O uso da inteligência artificial no reconhecimento de padrões de rastreabilidade e reprodutibilidade em pesquisas científicas na área de covid-19

Abstract

A disseminação pandêmica de um novo coronavírus humano, chamado de síndrome respiratória aguda grave coronavírus 2 (SARS-CoV-2) no final de 2019, provocou uma emergência de saúde global que levou a` necessidade iminente de aumento na velocidade da resposta da saúde pública a COVID-19, doença causada pelo vírus. Considerando que o entendimento de pesquisas científicas diz respeito a toda investigação original que vise contribuir para a formação da ciência, o momento pandêmico suscitou um aumento das pesquisas ligadas ao tema, a partir de iniciativas teóricas e experimentais, com finalidade de produzir novos saberes e aumentar a compreensão sobre os fenômenos vivenciados. Uma vez que a pesquisa científica é parte fundamental da cadeia de desenvolvimento de novos conhecimentos, os trabalhos científicos gerados a partir deste processo precisam ser conduzidos sob condições controladas e verificáveis de modo a assegurar uma base sólida na divulgação de informações, que contribuam para decisões futuras seguras e consistentes. Em função disso, existe um crescente reconhecimento de que requisitos de qualidade como a rastreabilidade e a reprodutibilidade, dependem do rigor com o qual os pesquisadores desenham e conduzem suas pesquisas científicas, como controlam os potenciais tendências experimentais, e como apresentam informações metodológicas essenciais. A presente tese propôs apresentar um modelo de Inteligência Artificial (IA) capaz de reconhecer padrões de rastreabilidade e reprodutibilidade. A metodologia de análise, de natureza aplicada, gerou uma solução específica através da qual foi possível definir e reconhecer dez padrões de rastreabilidade e reprodutibilidade em artigos científicos na área de COVID-19. Inicialmente foi realizada, por um grupo de cientistas, a validação dos padrões, os quais foram analisados e tiveram seus percentuais definidos utilizando-se a fundamentação do modelo de Redes Bayesianas. Para reconhecimento dos padrões foram utilizadas as técnicas de Processamento de Linguagem Natural (PLN) Naive Bayes (NB), Similaridade de Cossenos, Bag of Words (BOW), Redes Neurais Artificiais (RNA) e Redes Neurais Recorrentes (GRU). As amostras utilizadas para análise, foram compostas por 1770 artigos científicos na área de COVID-19, escolhidos de forma aleatória e publicados no período de janeiro de 2020 a dezembro de 2023, na base de dados eletrônica Scopus. A partir da análise é possível estabelecer o percentual equivalente à rastreabilidade e reprodutibilidade (%RR) de cada um dos artigos científicos analisados. A visualização deste resultado foi disponibilizada em um portal criado para esta finalidade: PRAC - Portal de Rastreabilidade de Artigos Científicos. Estas análises podem demonstrar credibilidade da publicação e proporcionar mais impacto e confiabilidade da comunidade científica e da sociedade nestas. Essa sistemática metodológica de identificação da rastreabilidade e reprodutibilidade científica poderá ainda ser utilizada futuramente na análise prévia ou posterior de diversos outros artigos científicos publicados ou em fase de publicação.