Coescrita

A terceira aula deu continuidade ao eixo central do curso: compreender a pesquisa acadêmica com IA não apenas como uso instrumental de ferramentas, mas como uma transformação nas formas de leitura, escrita, organização da informação e construção de contexto. A aula foi bastante dialogada, partindo das questões dos alunos sobre o texto “Fantasmas da coescrita” (preprint), avançando para a discussão sobre GPTs customizados, cosmotécnica, etnografia com IA, co-inteligência segundo Ethan Mollick, uso da lousa/canvas, criação de slides com Gamma e experimentações em grupos de conversa com IA.

1. Abertura: acesso, plataforma e dinâmica da aula

A aula começou com uma breve conversa sobre problemas técnicos e sobre o uso da plataforma Sympla para os encontros síncronos. Foi comentado que os links de acesso são individualizados, o que pode gerar problemas quando uma pessoa usa o link de outra. Houve o exemplo de uma aluna que entrou com o perfil de uma colega e depois foi derrubada quando a titular do link acessou a sala.

Esse comentário inicial serviu também para reforçar uma dimensão prática do curso: as tecnologias de organização, acesso e mediação dos encontros não são neutras. Elas condicionam a experiência pedagógica, podem facilitar o gerenciamento de turmas, mas também criar ruídos de participação.

A aula, então, começou a partir das perguntas de Rosana sobre o texto indicado para leitura.

2. “Fantasmas da coescrita”: o texto como exemplo de meta-reflexão

A primeira discussão mais substantiva surgiu a partir do texto “Fantasmas da coescrita”. Rosana destacou algumas questões que chamaram sua atenção: a ideia dos “fantasmas”, os modelos customizados, a autoria, o processo criativo e o conceito de cosmotécnica.

A resposta esclareceu que o objetivo de compartilhar o texto não era fazer uma aula teórica aprofundada sobre todos os autores e conceitos presentes nele. A intenção principal era mostrar um experimento de meta-reflexão: isto é, um processo em que a IA não é usada apenas para produzir conteúdo, mas para pensar sobre o próprio processo de produção, leitura, autoria e pesquisa.

A expressão “fantasmas” foi explicada a partir da ideia de ghostwriter: alguém que escreve por outro, de maneira muitas vezes invisível. No contexto da coescrita com IA, a metáfora ajuda a pensar esses modelos como presenças auxiliares, interlocutores ou índices recursivos que participam da construção do texto, ainda que não apareçam como autores tradicionais.

O ponto principal foi: muitos pesquisadores, estudantes e professores provavelmente já estão usando GPTs customizados, modelos com arquivos, projetos e bases de referência para dialogar com autores e teorias, mas essas práticas ainda aparecem pouco explicitadas. A aula propôs, então, tornar visível esse tipo de prática e refletir criticamente sobre ela.

3. GPTs customizados como “índices remissivos recursivos”

Um dos conceitos mais importantes da aula foi a ideia de que um GPT customizado pode funcionar como uma espécie de índice remissivo recursivo.

A comparação é interessante: um índice remissivo tradicional permite localizar temas, conceitos e passagens dentro de um livro. Já um modelo customizado, alimentado com textos de determinado autor ou campo, permite fazer perguntas, testar relações, comparar conceitos e voltar recursivamente às fontes. Ele não apenas aponta onde algo aparece; ele também ajuda a reorganizar, relacionar e tensionar o material.

Foi discutido o exemplo de criar um GPT com a obra de um autor, como Bourdieu, Flusser, Pierre Lévy ou Latour. A partir daí, o pesquisador poderia conversar com esse modelo para compreender melhor conceitos, fases da obra, mudanças de perspectiva e possíveis relações entre textos.

Mas houve uma ressalva importante: autores com obras extensas talvez devam ser divididos por fases, temas ou recortes. Um GPT com “todo Bourdieu”, por exemplo, pode ficar amplo demais. Em alguns casos, pode ser mais interessante criar modelos separados: um para a fase inicial, outro para os textos sobre cultura, outro para a dimensão política, e assim por diante.

