Chega à sua revista um estudo que propõe um novo teste para detectar uma doença — ou um escore que estima o risco de um paciente vir a desenvolvê-la. Os números impressionam: alta sensibilidade e excelente capacidade de discriminação. Antes de encaminhá-lo à avaliação por pares, porém, o editor precisa saber se esses números se sustentam fora da amostra em que nasceram: em quem o teste foi avaliado? contra qual padrão de referência? O modelo foi testado em pacientes diferentes dos que o originaram? É desse tipo de transparência que dependem duas diretrizes: a STARD e a TRIPOD.

Na Série Diretrizes de Relato, já assentamos a base normativa da publicação científica, apresentamos a EQUATOR Network – o mapa que organiza as diretrizes por tipo de estudo – e percorremos os ensaios clínicos randomizados (CONSORT e SPIRIT) e os estudos observacionais (STROBE). Passamos agora a dois desenhos que alimentam diretamente a decisão clínica: os estudos de acurácia diagnóstica e os modelos de predição. Este texto fala de perto a editores de periódicos de medicina, medicina laboratorial, radiologia e epidemiologia clínica.

Dois problemas distintos, duas diretrizes

Embora muitas vezes apareçam lado a lado, acurácia diagnóstica e predição respondem a perguntas diferentes. Um estudo de acurácia diagnóstica avalia o quanto um teste – um exame de imagem ou um marcador laboratorial, por exemplo – acerta ao separar quem tem de quem não tem a condição, sempre em comparação a um padrão de referência, que seria o melhor método disponível para confirmar o diagnóstico.

Já um modelo de predição combina informações do paciente em uma estimativa de probabilidade: a de ter uma doença no presente (modelo diagnóstico) ou a de desenvolver um desfecho no futuro (modelo prognóstico). O primeiro é o problema de um teste; o segundo, o de uma fórmula que reúne fatores diversos. Para cada um, uma diretriz de relato diferente: STARD e TRIPOD.

STARD: o relato de estudos de acurácia diagnóstica

STARD é a sigla de Standards for Reporting of Diagnostic Accuracy Studies (Padrões para o Relato de Estudos de Acurácia Diagnóstica). Publicada em 2003 e atualizada na versão STARD 2015, reúne 30 itens¹ e um fluxograma de participantes. Ela exige que o estudo deixe claros pontos que, quando omitidos, inflam artificialmente a acurácia: como os participantes foram selecionados (um teste avaliado só em doentes graves, contra pessoas claramente saudáveis, parece melhor do que é), qual foi o padrão de referência, se quem interpretou o teste estava cego ao resultado desse padrão, como se trataram os resultados indeterminados e quais medidas de acurácia foram relatadas (sensibilidade, especificidade, valores preditivos), com suas medidas de precisão. Há um documento de explicação e elaboração com exemplos² e extensões como a STARD para resumos e, mais recentemente, a STARD-AI, para testes diagnósticos baseados em inteligência artificial.

Acesse o diagrama STARD didático, interativo e gratuito, elaborado pelo Blog Periódico Eletrônico. 

TRIPOD: o relato de modelos de predição

TRIPOD é a sigla de Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (Relato Transparente de um modelo de predição multivariável para Prognóstico ou Diagnóstico Individual). Publicada em 2015, com 22 itens³, aplica-se ao desenvolvimento de um modelo, à sua validação ou a ambos.

Seu foco recai sobre o que costuma faltar nesses estudos: a fonte dos dados e os participantes, o desfecho e os preditores, o tamanho da amostra, o tratamento de dados faltantes, como o modelo foi construído e, o ponto decisivo, como seu desempenho foi avaliado. Aqui, relatar apenas a discriminação (a capacidade de ordenar quem tem maior ou menor risco, medida por índices como a área sob a curva ROC) não basta: é preciso relatar também a calibração (se as probabilidades previstas correspondem às observadas) e, sobretudo, se o modelo foi validado em pacientes diferentes daqueles com que foi criado.

Um modelo que se ajusta bem demais aos próprios dados, o chamado overfitting, pode fracassar diante de novos pacientes; sem validação e calibração, um bom número de discriminação diz pouco. O documento de explicação e elaboração detalha cada item⁴ e a diretriz já ganhou extensões, como a TRIPOD+AI, para modelos que usam aprendizado de máquina⁵.

Relatar e avaliar o viés: um par para cada

Como em toda a série, vale a distinção entre relatar e avaliar o risco de viés. A STARD e a TRIPOD dizem o que informar; para julgar o risco de viés desses estudos existem ferramentas próprias — a QUADAS-2, para acurácia diagnóstica, e a PROBAST, para modelos de predição, que retomaremos em um texto específico mais adiante nesta série.

Na política editorial

Levar a STARD e a TRIPOD para dentro da revista é, como sempre, transformá-las em regra formal. Algumas sugestões concretas ao elaborar ou revisar a política editorial:

• Exija a diretriz certa para cada desenho. A STARD, com o fluxograma, para estudos de acurácia diagnóstica; a TRIPOD para modelos de predição, sempre com o checklist preenchido e a indicação de página ou linha.
• Exija o essencial de cada uma. No diagnóstico, o padrão de referência e o cegamento; na predição, a validação (interna e externa) e a calibração, não apenas a discriminação.
• Peça a extensão adequada quando houver IA. STARD-AI ou TRIPOD+AI, que abordaremos em maior detalhe futuramente no texto sobre diretrizes de relato para inteligência artificial.
• Vigie a superestimação. Seleção enviesada de pacientes (no diagnóstico) e modelos sem validação externa (na predição) são as fontes mais comuns de números bons demais para serem verdade.
• Incorpore a conferência à avaliação por pares. Que a aderência seja verificada por uma pessoa, e não apenas declarada pelo autor.

Relatados com transparência, um teste e um modelo deixam de ser promessas de bons números e tornam-se ferramentas que outro serviço pode avaliar e, se for o caso, adotar com segurança. Para o editor, é a diferença entre publicar um resultado promissor e publicar um resultado confiável.

No próximo texto, voltaremos às revisões de literatura e olharemos além da PRISMA: as extensões PRISMA-ScR, para revisões de escopo, PRISMA-DTA, para revisões de acurácia diagnóstica, e PRISMA-P, para protocolos de revisão.

Referências

1. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527.
2. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6(11):e012799.
3. Collins GS, Reitsma JB, Altman DG, Moons KGM. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): the TRIPOD statement. Ann Intern Med. 2015;162(1):55-63.
4. Moons KGM, Altman DG, Reitsma JB, et al. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis (TRIPOD): explanation and elaboration. Ann Intern Med. 2015;162(1):W1-W73.
5. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.

Texto produzido com auxílio de Inteligência Artificial, planejado e revisado pelo autor.
Confira nossa Política de Uso de IA.

A inteligência artificial está ganhando espaço em diferentes etapas da comunicação científica, da descoberta de informações à avaliação de manuscritos. Dois movimentos recentes da Elsevier ilustram essa transformação e também destacam a importância de manter critérios de transparência, segurança e supervisão humana.

No Brasil, pesquisadores passaram a contar com a plataforma LeapSpace, desenvolvida pela Elsevier para apoiar a busca e a exploração da literatura científica. A ferramenta utiliza inteligência artificial para auxiliar na localização e análise de informações acadêmicas e apresenta as fontes relacionadas às respostas, permitindo ao pesquisador verificar a origem do conteúdo.

