3. Integridade acadêmica

A incorporação de ferramentas de inteligência artificial às atividades de ensino e pesquisa submete-se aos princípios que orientam a vida acadêmica. Autoria, honestidade intelectual, transparência, rigor metodológico, criticidade e possibilidade de verificação constituem a base da boa prática científica e promovem confiança e cooperação dentro da comunidade. As normas vigentes aplicam-se integralmente ao uso de IA. Trata-se de desdobrar compromissos éticos já consolidados em contextos onde sistemas algorítmicos atuam como mediadores da produção de conhecimento.

Os tópicos seguintes detalham esses compromissos, enquanto a seção 5 apresenta orientações aplicáveis ao cotidiano de estudantes, docentes, educadores e pesquisadores da Casa de Oswaldo Cruz. O foco é instrutivo: busca-se capacitar profissionais e discentes para decisões reflexivas. A declaração de uso de IA, quando pertinente, deve ser entendida como parte dessas práticas de transparência.

3.1 Autoria e responsabilidade humana

Ferramentas de inteligência artificial não podem ser consideradas autoras ou coautoras de trabalhos acadêmicos. Em diferentes guias elaborados pela Unesco, todos são unânimes em defender a “mentalidade centrada no ser humano”, estimulando a autonomia e a responsabilidade humana (Unesco, 2021, 2025). Um trabalho é autoral porque alguém se compromete com suas afirmações, defende-as, justifica suas escolhas, responsabiliza-se pelo conteúdo e responde por erros e omissões. Assim, mesmo quando uma ferramenta participa de determinada etapa do trabalho, a responsabilidade final permanece integralmente com os autores humanos. Se um resumo gerado por IA distorce um argumento, a distorção é do autor que o incorporou sem conferir.

A autoria envolve também o comprometimento com o desenvolvimento intelectual e a criatividade. A colaboração com IA pode, nesse sentido, apresentar dois riscos ao trabalho autoral: a diluição da voz, quando a formulação das ideias passa a depender da máquina, e a redução do exercício de capacidades intelectuais e criativas que, progressivamente, passam a ser delegadas à ferramenta.

Essa responsabilidade se sustenta porque certas operações permanecem necessariamente humanas. Definir o que é relevante, interpretar uma fonte, construir um argumento, escolher uma referência em um conjunto de bibliografias: essas operações mobilizam contexto, análise e responsabilidade teórica. As frases elaboradas por uma IA são construídas a partir de palavras prováveis, sem apreender o contexto no sentido interpretativo que orienta o trabalho do pesquisador. A IAG “depende de correlações estatísticas para funcionar, sem compreender o significado por trás dos dados” (Kaufman, 2025, p. 122).

Quanto mais uma tarefa se aproxima da execução, como formatar, organizar, converter ou localizar, maior o espaço para o apoio de ferramentas. Quanto mais se aproxima da interpretação, como analisar o contexto, mobilizar o repertório teórico ou construir a narrativa, maior deve ser a participação humana direta. A IA pode preparar o material sobre o qual a decisão incidirá; a decisão, contudo, cabe a quem responde pela pesquisa.

Na prática: empregar IA para sugerir uma organização preliminar de tópicos já definidos pelo pesquisador, propor formas alternativas de expressar uma ideia já desenvolvida ou apontar passagens pouco claras de um texto autoral são usos compatíveis com a autoria humana, porque o pesquisador continua sendo a origem e o revisor de cada decisão. Já solicitar que a ferramenta redija integralmente uma seção de dissertação, artigo ou tese a partir de um tema, ou incorporar ao trabalho uma formulação que o autor não compreende nem conseguiria defender, transfere para a ferramenta uma responsabilidade que só pode ser humana, independentemente de o uso ser ou não declarado.

