2. Fundamentos Conceituais

Sabemos que seria uma ambição desproporcional para este guia, e para esta seção em particular, pretender transformar pesquisadores das ciências da saúde e das humanidades em especialistas em computação ou IA. Nosso objetivo é bem mais modesto. Procuramos oferecer um vocabulário mínimo, um ponto de partida para que docentes, estudantes e pesquisadores da COC tenham melhores condições de compreender criticamente as ferramentas de inteligência artificial que já circulam em seu trabalho e possam decidir, com maior autonomia, quando e como usá-las. Essa proposta se aproxima da defesa de um letramento crítico capaz de preservar a autonomia cognitiva diante da mediação algorítmica (Coelho, 2026, p. 9). Dora Kaufman sintetiza a posição que orienta este guia:

Como toda tecnologia, a IA é social e humana, seus efeitos dependem do que os seres humanos fazem com ela, como a percebem, como a experimentam e usam, como a inserem nos ambientes técnico-sociais. Cabe à sociedade humana deliberar, dentre inúmeras questões, sobre se a IA deve ser aplicada em todos os domínios e para executar todas as tarefas, e se o uso da IA em aplicações de alto risco se justifica. O desafio é buscar o equilíbrio entre mitigar (ou eliminar) os riscos e preservar o ambiente de inovação, sem supervalorizar nem demonizar a IA. (Kaufman, 2025, p. 36, grifo nosso)

É nesse sentido que afirmamos que não se usa de forma responsável aquilo que não se compreende minimamente. Conhecer o que uma ferramenta faz, abrir-se à experimentação criativa diante das necessidades da pesquisa e buscar formas independentes de testar e aprender continuam sendo os melhores caminhos que podemos indicar. Esperamos que este guia torne essa jornada menos árida e solitária.

A inteligência artificial não é nova na produção de conhecimento científico. Sistemas de classificação, reconhecimento de padrões e análise estatística de grandes volumes de dados acompanham a pesquisa há décadas, tanto na epidemiologia quanto na linguística de corpus. O que mudou recentemente, e o que motiva este guia, foi a difusão pública de ferramentas de IA generativa. Um marco decisivo desse processo foi o lançamento do ChatGPT, em 30 de novembro de 2022, que tornou essas ferramentas amplamente acessíveis a pessoas sem conhecimento técnico especializado, por meio de interfaces baseadas em linguagem natural. Desde então, a presença da IA se ampliou em diferentes campos do conhecimento e passou a mobilizar também pesquisadores interessados em compreender, avaliar e experimentar seus usos na pesquisa, na escrita e no ensino de História (Mittelman, 2025, p. 161-162; Freitas, 2025, p. 139-141). Essa mudança levou a IA para além dos laboratórios e ambientes especializados, incorporando-a à mesa de trabalho cotidiana do historiador, do divulgador e do profissional de patrimônio, com possibilidades concretas e riscos que ainda estamos aprendendo a dimensionar.

É importante, desde já, distinguir dois termos que o uso cotidiano frequentemente confunde. Inteligência Artificial designa um campo amplo da computação, que reúne abordagens muito diferentes entre si, de sistemas baseados em regras a modelos de reconhecimento de padrões e recomendação. A IA Generativa constitui um subcampo específico, formado por modelos capazes de gerar textos, imagens, áudios e outros conteúdos a partir de padrões aprendidos em grandes volumes de dados (Coelho, 2026, p. 8). Tratar ‘IA’, ‘IA generativa’ e ‘ChatGPT’ como sinônimos empobrece a discussão e dificulta avaliar cada ferramenta pelo que ela efetivamente faz. Ao longo deste guia, procuramos preservar essas distinções, remetendo o leitor ao Glossário de IA e Ferramentas Digitais sempre que um termo exigir tratamento mais detido.

Distinguir essas tecnologias também implica situar a IA generativa em uma história mais longa de aproximações entre computação e pesquisa histórica. Um de seus marcos mais conhecidos é o Index Thomisticus, projeto iniciado pelo jesuíta Roberto Busa e desenvolvido com o apoio da IBM a partir dos anos 1950. O projeto foi resultado de um trabalho coletivo, embora nem todas as pessoas envolvidas tenham recebido o devido reconhecimento.¹ Nas décadas seguintes, as Humanidades Digitais e a História Digital incorporaram novos instrumentos e construíram um amplo debate sobre a experimentação com artefatos tecnológicos como forma de produzir conhecimento, sobre a articulação entre fazer e pensar e sobre as condições técnicas e institucionais que moldam a pesquisa (Drucker, 2012, p. 87; Lane, 2016, p. 2; Svensson, 2016).