Na outra ponta do processo científico, a Elsevier publicou orientações para o uso de IA durante a revisão por pares. As recomendações permitem o uso de ferramentas de IA em determinadas tarefas de apoio, mas reforçam que a análise científica e a decisão sobre um manuscrito continuam sendo responsabilidade do revisor. A editora também alerta para a necessidade de proteger informações confidenciais e evitar o envio de manuscritos, dados ou outros conteúdos inéditos a ferramentas que possam armazená-los ou utilizá-los para treinamento.

Os dois casos mostram que a adoção de IA na pesquisa científica não se resume à automação de tarefas. À medida que essas ferramentas passam a participar da descoberta, interpretação e avaliação do conhecimento, questões como rastreabilidade das informações, proteção de dados e responsabilidade humana tornam-se cada vez mais importantes para pesquisadores, revisores e editores científicos.

Fonte: Elsevier
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

Um manuscrito chega à sua revista: um estudo de coorte (tipo de pesquisa médica e científica que observa um grupo de pessoas ao longo do tempo) conclui que determinada exposição está associada a um desfecho de saúde. Os dados parecem consistentes e a análise, competente.

Ainda assim, antes de encaminhá-lo à avaliação por pares, uma pergunta se impõe ao editor — o texto informa o suficiente para que alguém julgue como os participantes foram selecionados, quais variáveis foram medidas e que outros fatores poderiam explicar a associação por um caminho diferente?

Em um estudo observacional, é dessa transparência, e não da força isolada do resultado, que depende a confiança na conclusão. Padronizá-la é o trabalho da STROBE e de suas extensões.

Na Série Diretrizes de Relato, já percorremos a base normativa da publicação científica e o mapa que organiza as diretrizes por tipo de estudo, a EQUATOR Network. No texto anterior, tratamos dos ensaios clínicos randomizados, com a CONSORT e a SPIRIT. Passamos agora dos estudos de intervenção para os estudos observacionais — a maior parte da produção científica em saúde — e, com eles, para a diretriz mais usada nesse território: a STROBE. Este texto fala de perto a editores de periódicos de saúde, epidemiologia e saúde coletiva, mas interessa a qualquer revista que publique estudos de observação.

Observar não é intervir

Em um ensaio clínico, o pesquisador intervém: sorteia quem recebe o quê e compara os grupos. No estudo observacional, ele apenas observa o que acontece na vida real — acompanha grupos ao longo do tempo (coorte), compara quem tem e quem não tem uma doença olhando para o passado (caso-controle) ou fotografa uma população em um dado momento (transversal).

Sem sorteio, os grupos podem diferir de partida em inúmeros aspectos e um terceiro fator – complicador em muitos casos – pode explicar a associação observada. Por isso o relato de um observacional exige transparência redobrada sobre o desenho, os critérios de seleção, as variáveis medidas, os vieses possíveis e o tratamento dos dados faltantes: é isso que permite ao leitor julgar se a associação encontrada resiste ao escrutínio.

STROBE: o padrão dos estudos observacionais

STROBE é a sigla de Strengthening the Reporting of Observational Studies in Epidemiology (Fortalecimento do Relato de Estudos Observacionais em Epidemiologia). Publicada em 2007 por uma iniciativa internacional¹, é hoje a diretriz de relato mais adotada para esse tipo de estudo.

Sua lista de verificação reúne 22 itens que acompanham a estrutura do artigo — título e resumo, introdução, métodos, resultados e discussão — e cobre os três principais desenhos observacionais (coorte, caso-controle e transversal); alguns itens trazem recomendações específicas para cada desenho.

Para o detalhamento de cada item, com exemplos, a STROBE mantém um documento de explicação e elaboração². Vale lembrar que ela é uma diretriz de relato, não de qualidade: diz o que precisa estar descrito, não se o estudo é bom ou ruim. Editores brasileiros contam, inclusive, com uma tradução comentada em português³, publicada na Revista de Saúde Pública.

A RECORD (REporting of studies Conducted using Observational Routinely-collected health Data), publicada em 2015⁴, é a extensão da STROBE que acrescenta itens justamente para tornar transparente o uso desses dados de rotina — há ainda a RECORD-PE, voltada a estudos de farmacoepidemiologia. Quando o estudo se apoia em bases desse tipo, é a RECORD, e não apenas a STROBE, que o editor deve exigir.

STROBE-MR: randomização mendeliana

A terceira peça atende a um método específico e em rápida expansão na epidemiologia genética: a randomização mendeliana. A ideia é engenhosa — usar variantes genéticas, distribuídas ao acaso na concepção, como instrumentos para inferir se uma exposição realmente causa um desfecho, aproximando um estudo observacional de um “experimento natural”. Mas suas conclusões dependem de premissas fortes (relevância do instrumento, independência e restrição de exclusão) que precisam ser relatadas com clareza. A STROBE-MR, publicada em 2021⁵, é a extensão que padroniza esse relato, para que o leitor possa avaliar se as premissas foram atendidas.

A família de extensões da STROBE

RECORD e STROBE-MR são apenas duas de uma família maior de extensões, que ajustam a STROBE a desenhos, dados e áreas específicas. O ponto prático para o editor é simples: existe quase sempre uma extensão adequada ao contexto do estudo e a EQUATOR Network ajuda a encontrar a certa. Entre as principais:

• STREGA — estudos de associação genética entre variantes e doenças.
• STROBE-ME — epidemiologia molecular, com uso de biomarcadores.
• RECORD — estudos com dados de saúde coletados de rotina (registros administrativos, prontuários).
• RECORD-PE — farmacoepidemiologia baseada em dados de rotina.
• STROBE-MR — estudos de randomização mendeliana.
• STROBE-Vet — pesquisa observacional em medicina veterinária.
• STROBE-SIIS — vigilância de lesões e doenças no esporte.
• STROBE-NI — estudos de infecções neonatais.
• STROBE-ID — estudos de doenças infecciosas.
• STROBE-AMS — estudos sobre o uso de antimicrobianos (stewardship).
• STROBE-RDS — amostragem dirigida por respondentes, em populações de difícil acesso.
• STROBE-nut — epidemiologia nutricional.
• STROBE-Equity — relato de equidade em saúde.

A STROBE é o tronco; as extensões, os ramos que a ajustam a cada situação — cabe ao editor exigir a que corresponde ao estudo em avaliação.

Na política editorial

Levar a STROBE e suas extensões para a revista é, como sempre, transformá-las em regra objetiva. Alguns movimentos concretos ao elaborar ou revisar a política editorial podem ser adotados:

1.Exija a lista de verificação da STROBE na submissão de estudos observacionais. Peça o checklist preenchido, com indicação de página ou linha e a identificação do desenho (coorte, caso-controle ou transversal).

2.Peça a extensão certa conforme a fonte e o método. RECORD para dados de rotina (DATASUS e afins); STROBE-MR para randomização mendeliana. Oriente o autor a localizar a extensão na EQUATOR.

3.Cobre transparência sobre vieses, confundidores e qualidade dos dados. Que o manuscrito descreva como confundidores foram tratados e, no caso de dados de rotina, a origem e as limitações das bases.

4.Vigie a linguagem causal. Em estudos observacionais, associação não é causa; a política pode orientar autores e revisores a não afirmar causalidade sem a devida justificativa metodológica.

5.Incorpore a conferência à avaliação por pares. Que a aderência seja verificada por uma pessoa, e não apenas declarada pelo autor.

Adotada com a extensão adequada, a STROBE dá ao estudo observacional o que o sorteio dá ao ensaio: não a certeza da causa, mas a transparência necessária para que cada leitor julgue, por conta própria, o quanto pode confiar naquela associação. Para o editor, é a diferença entre publicar uma manchete e publicar uma evidência.

