<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"><channel><title>Aria Research — Insights</title><description>Ensaios sobre métodos computacionais e produção científica. Análises técnicas com tese, em português.</description><link>https://ariaresearch.pro/</link><language>pt-BR</language><item><title>COPE, ICMJE e CRediT: a prática editorial padrão do reconhecimento</title><link>https://ariaresearch.pro/pt/insights/cope-icmje-credit-pratica-editorial-padrao/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/cope-icmje-credit-pratica-editorial-padrao/</guid><description>Reconhecer contribuição é importante demais para ficar na negociação informal. COPE, ICMJE e CRediT formam a prática editorial padrão que documenta quem fez o quê e torna a autoria auditável. Sem esse padrão, a má atribuição é comum: numa pesquisa em seis periódicos de alto impacto, um em cada quatro artigos de pesquisa tinha autor honorário, e a autoria fantasma também estava presente.</description><pubDate>Mon, 22 Jun 2026 00:00:00 GMT</pubDate><category>cruzada</category><category>prática editorial</category><category>autoria</category><category>ICMJE</category><category>CRediT</category><category>ética em pesquisa</category></item><item><title>Detecção de objetos fora do ImageNet: quando o domínio sai do treino</title><link>https://ariaresearch.pro/pt/insights/deteccao-de-objetos-fora-do-imagenet/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/deteccao-de-objetos-fora-do-imagenet/</guid><description>Quase toda detecção de objetos é avaliada em ImageNet ou COCO, mas os domínios reais de aplicação têm distribuições próprias. Um detector com alto desempenho no benchmark padrão pode desabar quando o domínio sai do treino. Num estudo, o mesmo detector caiu de 96,79% para 60,18% de mAP fora do domínio. O benchmark padrão não é a validação do domínio de aplicação.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>ia</category><category>detecção de objetos</category><category>domínio fora da distribuição</category><category>ImageNet</category><category>adaptação de domínio</category><category>inteligência artificial</category></item><item><title>Embeddings e viés cultural: o que modelos pré-treinados aprendem e esquecem</title><link>https://ariaresearch.pro/pt/insights/embeddings-e-vies-cultural/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/embeddings-e-vies-cultural/</guid><description>Um embedding é uma impressão comprimida do texto que o treinou: aprende a cultura desse corpus, com seus estereótipos e seus silêncios. Pré-treinado não significa neutro. Para populações sub-representadas há duas falhas: o estereótipo codificado e a representação rala. E o viés é mensurável: num benchmark de saúde, um modelo biomédico codificou associações étnicas mais fortes que um jurídico.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>ia</category><category>embeddings</category><category>viés cultural</category><category>populações sub-representadas</category><category>WEAT</category><category>inteligência artificial</category></item><item><title>IA generativa em revisão sistemática: ferramenta ou atalho?</title><link>https://ariaresearch.pro/pt/insights/ia-generativa-em-revisao-sistematica/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/ia-generativa-em-revisao-sistematica/</guid><description>A IA generativa acelera a revisão sistemática, mas vira atalho no instante em que substitui, em vez de assistir, o julgamento humano sob um protocolo documentado. Os dados mostram por quê: triadores baseados em LLM trocam sensibilidade por especificidade. O que torna o uso legítimo é o protocolo: pré-registro, validação, o modelo como segundo triador com arbitragem humana, e relato de prompt, modelo e versão.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>ia</category><category>revisão sistemática</category><category>IA generativa</category><category>triagem de resumos</category><category>protocolo</category><category>inteligência artificial</category></item><item><title>Missing data não é detalhe técnico: o que pareceristas leem com lupa</title><link>https://ariaresearch.pro/pt/insights/missing-data-nao-e-detalhe-tecnico/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/missing-data-nao-e-detalhe-tecnico/</guid><description>Dados faltantes não são uma etapa de limpeza. A escolha entre deletar casos e imputar muda estimativas e erros padrão, e pareceristas Q1 leem essa decisão de perto. O que governa a validade é o mecanismo de ausência assumido, não a porcentagem que faltou. Numa simulação, o erro da imputação foi parecido sob MCAR e MAR, mas disparou sob NMAR, onde a ausência depende do próprio valor que falta.