IA, Inovação e Transformação da Ciência

Inteligência Artificial, Inovação e Transformação da Ciência

Uma perspectiva estatística: fundamentos, incerteza e soberania

Prof. Dr. Jodavid Ferreira
Departamento de Estatística · CCEN · Universidade Federal de Pernambuco

Mesa-redonda do IV Workshop de Divulgação Científica e Didáticas (IV WDCD)
15 de outubro de 2026 · Auditório do CCEN

A IA acelera respostas. Quem garante as perguntas?

Modelos geram código, resumem a literatura e acham padrões em segundos.

Mas quem garante a qualidade das perguntas, a validade das evidências e o rigor das decisões?

Tecnologia gera possibilidades; critérios estatísticos transformam possibilidades em ciência.

A IA já está na ciência. Replicar ciência, nem tanto.

+26% artigos com IA nas CIÊNCIAS NATURAIS em um ano (≈ 80 mil em 2025)

6–9% da produção científica já envolve IA, conforme a área (< 1% em 2010)

88% das organizações usam IA em ao menos uma função (McKinsey, 2025)

< 20%

de acerto dos modelos de fronteira ao tentar replicar artigos de astrofísica (ReplicationBench).

Gerar ficou barato. Auditar virou a competência decisiva.

Fonte: Stanford HAI, AI Index Report 2026; McKinsey, State of AI 2025.

Top 15 em ciência sobre IA. 53º em inovação.

Fontes: CGEE (2025); OMPI, Global Innovation Index 2023–2026 (139 economias).

Publicamos muito, mas convertemos pouco em produtos, patentes e empresas, e a posição vem caindo.

“Se o conhecimento não vira solução para a sociedade, vira autoelogio.”

O Brasil deve competir com dados e problemas locais

1. Modelos de fronteira
escala de capital de outra ordem

2. Adaptação e especialização
SLMs, ajuste fino, dados e domínios locais

3. Aplicação estratégica
SUS · agro · clima · energia

Nas camadas 2 e 3 estão problemas que ninguém lá fora vai resolver por nós.

A lição dos genéricos: capacidade nacional gera autonomia e poder de barganha.

É onde desenho amostral e validação local decidem.

A IA acelerou uma etapa. A Estatística decide as outras.

Todo modelo, do mais simples ao maior LLM, aproxima o mecanismo gerador $P(X,Y)$ a partir de uma amostra finita

Mecanismo gerador → Desenho amostral e coleta → Otimização (a IA acelerou) → Validação e incerteza → Decisão

a validação volta e questiona como os dados foram coletados

Mais dados não corrigem dados ruins

Delphi–Facebook · ~250 mil respostas/semana +17 p.p. de erro na vacinação contra Covid (1ª dose, adultos dos EUA, maio/2021), com IC 95% tão estreito que nem aparece no gráfico

Axios–Ipsos · ~1 mil respostas/onda +4,2 p.p. de erro; o IC 95% conteve o valor oficial do CDC em 10 de 11 ondas (cobertura empírica de 91%)

Referência: contagem oficial de 1ª doses do CDC. Totais jan.–mai./2021: Delphi–Facebook 4.525.633 (19 ondas); Household Pulse 606.615 (8); Axios–Ipsos 11.421 (11). Bradley et al. (2021), Nature, 600, 695–700.

0:45 · “Dados são construções humanas. Um exemplo real, publicado na Nature: em 2021, três pesquisas mediram a vacinação contra Covid nos EUA, e o CDC tinha o número oficial para comparar.”

“A Delphi–Facebook, com 250 mil respostas por semana, errou em 17 pontos percentuais, e o intervalo de confiança dela era tão estreito que nem aparecia no gráfico: precisão sem acurácia.”

[clique] → “O Axios–Ipsos, com cerca de mil respostas por onda, errou 4,2 pontos, e o intervalo de 95% conteve o valor do CDC em 10 de 11 ondas. A diferença foi o desenho: recrutamento probabilístico por endereço.”

Aponte o “< 10”: “Por causa do viés de seleção, as 250 mil respostas da Delphi–Facebook valeram o mesmo que menos de 10 pessoas sorteadas ao acaso. Se a qualidade é ruim, quantidade não salva.”