No próximo texto, deixaremos as coortes e os grupos de comparação para entrar no terreno do diagnóstico e da previsão: apresentaremos a STARD, para estudos de acurácia de testes diagnósticos, e a TRIPOD, para modelos de predição e prognóstico.

Referências

1. von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; STROBE Initiative. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Lancet. 2007;370(9596):1453-1457.
2. Vandenbroucke JP, von Elm E, Altman DG, et al. Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): explanation and elaboration. PLoS Med. 2007;4(10):e297.
3. Malta M, Cardoso LO, Bastos FI, Magnanini MMF, Silva CMFP. Iniciativa STROBE: subsídios para a comunicação de estudos observacionais. Rev Saúde Pública. 2010;44(3):559-565.
4. Benchimol EI, Smeeth L, Guttmann A, et al. The REporting of studies Conducted using Observational Routinely-collected health Data (RECORD) statement. PLoS Med. 2015;12(10):e1001885.
5. Skrivankova VW, Richmond RC, Woolf BAR, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: the STROBE-MR statement. JAMA. 2021;326(16):1614-1621.

Texto produzido com auxílio de Inteligência Artificial, planejado e revisado pelo autor.
Confira nossa Política de Uso de IA.

A Revista Floresta, a BIOFIX Scientific Journal e a REVSBAU promovem, no dia 22 de outubro de 2026, o webinar “Editoração Científica, Ciência Aberta e Inteligência Artificial: Desafios e Inovações na Comunicação do Conhecimento”. As inscrições são gratuitas e devem ser realizadas até 15 de setembro de 2026, por meio do formulário disponível no link do evento.

O encontro será realizado das 9h às 17h, em formato híbrido, com atividades presenciais no Auditório CIFLOMA, no Campus Jardim Botânico da Universidade Federal do Paraná (UFPR), em Curitiba, e transmissão on-line simultânea pela UFPR TV. A programação reúne pesquisadores, editores e especialistas para discutir as transformações e os desafios da comunicação científica diante do avanço da Ciência Aberta e das ferramentas de inteligência artificial.

Entre os convidados estão Sigmar de Mello Rode, da UNESP, que abordará ética, transparência e responsabilidade no uso de IA por autores, revisores e editores; Denise Peres e Abel L. Packer, do SciELO, que tratarão de Ciência Aberta, princípios éticos, editoração científica e inteligência artificial; e Benedito Barraviera, da UNESP, com uma apresentação sobre a evolução da editoração digital desde os anos 1990.

Também participam Paula Carina de Araújo e Antonio Carlos Batista, da UFPR, com discussões sobre políticas institucionais e o panorama dos 56 anos da Revista Floresta. O encontro será encerrado com uma roda de conversa sobre os desafios e perspectivas da editoração científica na área florestal, mediada por Angeline Martini, da REVSBAU, e Ana Paula Dalla Corte, da BIOFIX Scientific Journal.

As inscrições são gratuitas e podem ser feitas através do link Webinar Editoração Científica, Ciência Aberta e Inteligência Artificial. Os participantes que optarem pela modalidade remota receberão, por e-mail, no dia 21 de outubro de 2026, o link e as informações necessárias para acompanhar a transmissão on-line.

Fonte: Revista Floresta
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

A Fundação Oswaldo Cruz (Fiocruz) disponibilizou a segunda edição do curso online Ciência Aberta, uma formação gratuita, autoinstrucional e com carga horária de 100 horas, voltada ao público interessado no tema. Coordenado academicamente pela Professora Dra. Vanessa de Arruda Jorge e pela Professora Dra. Anne Danielle Soares Clinio dos Santos , o curso está organizado em cinco módulos e apresenta fundamentos, práticas, desafios e perspectivas da Ciência Aberta, com foco no compartilhamento e na democratização do conhecimento científico.

Como parte da iniciativa da Fiocruz para fortalecer a cultura da Ciência Aberta, a formação reúne conteúdos que permitem compreender diferentes aspectos relacionados à produção, comunicação, gestão e disseminação do conhecimento. O percurso formativo aborda os fundamentos da Ciência Aberta e o cenário atual no Brasil e no mundo, além de discutir as barreiras à livre circulação do conhecimento e diferentes perspectivas críticas sobre o movimento.

A formação também dedica atenção aos marcos legais que orientam a abertura e o compartilhamento do conhecimento científico. Nesse módulo, são abordados temas como direito autoral, direitos morais e patrimoniais, domínio público, licenças Creative Commons, propriedade industrial, acesso à informação, segurança da informação e proteção de dados pessoais e de pesquisa.

Outro eixo do curso é o Acesso Aberto, com conteúdos sobre comunicação científica, revisão aberta por pares, preprints e experiências latino-americanas. Na sequência, o módulo sobre gestão, compartilhamento e abertura de dados para pesquisa apresenta conceitos e ferramentas de gestão de dados, proteção jurídica de dados em pesquisas na área da saúde, princípios FAIR, planos de gestão de dados, requisitos de financiadores e revistas científicas, além de plataformas, repositórios e data papers.

Por fim, o curso aborda Educação Aberta e Recursos Educacionais Abertos (REA), incluindo modelos, desafios e perspectivas da educação aberta, software livre e REAs. O conteúdo também discute a inteligência artificial na educação, explorando suas potencialidades, riscos e implicações pedagógicas, além de orientar sobre como encontrar, utilizar, criar, compartilhar, monitorar e avaliar recursos educacionais abertos.

Ao reunir esses diferentes temas em uma única formação, o curso oferece uma visão abrangente das práticas associadas à Ciência Aberta e de seus impactos na pesquisa e na educação. A iniciativa é oferecida pelo Campus Virtual Fiocruz e reforça o compromisso institucional com o acesso aberto à informação e à produção científica, valorizando princípios como transparência, colaboração e participação social na pesquisa. As inscrições estão abertas e podem ser realizadas gratuitamente pela página oficial do curso. 

Fonte: Campus Virtual Fiocruz
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

No dia 19 de agosto, às 14h, a Rede Brasileira de Reprodutibilidade (RBR) promoverá seu quinto webinário, dedicado aos impactos da Inteligência Artificial na pesquisa científica. O encontro discutirá como as ferramentas de IA estão transformando a produção do conhecimento e refletirá sobre seus efeitos na transparência, na reprodutibilidade dos resultados e no avanço da ciência aberta.

A programação será composta por três apresentações de 15 minutos. A primeira, conduzida por Ricardo Ceneviva, coordenador da RBR e professor da Universidade Federal do ABC (UFABC), fará uma introdução ao uso da inteligência artificial na ciência, apresentando os principais agentes disponíveis e exemplos práticos de aplicação na pesquisa. Em seguida, Rafael Sampaio, professor da Universidade Federal de Pernambuco (UFPE), abordará a relação entre IA e reprodutibilidade, discutindo oportunidades e desafios para a confiabilidade dos resultados científicos. Encerrando o evento, Ricardo Limongi, da RBR e professor da Universidade Federal de Goiás (UFG), apresentará uma reflexão sobre a evolução das tecnologias de IA e seus potenciais impactos para o futuro da pesquisa científica.

O webinário será uma oportunidade para pesquisadores, editores científicos e demais interessados compreenderem como a inteligência artificial pode contribuir para a produção acadêmica, ao mesmo tempo em que impõe novos desafios relacionados à transparência, à integridade e à reprodutibilidade da ciência. As inscrições estão abertas e podem ser realizadas por meio do link Webinário RBR: Inteligência Artificial e Reprodutibilidade

Fonte: Rede Brasileira de Reprodutibilidade (RBR)
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..

