Bloco 1
Como a máquina processa o seu texto científico
01Tokenizador e janela de contexto no artigo
Instrução
Cole o resumo do seu artigo em português e a versão em inglês (abstract). Clique em Tokenizar e compare quanto cada versão ocupa da janela de contexto do modelo.
Carregando o tokenizador…
O texto já preenchido é um resumo fictício de exemplo. Apague e cole o seu.
Como a máquina fatiou o início do seu resumo
Projeção para o seu referencial teórico
Janela de referência: 128 mil tokens (GPT-4o). Inclui o seu texto, as instruções e a resposta do modelo. A projeção usa a proporção de tokens por palavra medida nos seus dois resumos.
Pergunta de auditoria: por que submeter um manuscrito longo ou o referencial teórico em português ocupa mais da janela de contexto do que em inglês?
Reflexão
A máquina não lê palavras nem compreende conceitos: ela fatia o texto em subpalavras (BPE), aprendidas sobretudo com textos em inglês. O mesmo conteúdo em português vira mais tokens, o que encarece o processamento e reduz o espaço útil da janela. Num manuscrito longo, partes do início podem ficar fora do que o modelo consegue considerar ao mesmo tempo.
Sennrich et al. (2016); Petrov et al. (2023).
02Embeddings e coocorrência de termos acadêmicos
Instrução
Cada termo vira um ponto num espaço vetorial, aqui reduzido a 2 dimensões. São construtos e termos da Psicologia que aparecem na literatura científica. Responda ao quiz antes de abrir o mapa.
Mapa e medição
Escolha dois termos (nos menus ou tocando nos pontos) e clique em Medir distância.
Mapa ilustrativo: coordenadas didáticas. A similaridade é calculada pela distância entre os pontos no mapa.
Reflexão
O modelo aproxima conceitos num artigo não porque compreende a teoria psicológica por trás deles, mas porque esses termos coocorrem com alta frequência na literatura de treino. “Ansiedade” e “depressão” ficam juntas porque aparecem juntas em milhares de artigos; “significativo” e “não significativo” ficam juntos porque ocupam as mesmas frases de resultados. Proximidade vetorial indica contexto parecido, não relação teórica nem concordância.
Mikolov et al. (2013).
03Temperatura na redação do manuscrito
O que é a temperatura num LLM?
O ajuste matemático da distribuição de probabilidade.
A cada passo, o modelo calcula uma probabilidade para cada token candidato. A temperatura não muda o ranking: ela afunila ou achata essa distribuição antes do sorteio da próxima palavra.
Instrução
Teste os dois trechos de manuscrito. Alterne a temperatura e clique em Gerar 12 respostas em cada nível.
Se configurarmos a temperatura em 0,1, a citação ou o dado gerado é necessariamente verdadeiro?
Reflexão
Temperatura baixa produz o jargão acadêmico mais previsível e padronizado; temperatura média ou alta gera variações de estilo. Em nenhum dos casos o modelo confere fontes: temperatura baixa não garante que a citação ou o dado científico sejam verdadeiros. Ela só garante que o erro mais provável será repetido sempre.
Beck et al. (1961); Beck, Steer & Brown (1996).
Bloco 2
Auditoria: como a máquina falha na literatura
04Auditoria de revisão de literatura: citações e sofismas
Instrução
O parágrafo abaixo simula um trecho de revisão sistemática gerado por IA, com referências. Toque em cada frase e aplique um rótulo de erro, ou marque “sem erro”. Depois clique em Validar auditoria.
Agora com o seu tema
Peça à IA um parágrafo de revisão sobre o tema da sua tese, com 3 referências. Confira:
Reflexão
A alucinação é uma consequência estrutural do design do LLM, otimizado para plausibilidade e fluência. Na revisão de literatura, o erro mais perigoso é o sofisma: uma citação real e elegante sustentando um conceito distorcido. Ele passa por quem só confere se a referência existe. Repare que o tom não muda: a máquina erra com a mesma segurança com que acerta.
Ji et al. (2023); Gross & John (2003); Aldao et al. (2010).
Bloco 3
Colaboração com autoria: as etapas do artigo
05Matriz centauro × ciborgue nas etapas do artigo
Modo centauro
Divisão nítida e planejada. Você delimita a tarefa e audita com rigor; a IA executa partes mecânicas ou rascunhos.
Modo ciborgue
Co-construção fluida, para brainstorm, exploração e acabamento de baixo risco.
Parte 1 · Classifique cada etapa do manuscrito
Parte 2 · Teste uma etapa do seu trabalho
Modo centauro
Você lidera e audita.
Modo ciborgue
Co-construção exploratória.
Dell’Acqua et al. (2023).
06Protocolo “Manual antes de IA” na redação da Discussão
Protocolo “Manual antes de IA”
A interpretação é sua; a IA só melhora a prosa.
Não abra a IA ainda! Trabalhe sobre a seção de Discussão ou Conclusão do seu próprio trabalho.
Fica salvo só neste navegador. Se preferir o papel, escreva lá e marque aqui:
Termine a etapa 1 para liberar o prompt.
Resultados ainda não publicados são dados inéditos. Use apenas a ferramenta autorizada pela sua instituição, ou descreva o resultado sem números.
Checklist de validação
Reflexão
A Discussão é onde mora a autoria intelectual da tese. Quando você escreve as suas interpretações antes, cria o seu próprio critério de comparação e consegue ver o que a IA mudou. Assim ela fica no papel de aprimorar a prosa, e não de pensar os resultados por você, evitando o débito cognitivo.
Kosmyna et al. (2025).