Se perguntarem: os erros cresceram com o tempo, de poucos pontos em janeiro para 4,2 / 14 / 17 p.p. em meados de maio. O CDC está como referência (não é verdade absoluta); os autores testaram ±5% e ±10% de erro no CDC e a conclusão se mantém. A Delphi–Facebook não pondera por escolaridade: quem não tem curso superior ficou sub-representado em quase 20 p.p.

Com mais parâmetros que dados, o erro volta a cair

Clássico ( $n > p$ ): uma solução.

$\hat{\beta} = (X^\top X)^{-1}X^\top y$

Moderno ( $p \gg n$ ): infinitas soluções; a regularização escolhe uma.

$\hat{\beta}_{\text{ridge}} = (X^\top X + \lambda I)^{-1}X^\top y$

O desafio é escolher, entre infinitas soluções, a que generaliza.

Belkin et al. (2019); Hastie et al. (2022).

Na média, 90% de cobertura. No grupo B, 67%.

A predição conforme dá a qualquer modelo intervalos com cobertura mínima garantida em amostra finita:

$P\big(Y_{n+1} \in C(X_{n+1})\big) \ge 1-\alpha$

Exige permutabilidade. A garantia é marginal: vale na média, não em cada grupo.

Média boa esconde subgrupo ruim: a auditoria tem de ser estratificada.

Prever não é intervir

A escada de Pearl:

Associação $P(y \mid x)$ : o que observamos e usamos para predizer.
Intervenção $P(y \mid do(x))$ : o que acontece quando definimos $X=x$ .
Contrafactual $Y_x$ : o que teria acontecido se $X$ tivesse assumido outro valor.

Sem desenho ou suposições causais, dados observacionais não identificam efeitos, não importa o tamanho do modelo.

Prever quem vai adoecer não diz qual tratamento funciona.

Quatro perguntas antes de confiar em um modelo

1 Bate um modelo simples? Em 71 estudos clínicos, o ML não superou, em média, a regressão logística (Christodoulou et al., 2019).

2 Funciona em outro hospital, outra cidade, outro equipamento? Modelo de pneumonia em raio-X aprendeu a reconhecer o hospital, não a doença (Zech et al., 2018).

3 É estável a pequenas perturbações? Modelos de Covid usavam marcas de texto na imagem (DeGrave et al., 2021).

4 Sabe dizer quando não sabe? Intervalos, calibração, abstenção.

Não “o modelo acerta?”, mas: em que condições, para quem, com que margem de erro?

Uma conferência, 29 mil artigos: volume não é ciência

≈ 29 mil submissões à trilha principal da AAAI-26, quase o dobro de 2025 AAAI; OpenReview (2026)

6,5–16,9% do texto de revisões em conferências de IA (2023–24) modificado por LLMs, estimado por máxima verossimilhança Liang et al. (2024), ICML

A Universidade precisa valorizar profundidade, reprodutibilidade e impacto real.

O código roda. O resultado pode ser falso.

Aceleração legítima: AlphaFold (Nobel 2024), simulação, Monte Carlo.

Riscos: equações erradas, citações inventadas, ilusão de entendimento.

97% de acurácia aparente não prova nada.

Os erros mais comuns são silenciosos:

Vazamento: padronizar, imputar ou selecionar variáveis antes de separar treino e teste.
Dependência ignorada: mesmo paciente ou série temporal tratados como i.i.d.

Kapoor & Narayanan (2023): vazamento em centenas de artigos de 17 áreas.

O computador não vê esses erros; a Estatística vê. A responsabilidade autoral não se transfere.

O gargalo não é o hardware: é o dado e quem sabe lê-lo

“Comprar hardware é o passo mais fácil; o desafio é usá-lo de forma produtiva para o país.”

O que está saturado Usuário de prompt pronto e de tutorial, sem base para auditar.

O perfil disputado Fundamentos de probabilidade, rigor de desenho e capacidade de formular problemas reais.

Bibliotecas mudam a cada dois anos; verossimilhança, amostragem e causalidade, não.

O que queremos que o estudante aprenda?

Avaliar o percurso, não só o produto

Tarefa antiga “Ajuste uma regressão linear múltipla e calcule o intervalo de confiança.”

A IA faz em segundos.

