Um software vendido na China promete transformar bases públicas de saúde em artigos científicos prontos para publicação em menos de duas horas. O problema não é apenas a velocidade, nem o uso de inteligência artificial para redigir texto: é a possibilidade de uma produção em massa de pesquisas padronizadas, difíceis de verificar e talvez pouco relevantes. Quando a quantidade cresce mais depressa que a capacidade de avaliação, a revisão por pares deixa de ser um filtro confiável e começa a parecer uma peneira furada.
Como o software produz tantos artigos científicos?
O software permite realizar análises estatísticas padronizadas com dados secundários de grandes bases de saúde e gerar manuscritos com auxílio de inteligência artificial. Em Guangzhou, uma empresa anuncia ferramentas capazes de produzir pedidos de financiamento em poucos minutos e pesquisas científicas adequadas para submissão em menos de duas horas.
A promessa comercial não é pequena. O pacote inclui instruções, ferramentas de análise e assistência de escrita baseada em IA. Os pesquisadores também identificaram outros dois produtos semelhantes, vendidos por empresas chinesas. Juntos, eles oferecem uma espécie de linha de montagem para um trabalho que, até pouco tempo atrás, exigia domínio estatístico, leitura cuidadosa dos dados e algumas semanas — quando não anos — de pesquisa.
O ponto não é que toda análise gerada por esse caminho esteja errada. Andrea Riebler, estatística do Departamento de Ciências Matemáticas da NTNU, afirma justamente o contrário: os métodos podem ser tecnicamente corretos. A questão é saber se cada artigo acrescenta conhecimento útil ou apenas rearranja variáveis disponíveis em uma base de dados. Estatística sem pergunta relevante vira uma máquina de fabricar tabelas.
Esse tipo de pesquisa usa dados coletados originalmente por outros grupos. É uma prática legítima, conhecida como análise secundária, mas que exige critério. Nem toda combinação entre doença, faixa etária, região e período produz uma descoberta interessante. A facilidade de cruzar colunas não transforma automaticamente o resultado em ciência. Às vezes, produz apenas mais um PDF com aparência acadêmica.
Por que as citações de um estudo dispararam?
O caso veio à tona quando as citações de um trabalho de Riebler e Leonhard Held aumentaram de modo abrupto: eram 70 em 2024 e passaram de 250 no ano seguinte. O artigo, publicado em 2017, apresentava previsões específicas por idade para incidência e mortalidade usando dados históricos e um método bayesiano.
Riebler havia desenvolvido o software utilizado nos cálculos, disponibilizado o código-fonte e documentado sua aplicação. Anos depois, ela percebeu que muitos artigos, em sua maioria produzidos por pesquisadores chineses, seguiam uma fórmula parecida. Quase todos usavam dados do projeto Global Burden of Disease, conhecido pela sigla GBD, para construir previsões sobre diferentes doenças.
Os temas eram variados: risco global, nacional e regional de acidente vascular cerebral em adultos com mais de 20 anos; câncer testicular em homens jovens; quedas entre idosos na China; e câncer colorretal associado ao consumo muito baixo de grãos integrais. A lista parecia interminável. Os títulos mudavam, mas a estrutura permanecia. O mesmo molde, doenças diferentes.
Os gráficos também chamaram atenção. Alguns usavam o mesmo modelo estatístico do trabalho de Riebler e apresentavam desenho bastante semelhante ao de seu pacote de software. “Isso dificilmente é uma coincidência”, avaliou a pesquisadora. O rastro levou Riebler, Peter Methys Degen e Held até um produto comercial chinês que ensinava exatamente o tipo de análise encontrado em vários dos mais de 700 artigos examinados.
As conclusões foram reunidas no estudo “Paper mill or paper mine? A tentative answer to the sharp increase in research papers based on the Global Burden of Disease database”, publicado em 2026 no Journal of Clinical Epidemiology. O título pergunta se aquilo seria uma fábrica de artigos ou uma mina de artigos. A resposta completa continua em aberto, mas a escavação já encontrou ferramentas, instruções e um volume difícil de ignorar.
Por que a revisão por pares pode não dar conta?
A revisão por pares pode entrar em colapso quando o número de submissões cresce muito mais depressa que a quantidade de especialistas disponíveis para avaliá-las. Editores precisam selecionar revisores, verificar conflitos de interesse e julgar se o estudo apresenta método, relevância e transparência suficientes. Cada novo manuscrito consome horas de alguém que, em geral, também pesquisa, dá aulas e avalia outros trabalhos.
O periódico Accountability in Research, dedicado à integridade científica e às boas práticas, registrou aumento de 60% nas submissões em 2026. Segundo seu editor David Resnik, a revista passou a receber uma enxurrada de artigos provavelmente produzidos com IA — ironicamente, muitos tratavam de má conduta científica.
Peter Methys Degen descreveu o problema como uma sobrecarga para um sistema que já opera no limite. Se modelos de linguagem tornam mais simples produzir manuscritos em escala, a pressão não cresce de forma linear. Cresce como fila de repartição em dia de pagamento: cada novo documento exige atenção, mas quase nenhum traz tempo adicional para concedê-la.
Detectar o uso de inteligência artificial também não resolve tudo. Um texto escrito por uma pessoa pode conter análise fraca; um texto gerado por máquina pode descrever corretamente um cálculo. Riebler admite não saber se a autoria, por si só, é o principal problema quando o conteúdo está correto. O volume, esse sim, é impossível de contornar. Não há revisor suficiente para cada artigo que um software consegue fabricar.
O que a falta de código muda na confiabilidade?
A ausência de código-fonte impede a reprodução da pesquisa e dificulta verificar como os resultados foram obtidos. Esse é o problema central: sem os comandos, parâmetros e etapas de cálculo, outros pesquisadores não conseguem repetir a análise nem identificar possíveis erros.
Em 99% dos artigos examinados por Riebler e seus colegas, o código não estava disponível. A informação é especialmente importante porque os estudos analisados dependem de modelos estatísticos e de grandes bases públicas. O leitor pode conferir o conjunto de dados, mas não necessariamente sabe quais filtros foram aplicados, que transformações foram feitas ou como o modelo chegou à previsão final.
Reproduzibilidade não é uma exigência ornamental, dessas que ficam em uma seção metodológica para agradar ao editor. Ela permite responsabilizar autores, comparar resultados e corrigir conclusões. Sem ela, um artigo pode estar certo por acaso, errado por descuido ou simplesmente ser impossível de auditar. O formato continua científico; a prestação de contas, não.
Riebler defende que o compartilhamento de código seja obrigatório e pede melhor monitoramento das plataformas que vendem ferramentas para produzir pesquisas prontas. A proposta não elimina análises secundárias nem proíbe o uso de IA. Apenas exige que a velocidade comercial não tenha prioridade sobre a trilha de evidências. Um artigo em duas horas pode ser um rascunho útil. Pronto para publicação, já é outra conversa.
A revisão por pares não foi desenhada para enfrentar uma fábrica digital que funciona dia e noite, oferece modelos estatísticos por catálogo e entrega prosa acadêmica sob encomenda. Talvez o sistema se adapte, talvez seja obrigado a exigir dados, código e declaração de uso de IA com muito mais rigor. Por enquanto, as pilhas de artigos crescem — e, no meio delas, fica cada vez mais difícil descobrir quais páginas ainda têm uma pergunta por trás.
