Uso de inteligência artificial generativa e análise de palavras-chave para apoiar o planejamento de projetos de pesquisa no ensino superior
DOI:
https://doi.org/10.17398/1695-288X.24.2.87Palavras-chave:
Análise de Coocorrência de Palavras, Inteligência Artificial Generativa, Escopo de Pesquisa, Projeto de Pesquisa, Ensino SuperiorResumo
Em diferentes níveis da educação universitária, estudantes enfrentam desafios para localizar referências bibliográficas alinhadas a seus projetos de pesquisa, exigindo equilíbrio entre especificidade e abrangência na identificação de informações relevantes. Estudos mostram que habilidades metacognitivas, como o refinamento de palavras-chave e a navegação por categorias organizadas, favorecem a eficiência e a qualidade das buscas realizadas. Diante dessas dificuldades, este artigo investiga o uso combinado da análise de coocorrência de palavras e da Inteligência Artificial Generativa (IAGen) como estratégia de apoio ao delineamento do escopo de projetos de pesquisa no ensino superior. O estudo adotou uma metodologia quali-quantitativa, envolvendo 23 estudantes de graduação e pós-graduação, que responderam a dois formulários intercalados pela entrega de um relatório personalizado. Esse relatório foi produzido a partir de buscas em bases bibliográficas, integradas à análise com IAGen, e abordou aspectos como a adequação do tema, sugestões de palavras-chave, estratégias de busca e um glossário de conceitos. Os resultados indicaram que o procedimento instigou processos reflexivos nos estudantes, sendo que a maioria considerou a intervenção útil, especialmente para ampliar a compreensão temática e refinar a definição de palavras-chave. Também ficou evidente que a eficácia do método depende da clareza das informações iniciais fornecidas pelos participantes e do nível de maturidade dos projetos em desenvolvimento.
Downloads
Referências
Bardin, L. (2016). Análise de conteúdo. São Paulo: Edições 70.
Bramer, W. M., Giustini, D., de Jonge, G. B., Holland, L., & Bekhuis, T. (2018). Evaluation of a new method for librarian-mediated literature searches for systematic reviews. Research Synthesis Methods, 9(4), 510–520. https://doi.org/10.1002/jrsm.1279.
Brasil. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. (2025). Portal de Periódicos da CAPES. https://www.periodicos.capes.gov.br/.
Callon, M., Courtial, J.-P., Turner, W. A., & Bauin, S. (1983). From translations to problematic networks: An introduction to co-word analysis. Social Science Information, 22(2), 191–235. https://doi.org/10.1177/053901883022002003.
Chang, Y., Xu, C., Wang, W., & Yan, X. (2024). A survey on evaluation of large language models. ACM Transactions on Intelligent Systems and Technology, 15(3), 1. https://doi.org/10.1145/3641289.
Cooksey, R., & McDonald, G. (2019). How do I scope, shape and configure my research project? In Surviving and thriving in postgraduate research (pp. 417–501). Springer. https://doi.org/10.1007/978-981-13-7747-1_12.
Dagdelen, J., Kononova, O., Horton, M., & Persson, K. A. (2024). Structured information extraction from scientific text with large language models. Nature Communications, 15, 1418. https://doi.org/10.1038/s41467-024-45563-x.
Delaney, A., & Tamás, P. (2017). Searching for evidence or approval? A commentary on database search in systematic reviews and alternative information retrieval methodologies. Research Synthesis Methods, 9(1), 124–131. https://doi.org/10.1002/jrsm.1282.
Dervin, B. (1998). Sense-making theory and practice: An overview of user interests in knowledge seeking and use. Journal of Knowledge Management, 2(2), 36–46. https://doi.org/10.1108/13673279810249369.
Ellis, D. (1989). A behavioural approach to information retrieval system design. Journal of Documentation, 45(3), 171–212. https://doi.org/10.1108/EB026843.
Grames, E. M., Stillman, A. N., Tingley, M. W., & Elphick, C. S. (2019). An automated approach to identifying search terms for systematic reviews using keyword co-occurrence networks. Methods in Ecology and Evolution, 10(10), 1645–1654. https://doi.org/10.1111/2041-210X.13268.
Han, S., Zhang, C., Wang, J., & Wang, X. (2024). A review of large language models: Fundamental architectures, key technological evolutions, interdisciplinary technologies integration, optimization and compression techniques, applications, and challenges. Electronics, 13(24), 5040. https://doi.org/10.3390/electronics13245040.
Klarin, A. (2024). How to conduct a bibliometric content analysis: Guidelines and contributions of content co-occurrence or co-word literature reviews. International Journal of Consumer Studies, 48(2), e13031. https://doi.org/10.1111/ijcs.13031.
