Uso da IA na revisão por pares (Peer review): uma revisão sistemática com PRISMA 2020, ROBINS-I e CASPe

Resumo

A inteligência artificial, inicialmente proposta como um neurônio artificial por meio de um modelo matemático, remonta ao ano de 1943, pelos cientistas norte-americanos Warren McCulloch e Walter Pitts, e se tornou o início de um grande avanço para a ciência e a tecnologia. O objetivo foi investigar e sintetizar os estudos anteriores sobre os benefícios e inconvenientes do uso da IA na revisão acadêmica, sem reduzir a qualidade científica e a ética. O estudo foi realizado utilizando uma revisão sistemática da literatura (RSL) com desenho qualitativo, estruturada sob a declaração PRISMA 2020, utilizando RYYAN AI para a triagem na base de dados Scopus (Elsevier) e Scielo.org, ROBINS-I para avaliar o risco de viés e CASPe para avaliar a qualidade metodológica. Foram identificadas 833 pesquisas primárias com critérios de elegibilidade de 2023 a 2025, foram aplicados critérios de inclusão, exclusão e triagem de acordo com o objetivo do estudo, obtendo-se 09 pesquisas úteis. Posteriormente, na avaliação do risco de viés, obteve-se um resultado de 05 pesquisas úteis. Na fase final, aplicou-se uma avaliação da qualidade metodológica, obtendo-se um total de 04 estudos que orientam adequadamente o objetivo da pesquisa a ser analisada e sintetizada. Os resultados do estudo indicam que o uso da IA, de maneira geral, tem um impacto positivo na revisão de trabalhos científicos, o que coincide com estudos anteriores. No entanto, alguns estudos foram contraditórios, pois com a incorporação da IA surgem questões éticas, pouco consensuais e, em alguns casos, até controversas. As descobertas inesperadas foram que apenas 12% das revistas científicas na América Latina têm políticas definidas para o uso da IA e que o programa ACTIVE LEARNING (IA) pode reduzir em 60% o tempo que um revisor especialista leva para revisar artigos. Como contribuição fundamental deste estudo para o ano de 2025, propõe-se regular o uso da IA para aplicar processos e métodos padronizados, sempre sob supervisão humana, bem como desenvolver ferramentas de medição que quantifiquem o nível de qualidade nos processos de revisão com IA e restringir seu uso para tomar decisões finais.