O risco principal é que o modelo pode produzir formulações criativas que parecem coerentes com o autor, mas que não estão efetivamente publicadas na obra. Por isso, a recomendação foi clara: esses modelos ajudam a pensar, mas não dispensam a leitura direta dos textos originais.

4. Cosmotécnica: construir sentido próprio para a relação com as máquinas

A partir das dúvidas de Rosana, a aula entrou no conceito de cosmotécnica, associado ao filósofo Yuk Hui. Esse foi um dos momentos conceituais mais importantes da aula.

A cosmotécnica foi apresentada como uma forma de dar sentido à experiência com as tecnologias. Sem uma narrativa conceitual, a relação com as máquinas pode oscilar entre o medo e a alienação. O conceito ajuda a pensar que a tecnologia não precisa ser vista como algo universal, homogêneo e inevitável, produzido por uma única tradição histórica.

Foi feita uma distinção entre técnica e tecnologia. A técnica foi associada às formas históricas e culturais pelas quais diferentes comunidades produziram utensílios, ferramentas e modos de agir sobre o mundo. Já a tecnologia moderna, vinculada à ciência, à indústria e ao desenvolvimento capitalista, tende a afastar as pessoas da possibilidade de modificar, adaptar e recriar os objetos técnicos.

A partir disso, foi discutida a importância de experimentar formas próprias de interação com IA. Mesmo sem desenvolver um modelo do zero, é possível criar usos, contextos e práticas que dialoguem com perspectivas locais, decoloniais, do sul global ou com autores que escapem do repertório hegemônico das grandes plataformas.

Foi citado, como exemplo, um possível experimento com transcrições de palestras de Nego Bispo, buscando criar um modelo que dialogasse com sua oralidade e com sua forma própria de pensamento. A questão não é apenas técnica, mas também política: apropriar-se das tecnologias e recriá-las de acordo com contextos culturais e visões de mundo diferentes.

5. IA, etnografia e organização de grandes corpos de dados

A partir da intervenção de Zeca, antropólogo, a aula passou a discutir o uso da IA em pesquisas etnográficas. Ele trouxe uma preocupação importante: como lidar com diários de campo, entrevistas, anotações e materiais subjetivos sem que o modelo simplifique ou distorça a experiência etnográfica?

A resposta situou a IA como uma nova camada na história das tecnologias de organização da informação. Assim como a escrita, a imprensa, a eletrificação e a digitalização transformaram a forma de registrar e organizar conhecimento, a IA introduz uma nova etapa: ela permite interagir com grandes corpos de texto, categorizá-los, reorganizá-los e gerar hipóteses de leitura.

No caso da etnografia, a IA pode atuar como auxiliar na organização de entrevistas transcritas, diários de campo, relatos, categorias e interlocutores. Mas foi feita uma comparação importante com a fotografia na antropologia visual: a fotografia também parecia, inicialmente, uma captura objetiva do real, mas depois se percebeu que ela envolve recorte, enquadramento, escolha e interpretação.

Do mesmo modo, a IA pode auxiliar, mas não substitui o olhar do pesquisador. Ela pode organizar, mas não deve apagar a singularidade do campo. No caso de materiais etnográficos, foi recomendado instruir o modelo de forma explícita:

“Este é um material etnográfico. Preserve a expressão do interlocutor. Não resuma. Não sintetize. A redundância é importante porque faz parte do campo.”

Esse ponto foi central: a IA tende a otimizar para clareza, síntese e coerência. Mas, em alguns tipos de pesquisa, especialmente na etnografia, a repetição, a hesitação, a expressão oral e a redundância podem ser dados importantes.

6. Alucinação, criação conceitual e risco interpretativo

A aula também discutiu a ambiguidade da chamada “alucinação” dos modelos. Em algumas áreas, como literatura ou filosofia, uma formulação inesperada pode ser produtiva. Em outras, especialmente quando se trata de citação, evidência ou análise empírica, pode ser perigosa.

Foi dado o exemplo do próprio conceito de “pedagogia do contexto”, que surgiu na interação com a IA a partir do material do curso. Nesse caso, o modelo ajudou a nomear algo que já estava sendo construído na prática. Mas o uso de um conceito sugerido pela IA exige cautela: é preciso verificar se o termo já existe, se tem outro sentido consolidado e se não está sendo atribuído indevidamente a um autor ou campo.