Pense no último artigo que você publicou em coautoria. Se alguém perguntasse hoje — um avaliador de projeto, um comitê de progressão na carreira, um pesquisador interessado em replicar o estudo — quem desenhou o protocolo, quem conduziu a coleta em campo, quem rodou a análise estatística ou quem escreveu a primeira versão do texto, onde essa pessoa encontraria a resposta?

Na maioria dos casos, em lugar nenhum. O único registro disponível, na maioria dos casos, é a ordem dos nomes na página de rosto — uma convenção silenciosa que cada área interpreta de um jeito diferente e que, sozinha, não informa nada verificável.

Este texto é dirigido principalmente a quem escreve: autores e pesquisadores que precisam decidir, antes de submeter, como declarar o trabalho de cada integrante da equipe de pesquisa.

Já apresentamos aqui, em texto anterior, o que é a taxonomia CRediT. O foco agora será no por que a atribuição correta dos papéis importa para a sua trajetória e a dos seus colegas, em como decidir quem recebe qual papel e em como redigir a declaração sem cair nos erros mais frequentes. Ao final, ampliaremos a discussão para o outro lado do sistema de submissão — o que a equipe editorial precisa escrever na política da revista para que essa declaração deixe de ser uma formalidade preenchida às pressas.

A ordem dos nomes não é um registro de trabalho

Em boa parte das ciências da saúde, o primeiro nome é o de quem mais trabalhou e o último é o de quem lidera o grupo de pesquisa. Em matemática e em economia, a ordem costuma ser alfabética. Em várias áreas das humanidades, artigos de autoria única ainda são comuns e a questão quase não se coloca. Nenhuma dessas regras está escrita em lugar algum: todas são presumidas. E o que é presumido não pode ser auditado — nem reivindicado.

Ao analisar dezenas de milhares de artigos que já traziam declarações de contribuição, Vincent Larivière e colaboradores mostraram que a divisão do trabalho na pesquisa contemporânea é bem mais fragmentada do que a lista de autores deixa entrever e que a posição do nome se relaciona apenas parcialmente com o tipo de contribuição efetivamente prestada¹. Em outras palavras: quem lê a lista de autores está lendo hierarquia, não contribuição.

Essa opacidade cobra um preço em duas direções. Para quem faz a pesquisa, o efeito mais imediato é a invisibilidade: quem passou seis meses em campo, quem escreveu o código da análise ou quem organizou e limpou a base de dados aparece na lista exatamente como quem contribuiu de forma pontual. Para a comunidade, o preço são dois problemas antigos e bem documentados — a autoria honorária, quando o chefe de departamento, o coordenador do laboratório ou o financiador entram na lista sem terem contribuído, e a autoria fantasma, quando quem executou parte substancial do trabalho não aparece. Ambos sobrevivem porque a lista de autores não obriga ninguém a dizer o que fez.

Há ainda um risco que costuma passar despercebido e que já apareceu ao tratarmos dos padrões internacionais de integridade na publicação: se um artigo é contestado depois de publicado, a ausência de declaração de contribuições distribui a suspeita igualmente por todos os coautores. Quem não teve qualquer participação na parte questionada não tem como demonstrá-lo. Declarar papéis é, também, uma forma de delimitar a própria responsabilidade.

Autoria e contribuição não são a mesma coisa

Vale fixar uma distinção que costuma se perder.

Autoria é um status: define quem assina, quem responde publicamente pelo trabalho e quem pode reivindicá-lo em um currículo ou em uma avaliação de carreira.

Contribuição é uma descrição: informa qual tarefa concreta cada pessoa executou. Uma responde à pergunta "esta pessoa pode assinar?"; a outra responde "o que exatamente esta pessoa fez?".

Os quatro critérios de autoria do International Committee of Medical Journal Editors (ICMJE)² cuidam da primeira pergunta — tema que já desenvolvemos tanto no texto sobre autoria científica, créditos e responsabilidades quanto no que descreve a base normativa formada pelo ICMJE e pela COPE. A taxonomia CRediT cuida da segunda. São camadas complementares e uma não substitui a outra.

Na prática, a distinção resolve situações que toda equipe conhece: o técnico que preparou as amostras, o bolsista que transcreveu e anonimizou as entrevistas, o colega de outro departamento que cedeu o equipamento, etc. Nenhum deles necessariamente preenche os critérios para assinar o artigo — mas todos fizeram algo nomeável e a taxonomia dá nome a isso.

Confundir as duas camadas leva a erros de sentido oposto. De um lado, usar a declaração de contribuições como atalho para conceder autoria a quem não cumpre os critérios ("ele entrou porque cedeu o laboratório", por exemplo). De outro, supor que declarar papéis é redundante porque "todo mundo é autor mesmo". Como argumenta Alex Holcombe, o ganho da taxonomia não está em substituir a autoria, mas em tornar visível o trabalho que a lista de autores esconde — inclusive o de pessoas que contribuíram de forma essencial sem preencher os critérios para assinar³.

E quem contribuiu, mas não assina?

A pergunta é inevitável e a resposta começa por uma verificação honesta: se a pessoa participou o bastante para preencher os critérios de autoria, o lugar dela é na lista de autores. A seção de Agradecimentos não deve servir para acomodar quem deveria assinar. Feita essa checagem, restam as contribuições reais que não sustentam autoria — o técnico que preparou as amostras, o bolsista que transcreveu as entrevistas, o estatístico consultado uma única vez, o colega que cedeu o equipamento.

Para esses casos, o primeiro passo é consultar as instruções da revista. Algumas mantêm uma seção de contribuidores distinta da lista de autores e aceitam registrar papéis CRediT para quem não assina — a taxonomia foi desenhada para colaboradores, não apenas para autores, e nada na norma impede esse uso. Se a revista oferece esse campo, é ali que a contribuição deve ser declarada.

Quando a revista só coleta papéis dos autores, que é o caso da maioria dos periódicos brasileiros, o lugar da contribuição é a seção de Agradecimentos — e vale escrevê-la com o vocabulário da taxonomia. Em vez de um genérico "agradecemos a colaboração de Fulano", nomeie a pessoa seguida do papel exercido: "Agradecemos a João Ribeiro (Curadoria de dados) e a Marina Alves (Análise formal), que não preenchem os critérios de autoria adotados por esta revista." É o que recomenda o ICMJE, que orienta a especificar a contribuição de cada colaborador não autor e lembra que, como o agradecimento pode ser lido como endosso ao trabalho, todas as pessoas nomeadas devem autorizar por escrito a menção.

Uma ressalva importante fecha o raciocínio: o que vai nos Agradecimentos é texto livre, não metadado estruturado. Esse crédito será lido por humanos, mas não chegará ao XML como elemento rastrável, nem ao registro ORCID da pessoa, nem aos sistemas que consomem esses dados. O reconhecimento existe, mas não é rastreável por máquina — e é exatamente por isso que a política da revista faz diferença, como veremos ao final.

Os 14 papéis do CRediT

A Contributor Roles Taxonomy — CRediT, na sigla consagrada — nasceu de um workshop realizado em 2012 pela Wellcome Trust e pela Universidade Harvard e foi apresentada à comunidade editorial em 2015, em artigo assinado por Amy Brand e colaboradores⁴. Em 2022, deixou de ser uma iniciativa de comunidade e passou a ser norma formal: a ANSI/NISO Z39.104-2022⁵.

A diferença não é cosmética. Uma norma ANSI/NISO é o tipo de referência que agências de fomento, bases de indexação e desenvolvedores de sistemas adotam sem renegociar detalhes — é o que garante que o papel declarado no seu artigo signifique exatamente a mesma coisa em qualquer outro lugar do mundo.