Kuhlthau, C. C. (2004). Seeking meaning: A process approach to library and information services (2nd ed.). Libraries Unlimited.
Lee, W., Park, K., Kim, S., & Kim, Y. (2023). Toward keyword generation through large language models. In Proceedings of the International Conference on Intelligent User Interfaces (pp. 37–40). ACM. https://doi.org/10.1145/3581754.3584126.
Lei, G., Docherty, R., & Cooper, S. J. (2024). Materials science in the era of large language models: A perspective. Digital Discovery, 3(7), 1257. https://doi.org/10.1039/d4dd00074a.
Liu, M. C., Chang, H. C., Wu, J. S., & Huang, Y. C. (2013). Fostering learner’s metacognitive skills of keyword reformulation in image seeking by location-based hierarchical navigation. Educational Technology Research and Development, 61, 233–254. https://doi.org/10.1007/s11423-012-9280-3.
Maragheh, R. Y., Amini, M., & Aghajani, M. (2023). LLM-TAKE: Theme-aware keyword extraction using large language models. In Proceedings of the International Conference on Big Data (pp. 4318–4324). IEEE. https://doi.org/10.1109/BigData59044.2023.10386476.
Mbuagbaw, L., Rochwerg, B., Jaeschke, R., & Guyatt, G. (2020). A tutorial on methodological studies: The what, when, how and why. BMC Medical Research Methodology, 20(226). https://doi.org/10.1186/s12874-020-01107-7.
Peres, R., Matzler, K., Schlegelmilch, B. B., & Vom Brocke, J. (2023). On ChatGPT and beyond: How generative artificial intelligence may affect research, teaching, and practice. International Journal of Research in Marketing, 40(2), 269–275. https://doi.org/10.1016/j.ijresmar.2023.03.001.
Pessin, V. Z., Yamane, L. H., & Siman, R. R. (2022). Smart bibliometrics: An integrated method of science mapping and bibliometric analysis. Scientometrics, 127, 3695–3718. https://doi.org/10.1007/s11192-022-04406-6.
Peters, M. D. J., Godfrey, C. M., McInerney, P., Munn, Z., Tricco, A. C., & Khalil, H. (2020). Updated methodological guidance for the conduct of scoping reviews. JBI Evidence Synthesis, 18(10), 2119–2126. https://doi.org/10.11124/JBIES-20-00167.
Pęzik, P., Mikołajczyk, A., Wawrzyński, A., Żarnecki, F., & Ogrodniczuk, M. (2023). Transferable keyword extraction and generation with text-to-text language models. In J. Mikyška et al. (Eds.), Computational Science – ICCS 2023 (pp. 398–405). Springer. https://doi.org/10.1007/978-3-031-36021-3_42.
Pisu, A., Alessandri, L., Geraci, F., & Motta, E. (2024). Leveraging language models for generating ontologies of research topics. CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3747/text2kg_paper6.pdf.
Saldaña, J. (2015). The coding manual for qualitative researchers (2nd ed.). Sage.
Scopus: Abstract and citation database. (2025). Elsevier. https://www.scopus.com/.
Schwartzman, S. (2022). Pesquisa e pós-graduação no Brasil: Duas faces da mesma moeda? Estudos Avançados, 36(104), 227–254. https://doi.org/10.1590/s0103-4014.2022.36104.011.
Tricco, A. C., Lillie, E., Zarin, W., O'Brien, K. K., Colquhoun, H., Levac, D., & Moher, D. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850.
Tu, Y. W., Shih, M., & Tsai, C. C. (2008). Eighth graders’ web searching strategies and outcomes: The role of task types, web experiences and epistemological beliefs. Computers & Education, 51(3), 1142–1153. https://doi.org/10.1016/j.compedu.2007.11.003.
Wilson, T. D. (1981). On user studies and information needs. Journal of Documentation, 37(1), 3–15. https://doi.org/10.1108/eb026702.
Wilson, T. D. (1999). Models in information behaviour research. Journal of Documentation, 55(3), 249–270. https://doi.org/10.1108/EUM0000000007145.
Xu, D., Chen, W., Peng, W., & Wang, W. (2024). Large language models for generative information extraction: A survey. Frontiers of Computer Science, 18, 186357. https://doi.org/10.1007/s11704-024-40555-y.
Yang, H., Lin, J., & Wei, J. (2023). Research on the automatic subject-indexing method of academic papers based on climate change domain ontology. Sustainability, 15(5), 3919. https://doi.org/10.3390/su15053919
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2025 Rafael Antunes dos Santos, Eliseo Berni Reategui
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 International (CC BY-NC-ND), que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