Essa discussão abriu uma questão metodológica importante: quando um conceito surge na interação entre pesquisador e IA, como registrar isso? Uma possibilidade levantada foi tratar esse processo de forma reflexiva, incluindo no texto uma nota metodológica ou uma dimensão autoetnográfica. Em áreas como a antropologia, a autoetnografia pode ajudar a explicitar como o pesquisador interagiu com o modelo e como certas categorias emergiram no processo (ver Marilyn Strathern).

7. Escrita, autoria e a dimensão híbrida do texto

Outro eixo da aula foi a discussão sobre escrita. Beatriz comentou que escrever é uma forma de descobrir o que se pensa. A aula acolheu essa ideia, mas ampliou o argumento: talvez hoje essa descoberta não aconteça apenas pela escrita tradicional. Ela pode começar também por áudio, transcrição, conversa, palestra gravada ou diálogo com IA.

Foi lembrado que muitas ideias surgem oralmente em aulas, debates e palestras. Ao transcrever esses momentos e reorganizá-los, o pesquisador pode descobrir formulações que já estavam em curso, mas ainda não estavam estabilizadas como texto.

Essa reflexão reforça a ideia de que a coescrita com IA não deve ser pensada apenas como “a máquina escrevendo pelo humano”. Ela pode funcionar como uma tecnologia de escuta, reorganização, retomada e lapidação de ideias.

Também apareceu uma crítica ao termo “humanizar” texto. A aula problematizou essa expressão porque ela pressupõe que o texto gerado anteriormente não teria humanidade. Em vez disso, foi sugerido pensar os textos como criações híbridas, atravessadas por humanos, máquinas, leituras, referências, estilos e processos de edição.

8. Ethan Mollick e a co-inteligência

Na segunda parte da aula, foi apresentada uma sistematização das ideias de Ethan Mollick, especialmente a partir de seu livro sobre co-inteligência. A obra foi indicada como uma leitura acessível e útil para pensar a IA no trabalho acadêmico.

A primeira dica atribuída a Mollick é experimentar a IA em quase todas as etapas da pesquisa, desde que não haja impedimentos éticos, legais ou institucionais. Isso não significa aceitar tudo que a IA produz, mas testar empiricamente onde ela ajuda e onde atrapalha.

Um conceito importante apresentado foi o da fronteira irregular da IA. A IA pode resolver com facilidade algumas tarefas que parecem difíceis, mas falhar em tarefas aparentemente simples. Por isso, não faz sentido partir de regras abstratas como “IA serve para escrever” ou “IA não serve para pesquisar”. O mais adequado é experimentar, testar, verificar e mapear seus usos em cada situação.

A IA pode ajudar em diferentes etapas: formular perguntas de pesquisa, gerar palavras-chave, resumir textos, comparar conceitos, testar hipóteses argumentativas, revisar clareza, simular objeções de banca, organizar cronogramas e estruturar etapas de trabalho.

Mas a responsabilidade final continua sendo do pesquisador. A IA pode sugerir, organizar e acelerar, mas não assume autoria, julgamento crítico ou responsabilidade ética.

9. Papéis atribuídos à IA: tutor, orientador, parecerista, bibliotecário

Uma recomendação prática importante foi o uso de papéis. Em vez de pedir apenas “resuma esse texto”, é mais produtivo orientar o modelo:

“Atue como orientador de pesquisa em antropologia e identifique o argumento central, os conceitos principais, os pressupostos teóricos, as fragilidades da argumentação e perguntas para aprofundamento.”

Outros papéis possíveis foram mencionados:

• tutor;
• coeditor;
• parecerista de revista;
• bibliotecário;
• debatedor;
• leitor médio;
• aluno simulando dúvidas sobre uma aula;
• orientador metodológico.

Essa estratégia permite modular a resposta da IA conforme a necessidade da pesquisa. O modelo não é apenas um respondedor genérico; ele pode ser configurado situacionalmente para agir de acordo com uma tarefa específica.

10. Prompt não como mágica, mas como construção de contexto

Outro ponto importante foi a crítica à ideia do prompt como “palavra mágica”. A aula reforçou que a qualidade da resposta não depende apenas de encontrar o prompt perfeito, mas de construir um contexto de trabalho.

