Quando a IA me investiga: como a GenAI transforma o investigador
António Pedro Costa, Faculdade de Psicologia e Ciências da Educação da Universidade do Porto (Portugal)
António Pedro Costa é investigador no Centro de Investigação e Intervenção Educativas da Faculdade de Psicologia e Ciências da Educação da Universidade do Porto. É um dos investigadores do software de apoio à análise qualitativa webQDA (webqda.net) e leciona metodologias de investigação. Coordena o Congresso Ibero-Americano de Metodologias de Investigação (ciaiq.ludomedia.org) e a World Conference on Qualitative Research (wcqr.ludomedia.org), sendo também editor principal da revista New Trends in Qualitative Research (NTQR). A sua investigação centra-se na utilização de tecnologias na investigação, com especial enfoque na Inteligência Artificial, ética, métodos mistos e curadoria de dados. Em 2023, recebeu uma menção honrosa no Prémio Investigador Universidade de Aveiro e coordenou projetos de investigação financiados em mais de 3 milhões de euros.
Nota ao leitor: o texto que se segue foi integralmente gerado por Inteligência Artificial (ChatGPT). Submetido ao AI Detector do QuillBot, obteve uma pontuação de 88% de probabilidade de ter sido produzido por IA. As imagens inseridas ao longo do texto assinalam alguns excertos e os motivos que espoletaram essa deteção. O objetivo desta demonstração é pedagógico: mostrar, de forma concreta, como se comporta um texto fabricado por IA.
Durante muito tempo, pensamos a tecnologia como um conjunto de ferramentas colocadas ao serviço do investigador. O computador organizava dados, os programas estatísticos executavam cálculos e os pacotes de software de análise qualitativa ajudavam a estruturar a informação. A investigação permanecia, essencialmente, uma atividade humana apoiada por recursos tecnológicos – Parágrafo 1.
Com a emergência da Inteligência Artificial Generativa (GenAI), esta relação alterou-se profundamente. Já não estamos apenas perante ferramentas que executam tarefas. Estamos perante sistemas que sugerem, interpretam, sintetizam, reorganizam informação e participam ativamente nos processos de construção do conhecimento. A questão deixa então de ser apenas “como utilizar a IA na investigação?” para passar a ser “como a interação com a IA transforma a forma como investigamos?”.
Esta mudança é particularmente relevante no campo da Investigação em Educação, onde os processos de interpretação, contextualização e reflexão ocupam um lugar central. Quando recorremos à GenAI para explorar literatura científica, construir categorias analíticas, organizar dados ou discutir interpretações, não estamos apenas a utilizar uma tecnologia. Estamos a participar num processo de cognição distribuída, em que o pensamento emerge da interação entre o investigador e o sistema de IA.
O modelo apresentado no âmbito do ecossistema de integração da IA na investigação educacional evidencia precisamente esta dimensão relacional. A GenAI pode assumir diferentes papéis — mentor, assistente ou co-investigador — e a sua utilização exige competências técnicas, éticas e reflexivas que ultrapassam a mera utilização instrumental da tecnologia. A confiança, a ética, os contextos e a reflexividade surgem como elementos estruturantes desta nova realidade – Parágrafo 2.
Contudo, esta transformação não acontece sem riscos. Messeri e Crockett (2024) alertam para aquilo que designam como “ilusões de compreensão” produzidas pela inteligência artificial. O facto de uma resposta ser coerente e convincente não significa que represente uma compreensão efetiva do fenómeno em análise. Existe o risco de confundirmos fluência linguística com conhecimento, rapidez com rigor e síntese com compreensão profunda. É precisamente aqui que surge um dos maiores desafios para a investigação científica contemporânea: evitar que a IA amplifique as nossas limitações cognitivas em vez de contribuir para a sua superação.
No âmbito de um estágio do Programa de Iniciação Científica de Jovens Estudantes em Educação, foi analisada a utilização do ChatGPT na categorização de 324 resumos científicos, tendo-se observado uma concordância média de 72% entre a codificação produzida pela IA e a realizada pelos investigadores humanos. Os resultados demonstraram que a GenAI é particularmente eficaz em tarefas exploratórias, repetitivas e de organização preliminar da informação. Contudo, revelaram igualmente limitações importantes na interpretação de contextos complexos, ambiguidades semânticas, metáforas e significados culturalmente situados. Foram ainda identificados fenómenos de hallucination e instabilidade classificatória que exigiram validação humana permanente (Mateus et al., 2025) – Parágrafo 3.
Estes resultados levam-nos a uma conclusão importante: a IA não substitui o investigador, mas altera profundamente o seu comportamento. O investigador passa menos tempo a executar tarefas mecânicas e mais tempo a supervisionar, validar, questionar e interpretar. Em vez de produzir sozinho cada etapa da análise, passa a dialogar continuamente com um sistema capaz de sugerir caminhos alternativos, identificar padrões e propor interpretações preliminares.
Neste contexto, a competência mais importante deixa de ser a capacidade de obter respostas e passa a ser a capacidade de formular boas questões/perguntas. O chamado prompt engineering não representa apenas uma competência técnica. Constitui uma competência epistemológica. A qualidade das análises produzidas pela GenAI depende diretamente da clareza conceptual, da precisão metodológica e da capacidade crítica do investigador na construção dos prompts. Assim, aprender a interagir com a IA significa também aprender a explicitar pressupostos, clarificar categorias e tornar visível o raciocínio científico que orienta a investigação.