São 14 papéis, nem mais nem menos. Apresento abaixo tradução da categorização funcional dos papéis conforme o CASRAI⁶, com a tradução adotada pela documentação do SciELO Publishing Schema⁷ — referência para as revistas brasileiras que publicam em XML no padrão SciELO — acompanhada da definição oficial de cada papel, disponível no site da taxonomia⁸ e já abordada aqui no blog:

Uma observação que evita muita confusão: a lista é fechada. Não se inventa um décimo quinto papel, nem se adapta a definição de um papel existente para acomodar uma situação particular. Se um trabalho não se encaixa em nenhum dos 14, ele provavelmente pertence à seção de Agradecimentos e não à declaração de contribuições.

Grau de contribuição: principal, igual ou de apoio

A norma prevê um refinamento opcional. Além de indicar que uma pessoa exerceu determinado papel, é possível qualificar o grau dessa participação em três níveis: principal (lead), igual (equal) e de apoio (supporting). O recurso resolve o caso mais frequente em equipes grandes — quatro pessoas coletaram dados, mas uma delas coordenou a coleta; três escreveram, mas apenas uma redigiu a primeira versão.

Antes de submeter, confira nas instruções aos autores se a revista adota os graus. Se adotar, use-os em todos os papéis declarados e não apenas naqueles em que a sua participação foi maior — a graduação seletiva distorce a leitura do conjunto. Se a revista não os menciona, declare somente os papéis.

Como isso se parece na prática

Vale contrastar. A frase abaixo aparece, com pequenas variações, em milhares de artigos brasileiros — talvez em algum dos seus:

Todos os autores contribuíram igualmente para a concepção, a análise e a redação do manuscrito e aprovaram a versão final.

Ela não informa nada. É uma declaração de conformidade, não de contribuição — e quando aparece em um artigo com nove autores, por exemplo, é quase certamente falsa. Compare com três exemplos redigidos segundo a taxonomia, de áreas diferentes.

Ensaio clínico multicêntrico (saúde). Contribuições dos autores: M. A. Sales: Conceitualização (principal); Metodologia (principal); Aquisição de financiamento; Supervisão; Redação – revisão e edição. J. P. Lemos: Investigação (principal); Curadoria de dados; Redação – rascunho original. R. Okamoto: Análise formal (principal); Software; Visualização. C. D. Ferraz: Investigação (de apoio); Recursos. T. B. Nunes: Administração do projeto; Validação; Redação – revisão e edição.

Repare no que a declaração informa e o que a ordem dos nomes jamais informaria: quem obteve o financiamento não é quem analisou os dados; quem escreveu a primeira versão não é quem lidera o grupo; e a validação dos resultados coube a alguém que não participou da análise — exatamente o arranjo que se espera de um estudo confiável.

Pesquisa qualitativa em educação (humanas). Contribuições das autoras: A. L. Ribeiro: Conceitualização; Metodologia; Investigação (principal); Análise formal (igual); Redação – rascunho original (principal). M. H. Batista: Conceitualização; Análise formal (igual); Redação – rascunho original (de apoio); Redação – revisão e edição (principal). S. Vieira: Curadoria de dados; Validação; Visualização.

Aqui a taxonomia desfaz um mal-entendido comum: análise formal não é sinônimo de estatística. Codificação temática, análise de conteúdo e análise do discurso são técnicas formais de análise e se declaram como tal. O mesmo vale para curadoria de dados, que em pesquisa qualitativa cobre a transcrição, a anonimização e a organização do corpus — trabalho pesado que costuma desaparecer sem deixar rastro.

Artigo com componente computacional (ciência de dados). Contribuições dos autores: D. Carvalho: Software (principal); Metodologia; Validação; Visualização. P. Menezes: Conceitualização; Análise formal; Redação – rascunho original. L. F. Antunes: Curadoria de dados (principal); Recursos. E. Tanaka: Supervisão; Aquisição de financiamento; Redação – revisão e edição.

Este é o caso em que a taxonomia tem maior impacto sobre carreiras. Quem desenvolve o código de um estudo raramente aparece como primeiro autor e, sem uma declaração explícita, seu trabalho fica indistinguível do de qualquer outro coautor. Declarar "Software (principal)" transforma uma contribuição historicamente invisível em um registro citável.

Cinco erros comuns na declaração de contribuições

Os erros a seguir aparecem com regularidade nos formulários de submissão. Vale conferir a sua declaração com base nesta lista antes de enviar o manuscrito — depois da publicação, corrigir uma atribuição exige uma errata.

1. ❌ A declaração-espelho. Todos os autores recebem exatamente os mesmos papéis. É o equivalente taxonômico da frase genérica citada acima e quase sempre indica que o formulário foi preenchido no último minuto, por conveniência. Em equipes de mais de três pessoas, papéis idênticos para todos são improváveis — e editores atentos costumam perguntar.

2. ❌ O orientador exclusivamente em "Supervisão". Se o orientador desenhou o estudo, ele exerceu Conceitualização e provavelmente Metodologia. Supervisão descreve liderança e mentoria sobre a execução da pesquisa — não substitui os papéis intelectuais efetivamente exercidos nem dispensa declará-los. O inverso também vale: não atribua papéis ao orientador por deferência, se ele não os exerceu.

3. ❌ "Redação – revisão e edição" usada para revisão de idioma. O papel se refere à revisão crítica de conteúdo feita por integrantes do grupo de pesquisa. Revisor de texto contratado, tradutor profissional e serviço de edição de idioma não são contribuidores nesse sentido: vão para os Agradecimentos, com menção explícita ao serviço prestado.

4. ❌ "Recursos" confundido com "Aquisição de financiamento". Recursos é o fornecimento material — equipamento, reagentes, amostras, acesso a pacientes, tempo de processamento. Financiamento é a obtenção do dinheiro. Quem escreveu o projeto aprovado na agência de fomento exerceu o segundo papel; quem cedeu o microscópio exerceu o primeiro.

5. ❌ Papéis pensados apenas para quem assina. A taxonomia foi desenhada para colaboradores, não só para autores. Se alguém contribuiu de forma nomeável sem preencher os critérios de autoria, verifique se a revista aceita registrá-lo como contribuidor; se não aceitar, descreva a contribuição nos Agradecimentos usando o nome do papel. O que não se pode fazer é o inverso: usar a declaração de papéis como porta de entrada para a assinatura.

Declarar contribuição é metadado, não cortesia

O ponto que costuma escapar é que a declaração de contribuições não é um parágrafo simpático no fim do artigo: é metadado estruturado, legível por máquina. E é justamente isso que a torna útil para a sua carreira, e não apenas para a transparência do artigo.

No XML JATS do padrão SciELO, cada papel é marcado dentro do elemento "contrib", com o atributo content-type apontando para a URL canônica do papel na taxonomia⁷:

     <contrib contrib-type="author">     <name>   <surname>Silva</surname>   <given-names>Rosângela</given-names>     </name>     <role content-type=       "http://credit.niso.org/contributor-roles/conceptualization/">   Conceitualização     </role> </contrib>      

É essa URL — e não o texto em português — que torna o dado interoperável. Um agregador que leia o XML da revista reconhece o papel independentemente do idioma em que ele foi grafado (leia este artigo para mais detalhes sobre a aplicação da taxonomia em XML-JATS).