De forma semelhante ao que ocorre durante este hype atual da IA, os debates das Humanidades Digitais também enfrentaram o determinismo tecnológico e o ceticismo, mas a crítica que superou as querelas maniqueístas e conseguiu qualificar o debate, foi bem sucedida em demarcar que as ferramentas não são meios neutros: elas orientam procedimentos, delimitam possibilidades e interferem naquilo que pode ser observado, analisado e comunicado (Kranzberg, 1986; Fiormonte, 2017, p. 17). A popularização da IA generativa, portanto, não inaugura as tensões entre tecnologia e conhecimento histórico, embora lhes confira nova escala e urgência. As inquietações atuais retomam problemas que o campo já vinha discutindo, como a necessidade de experimentar sem abandonar a reflexão crítica, compreender as mediações técnicas e conservar o controle intelectual e a autoria sobre o trabalho realizado.

Da máquina de cartões às ferramentas atuais, muitas técnicas foram incorporadas ao ofício: o processamento de grandes corpora, a leitura automática de manuscritos, a identificação de entidades e autoria, a análise de imagens e a descoberta de fontes relacionadas. Nenhuma delas substituiu o trabalho do historiador (Sobreira, 2025, p. 17). O que se alterou foi sobretudo a escala e o alcance dessas práticas: o avanço do aprendizado profundo e a digitalização de coleções reduziram barreiras antes restritas a equipes e ambientes altamente especializados. Essa ampliação não automatiza a pesquisa; torna ainda mais necessária a articulação entre conhecimento técnico, crítica das fontes, exame das interfaces e reflexão metodológica.

Esse percurso permite deslocar a pergunta. Como já percebemos, não se trata de saber, em abstrato, se a tecnologia substituirá o(a) pesquisador(a), mas de examinar como cada ferramenta reorganiza o que pode ser visto, relacionado e perguntado, quais operações transfere aos modelos e quais decisões torna menos visíveis (Siqueira; Vidotte, 2025, p. 236-238). O glossário a seguir não pretende fixar conceitos que continuam em transformação, mas oferecer distinções para lermos melhor o contexto atual e interrogarmos as ferramentas enquanto elas mudam. Conhecer os termos não resolve os dilemas da IA, mas impede que eles sejam formulados apenas pelas plataformas que a oferecem.

2.1 Glossário de IA e Ferramentas Digitais

O guia caminha ao lado de um recurso próprio, o Glossário de IA e Ferramentas Digitais, uma espécie de wiki em português voltada a estudantes, docentes e pesquisadores das Humanidades com diferentes níveis de letramento digital. Enquanto o guia apresenta princípios e caminhos de uso, o site responde a perguntas concretas: que ferramentas existem, para que servem e em que situações convém empregá-las. Seus verbetes ampliam as definições desta seção com exemplos, alternativas, informações sobre acesso e licença e referências atualizadas.

O material de apoio online tem dois conteúdos principais, apresentados em abas separadas: Conceitos e Termos, dedicada ao vocabulário necessário para compreender e avaliar criticamente essas tecnologias, e Ferramentas, que reúne programas e serviços para pesquisa, ensino, transcrição, tradução, análise, visualização, gestão de referências e organização de acervos. Nem todas as ferramentas utilizam IA, e a presença de um recurso automatizado não transforma todo o programa em uma ‘ferramenta de IA’.

É possível navegar pelas abas, pesquisar por palavra-chave ou usar filtros temáticos. A organização convida a começar pela necessidade da pesquisa: primeiro a tarefa, depois a ferramenta. Para apoiar a escolha, os verbetes registram finalidade, licença, custo, curva de aprendizagem, portabilidade, manutenção e, quando pertinente, recursos de IA e implicações de privacidade. Como serviços, preços e políticas mudam, a versão online deve ser consultada para informações atualizadas.

2.1.1 Conceitos e Termos

Algoritmo. Sequência finita e organizada de instruções para realizar uma tarefa ou resolver um problema. Todo sistema digital utiliza algoritmos, mas nem todo algoritmo envolve inteligência artificial: ordenar uma bibliografia alfabeticamente, por exemplo, exige um algoritmo, mas não necessariamente aprendizado ou adaptação. (ver verbete)

Alucinação (confabulação). Termo popular para quando um modelo produz informação incorreta ou inventada com a mesma fluência e confiança de uma informação correta. É uma característica estrutural desses modelos, e não uma falha rara: pode inventar uma citação inexistente ou atribuir uma frase à pessoa errada. Daí a regra de conferir toda informação factual em fontes confiáveis. (ver verbete)

