Fonte |

1. Introdução: a evolução do “enfadonho” para o essencial

Haverá algo mais aborrecido do que a gestão de referências? para muitos, armazenar e organizar metadados de citações parece tão estimulante como preencher declarações de impostos manualmente. no entanto, para quem navega no mundo académico, estas ferramentas representam a linha ténue entre o caos organizacional e a eficiência científica.

Este artigo é assinado por John Frechette, cofundador e ceo da moara.io e da Sourced Economics. como alguém que entrou no mundo académico numa fase mais avançada da carreira, John Frechette descreve a descoberta de ferramentas como o Mendeley, Zotero e EndNote como um avanço crítico, superando a gestão rudimentar de artigos em pastas de ficheiros locais — uma experiência partilhada por muitos investigadores que procuram ordem no crescente volume de literatura científica.

2. Breve história da gestão de referências

A evolução destas ferramentas acompanhou os grandes ciclos tecnológicos das últimas décadas, dividindo-se em três vagas fundamentais:

1. décadas de 1980 e 1990: a vaga do computador pessoal. o EndNote dominou este período como um produto de software de secretária, refletindo a transição para a computação individual.

2. meados dos anos 2000: a ascensão da web e dos identificadores digitais. o Mendeley e o Zotero capitalizaram o crescimento dos navegadores, dos dois e de metadados consistentes, permitindo guardar documentos diretamente da internet com um clique.

3. década de 2010: a era da maturidade da nuvem e das apis. as extensões de navegador tornaram-se ubíquas e a gestão de referências integrou-se profundamente em fluxos de escrita externos através de apis abertas.

3. A previsão para a nova era: inteligência artificial e integração vertical

O futuro da gestão de referências será definido por dois pilares: mais inteligência artificial (ia) e uma maior integração vertical no fluxo de trabalho. Esta integração significa que o gestor de referências deixa de ser um mero arquivo para se tornar um assistente ativo na descoberta, análise e interpretação.

Com a IA, os campos de metadados tornar-se-ão quase infinitos, alimentados por conteúdo gerado por ia e por dados de apis de terceiros. Isto permitirá aos investigadores gerir e exportar artigos através de processos escaláveis, suportando colaborações mais amplas e listas de referências cada vez mais extensas sem sacrificar a precisão.

4. A perspetiva de William Gunn: do mendeley à Web 2.0

William Gunn, especialista na indústria e um dos primeiros funcionários do Mendeley antes da sua venda à Elsevier, traz uma visão histórica privilegiada. Para William Gunn, o diferencial do Mendeley foi a transição para a “Web 2.0” — a web social e colaborativa.

Inspirando-se em ferramentas de partilha de música e marcação social como o last.fm e o del.icio.us, o Mendeley permitiu que os investigadores partilhassem e descobrissem trabalhos entre pares, em vez de dependerem apenas dos canais de distribuição dos editores. ao criar a primeira api aberta para metadados académicos, a plataforma ajudou a impulsionar o campo das altmetrics. ambições daquela época, como responder a perguntas de investigação diretamente, estão agora a tornar-se realidade com os modelos de linguagem de grande escala (llms).

5. IA na investigação: potencialidades e armadilhas

Os investigadores desejam três coisas fundamentais: encontrar literatura relevante, compreender as relações entre artigos e citar corretamente sem preocupações com formatos. William Gunn nota que, embora ferramentas como a SciSpace tentem replicar o ciclo de crescimento social do antigo Mendeley, muitas soluções atuais de ia focam-se no que é fácil (resumos) em vez do que é necessário.

Existem riscos críticos, especialmente em revisões sistemáticas que moldam políticas públicas:

• fraqueza na recuperação (recall): a ia pode falhar em identificar todos os estudos relevantes.

• viés de recuperação (retrieval bias): a tendência de llms citarem fontes menos rigorosas, como comunicados de imprensa ou blogues corporativos (ex: afirmar que uma empresa é a “líder indiscutível” num campo médico).

• alucinações e opacidade: a ia pode inventar citações ou misturar detalhes vitais, como doses de medicamentos. William Gunn enfatiza que a natureza de “caixa-negra” dos llms carece da legitimidade necessária para processos rigorosos como os da Cochrane. ferramentas como o Elicit são preferíveis por se manterem fiéis a fontes primárias e processos transparentes.

6. O futuro da colaboração e enriquecimento de dados

William Gunn utiliza a metáfora do desporto para definir a investigação: o envolvimento profundo com dados e provas é um ato solitário, como o golfe — um processo que não pode ser externalizado. contudo, a descoberta e interpretação são coletivas, como o futebol.

O caminho reside no enriquecimento de bibliotecas com metadados estruturados. a extração automatizada de metodologias, efeitos e valores-p, como já acontece na moara.io, permite que os investigadores se foquem na interpretação. este enriquecimento permite que as equipas trabalhem mais depressa sem perder a confiança na qualidade da revisão.

7. Conselhos estratégicos para criadores de ferramentas de investigação

Lições de William Gunn para startups:

• o desafio institucional: vender a universidades é um processo lento e de alto contacto. embora investigadores individuais adotem ferramentas rapidamente, a venda institucional exige uma estratégia de longo prazo.

• a construção de uma “fosso” (moat): para sobreviver à OpenAI, Google ou Anthropic, as startups devem focar-se no nicho académico que estas gigantes ignoram. a vantagem reside na ligação profunda aos fluxos de trabalho específicos dos investigadores (ex: suporte a Claude ou Gemini não substitui a confiança de uma ferramenta especializada).

• o perigo do licenciamento: se os grandes laboratórios de ia garantirem acordos de licenciamento exclusivos (como o Wiley’s AI Gateway) enquanto as startups dependem apenas de dados abertos como o Semantic Scholar ou OpenAlex, a vantagem competitiva na recuperação de dados poderá pender para os gigantes.

8. Conclusão: apoiar, não substituir, o processo humano

Apesar do avanço tecnológico, o “trabalho árduo” da investigação não desaparecerá. Tal como no golfe, o investigador tem de percorrer o caminho pessoal de analisar modelos e provas para realmente compreender um artigo.

A nova era da gestão de referências serve para automatizar o trabalho pesado — organizar, catalogar, anotar e garantir a reprodutibilidade. ao libertar o humano das tarefas de extração manual, a tecnologia permite que o investigador se concentre no que é verdadeiramente insubstituível: a interpretação crítica e a descoberta científica.

Conteúdo relacionado:

• Catalogação, metadados e inteligência artificial generativa: o novo paradigma documental | Gino Roncaglia