O mesmo raciocínio vale para o ORCID. Desde a versão 3.0 de sua API, o registro ORCID aceita papéis CRediT associados a um trabalho⁹ e a informação passa a circular para todos os sistemas que consomem dados do ORCID. Ou seja: o papel que você declara na submissão pode acabar no seu próprio registro, visível a qualquer avaliador que o consulte. Se você ainda não usa o ORCID de forma sistemática, vale rever os identificadores da publicação científica — é o identificador que sustenta todo o resto.

Do lado dos sistemas, o caminho já está aberto. No OJS existe um plugin desenvolvido pela Contributorship Collaboration¹⁰ disponível para versões a partir da 3.4.x. Some-se a isso o avanço da parceria entre Crossref e PKP por metadados mais ricos e o quadro fica claro: a declaração de papéis está deixando de ser um diferencial para virar campo obrigatório de formulário. Quem já se acostumou a preenchê-la com cuidado chega na frente.

E quando a inteligência artificial teve alguma participação no trabalho?

É a pergunta da qual nenhum autor escapa hoje: se um sistema de IA generativa participou da redação, da tradução ou da organização do texto, isso vira um papel CRediT?

Não. A taxonomia descreve contribuições de pessoas e o consenso internacional — reafirmado tanto pelo ICMJE quanto pela COPE¹¹ — é que sistemas de IA não podem ser autores, porque não podem assumir responsabilidade pelo conteúdo nem responder por ele. O caminho é outro: uma declaração específica, paralela e complementar à de contribuições.

No Brasil, os periódicos da Fundação Oswaldo Cruz estão entre os pioneiros e é neles que vale se espelhar. Em novembro de 2024 — mais de um ano antes de a exigência virar política pública no Brasil — os editores de Cadernos de Saúde Pública, da Escola Nacional de Saúde Pública Sergio Arouca, publicaram o editorial "Inteligência artificial e processo editorial em CSP"¹², assinado por Luciana Correia Alves, Luciana Dias de Lima e Marilia Sá Carvalho, fixando a posição da revista.

O desenho da política importa mais do que possa parecer: CSP não proíbe, regula. Considera aceitável que o autor use IA generativa para estruturar temas e tópicos como rascunho, sugerir títulos, ajustar frases à linguagem formal, produzir e corrigir códigos de programação, apoiar análises estatísticas, formatar o artigo e as referências e traduzir o texto para outro idioma. Em contrapartida, estabelece que é fundamental que os autores indiquem, nas seções pertinentes do artigo — como métodos ou agradecimentos —, em que etapas a ferramenta foi utilizada. E adere expressamente à posição da COPE de que a IA não pode ser creditada como autora, pelo argumento que já percorremos aqui: ela não aprova a versão final, não garante a integridade do trabalho e não assina termo de cessão de direitos autorais.

Outro periódico da Fiocruz foi além e transformou a orientação em política formal, com estrutura de declaração. Os Cadernos Ibero-Americanos de Direito Sanitário¹³, da Fiocruz Brasília, mantêm uma Política para o Uso de Ferramentas de Inteligência Artificial — atualizada em 23 de dezembro de 2025 — que separa usos permitidos (revisão gramatical e de estilo, formatação de referências, auxílio em análise de dados com o método explicitado, geração de resumos revisados e validados pelos autores) de usos vedados (texto gerado integralmente por IA sem supervisão humana, fabricação ou manipulação de dados, atribuição de autoria à IA, omissão do uso, traduções e paráfrases automáticas não revisadas). E, sobretudo, define onde e como declarar: na folha de rosto, no resumo e na seção de metodologia, informando o nome da ferramenta, a função desempenhada e a extensão do uso — com uma frase-modelo pronta para o autor adaptar. A omissão, diz a política, constitui violação ética grave.

Na mesma direção, as Memórias do Instituto Oswaldo Cruz¹⁴ recomendam, em sua política editorial, que o uso de qualquer tecnologia de IA generativa seja divulgado e que os autores apontem de que forma a utilizaram no manuscrito submetido.

Se esses casos parecem exigentes, é porque anteciparam o que hoje é regra. Em março de 2026, a Portaria nº 2.664 do CNPq instituiu a Política de Integridade na Atividade Científica da agência¹⁵, com exigência de declaração do uso de IA na concepção, na redação e na análise de dados. Na mesma época, o Virtualia Journal, da Universidade Federal de Ouro Preto, lançou a Declaração CRediT-IA — modelo público¹⁶ que organiza a declaração em sete campos:

1. ferramenta utilizada
2. versão ou modelo
3. finalidade do uso
4. tipo de uso
5. limites do uso (o que explicitamente não foi feito com IA)
6. confirmação de que as decisões intelectuais centrais permaneceram humanas
7. declaração final de responsabilidade integral.

É a formulação mais estruturada disponível hoje em português e estende as mesmas exigências a editores, pareceristas e organizadores de dossiês.

Na prática, o que muda para você é simples: guarde, desde o início do trabalho, o registro de qual ferramenta usou, em que etapa e com qual finalidade. Nenhum dos modelos acima pede mais do que isso — e todos tratam a omissão como falta ética, não como esquecimento.

O princípio de fundo é o mesmo do CRediT: transparência sobre quem fez o quê. A inteligência artificial apenas acrescenta uma segunda pergunta — e por meio de qual ferramenta.

Existe uma ferramenta que facilita o preenchimento

Preencher 14 papéis para oito autores em um formulário de submissão é tedioso, e o tédio é inimigo da precisão. Foi para resolver isso que surgiu o tenzing¹⁷, aplicativo gratuito e de código aberto descrito em artigo de Alex Holcombe, Marton Kovacs e colaboradores¹⁸. O funcionamento é simples: a equipe preenche uma planilha em que cada linha é um colaborador e cada coluna é um papel, carrega o arquivo na ferramenta e recebe, pronta, a declaração de contribuições em texto corrido, a lista de afiliações formatada, o XML JATS correspondente e blocos auxiliares de financiamento e de conflito de interesses.

O ganho maior, porém, não é o tempo economizado: é a conversa que a planilha obriga a equipe a ter. Preencher a matriz de papéis logo no início do projeto — e não na véspera da submissão — antecipa desentendimentos sobre autoria para o momento em que ainda dá para negociá-los. É provavelmente a recomendação mais útil deste texto.

Do outro lado do fluxo: o que a revista precisa escrever na política editorial

Até aqui, o texto tratou do que está sob o controle de quem escreve. Mas a declaração de contribuições só se generaliza quando a revista a exige — e a exige de forma clara. Se você também atua como editor, ou se quer saber o que pode cobrar da revista à qual submete, estes são os cinco pontos que uma política editorial precisa cobrir:

1. Exigência e data de vigência. A política deve declarar que a submissão só será aceita com a declaração de contribuições segundo a taxonomia CRediT, preenchida para todos os autores, e informar a partir de qual data a exigência vale. Sem data, a regra vira recomendação — e recomendação não é cumprida.

2. Distinção entre autoria e contribuição. Explicite os critérios de autoria adotados pela revista (os quatro do ICMJE são os mais portáveis entre áreas) e deixe claro que declarar um papel CRediT não confere, por si só, o direito de assinar. Diga também para onde vão as contribuições que não sustentam autoria: a seção de Agradecimentos.

3. Vocabulário fixo e grau de contribuição. Determine que apenas os 14 papéis oficiais serão aceitos, com a tradução do SciELO Publishing Schema, e informe se a revista adota os graus “principal”, “igual” e “de apoio”. Publique a lista completa com as definições em uma página do site: o autor não deve precisar procurar essa informação fora da revista.