Aprendizado de Máquina / Machine Learning. Subcampo da IA em que o sistema "aprende" padrões a partir de dados, em vez de seguir regras escritas manualmente para cada situação. Por isso tende a acertar em casos parecidos com os que viu no treinamento e a errar em situações incomuns ou mal representadas. (ver verbete)

Aprendizado Profundo / Deep Learning. Abordagem de aprendizado de máquina baseada em redes neurais com várias camadas. É a técnica por trás da maioria dos avanços recentes (reconhecimento de fala, geração de texto, reconhecimento de escrita manuscrita), e também a razão de esses sistemas exigirem tanto poder computacional e serem difíceis de explicar internamente. (ver verbete)

Automação. Uso de tecnologia para executar uma tarefa ou sequência de tarefas sem intervenção humana em cada etapa. Um processo automatizado pode apenas seguir regras previamente definidas, sem aprender com dados; por isso, automação não é sinônimo de inteligência artificial. (ver verbete)

Dados de treinamento. Conjunto de exemplos utilizado para ensinar um sistema de aprendizado de máquina a reconhecer padrões e produzir resultados em situações novas. A composição desses dados influencia diretamente o desempenho e os limites do modelo: grupos, línguas ou situações pouco representados tendem a receber resultados menos precisos. (ver verbete)

Fundamentação (grounding). Processo de apoiar a resposta de um modelo em informações externas e verificáveis fornecidas no momento da consulta, como documentos, bases de dados ou resultados de busca. A fundamentação permite relacionar a resposta às fontes utilizadas e pode reduzir erros e invenções, mas não dispensa a conferência humana. (ver verbete)

IA Generativa (IAGen). Tipo de IA capaz de criar conteúdo novo — texto, imagens, áudio ou vídeo — a partir de padrões aprendidos nos dados de treinamento, em vez de apenas classificar ou organizar informações existentes. É a categoria a que pertencem ChatGPT, Claude e Gemini. (ver verbete)

Inteligência Artificial (IA). Campo da computação dedicado a criar sistemas capazes de realizar tarefas que, até então, exigiam alguma forma de raciocínio humano, como reconhecer padrões, gerar texto ou interpretar imagens. É um campo amplo, que reúne muitas abordagens diferentes, e não uma única técnica. (ver verbete)

Modelo. Representação simplificada de um objeto, processo ou conjunto de relações. Em inteligência artificial, um modelo é produzido a partir do treinamento com dados e utiliza os padrões aprendidos para gerar previsões, classificações ou conteúdos. Não se confunde com a ferramenta ou o serviço por meio do qual a pessoa interage com ele. (ver verbete)

Modelos de Linguagem Grandes (LLMs) / Large Language Models. Modelos de IA generativa treinados com enormes volumes de texto, que funcionam estimando, fragmento por fragmento, a probabilidade de diferentes continuações para um texto. Não "sabem" fatos como uma pessoa: geram a sequência estatisticamente mais provável, o que explica por que produzem informações erradas com aparência de certeza. (ver verbete)

Prompt. O texto (ou imagem) que a pessoa envia a uma ferramenta de IA generativa para orientar a resposta. Como o modelo gera a resposta a partir do que recebe, a forma de escrever o prompt influencia a pertinência e o formato da resposta, mas não garante sua precisão factual. (ver verbete)

Racismo algorítmico. Manifestação racial do viés algorítmico, pela qual sistemas de IA reproduzem ou intensificam discriminações presentes nos dados e nas escolhas de desenvolvimento. Pode aparecer na geração de imagens que associa ciência e autoridade a homens brancos ou no apagamento da produção negra e periférica em levantamentos bibliográficos. Não se trata apenas de uma falha pontual, mas de um padrão recorrente que precisa ser testado e documentado. (ver verbete)

Viés algorítmico. Tendência sistemática de um sistema de IA a favorecer ou desfavorecer injustamente certos grupos, que reflete desigualdades presentes nos dados de treinamento ou em escolhas de desenvolvimento. Ferramentas de fala, tradução ou escrita podem funcionar pior para determinados sotaques, nomes ou variantes linguísticas. (ver verbete)

2.1.2 Ferramentas

A lista a seguir apresenta apenas algumas das ferramentas disponíveis no glossário online que consideramos úteis para tarefas frequentes de pesquisa, ensino e organização de acervos. Ela combina serviços de IA generativa, sistemas que utilizam outras técnicas de IA e programas digitais sem IA. As descrições são pontos de partida; os links conduzem aos verbetes completos do site, onde devem ser conferidos acesso, custos, políticas de dados e limitações.

