São Paulo — InkDesign News — A Inteligência Artificial (IA) e machine learning estão se tornando ferramentas cruciais para a integridade das pesquisas científicas. Novos modelos têm demonstrado que podem auditar e validar a precisão de publicações acadêmicas.
Contexto da pesquisa
Nos últimos anos, a quantidade de artigos científicos publicados disparou, aumentando as oportunidades para a publicação de pesquisas de baixa qualidade. Isso levanta preocupações sobre a veracidade da literatura científica atual, especialmente com o crescimento de práticas inadequadas como “paper mills” e pesquisa fantasma. Diante disso, surgem iniciativas que utilizam IA para auditar essa produção científica.
Método proposto
Os modelos de machine learning (ML) utilizados, como Redes Neurais Convolucionais (CNN) e Modelos de Linguagem Grande (LLM), são projetados para escanear textos e figuras à procura de inconsistências. Um exemplo é o projeto Black Spatula, que usa IA para identificar falhas em provas matemáticas em larga escala. Esses modelos podem examinar rapidamente milhões de publicações, buscando por duplicações, manipulações e padrões de redação que aliem a pesquisa a práticas questionáveis.
Resultados e impacto
A eficiência desses sistemas de IA é notável. Um estudo revelou que modelos podem detectar 85% dos casos de manipulação de dados, baseando-se em benchmarks de desempenho em datasets conhecidos de artigos revisados por pares. Essa capacidade não apenas fortalece a revisão por pares, mas também poderia redefinir como a comunidade científica percebe a integridade das publicações.
A utilização de IA para verificar a veracidade das publicações científicas pode mudar a forma como interagimos com a pesquisa.
(“The use of AI to verify the truthfulness of scientific publications could change how we interact with research.”)— Dr. João Silva, Pesquisador, Universidade de São Paulo
O potencial de aplicação dessas tecnologias é imenso. Com a melhoria contínua nos algoritmos de machine learning, futuras auditorias poderiam ser realizadas em tempo real, promovendo um ambiente acadêmico mais limpo e confiável.
Fonte: (TechXplore – Machine Learning & AI)
