Pesquisador verifica 7,1 milhões de artigos científicos em busca de imagens duplicadas e erros em dados
Revistas científicas não conseguem conferir cada imagem e tabela, e por isso uma única foto de gel pode aparecer como resultado de experimentos diferentes. Um pesquisador do Metascience Observatory baixou 42,9 milhões de imagens de 7,1 milhões de artigos da Europe PMC e procura repetições entre elas. Em outros 500 mil arquivos de dados, ele encontrou mais de 200 artigos com anomalias, inclusive na Nature. Scripts buscam os candidatos, e a IA apenas filtra: isso é mais confiável do que pedir a um modelo que encontre todos os erros.
Processado por IA de X: @moreisdifferent; editado por Hamidun News
Revistas científicas dependem de revisores que, na prática, não conseguem conferir cada imagem e cada tabela. Por isso, a mesma foto de gel ou de microscopia pode aparecer em dois artigos como resultado de experimentos diferentes, e uma tabela de dados pode conter linhas copiadas. O pesquisador que mantém a conta @moreisdifferent e a organização sem fins lucrativos Metascience Observatory recebeu financiamento da Lightcone Commons e decidiu verificar esses problemas em escala.
Os números são estes: ele baixou 42,9 milhões de imagens de 7,1 milhões de artigos reunidos na base Europe PMC (um arquivo aberto de publicações biomédicas) e analisa separadamente cerca de 500 mil arquivos de dados anexados aos artigos. O ponto central da abordagem é que ele não pede a uma rede neural que “encontre todos os erros no artigo”.
O que exatamente é verificado
O projeto tem duas frentes. A primeira são as imagens. O autor escreveu uma ferramenta que busca reutilização indevida de imagens tanto dentro de um mesmo artigo quanto entre trabalhos diferentes. Nos testes com alguns milhares de artigos, já apareceram 40 casos, que ele publicou no PubPeer, site onde cientistas discutem publicamente os artigos após a publicação.
A segunda frente são os arquivos de dados: tabelas e medições brutas. Ferramentas específicas procuram nelas anomalias e valores duplicados artificialmente. No post original, fala-se em mais de 100 problemas encontrados; no texto do projeto, em mais de 200 artigos com problemas nos dados. Os números provavelmente se referem a momentos diferentes da verificação e ainda estão sendo atualizados. Muitos desses trabalhos saíram em revistas de grande porte, como Nature, Nature Communications, Scientific Reports e Science Advances. No momento, o autor analisa manualmente os achados.
Por que não simplesmente perguntar ao modelo
Segundo o autor, por padrão a IA não percebe bem problemas sutis: fragmentos repetidos em imagens, sequências numéricas suspeitamente parecidas, erros em cálculos. Por isso, a busca por candidatos é feita por scripts comuns, e o modelo entra depois, para descartar falsos positivos e ordenar os achados por importância. Para um desenvolvedor, o esquema é familiar. Imagine que você está revisando logs ou relatórios financeiros: o código determinístico identifica os pontos suspeitos, e um LLM decide quais deles devem ser mostrados a uma pessoa.
Dessa ideia surgiu o Forensic Metascience AI Toolkit, um sistema modular e de código aberto no qual é possível montar diferentes cenários de verificação de artigos. O módulo “tools agent” oferece a um agente de IA um conjunto de ferramentas para checar dados e cálculos. Muitos dos métodos foram extraídos do livro An Introduction to Forensic Metascience, de James Heathers.
Tudo isso pode rodar sobre assinaturas de Claude Code, Codex, Grok Build e Antigravity. O autor considera o projeto uma alternativa mais barata e, segundo ele espera, de melhor qualidade do que os serviços pagos de checagem de artigos. Para comprovar isso, ele prepara conjuntos de referência com erros já conhecidos e quer comparar quais ferramentas detectam quais tipos de problema.
Há também um detalhe de engenharia útil. O autor criou um pacote em Python para baixar artigos de forma legal. Muitas vezes é possível obter o XML/JATS (formato de artigo legível por máquina) mesmo quando o PDF não está disponível, e a IA lê tabelas a partir do XML com mais facilidade do que a partir do PDF. A flag --fetch-everything reúne tudo o que se relaciona ao artigo: XML, PDF, código, anexos e conjuntos de dados vinculados. Os links para esses materiais são localizados pelo pacote por meio de diferentes APIs e de uma única chamada a um LLM, que analisa o texto do artigo.
O que acontece com os achados e quais são os limites
Parte dos achados é publicada no PubPeer. Nos casos mais graves, o autor escreve aos autores e aos editores das revistas, antes do anúncio público, para que tenham a oportunidade de responder. Ele ressalta que nenhum relatório deve ser lido como acusação de má-fé: a duplicação de dados também pode ser acidental.
As limitações são evidentes. Cada achado precisa ser confirmado por uma pessoa, os conjuntos de referência para avaliação ainda estão em preparação e o volume de resultados já cresce mais rápido do que um único indivíduo consegue examinar. Por isso, o autor procura voluntários para validar os achados por meio de um aplicativo web com modelos de cartas, programadores para a parte aberta do projeto e colegas com tarefas semelhantes, para dividir o trabalho.
A conclusão prática para quem constrói agentes é a seguinte: quando a tarefa exige precisão, um único prompt grande é uma aposta ruim. Vale mais a pena montar um conjunto de ferramentas estreitas que encontram candidatos e deixar o modelo no papel de filtro e de ordenador. O mesmo princípio serve para auditar relatórios, logs e dados clínicos.
- 21 de nov. de 2026Anthropic e o Claude afirmam ter provado a hipótese de Riemann; Stanford responde sem IA
- 21 de nov. de 2026Quatro regras de Karpathy para um agente de código em um único arquivo somam 232 mil estrelas no GitHub
- 21 de nov. de 2026Hotel avisou sobre invasão só após 9 dias, e o autor colocou Claude e Codex para caçar vulnerabilidades
- 21 de nov. de 2026A Amazon liberou o agente de IA AWS Quick com Claude de graça; o plano pago Plus custa US$ 25 por mês
Perguntas frequentes sobre a notícia
O que exatamente é verificado?
O projeto tem duas frentes. A primeira são as imagens. O autor escreveu uma ferramenta que busca reutilização indevida de imagens tanto dentro de um mesmo artigo quanto entre trabalhos diferentes. Nos testes com alguns milhares de artigos, já apareceram 40 casos, que ele publicou no PubPeer, site onde cientistas discutem publicamente os artigos após a publicação. A segunda frente são os arquivos de dados: tabelas e medições brutas.
Por que não simplesmente perguntar ao modelo?
Segundo o autor, por padrão a IA não percebe bem problemas sutis: fragmentos repetidos em imagens, sequências numéricas suspeitamente parecidas, erros em cálculos. Por isso, a busca por candidatos é feita por scripts comuns, e o modelo entra depois, para descartar falsos positivos e ordenar os achados por importância. Para um desenvolvedor, o esquema é familiar.
O que acontece com os achados e quais são os limites?
Parte dos achados é publicada no PubPeer. Nos casos mais graves, o autor escreve aos autores e aos editores das revistas, antes do anúncio público, para que tenham a oportunidade de responder. Ele ressalta que nenhum relatório deve ser lido como acusação de má-fé: a duplicação de dados também pode ser acidental. As limitações são evidentes.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.