3.2 Plágio e integridade das fontes

O uso de IA não elimina o plágio e pode torná-lo mais difícil de perceber. Ferramentas generativas podem produzir formulações semelhantes às presentes em materiais utilizados em seu treinamento sem fornecer ao usuário a procedência dessas formulações, de modo que um texto aparentemente original pode incorporar construções alheias. Também apresentam frequentemente referências incorretas: obras que não existem, atribuições a autores que não sustentam determinada afirmação, ou dados bibliográficos incompletos. A responsabilidade por reconhecer as fontes permanece do pesquisador. Toda informação, citação ou paráfrase incorporada ao trabalho deve ser conferida na fonte original e referenciada segundo as normas acadêmicas. Nenhuma referência sugerida por IA entra no trabalho sem verificação prévia.

Antes de usar uma referência sugerida por IA:

• Verifique se a obra existe.

• Localize a publicação em uma base confiável.

• Consulte o texto original.

• Confirme se o autor realmente afirma aquilo que a IA lhe atribuiu.

• Avalie se a fonte é pertinente ao trabalho.

• Registre a referência completa.

3.3 Transparência

O uso de ferramentas de Inteligência Artificial Generativa (IAG) deve ser declarado nos trabalhos e demais produtos de pesquisa, cumprindo o estabelecido pela Portaria nº 2.664, de 6 de março de 2026, que instituiu a Política de Integridade na Atividade Científica do CNPq. A norma determina que o uso de IAG, de qualquer espécie e em qualquer fase do desenvolvimento da pesquisa — incluindo concepção, redação, análise de dados e submissão — seja declarado, especificando a ferramenta utilizada e sua finalidade. Na Casa de Oswaldo Cruz (COC), essa orientação se aplica, entre outros produtos, a artigos, teses, dissertações e projetos de pesquisa. Desde junho de 2026 a COC adota um modelo de Declaração (Ver anexo), que deve ser encaminhado juntamente com o dossiê de qualificação e defesa. Nas disciplinas dos cursos lato e stricto sensu o seu uso é determinado por cada docente responsável, sendo sugerido que qualquer uso de ferramentas de IA seja transparente e documentado. A seguir, no item 5 “Diretrizes por público”, detalharemos melhor as recomendações específicas.

A declaração deve informar, de maneira proporcional à relevância do uso, a ferramenta empregada, sua versão, a data, a finalidade e a etapa da pesquisa em que foi utilizada. Quanto maior a influência da IAG sobre o conteúdo, os dados, os métodos ou a representação dos resultados, mais detalhado deve ser o registro. A transparência permite que o uso da ferramenta seja compreendido, avaliado e, quando necessário, reproduzido ou questionado por outros pesquisadores.

Os grandes modelos de linguagem (LLMs) que fundamentam sistemas conversacionais como o ChatGPT podem ser compreendidos, em determinados aspectos, como sistemas de “caixa-preta”, cuja opacidade assume diferentes formas (Burrell, 2016)¹. Parte dela é comercial: as empresas não divulgam com quais dados os modelos foram treinados nem todos os critérios que orientam suas respostas. Outra dimensão decorre do letramento técnico necessário para compreender seu funcionamento, inacessível à maioria dos usuários. Há ainda uma opacidade relacionada à própria complexidade da tecnologia: construídos a partir do ajuste estatístico de bilhões de parâmetros, esses sistemas dificultam a identificação de como uma entrada contribui para a produção de determinada resposta. Mesmo quando seus mecanismos gerais de funcionamento são conhecidos, não é possível reconstruir de forma completa e transparente a cadeia de operações que conduz a uma resposta específica.

Essa opacidade se agrava por um aspecto pouco intuitivo: mesmo quando solicitado a explicar seu como chegou à resposta, o sistema produz uma justificativa plausível que não necessariamente corresponde ao processo que gerou a resposta. Para a pesquisa, isso compromete duas condições fundamentais do conhecimento científico. A primeira é a possibilidade de reconstruir o procedimento realizado: versões diferentes do modelo, configurações distintas, alterações no sistema, ferramentas conectadas, mudanças no contexto e ausência de registro da interação podem dificultar a reconstrução do procedimento realizado. A segunda é a verificabilidade: a confiabilidade de uma saída produzida por IA não pode ser assegurada apenas pelo funcionamento da ferramenta ou pela plausibilidade de sua resposta; ela precisa ser avaliada a partir do próprio resultado, mediante conferência com fontes e evidências. Conhecer os limites e o modo de operação de cada ferramenta torna-se, assim, condição para empregá-la de forma responsável. Ainda que a reprodução exata de uma interação nem sempre seja possível, quanto mais transparente for o registro do uso e mais integrado à metodologia estiver o emprego da IA, maior será a possibilidade de compreender, avaliar e contestar os resultados produzidos.