Foi sugerido dividir as solicitações em etapas:

1. indicar o tema central;
2. formular possíveis problemas de pesquisa;
3. avaliar qual problema está mais delimitado;
4. sugerir palavras-chave;
5. organizar o levantamento bibliográfico;
6. comparar autores;
7. revisar a argumentação;
8. simular críticas ou objeções.

Esse método se conecta diretamente à ideia central do curso: a pesquisa com IA depende de uma pedagogia do contexto. A boa interação não está apenas na pergunta isolada, mas no processo cumulativo de orientação, resposta, correção, reorientação e aprofundamento.

11. Tutor individual e aprendizagem personalizada

A aula também apresentou a ideia de configurar a IA como um tutor individual. O pesquisador pode explicar seu nível de formação, sua área, seu projeto e o tipo de apoio que deseja.

Por exemplo:

“Sou estudante de mestrado em Saúde Coletiva. Estou lendo este artigo e quero que você me ajude a compreender os argumentos principais, mas sem substituir minha leitura.”

A IA pode perguntar ao estudante sobre o texto, testar sua compreensão, propor comparações entre autores, explicar conceitos em diferentes níveis de complexidade e transformar uma intuição inicial em uma pergunta de pesquisa mais delimitada.

Essa função é especialmente interessante porque aproxima o uso da IA de um processo formativo, e não apenas produtivo.

12. Delegar, centauro e ciborgue

Um dos momentos mais úteis da apresentação de Mollick foi a distinção entre diferentes formas de organizar o trabalho com IA.

Há tarefas que só o pesquisador pode fazer: formular o julgamento final, assumir a responsabilidade, interpretar a pertinência dos dados, tomar decisões éticas e definir o sentido da pesquisa.

Há tarefas que podem ser delegadas à IA: organização de notas, revisão gramatical, formatação de referências, criação de quadros, sínteses preliminares e infográficos.

Há também o modo centauro, em que há uma divisão clara entre humano e IA. O pesquisador define categorias, critérios e hipóteses; a IA organiza os dados conforme essas orientações.

E há o modo ciborgue, em que o trabalho se torna mais integrado: escrever, revisar, argumentar, reescrever e reorganizar em um fluxo contínuo. Foi mencionado que esse modo aparece especialmente no processo de elaboração das colunas, em que o texto vai e volta tantas vezes entre autor e modelo que a separação entre contribuição humana e contribuição maquínica se torna menos evidente.

Essa distinção ajudou a mostrar que “usar IA” não é uma coisa única. Existem diferentes graus de integração, delegação e colaboração.

13. A tentação do botão

A aula também alertou para um risco: a tentação do botão. É a ideia de que a IA pode resolver tudo automaticamente, bastando clicar ou pedir uma resposta pronta.

Essa tentação é especialmente forte quando o prazo está apertado. Mas foi reforçado que delegar tudo ao modelo é arriscado. A IA pode tomar desvios, simplificar demais, errar referências, inventar conexões ou gerar uma argumentação aparentemente boa, mas frágil.

O fluxo recomendado foi: exploração, delimitação, busca, coleitura, revisão, interpretação e responsabilidade final do pesquisador.

14. Análise de dados e planilhas

A aula também abordou brevemente o uso da IA para análise de dados quantitativos. Foi mencionado um experimento com dados de estudantes de um curso do ISC, incluindo planilhas com quase mil alunos e questionários de avaliação de componentes curriculares.

O ponto principal foi que a IA trabalha bem com planilhas e dados organizados, mas a qualidade da resposta depende da qualidade do material fornecido. Quando as planilhas estavam confusas, os resultados foram piores. Quando os dados foram limpos, organizados e enviados em uma aba única, o modelo conseguiu gerar gráficos e análises mais consistentes.

Foi citado um erro ocorrido quando os componentes curriculares estavam identificados por siglas: ao gerar o relatório, o modelo inventou nomes completos a partir dessas siglas. Esse exemplo reforçou a importância de explicar ao modelo o significado das variáveis, siglas e categorias.

15. Demonstração prática: Eco, pesquisa acadêmica e lousa/canvas

Na parte prática, foi demonstrado o uso de um projeto com o livro Como se faz uma tese, de Umberto Eco. A proposta era refletir sobre o que mudou na pesquisa acadêmica desde a década de 1970, quando Eco escreveu o livro, até o cenário atual de digitalização e IA.

A IA foi usada para pensar o que permanece relevante em Eco: a importância do recorte, a distinção entre fonte e comentário, a organização da documentação e a necessidade de produzir um trabalho verificável.

Depois, foi pedido ao modelo que pensasse uma proposta de artigo sobre isso. Em seguida, o texto foi aberto na lousa/canvas, recurso que transforma a resposta em um documento editável.

A demonstração mostrou que, na lousa, é possível editar trechos específicos, pedir para reescrever apenas um parágrafo, alterar o nível do texto, aumentar ou reduzir a extensão e trabalhar de forma mais próxima a um editor de texto. Esse recurso foi apresentado como útil para revisar e lapidar textos sem precisar copiar tudo imediatamente para outro ambiente.

16. Gamma e criação de slides

Também foi apresentada a ferramenta Gamma, usada para transformar textos, resumos ou transcrições em apresentações. A diferença destacada é que, enquanto o ChatGPT pode gerar imagens ou propostas de slides conceituais, o Gamma é especializado em apresentação visual.

Ele permite criar cartões, escolher estilos, editar textos, inserir imagens, modificar a estrutura e ajustar a estética com mais facilidade. Foi observado, porém, que ele funciona por créditos: depois de um período de uso gratuito, pode exigir pagamento.

A ferramenta foi usada para apresentar a sistematização das dicas de Ethan Mollick, mostrando como um resumo produzido com IA pode ser transformado em material didático visual.

17. Grupos com IA e coescrita coletiva

No final da aula, surgiu uma pergunta sobre a funcionalidade de grupos no ChatGPT. A dúvida era como pensar a coescrita quando não há apenas uma pessoa conversando com o modelo, mas várias pessoas em um mesmo ambiente.

Foi explicado que as conversas em grupo permitem uma dinâmica semelhante a um grupo de WhatsApp com IA: pessoas entram, mencionam o modelo, interagem entre si e com a IA.

Mas foram indicadas limitações importantes:

• o grupo não fixa contexto da mesma forma que um projeto;
• o material pode precisar ser reenviado em outro dia;
• o modelo não leva automaticamente o contexto pessoal de cada usuário para o grupo;
• isso evita que informações privadas de uma pessoa vazem em uma conversa coletiva.

Apesar das limitações, a funcionalidade foi apresentada como promissora para dinâmicas de aula, oficinas e experimentações colaborativas.

18. Encaminhamento para a Aula 4

A aula terminou indicando que o próximo encontro seria dedicado a novas experimentações práticas, com destaque para o tema dos agentes de IA. A ideia é mostrar que a discussão sobre IA está entrando em uma nova etapa, na qual os modelos não apenas respondem ou ajudam a escrever, mas começam a executar sequências de ações, interagir com ferramentas e participar de fluxos mais complexos de trabalho.

Síntese final

A terceira aula consolidou três movimentos principais do curso.

Primeiro, aprofundou a ideia de meta-reflexão: usar a IA não apenas para produzir textos, mas para pensar sobre o próprio processo de pesquisa, leitura, autoria e construção de conceitos.

Segundo, apresentou a IA como uma nova camada na história da organização da informação, articulando escrita, digitalização, etnografia, análise de dados e coescrita.

Terceiro, sistematizou uma abordagem prática inspirada em Ethan Mollick: experimentar a IA em diferentes etapas, atribuir papéis ao modelo, construir contexto progressivamente, verificar tudo, evitar a tentação da automação total e manter a responsabilidade final com o pesquisador.

A aula mostrou que pesquisar com IA não significa substituir a leitura, a escrita ou o pensamento crítico. Significa reorganizar essas práticas em uma nova ecologia cognitiva, na qual humanos e máquinas participam de processos híbridos de leitura, escrita, interpretação e criação.

Complemento sobre Umberto Eco

Fichamento – Eco

Slide