4. Responsabilidade pela declaração. Estabeleça que o autor de correspondência responde pela exatidão da declaração e que ela deve ser confirmada por todos os coautores antes do aceite. Preveja também o procedimento para alterar papéis depois da publicação — que é, formalmente, uma modalidade de errata.

5. Publicação e marcação nos metadados. Comprometa-se a publicar a declaração no artigo, em seção própria e identificável e a registrar os papéis nos metadados: no XML JATS, no depósito Crossref e, quando possível, no registro ORCID de cada autor. É esse último item que separa a revista que declara da revista que apenas escreve.

Adotar a taxonomia não elimina os conflitos de autoria: eles continuarão existindo, porque nascem de relações de poder que nenhuma norma dissolve. O que ela faz é obrigar que esses conflitos apareçam antes da submissão, quando ainda podem ser negociados entre as pessoas envolvidas, em vez de depois — quando já viraram um caso para o editor resolver ou, na pior das hipóteses, uma disputa pública.

E há um efeito de médio prazo que ainda se subestima. À medida que agências de fomento, comitês de avaliação e sistemas de currículo passam a ler papéis de contribuição em vez de apenas contar artigos, quem já declara o próprio trabalho de forma estruturada sai na frente.

Do lado da revista, publicar esses dados de forma estruturada é entregar aos seus autores algo que nenhuma métrica de impacto entrega: a prova verificável do que cada um deles, de fato, fez.

Referências

1. Larivière V, Desrochers N, Macaluso B, Mongeon P, Paul-Hus A, Sugimoto CR. Contributorship and division of labor in knowledge production. Social Studies of Science. 2016;46(3):417-435. Disponível em: https://doi.org/10.1177/0306312716650046
2. International Committee of Medical Journal Editors (ICMJE). Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals. Disponível em: https://www.icmje.org/recommendations/
3. Holcombe AO. Contributorship, not authorship: use CRediT to indicate who did what. Publications. 2019;7(3):48. Disponível em: https://doi.org/10.3390/publications7030048
4. Brand A, Allen L, Altman M, Hlava M, Scott J. Beyond authorship: attribution, contribution, collaboration, and credit. Learned Publishing. 2015;28(2):151-155. Disponível em: https://doi.org/10.1087/20150211
5. National Information Standards Organization (NISO). ANSI/NISO Z39.104-2022, CRediT, Contributor Roles Taxonomy. Baltimore: NISO; 2022. Disponível em: https://www.niso.org/publications/z39104-2022-credit
6. CASRAI. CRediT — Contributor Roles Taxonomy: os 14 papéis por categoria funcional. Disponível em: https://casrai.org/credit/roles
7. SciELO. Taxonomia CRediT. In: SciELO Publishing Schema: documentação. Disponível em: https://scielo.readthedocs.io/projects/scielo-publishing-schema/pt-br/master/narr/taxonomia-credit.html
8. CRediT — Contributor Roles Taxonomy. Definições oficiais dos 14 papéis. Disponível em: https://credit.niso.org/
9. ORCID. CRediT for research contribution. Disponível em: https://info.orcid.org/pt/credit-for-research-contribution/
10. Contributorship Collaboration. Implementing CRediT in the Open Journal Systems. Disponível em: https://contributorshipcollaboration.github.io/projects/experiment/
11. Committee on Publication Ethics (COPE). Authorship and AI tools: COPE position statement. 2023. Disponível em: https://publicationethics.org/guidance/cope-position/authorship-and-ai-tools
12. Alves LC, Lima LD, Carvalho MS. Inteligência artificial e processo editorial em CSP. Cadernos de Saúde Pública. 2024;40(11):e00189024. Disponível em: https://www.scielosp.org/article/csp/2024.v40n11/e00189024/pt/
13. Cadernos Ibero-Americanos de Direito Sanitário. Política para o Uso de Ferramentas de Inteligência Artificial. Atualizada em 23 dez. 2025. Disponível em: https://www.cadernos.prodisa.fiocruz.br/index.php/cadernos/usoia
14. Memórias do Instituto Oswaldo Cruz. Editorial Policy. Disponível em: https://memorias.ioc.fiocruz.br/editorial-policy
15. Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Portaria nº 2.664, de 6 de março de 2026. Institui a Política de Integridade na Atividade Científica do CNPq. Disponível em: https://www.gov.br/cnpq/pt-br/assuntos/noticias/cnpq-em-acao/cnpq-publica-portaria-que-institui-politica-de-integridade-na-atividade-cientifica
16. Virtualia Journal. Declaração CRediT-IA. Universidade Federal de Ouro Preto; 2026. Disponível em: https://periodicos.ufop.br/virtualia-journal/credit-ia
17. tenzing: a web app for documenting contributorship. Disponível em: https://tenzing.club/
18. Holcombe AO, Kovacs M, Aust F, Aczel B. Documenting contributions to scholarly articles using CRediT and tenzing. PLOS ONE. 2021;16(1):e0244611. Disponível em: https://doi.org/10.1371/journal.pone.0244611

O ensaio clínico randomizado é considerado o padrão-ouro para avaliar se um tratamento funciona. Mas o que faz um leitor — ou um editor — confiar que o resultado é real e não fruto do acaso ou de escolhas enviesadas feitas ao longo da pesquisa? A resposta está menos no resultado em si e mais no relato: na possibilidade de enxergar, com clareza, tudo o que foi planejado e tudo o que foi efetivamente feito. É exatamente esse o trabalho de duas diretrizes irmãs — a CONSORT e a SPIRIT.

No texto-âncora desta série, apresentamos a EQUATOR Network, o catálogo que organiza as diretrizes de relato por tipo de estudo. A partir de agora, começaremos a percorrê-las uma a uma, começando pelo par que cobre o ensaio clínico randomizado, o desenho de maior peso na decisão clínica e, por isso mesmo, o mais exigente quanto à transparência. Este texto é especialmente direcionado a editores de periódicos da área da saúde, mas também para outras áreas, pois a lógica aqui descrita vale para qualquer revista que publique estudos de intervenção.

Do protocolo ao relato: dois momentos do mesmo ensaio

Um ensaio clínico tem, para efeito de relato, dois momentos decisivos. O primeiro é o protocolo: o documento que descreve o que será feito e como antes de o estudo começar. O segundo é o relato final: o artigo que conta o que de fato aconteceu e o que foi encontrado. A SPIRIT cuida do primeiro; a CONSORT, do segundo. Não são diretrizes concorrentes, mas as duas pontas de um mesmo percurso — e é justamente por conversarem entre si que costumam ser tratadas juntas.

CONSORT: o que informar no relato final

CONSORT é a sigla de Consolidated Standards of Reporting Trials (Padrões Consolidados de Relato de Ensaios). Publicada pela primeira vez em 1996 e consolidada na versão CONSORT 2010, com uma lista de verificação de 25 itens¹, tornou-se a diretriz de relato mais adotada por periódicos médicos em todo o mundo. Em 2025, o documento foi revisado: a nova versão, a CONSORT 2025, amplia a lista para 30 itens² e incorpora avanços importantes — uma seção dedicada à Ciência Aberta (com registro, disponibilidade de dados e de código), itens sobre o envolvimento de pacientes e do público na pesquisa e uma harmonização deliberada com a SPIRIT.

Dois instrumentos concentram o valor prático da CONSORT. O primeiro é a própria lista de verificação (Figura 1), que acompanha a estrutura do artigo — do título e resumo aos métodos, resultados e discussão — indicando, item a item, o que deve ser relatado.

