparência em tempo real, capaz de resistir ao ritmo da automação e incorporá-lo à Ciência em Progresso.

Anexo – alguns métodos de revisão forense

As ferramentas editoriais atualmente utilizadas para detectar e impedir fraudes são:

1. Analisadores de XML/PDF
2. Cross-referencing automatizado
3. Realizar uma operação de interseção entre conjuntos de citações

$$\text{Anomalias} =  \text{Referências}_{\text{Crossref}} \setminus\text{Referências}_{\text{PDF}}$$

$$\text{Referências}_{\text{Crossref}}

é o conjunto de todas as referências bibliográficas registradas oficialmente nos metadados da Crossref para um artigo ou documento específico.

$$\text{Referências}_{\text{PDF}}

É o conjunto de todas as referências que realmente aparecem no final do texto, no arquivo PDF do artigo.

Operação ($\setminus)

O operador de diferença significa: “Pegue tudo o que está no primeiro conjunto e subtraia o que também aparecer no segundo”. Ou seja, ficam apenas os elementos que pertencem ao primeiro, mas não ao segundo.

Portanto, o conjunto $\text{Anomalias}$ dá como resultado: Todas as referências que o editor registrou em Crossref, mas que não existem fisicamente no texto do PDF.

No âmbito da análise de integridade científica ou auditoria de metadados, esse resultado revela discrepâncias graves, tais como:

• Citações fantasmas: referências que foram oficialmente indexadas (o que inflaciona a contagem de citações de outros autores nas bases de dados), mas que o leitor nunca verá no artigo real.
• Erros de produção: falhas da editora ao exportar os metadados XML para o Crossref, ou cortes de última hora no texto do PDF que não foram atualizados no registro oficial.
• Vieses de extração: se a lista à direita foi obtida por meio de um software de extração de texto (como GROBID ou ParsCit), um resultado aqui também poderia indicar que o extrator falhou ao ler certas páginas do PDF.
• Se o conjunto resultante não estiver vazio, isso significa que a editora inseriu metadados invisíveis para o leitor do artigo.

4. Análise de Redes e Anomalias Estatísticas (Grafos)

Para entender como se detecta a fraude envolvendo referências infiltradas, o processo se divide em duas fases tecnológicas:

• extração e estruturação do conteúdo real do PDF (onde se destaca o uso do GROBID: GeneRation Of Bibliographic Data),
• aplicação de algoritmos de detecção forense que cruzam estes dados com os metadados oficiais de agências como a Crossref.

5. Extração e Classificação Automatizada

O sistema utiliza processamento linguístico avançado para extrair automaticamente cada afirmação do texto. Uma vez extraídas, ele as classifica de acordo com o tipo de evidência que as sustenta:

• Dados experimentais diretos.
• Referências bibliográficas anteriores.
• Inferências estatísticas.
• Interpretações especulativas.

6. Avaliação da Evidência

Uma vez classificada, a inteligência artificial avalia se as evidências apresentadas realmente corroboram a afirmação feita. Isso permite identificar conexões ocultas; por exemplo, o sistema conseguiu detectar pesquisas que chegavam a conclusões complementares, mas que não se citavam mutuamente por pertencerem a subcampos distintos.

Notas

1. BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2501.03771. Available from: https://arxiv.org/abs/2501.03771↩

2. BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [viewed 20 July 2026]. Available from: https://pubs.acs.org/doi/10.1021/acsnano.6c00490↩

3. GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [viewed 20 July 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Available from: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3↩

4. KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [viewed 20 July 2026]. https://doi.org/10.1126/sciadv.adt3813. Available from: https://www.science.org/doi/10.1126/sciadv.adt3813↩

5. The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [viewed 20 July 2026]. Available from: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/↩

6. SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2604.05018. Available from: https://arxiv.org/abs/2604.05018↩

7. BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.64898/2026.01.30.702911. Available from: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full↩

Referências

BESANÇON, L.; CABANAC, G.; LABBÉ, C.; MAGAZINOV, A.; DI SCALA, J.; TKACZYK, D.; WEBER-BOER, K. Detection of metadata manipulations: Finding sneaked references in the scholarly literature. arXiv [online]. 2025 [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2501.03771. Available from: https://arxiv.org/abs/2501.03771

BOOESHAGHI, A. S. Science should be machine-readable. bioRxiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.64898/2026.01.30.702911. Available from: https://www.biorxiv.org/content/10.64898/2026.01.30.702911v1.full

BURIAK, J. M. et al. Peer Review and AI: Your (Human) Opinion Is What Matters. ACS Nano [online]. 2026, vol. 20, no. 4, [viewed 20 July 2026].Available from: https://pubs.acs.org/doi/10.1021/acsnano.6c00490

GARTENBERG, C. et al. More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review. Organization Science [online]. 2026, vol. 37, no. 3, pp. 795–812, ISSN: 1047-7039 [viewed 20 July 2026]. https://doi.org/10.1287/orsc.2026.ed.v37.n3. Available from: https://pubsonline.informs.org/doi/10.1287/orsc.2026.ed.v37.n3

KOBAK, D. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances [online]. 2025, vol. 11, no. 27, pp. eadt3813, ISSN: 2375-2548 [viewed 20 July 2026]. https://doi.org/10.1126/sciadv.adt3813. Available from: https://www.science.org/doi/10.1126/sciadv.adt3813

SONG, Y. PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing. arXiv [online]. 2026. [viewed 20 July 2026]. https://doi.org/10.48550/arXiv.2604.05018. Available from: https://arxiv.org/abs/2604.05018

The next unit of science: Is the scientific paper due to be replaced? [online]. The Transmitter: Neuroscience News and Perspectives. 2026 [viewed 20 July 2026]. Available from: https://www.thetransmitter.org/from-bench-to-bot/the-next-unit-of-science-is-the-scientific-paper-due-to-be-replaced/

Para la preparación de este post se contó con la asistencia de Gemini 3.1, Perplixity y NotebokLM

Sobre Ernesto Spinak

Colaborador de SciELO, Ingeniero en Sistemas y Lic. en Biblioteconomía, con Diploma de Estudios Avanzados pela Universitat Oberta de Catalunya y Maestría en “Sociedad de la Información” por la Universidad Oberta de Catalunya, Barcelona – España. Actualmente tiene una empresa de consultoría que atiende a 14 instituciones de gobierno y universidades en Uruguay con proyectos de información.

Links Externos

Jupyter Noteboks

OpenEval

GROBID

Traduzido do original em espanhol por Lilian Caló.