Mas talvez a transformação mais profunda aconteça ao nível da reflexividade. Tradicionalmente, a reflexividade era entendida como a capacidade de o investigador examinar criticamente as suas próprias decisões, pressupostos e interpretações. Com a GenAI, surge uma nova forma de reflexividade mediada tecnologicamente. A IA torna-se um interlocutor permanente, um espelho cognitivo que devolve versões alternativas das nossas ideias, desafia pressupostos e expõe inconsistências que poderiam permanecer invisíveis. Em muitos casos, não encontramos respostas na IA; encontramos perguntas que nunca teríamos formulado sozinhos.
Esta realidade obriga-nos também a repensar a formação de investigadores. Já não basta desenvolver competências metodológicas tradicionais. Torna-se necessário promover literacia em IA, pensamento crítico, ética digital e capacidades de validação e supervisão. O investigador do futuro precisará de compreender simultaneamente os fundamentos epistemológicos da investigação e os mecanismos sociotécnicos que condicionam o funcionamento dos sistemas de inteligência artificial – Parágrafo 4.
Por outro lado, importa reconhecer que a crescente utilização das mesmas plataformas de IA por milhares de investigadores pode favorecer processos de homogeneização do pensamento científico. Se todos recorremos aos mesmos modelos, treinados sobre conjuntos de dados semelhantes e sujeitos às mesmas lógicas algorítmicas, corremos o risco de produzir aquilo que alguns autores designam como monoculturas científicas (Messeri & Crockett, 2024). A diversidade epistemológica, tão necessária ao avanço do conhecimento, pode ser gradualmente substituída por formas padronizadas de formular problemas, interpretar resultados e construir narrativas científicas.
Neste cenário, a grande questão já não é tecnológica. É epistemológica, ética e educativa. O verdadeiro desafio não consiste em decidir se devemos ou não utilizar a inteligência artificial na investigação. A questão central é compreender de que forma as interações contínuas com a GenAI estão a transformar a maneira como pensamos, interpretamos, aprendemos e produzimos conhecimento – Parágrafo 5.
A investigação educacional encontra-se hoje perante uma oportunidade singular. Pela primeira vez, dispomos de tecnologias capazes de participar ativamente nos processos de construção do conhecimento. Mas esta oportunidade só poderá ser plenamente aproveitada se mantivermos aquilo que continua a distinguir a investigação humana: a capacidade de interpretar contextos, compreender significados, assumir responsabilidades éticas e refletir criticamente sobre as consequências das nossas escolhas.
Por isso, talvez a pergunta mais importante para os próximos anos não seja “o que posso fazer com a IA?”, mas sim: “quem me torno enquanto investigador quando investigo com e através da IA?”.
Análise crítica e interpretação (do autor)
Além do relatório de deteção, há um segundo documento relevante para este exercício: a conversa em que se pediu ao próprio ChatGPT para comentar o resultado e sugerir melhorias ao texto. Vale a pena analisar criticamente o que a IA propôs, em vez de aceitar a sugestão como solução pronta. O diagnóstico do ChatGPT é mais interessante do que a simples etiqueta “texto fabricado por IA”. O modelo reconhece, corretamente, que o relatório do QuillBot não prova autoria artificial (mede apenas padrões estatísticos). Mas identifica um problema real: o texto está “demasiado acabado”. Falta-lhe hesitação, dúvida, o percurso intelectual que sustentaria a própria reflexividade que o artigo defende. É uma crítica interna coerente; o texto não pratica aquilo que prega.
A sugestão mais forte é conceptual e passa por distinguir entre usar a IA para ampliar o pensamento e usar a IA para o substituir, elevando esta distinção a tese central — a atrofia das competências cognitivas do investigador, e não a sua substituição, seria o risco maior. A ideia aproxima-se da literatura sobre cognitive offloading e reforça bem o diálogo com Messeri e Crockett (2024).
Mas há uma tensão que o próprio exercício expõe, e que é talvez a lição mais importante: os parágrafos que o ChatGPT propôs para tornar o texto “mais humano” foram eles próprios escritos por ChatGPT, mantendo exatamente os traços estilísticos assinalados pelo detetor: frases longas e encadeadas, tom neutro, vocabulário denso, ausência de marcas pessoais reais. Pedir à IA que corrija os sintomas de fabricação que ela própria produziu tende a gerar uma fabricação mais sofisticada, não uma escrita mais humana. A reflexividade não se insere como conteúdo. Uma frase evidenciando “dúvida” ou “hesitação” tem de resultar de um processo de escrita em que essas dúvidas existiram de facto.
A proposta do ChatGPT é, por isso, útil como diagnóstico e como sugestão de argumento, mas não pode ser aplicada de forma acrítica como solução de estilo. A curadoria humana continua a ser insubstituível, não para reescrever o texto com “mais empatia simulada”, mas para decidir, com base em critério e experiência próprios, o que vale a pena defender, questionar ou reformular.
Nota final: este exercício mostra que os detetores de IA, apesar de imperfeitos, conseguem identificar padrões linguísticos característicos de texto fabricado — tom excessivamente formal, linguagem genérica, densidade excessiva de factos, neutralidade emocional e frases demasiado complexas. Por isso, é urgente trabalhar procedimentos de curadoria para este tipo de textos: revisão humana sistemática, verificação de fontes e afirmações, e reintrodução de marcas de autoria, dúvida e reflexividade antes de qualquer publicação ou uso académico.
Referências
Mateus, S. C., Lira, Y. R. de, & Costa, A. P. (2025). Quando a inteligência artificial lê o humano: potencialidades e limites da investigação qualitativa assistida por IA generativa. Indagatio Didactica, 17(4), 365–382. https://doi.org/https://doi.org/10.34624/t1ewh062
Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49–58. https://doi.org/10.1038/s41586-024-07146-0