O segundo é o fluxograma de participantes (Figura 2), o diagrama que documenta quantas pessoas foram avaliadas, randomizadas, acompanhadas e analisadas em cada braço do estudo, tornando visível qualquer perda pelo caminho. Para o detalhamento de cada item, com exemplos de bom relato, a CONSORT mantém um documento de explicação e elaboração³. A diretriz ainda possui extensões para situações específicas — resumos, ensaios pragmáticos, relato de danos e inteligência artificial, entre outras — algumas das quais retomaremos adiante nesta série.

SPIRIT: o que informar no protocolo

SPIRIT é a sigla de Standard Protocol Items: Recommendations for Interventional Trials (Itens Padronizados de Protocolo: Recomendações para Ensaios de Intervenção). Publicada em 2013, com uma lista de 33 itens⁴, e atualizada e ampliada para 34 itens em 2025⁵ em conjunto com a CONSORT, ela define o que um bom protocolo de ensaio deve conter (Figura 3): objetivos, desenho, critérios de elegibilidade, intervenções, desfechos, cálculo do tamanho da amostra, método de randomização, monitoramento, considerações éticas e planos de disseminação. Um protocolo completo e público não é burocracia: é a garantia de que o que foi prometido pode ser cobrado a posteriori.

Por que as duas andam juntas

A relevância do par está na comparação. O que a SPIRIT pede que seja pré-especificado no protocolo é exatamente o que a CONSORT pede que seja relatado no artigo final. Quando as duas pontas coincidem, o leitor tem como verificar se os desfechos publicados são os mesmos que haviam sido planejados — e não apenas aqueles que “deram certo”. É assim que se combate um dos vieses mais silenciosos da literatura: a troca seletiva de desfechos, em que resultados desfavoráveis simplesmente desaparecem entre o planejamento e a publicação. A atualização de 2025 harmonizou as duas diretrizes precisamente para tornar essa comparação mais direta.

Na prática, a diferença entre um bom relato e um relato incompleto costuma estar em detalhes verificáveis e é isso que a CONSORT e a SPIRIT ajudam a padronizar. O quadro a seguir reúne exemplos por item, no espírito do documento de explicação e elaboração (Figura 4).

Na política editorial

Levar a CONSORT e a SPIRIT para dentro da revista significa transformá-las em cláusulas da política editorial, e não em recomendações de boa vontade. Considere alguns movimentos concretos ao elaborar ou revisar sua política:

1. Exija a lista de verificação da CONSORT, com o fluxograma, na submissão de ensaios randomizados. Peça o checklist preenchido com a indicação de página ou linha de cada item e adote um modelo de fluxograma em português (Figura 2) como padrão da revista, sem o que a submissão não avança.
2. Torne o registro prévio do ensaio uma condição de submissão. Alinhe a exigência ao protocolo (SPIRIT) e às plataformas reconhecidas — no Brasil, o registro pode ser feito no ReBEC, integrado à Plataforma Internacional de Registro de Ensaios Clínicos da OMS (ICTRP), requisito que também pesa na indexação, como nos critérios do SciELO e de outras bases.
3. Confronte relato e protocolo na avaliação. Verifique se os desfechos primários publicados correspondem aos pré-especificados, sinalizando qualquer divergência não justificada.
4. Adote as versões de 2025 e as extensões pertinentes. Mantenha as normas atualizadas e aponte os autores para a diretriz correta conforme o tipo de ensaio.

5. Incorpore a conferência à avaliação por pares. Que a aderência seja verificada por uma pessoa e não apenas declarada pelo autor.

Adotadas em conjunto, a SPIRIT e a CONSORT transformam o ensaio clínico em um percurso auditável, do planejamento à publicação, o que se apoia diretamente na base normativa do ICMJE, que já exige o registro prévio de ensaios, tratada na abertura desta série. Mais do que exigências a cumprir, elas são o que permite ao editor confiar que um resultado positivo é também um resultado honesto.

No próximo texto, deixaremos os estudos de intervenção e olharemos para os estudos observacionais — aqueles em que o pesquisador observa sem intervir. Apresentaremos a STROBE e suas extensões RECORD e STROBE-MR e veremos como o relato transparente muda de forma quando muda o desenho do estudo.

Referências

1. Schulz KF, Altman DG, Moher D; CONSORT Group. CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. BMJ. 2010;340:c332.
2. Hopewell S, et al. CONSORT 2025 statement: updated guideline for reporting randomised trials. Lancet. 2025. doi:10.1016/S0140-6736(25)00672-5.
3. Hopewell S, et al. CONSORT 2025 explanation and elaboration: updated guideline for reporting randomised trials. BMJ. 2025.
4. Chan AW, Tetzlaff JM, Altman DG, et al. SPIRIT 2013 statement: defining standard protocol items for clinical trials. Ann Intern Med. 2013;158(3):200-207.
5. Chan AW, et al. SPIRIT 2025 statement: updated guideline for protocols of randomised trials. Lancet. 2025. doi:10.1016/S0140-6736(25)00770-6.

Texto produzido com auxílio de Inteligência Artificial, planejado e revisado pelo autor.
Confira nossa Política de Uso de IA.

A rápida adoção da inteligência artificial na pesquisa científica exige uma nova infraestrutura coletiva para definir como esses sistemas devem participar do ecossistema acadêmico. Essa é a principal mensagem do artigo "The Third Time is NOT the Charm: Who Will Own How AI Participates in Scholarship?", publicado em 30 de julho de 2026 no The Scholarly Kitchen, por Wendy Queen, da Johns Hopkins University Press, e Jonathan Woahn, cofundador da plataforma Cashmere.

Os autores argumentam que a comunicação científica já passou por duas grandes transformações, a digitalização da literatura e a consolidação das plataformas de descoberta. Em ambos os casos, a comunidade acadêmica desenvolveu boa parte da infraestrutura, mas o controle das camadas de maior valor acabou concentrado em empresas externas. Segundo eles, a ascensão da inteligência artificial representa uma terceira transformação e a comunidade científica ainda tem a oportunidade de definir como ela ocorrerá.

O artigo afirma que o desafio não se limita a permitir que modelos de IA acessem artigos científicos. É necessário estabelecer uma infraestrutura capaz de regular como esses sistemas interagem com o registro científico, contemplando autenticação de usuários e agentes de IA, controle de acesso, respeito às licenças de uso, atribuição correta das fontes, preservação da versão oficial dos artigos e rastreabilidade das informações utilizadas para gerar respostas.

Os autores também destacam que indicadores de confiança e mecanismos de procedência, embora importantes para identificar a origem e a integridade dos conteúdos científicos, representam apenas parte da solução. Sem uma infraestrutura compartilhada que coordene essas informações, cada plataforma de IA tenderá a criar suas próprias regras para consumir, interpretar e distribuir conhecimento científico. O resultado poderá ser um ecossistema fragmentado, com baixa interoperabilidade e crescente dependência de plataformas proprietárias.

Como alternativa, o artigo propõe o desenvolvimento de uma camada aberta e colaborativa de infraestrutura, construída por editoras, bibliotecas, sociedades científicas, organizações de padronização e empresas de tecnologia. Para os autores, essa cooperação é fundamental para que a comunidade científica mantenha o controle sobre a forma como a inteligência artificial participa da comunicação científica, evitando repetir erros das transformações anteriores e preservando os princípios de transparência, interoperabilidade e confiança que sustentam a pesquisa.

Fonte: The Scholarly Kitchen
Texto produzido com auxílio de Inteligência Artificial e revisado pelo autor.
Confira nossa Política de Uso de IA.

Deseja divulgar a sua revista científica ou notícia gratuitamente no Periódico Eletrônico? Envie um email para Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo..