Inteligência artificial pode acelerar ou comprometer revisões literárias

A sintetização de evidências tem se tornado essencial na medicina e em diversas áreas, com as revisões sistemáticas sendo o padrão-ouro para compilar dados de múltiplos estudos. Contudo, esses processos são frequentemente caros e demorados. Recentemente, a introdução de inteligência artificial (IA), especialmente modelos de linguagem, trouxe à tona preocupações sobre a geração de artigos falsos, o que pode agravar problemas de reprodutibilidade e integridade na literatura científica.

A proposta de criar bancos de evidências que sejam continuamente atualizados está em discussão. A IA pode acelerar partes do processo de revisão, como a busca e filtragem de estudos, além de auxiliar na detecção de publicações problemáticas. No entanto, especialistas alertam que o uso de IA para gerar artigos falsos representa uma crise existencial para a área. É necessário um novo modelo que permita a atualização e a retratação de artigos ao longo do tempo.

Desafios da Revisão Sistemática

As revisões sistemáticas, consideradas o padrão-ouro, exigem recursos significativos. Estima-se que uma revisão da Cochrane, por exemplo, custe mais de US$ 140 mil e leve mais de dois anos para ser concluída. Com a literatura científica dobrando a cada 14 anos, os revisores enfrentam dificuldades para acompanhar o volume crescente de publicações. Um estudo recente revelou que apenas 1% das revisões apresenta uma estratégia de busca totalmente reproduzível.

Além disso, muitas revisões citam publicações que foram retratadas devido a problemas metodológicos ou éticos. A IA pode ajudar a tornar as revisões mais abrangentes e eficientes, mas também pode intensificar os problemas existentes, como a produção de artigos fraudulentos. Um estudo indicou que 10% dos resumos publicados no PubMed em 2024 foram gerados com a ajuda de modelos de linguagem.

A Necessidade de Atualização Contínua

A dificuldade em distinguir entre o uso legítimo da IA e a fabricação de artigos falsos é um desafio crescente. O uso de múltiplos modelos de IA pode dificultar a identificação de textos gerados por uma única fonte. A proliferação de “paper mills”, que vendem trabalhos falsos, pode ser acelerada pela capacidade da IA de gerar manuscritos em minutos.

Organizações como a Campbell Collaboration e a Cochrane já oferecem diretrizes para identificar estudos problemáticos. No entanto, a reanálise de revisões que citam estudos retratados muitas vezes não ocorre, devido à falta de recursos e incentivos. Um estudo revelou que 89% das revisões continuaram a citar artigos retratados um ano após a notificação da retratação.

A solução proposta envolve a criação de uma rede de bancos de evidências atualizados continuamente, que poderiam ser hospedados por diversas instituições. Essa abordagem permitiria a construção de coleções “vivas”, facilitando a realização de revisões rápidas e robustas. A implementação dessa estratégia é vista como uma maneira de enfrentar os desafios impostos pela crescente produção de literatura científica, tanto legítima quanto espúria.