Na prática: antes de finalizar um trabalho com uso de IA, verifique:

☐ Identifiquei todas as ferramentas de IAG que participaram do trabalho, incluindo as usadas na concepção, organização, análise ou produção de imagens e outros conteúdos?

☐ Registrei a finalidade de cada uso e a etapa da pesquisa em que ocorreu?

☐ Mantive registros suficientes (prompts, versões, procedimentos) para que outra pessoa compreenda como a IA participou do trabalho?

☐ Consigo explicar, com clareza, qual foi a minha contribuição intelectual e qual foi o papel da ferramenta?

☐ A declaração está no local exigido pelas normas institucionais, editoriais ou acadêmicas aplicáveis?

3.4 Vieses e representação

Os modelos de linguagem são treinados sobre grandes volumes de texto já existentes e reproduzem, em suas respostas, os padrões desse material. Carregam, com isso, as assimetrias do próprio corpus: temas, autores, línguas e perspectivas mais presentes na internet aparecem com mais frequência e autoridade, enquanto vozes, regiões e tradições sub-representadas surgem de forma parcial ou distorcida. Essa desigualdade não é um acaso técnico. Faustino e Lippold (2023) mostram como as tecnologias informacionais se articulam a processos de racialização e ao que denominam colonialismo digital: um mundo partilhado por potências tecnológicas em que máquinas e algoritmos do Norte global definem quais saberes circulam e quem deve figurar apenas como usuário. Os autores propõem a noção de racialização codificada, ao invés de “racismo algorítmico” (Silva, 2020), pois este sugere transferir a responsabilidade aos códigos, para evidenciar as escolhas humanas e o contexto material que produzem a seletividade racial embutida nos sistemas.

Para a pesquisa produzida na COC, isso tem efeitos diretos. Um levantamento sobre a história das ciências, por exemplo, pode refletir predominantemente a produção anglófona, marginalizar autores locais ou tratar como consenso interpretações que são objeto de disputa. O viés, nesse caso, é uma característica estrutural da ferramenta, que necessita revisão.

A essas assimetrias presentes nos dados e no funcionamento do sistema soma-se um segundo tipo de viés, produzido pela interação. As ferramentas tendem a produzir respostas que acompanham a formulação de quem pergunta: um comando que já embute uma hipótese com frequência recebe de volta uma versão elaborada dessa mesma hipótese, com aparência de confirmação independente. O risco é tomar por corroboração externa aquilo que apenas reflete a própria expectativa, reforçando o viés de confirmação em vez de submetê-lo à prova.

Há ainda um terceiro viés, mais difícil de perceber porque se disfarça de ausência de viés. As respostas de uma IA chegam em tom impessoal, fluente e seguro, com a aparência de um resumo neutro do conhecimento disponível. Essa neutralidade é aparente. Faustino e Lippold (2023) identificam nesse ponto um fetichismo da técnica: a ilusão de neutralidade tecnológica que funciona como sustentação ideológica. A ciência e a tecnologia, lembram os autores, “não são isentas de valores nem seguem um caminho próprio, independente da sociedade na qual foram geradas” (Faustino; Lippold, 2023, p. 21). Toda resposta resulta de escolhas — o que incluir, o que omitir, como enquadrar — e a forma impessoal apaga as marcas dessas escolhas, levando o leitor a baixar a guarda crítica no momento em que deveria elevá-la. A aparência de neutralidade torna os dois vieses anteriores mais difíceis de enxergar.