ChatGPT. Assistente de IA generativa da provedora OpenAI. (ver verbete)

Claude. Assistente de IA generativa da provedora Anthropic. (ver verbete)

Elicit. Assistente de revisão de literatura que busca artigos e extrai informações em tabelas. É útil para triagem e comparação inicial, mas cada dado extraído deve ser conferido no artigo correspondente. (ver verbete)

eScriptorium. Plataforma de código aberto para segmentação e reconhecimento de textos impressos ou manuscritos. Pode ser instalada em infraestrutura própria quando o acervo não deve ser enviado a um serviço externo. (ver verbete)

Gemini. Assistente de IA generativa integrado ao ecossistema Google. (ver verbete)

Omeka S. Plataforma de código aberto para organizar e publicar coleções digitais com metadados estruturados. Não é uma ferramenta de IA, mas pode integrar fluxos com recursos automáticos de descrição e indexação. (ver verbete)

ResearchRabbit. Ferramenta de descoberta bibliográfica que representa relações de citação e coautoria em mapas visuais. Complementa, mas não substitui, bases bibliográficas nem gerenciadores de referências. (ver verbete)

Transkribus. Plataforma de reconhecimento de texto manuscrito (HTR) para gerar e revisar transcrições de documentos históricos. A qualidade depende do modelo e do tipo de escrita, e os resultados exigem conferência. (ver verbete)

Tropy. Programa gratuito e de código aberto para organizar, descrever e anotar fotografias de documentos de arquivo. Não transcreve automaticamente, mas preserva a relação entre imagens, metadados e notas, tem integração com Omeka S e Zotero. (ver verbete)

Zotero. Gerenciador gratuito e de código aberto para coletar, organizar e citar referências, anotar PDFs e compartilhar bibliotecas. Pode ser combinado com ferramentas de descoberta e IA sem transferir a elas o controle da bibliografia. (ver verbete)

Antes de enviar materiais a qualquer serviço, verifique os termos vigentes, as opções de retenção e treinamento e as regras da conta utilizada. Dados pessoais ou sensíveis, informações sigilosas, textos inéditos e documentos de terceiros com acesso restrito não devem ser inseridos em serviços externos não autorizados. Na Fiocruz, a avaliação deve observar a Lei Geral de Proteção de Dados Pessoais — LGPD (Lei nº 13.709/2018), a Política de Segurança da Informação e Comunicações e as demais orientações institucionais aplicáveis.

2.2 Como funciona a IA generativa

A inteligência artificial generativa tem sido interpretada como uma tecnologia de propósito geral, isto é, uma tecnologia com aplicações em diferentes setores, capacidade de aperfeiçoamento contínuo e potencial para dar origem a novas aplicações e formas de trabalho (Kaufman, 2026). Essa amplitude ajuda a explicar por que uma mesma base tecnológica passou a participar de atividades tão distintas quanto a tradução, a programação, a análise de documentos e a produção de materiais didáticos. Compreender seu funcionamento não exige dominar a matemática envolvida, mas distinguir as diferentes camadas que costumam aparecer reunidas na interface de uma ferramenta.

Nem todo sistema de inteligência artificial funciona da mesma maneira. Sistemas simbólicos executam regras e relações previamente declaradas; sistemas estatísticos aprendem regularidades a partir de exemplos para classificar, prever ou reconhecer padrões; sistemas generativos produzem novas sequências de texto, imagem, áudio ou outros conteúdos com base nas regularidades identificadas durante o treinamento. Os grandes modelos de linguagem atualmente utilizados em ferramentas como ChatGPT, Claude e Gemini pertencem a esse terceiro grupo, embora também recorram a métodos estatísticos e possam ser combinados com regras, sistemas de busca e outros recursos.

A construção de um modelo de linguagem começa pelo pré-treinamento, realizado sobre grandes volumes de textos e outros materiais digitais. Nessa etapa, o modelo ajusta bilhões de parâmetros internos para aprender relações estatísticas entre as unidades que compõem esses materiais. O resultado é um modelo de base, que costuma passar por etapas posteriores de treinamento para seguir instruções, responder de maneira conversacional e adequar suas saídas a critérios de segurança e às preferências definidas por quem o desenvolve.

A composição dos dados de treinamento condiciona fortemente as capacidades e os limites do modelo. Se determinados idiomas, gêneros textuais, períodos, grupos sociais ou campos do conhecimento aparecem pouco, ou aparecem de forma distorcida, o desempenho tende a ser menos confiável nesses contextos. Essa limitação é especialmente sensível para a pesquisa em História das Ciências, que trabalha com vocabulários especializados, fontes antigas, diferentes línguas e registros documentais frequentemente sub-representados. Essas assimetrias técnicas também se relacionam com desigualdades mais amplas na produção e obtenção de dados, na infraestrutura computacional e no controle corporativo das tecnologias digitais (Ferreira et al., 2025; Seawright, 2025).