Tarefa adaptada “Gere duas modelagens com IA. Aponte onde as hipóteses foram violadas, corrija e defenda oralmente sua escolha.”

Defender uma escolha diante de uma banca é a prova oral da vida real.

Outras ideias: erros plantados numa análise feita por IA; bases do IBGE e DATASUS; arguição curta por sorteio em turmas grandes.

Quanto maior o impacto, maior a exigência

Viés e equidade , Privacidade (LGPD, art. 11), Acesso equitativo, Autoria e integridade

	Risco baixo	Risco moderado	Risco alto
Atividade	Brainstorming, revisão de estilo	Análise exploratória, código assistido	Atribuir notas, selecionar bolsistas, diagnóstico
Governança	Uso livre com leitura crítica	Validação e declaração de uso	Supervisão humana, explicabilidade, direito a recurso
Pergunta	Faz sentido?	O estimador é válido?	Quem responde pelo erro?

O AI Act europeu classifica IA para admissão e avaliação educacional como alto risco.

Reg. (UE) 2024/1689, Anexo III. No Brasil, o PL 2.338/2023 também classifica por risco.

Para continuar a reflexão

“A Inteligência Artificial pode acelerar a velocidade das nossas respostas. Mas a Estatística garante a solidez das nossas perguntas e a calibração das nossas incertezas.”

Não seremos consumidores passivos de tecnologia: seremos construtores críticos da inovação, com rigor.

Muito obrigado!
Prof. Dr. Jodavid Ferreira
Departamento de Estatística - CCEN/UFPE
jodavid.ferreira@ufpe.br | http://jodavid.github.io

Feito com auxílio de IA, usando o modelo Claude Opus 5.5 (Anthropic), mas a responsabilidade pelo conteúdo, pelos dados e pelas referências é do autor.

Referências

Angelopoulos, A. N.; Bates, S. (2023). Conformal prediction: a gentle introduction. Foundations and Trends in ML, 16(4).

Belkin, M.; Hsu, D.; Ma, S.; Mandal, S. (2019). Reconciling modern machine-learning practice and the classical bias–variance trade-off. PNAS, 116(32), 15849–15854.

Bradley, V. C. et al. (2021). Unrepresentative big surveys significantly overestimated US vaccine uptake. Nature, 600, 695–700.

Breiman, L. (2001). Statistical modeling: the two cultures. Statistical Science, 16(3), 199–231.

CGEE (2025). O Panorama Brasileiro da Ciência, Tecnologia e Inovação em Inteligência Artificial.

Christodoulou, E. et al. (2019). No performance benefit of machine learning over logistic regression for clinical prediction models. J. Clin. Epidemiol., 110, 12–22.

DeGrave, A. J.; Janizek, J. D.; Lee, S.-I. (2021). AI for radiographic COVID-19 detection selects shortcuts over signal. Nature Machine Intelligence, 3, 610–619.

Guo, C.; Pleiss, G.; Sun, Y.; Weinberger, K. Q. (2017). On calibration of modern neural networks. ICML.

Hastie, T.; Montanari, A.; Rosset, S.; Tibshirani, R. (2022). Surprises in high-dimensional ridgeless least squares interpolation. Annals of Statistics, 50(2), 949–986.

Kapoor, S.; Narayanan, A. (2023). Leakage and the reproducibility crisis in machine-learning-based science. Patterns, 4(9), 100804.

Liang, W. et al. (2024). Monitoring AI-modified content at scale: ChatGPT and AI conference peer reviews. ICML.

McKinsey & Company (2025). The State of AI in 2025.

Meng, X.-L. (2018). Statistical paradises and paradoxes in big data (I). Annals of Applied Statistics, 12(2), 685–726.

Pearl, J. (2009). Causality: Models, Reasoning and Inference. Cambridge University Press.

Soares, A. (2026). A nova corrida da IA nas empresas e universidades brasileiras. Podcast IA Sob Controle, ep. 288.

Stanford HAI (2026). The 2026 AI Index Report, cap. 5 (Science).

União Europeia (2024). Regulamento (UE) 2024/1689 (AI Act), Anexo III.

WIPO/OMPI (2025, 2026). Global Innovation Index.

Zech, J. R. et al. (2018). Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs. PLoS Medicine, 15(11), e1002683.