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>dados</category><category>missing data</category><category>dados faltantes</category><category>imputação múltipla</category><category>MAR</category><category>dados e estatística</category></item><item><title>Modelagem preditiva em ciências sociais: por que o AUC sozinho não basta</title><link>https://ariaresearch.pro/pt/insights/modelagem-preditiva-em-ciencias-sociais/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/modelagem-preditiva-em-ciencias-sociais/</guid><description>O AUC é a métrica que todo mundo relata e a que menos diz se o modelo presta. Ele mede ordenação, e é cego para a calibração, para o valor de decisão e para o teto de previsibilidade. Pior: a discriminação alta na derivação não sobrevive à validação externa. Em 158 validações externas de 104 modelos, a mediana do c-statistic cai de 0,76 para 0,64, de modo que um único número superestima o desempenho.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>ia</category><category>modelagem preditiva</category><category>ciências sociais</category><category>AUC</category><category>calibração</category><category>inteligência artificial</category></item><item><title>Visualização publicável vs exploratória: dois objetos, duas regras</title><link>https://ariaresearch.pro/pt/insights/visualizacao-publicavel-vs-exploratoria/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/visualizacao-publicavel-vs-exploratoria/</guid><description>A visualização exploratória serve ao analista: é rápida, descartável e otimizada para enxergar. A visualização publicável serve ao leitor: é lida uma vez e precisa decodificar sozinha. São objetos diferentes, não dois acabamentos do mesmo gráfico. E o formato de publicação muda a interpretação: um experimento achou gráficos &apos;better&apos; lidos com mais acurácia (OR 1,55) e clareza (OR 1,91) que os &apos;normed&apos;.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>dados</category><category>visualização publicável</category><category>visualização exploratória</category><category>percepção gráfica</category><category>codificação visual</category><category>dados e estatística</category></item><item><title>SEM em mediação múltipla: quando a regressão linear deixa de responder</title><link>https://ariaresearch.pro/pt/insights/sem-em-mediacao-multipla/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/sem-em-mediacao-multipla/</guid><description>A mediação múltipla pergunta por qual mecanismo um efeito acontece, e a quantidade de interesse é o efeito indireto, o produto de caminhos. A regressão linear estima caminhos isolados, não a inferência sobre esse produto nem mediadores simultâneos. A SEM estima tudo junto, acomoda variáveis latentes e cadeias. Para o intervalo, a escolha do bootstrap muda a taxa de falsos positivos de forma mensurável.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>dados</category><category>mediação múltipla</category><category>SEM</category><category>efeito indireto</category><category>bootstrap</category><category>dados e estatística</category></item><item><title>Web scraping em pesquisa acadêmica: público não é o mesmo que coletável</title><link>https://ariaresearch.pro/pt/insights/web-scraping-em-pesquisa-academica/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/web-scraping-em-pesquisa-academica/</guid><description>Que um dado esteja visível numa página aberta diz respeito ao acesso, não à permissão nem à ética. Web scraping força essa distinção: termos de uso, privacidade e risco de dano traçam a fronteira que a acessibilidade técnica ignora. Uma revisão de 367 estudos com dados públicos do Twitter mediu o problema: a maioria não relatou aprovação ética, e o consentimento informado foi tentado em zero deles.</description><pubDate>Sun, 21 Jun 2026 00:00:00 GMT</pubDate><category>dados</category><category>web scraping</category><category>ética em pesquisa</category><category>dados públicos</category><category>consentimento</category><category>dados e estatística</category></item><item><title>Estudo estratégico de venue após a primeira rejeição</title><link>https://ariaresearch.pro/pt/insights/estudo-estrategico-de-venue-apos-primeira-rejeicao/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/estudo-estrategico-de-venue-apos-primeira-rejeicao/</guid><description>Resubmeter por reflexo a um periódico mais baixo trata a rejeição como veredito de qualidade. A evidência sobre fluxos de submissão mostra que o que preserva a trajetória de citação é o encaixe, não o tier, e que o salto entre comunidades distintas é onde as citações se perdem.