Reconhecer essas formas de viés é o que permite seguir usando a ferramenta com a devida vigilância crítica. Diante de uma resposta de um chatbot generativo, vale perguntar:

• Que perspectivas, vozes ou tradições podem estar ausentes?

• O resultado apenas confirma o que eu já esperava encontrar?

• O que se apresenta como consenso é de fato consensual, ou há disputa no campo?

• O tom neutro esconde escolhas de seleção e enquadramento que eu precisaria examinar?

• Que critérios foram utilizados para produzir essa resposta? Eles são adequados ao meu problema de pesquisa?

3.5 Privacidade e proteção de dados

Grande parte da vida cotidiana já se converte em dados. E-mails, deslocamentos registrados por GPS, pesquisas em sites de busca, arquivos em nuvem e redes sociais depositam a todo momento informações em plataformas que operam como caixas-pretas: raramente se sabe onde esses dados ficam armazenados, com quem são compartilhados ou segundo que critérios são reaproveitados. Ferramentas de IA generativa (IAG), como os chatbots, integram esse mesmo circuito. Inserir um dado em uma delas significa transferi-lo a servidores de terceiros, com frequência localizados fora do país, cujos termos de uso podem permitir a retenção desse conteúdo e seu emprego no treinamento de novos modelos. Uma vez enviado a uma plataforma externa, o pesquisador deixa de ter controle direto sobre o que acontece com esse dado, que passa a estar sujeito às condições de armazenamento, processamento e retenção estabelecidas pela plataforma. Entende-se que essa submissão constitui uma forma de tratamento de dados nos termos da Lei Geral de Proteção de Dados (LGPD), razão pela qual a decisão sobre o que pode ou não ser inserido nessas ferramentas antecede o seu uso e obedece às normas de proteção de dados às quais a Fiocruz está sujeita².

O primeiro cuidado é reconhecer a natureza do que se manuseia. No trabalho acadêmico, o material mais sensível são os próprios resultados da pesquisa, com frequência ainda não publicados, e é dentro deles que costumam aparecer, na COC, os dados que exigem maior proteção. A LGPD distingue os dados pessoais (nome, endereço, CPF, telefone, e-mail) dos dados pessoais sensíveis, categoria que abrange “origem racial ou étnica, convicção religiosa, opinião política, filiação a sindicato ou organização de caráter religioso, filosófico ou político, além de dados referentes à saúde, vida sexual, dados genéticos ou biométricos quando vinculados a uma pessoa natural” (Volpini et al., 2025, p. 25). A pesquisa desenvolvida na COC trabalha com frequência justamente com essa categoria mais protegida. A esses somam-se dados sigilosos por outras razões, como manuscritos não publicados, documentos de acervo sob restrição, pareceres e informações estratégicas da instituição.

A Política de gestão, compartilhamento e abertura de dados da Fiocruz, ainda que não mencione o uso de dados em plataformas de inteligência artificial, classifica os dados de pesquisa em quatro níveis, público, restrito, sigiloso e embargado³ (Fiocruz; VPEIC, 2020, p. 16), e adota o princípio de manter a abertura tão ampla quanto possível e o fechamento tão restrito quanto necessário (Fiocruz; VPEIC, 2020, p. 8). Como regra de precaução, o uso de ferramentas externas deve priorizar dados de acesso público e, quando necessário, dados adequadamente anonimizados, sempre considerando a finalidade do tratamento, as condições de uso da ferramenta e as normas institucionais aplicáveis. Dados restritos, sigilosos ou embargados não devem ser inseridos nessas ferramentas, salvo quando houver base legal, salvaguardas adequadas e autorização compatível com a finalidade original da coleta.

Para os dados que exigem cuidado, a Fiocruz recomenda: “Sempre que possível, deve-se priorizar o uso de dados anonimizados e aplicar medidas de minimização e segregação, de modo a reduzir os riscos ao titular de dados” (Fiocruz, 2025, p. 26). Na prática, isso significa enviar à ferramenta apenas o que a tarefa exige. Numa dissertação sobre estudo de público, por exemplo, uma revisão gramatical não requer as informações que identificam os participantes, que simplesmente não precisam estar no texto submetido. Quando a presença desses dados for inevitável, recomenda-se anonimizá-los de modo que não seja razoavelmente possível associá-los a uma pessoa, ou, quando isso não for possível, recorrer à pseudonimização, com uso de códigos ou pseudônimos. A pseudonimização reduz a exposição direta da identidade, mas não elimina a natureza pessoal da informação quando a reidentificação permanece possível por meios adicionais. Convém ainda avaliar os termos de uso e a política de privacidade da ferramenta antes de qualquer envio, e observar as normas dos Comitês de Ética e os termos de consentimento firmados com os participantes, quando for o caso.

A proteção dos resultados da pesquisa merece uma atenção particular, sobretudo antes da publicação. Recomenda-se que trabalhos acadêmicos não sejam depositados integralmente em qualquer plataforma. Nessa direção, a Portaria CNPq nº 2.664/2026 estabelece, em seu art. 9º, alínea “e”, que “é vedada a inserção de projetos de pesquisa de terceiros em ferramentas de IAG para elaboração de pareceres científicos”, vedação que protege tanto o autor avaliado quanto a integridade do processo de avaliação.

Algumas ferramentas oferecem a opção de impedir que os dados inseridos sejam usados para treinar novos modelos, em geral nas configurações de privacidade ou de controle de dados da conta. Ativar esse controle é recomendável, mas não substitui os cuidados anteriores, pois, mesmo com o treinamento desativado, o conteúdo enviado continua sendo transmitido a servidores de terceiros e pode estar sujeito a armazenamento e retenção segundo as condições da plataforma. A desativação reduz um risco específico, embora não elimine a exposição do dado⁴. Por isso o cuidado sobre o que enviar permanece válido, e dados sensíveis ou sigilosos devem ficar de fora dessas ferramentas mesmo quando a opção de não treinamento está ativa.

Antes de inserir qualquer material em uma ferramenta de IA, se pergunte:

1. O material contém dados pessoais ou permite identificar alguém?

2. Há informação sensível, sigilosa ou ainda não publicada?

3. Em que nível de acesso o dado se enquadra: público, restrito, sigiloso ou embargado?

4. O uso está autorizado e é compatível com a finalidade da coleta?

5. É possível anonimizar ou, ao menos, pseudonimizar antes do envio?

6. Os termos da ferramenta informam como o dado será armazenado e reutilizado?

---

1. A distinção entre as formas de opacidade algorítmica aqui retomada foi proposta por Jenna Burrell (2016) em estudo anterior à difusão dos chatbots generativos. Embora sua análise se refira ao aprendizado de máquina em geral, a tipologia oferece uma chave analítica pertinente para compreender diferentes dimensões da opacidade presentes nesses sistemas. ↩

2. Para saber mais sobre a LGPD aplicada ao contexto institucional da Fiocruz, consulte o Manual de Boas Práticas em Privacidade e Proteção de Dados Pessoais da Fiocruz. Disponível em: \<https://fiocruz.br/documento/2025/08/manual-de-boas-praticas-em-privacidade-e-protecao-de-dados-pessoais-da-fiocruz> acesso em 2 set. 2026. ↩

3. Para saber mais sobre a Política de Gestão, Compartilhamento e Abertura de Dados para Pesquisa da Fiocruz, acesse: \<https://api.arca.fiocruz.br/api/core/bitstreams/140b9139-5b61-4ac1-b8cf-c4f3938c7378/content> acesso em 2 set. 2026. ↩

4. Por exemplo, no ChatGPT é possível desativar o uso das conversas para o treinamento do modelo. O caminho, em agosto de 2026, era: perfil > configurações > controle de dados > “melhorar o modelo para todo mundo”, desativando essa opção. Como a interface das ferramentas muda com frequência, a localização pode ter se alterado. ↩