O modelo, entretanto, não deve ser confundido com a ferramenta por meio da qual interagimos com ele. Em um assistente conversacional, o modelo é integrado a uma interface, a instruções definidas pelo sistema e, eventualmente, a mecanismos de busca, documentos, memória e outros recursos. Quando essa combinação recebe ferramentas e permissão para planejar e executar ações com algum grau de autonomia, costuma ser apresentada como um agente. Assim, dois serviços baseados no mesmo modelo podem produzir resultados diferentes, pois não dependem apenas do treinamento, mas também do contexto fornecido, das fontes consultadas, das ferramentas disponíveis e das permissões concedidas.

A cada uso ocorre uma inferência. O texto enviado pela pessoa usuária é dividido em pequenas unidades, os tokens, e processado por uma arquitetura denominada transformador. Por meio de mecanismos de atenção, o modelo estima as relações entre os tokens do contexto e calcula probabilidades para os próximos tokens possíveis. Um deles é selecionado e acrescentado à sequência, e o processo se repete até a conclusão da resposta. A ferramenta não parte de uma ideia pronta para então procurar palavras que a expressem; ela constrói a resposta progressivamente, a partir das probabilidades condicionadas pelo contexto recebido.

A inferência também não significa que o modelo esteja sendo novamente treinado ou que tenha aprendido com cada resposta. As saídas podem variar mesmo diante de solicitações semelhantes, porque a geração é probabilística, mas as tendências e limitações adquiridas durante o treinamento permanecem. Isso ajuda a compreender por que o modelo pode reproduzir padrões discriminatórios, apresentar desempenhos desiguais e insistir em determinados tipos de erro.

A geração probabilística explica tanto a fluência dessas ferramentas quanto um de seus riscos mais conhecidos: a alucinação. Como o modelo estima continuações plausíveis, e não verifica por conta própria a verdade das afirmações, pode produzir uma referência inexistente, uma data equivocada ou um acontecimento fabricado com a mesma segurança aparente de uma informação correta. E como os textos produzidos são, em sua maioria, textos que soam eloquentes e inteligíveis à leitura, há um risco que a pessoa usuária não perceba a alucinação se não estiver bem atenta. Soma-se a isso a dificuldade de explicar completamente por que determinada saída foi produzida, conhecida como problema da explicabilidade ou da “caixa-preta”, cujas consequências para a avaliação das ferramentas são retomadas na seção 3.

Algumas ferramentas procuram reduzir essas limitações consultando fontes externas antes de responder ou consultando apenas as fontes indicadas pela pessoa usuária, como é o caso do Gemini Notebook. Na geração aumentada por recuperação, conhecida pela sigla RAG, um sistema de busca recupera trechos de uma base definida, como o acervo de uma instituição, uma coleção documental ou a bibliografia de um projeto, e os fornece ao modelo como contexto para a geração da resposta. Esse procedimento pode aumentar a rastreabilidade e aproximar a resposta de documentos verificáveis, mas não constitui uma garantia de correção. A revisão humana permanece indispensável! O mecanismo de recuperação pode selecionar documentos incompletos ou pouco pertinentes, e o modelo pode interpretar incorretamente, omitir ou distorcer as informações recuperadas. Experimentos com assistentes destinados à pesquisa bibliográfica mostram que a presença de mecanismos de busca não impede a fabricação de referências (Lima, 2026, p. 10-11).

Importante: para a pesquisa, portanto, a distinção decisiva não está apenas entre uma resposta correta e uma resposta equivocada, mas entre um resultado cujo percurso até as fontes pode ser reconstruído e outro que não oferece condições suficientes de verificação. Modelos geram possibilidades; cabe a pesquisadores e pesquisadoras avaliar as evidências, restituir seus contextos e responder pelas decisões tomadas a partir delas.

---

1. A codificação e a conferência dos textos em cartões perfurados dependiam do trabalho de um coletivo mulheres formadas na escola criada por Busa em Gallarate. Embora fossem fundamentais para o projeto, elas permaneceram por muito tempo sem crédito, e seus nomes não foram preservados na documentação histórica oficial. Pesquisas apoiadas em fotografias, arquivos e entrevistas de história oral começaram a identificar algumas dessas operadoras e a restituir sua contribuição (Terras; Nyhan, 2016, p. 60-61). A imagem do gênio solitário na origem do campo é, portanto, um mito que a própria história das Humanidades Digitais vem revisando. ↩