</description><pubDate>Mon, 08 Jun 2026 00:00:00 GMT</pubDate><category>escrita</category><category>estratégia de submissão</category><category>rejeição editorial</category><category>seleção de periódico</category><category>fator de impacto</category><category>citações</category><category>fluxo de submissões</category></item><item><title>Tradução literal é a primeira causa de rejeição PT→EN em Q1</title><link>https://ariaresearch.pro/pt/insights/reescrita-pt-en-traducao-literal-causa-rejeicao/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/reescrita-pt-en-traducao-literal-causa-rejeicao/</guid><description>A rejeição de manuscritos traduzidos ao pé da letra raramente é problema de vocabulário. É a estrutura retórica do português, transportada intacta, que o parecerista anglófono lê como argumento mal construído. A correção é reconstrução no registro do idioma-alvo, não revisão palavra a palavra.</description><pubDate>Mon, 08 Jun 2026 00:00:00 GMT</pubDate><category>escrita</category><category>tradução acadêmica</category><category>rejeição editorial</category><category>retórica contrastiva</category><category>escrita acadêmica</category><category>periódicos q1</category><category>português inglês</category></item><item><title>Abstract estruturado em 250 palavras: a arquitetura que define a leitura</title><link>https://ariaresearch.pro/pt/insights/abstract-estruturado-em-250-palavras/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/abstract-estruturado-em-250-palavras/</guid><description>Editor e parecerista triam no abstract; o leitor decide ler nele. A restrição de 250 palavras não é burocracia, é a compressão IMRaD que expõe se há contribuição declarável. Abstract estruturado supera o não estruturado em completude e clareza, e isso define a visibilidade do trabalho antes de qualquer mérito do corpo.</description><pubDate>Mon, 01 Jun 2026 00:00:00 GMT</pubDate><category>escrita</category><category>abstract estruturado</category><category>escrita acadêmica</category><category>triagem editorial</category><category>imrad</category><category>visibilidade</category><category>periódicos q1</category></item><item><title>Análise bibliométrica como argumento empírico de tese</title><link>https://ariaresearch.pro/pt/insights/analise-bibliometrica-como-argumento-de-tese/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/analise-bibliometrica-como-argumento-de-tese/</guid><description>Afirmar lacuna por leitura subjetiva é frágil em qualificação. Bibliometria demonstra a lacuna empiricamente e identifica os autores cuja obra o manuscrito não pode ignorar sem perder credibilidade.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>dados</category><category>bibliometria</category><category>revisão de literatura</category><category>lei de Lotka</category><category>lei de Bradford</category><category>Scopus</category><category>rede de co-citação</category></item><item><title>LDA vs. BERTopic em corpus acadêmico</title><link>https://ariaresearch.pro/pt/insights/bertopic-vs-lda-em-corpus-textual-extenso/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/bertopic-vs-lda-em-corpus-textual-extenso/</guid><description>LDA modela mistura probabilística sobre palavras; BERTopic agrupa documentos por similaridade semântica densa. A escolha entre os dois depende da dimensão avaliativa relevante ao objetivo analítico.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>ia</category><category>modelagem de tópicos</category><category>BERTopic</category><category>LDA</category><category>NLP</category><category>embeddings</category><category>coerência semântica</category></item><item><title>Embeddings semânticos para triagem em revisão sistemática</title><link>https://ariaresearch.pro/pt/insights/embeddings-semanticos-para-revisao-sistematica/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/embeddings-semanticos-para-revisao-sistematica/</guid><description>Triagem manual em larga escala tem taxa de erro humano de 5-12% e zero rastreabilidade documentada. Embeddings semânticos preservam recall acima de 90% e tornam cada exclusão auditável contra threshold declarado.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>ia</category><category>revisão sistemática</category><category>embeddings semânticos</category><category>SBERT</category><category>triagem</category><category>machine learning</category><category>auditoria</category></item><item><title>Invariância de mensuração em instrumentos traduzidos</title><link>https://ariaresearch.pro/pt/insights/invariancia-de-mensuracao-em-instrumentos-traduzidos/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/invariancia-de-mensuracao-em-instrumentos-traduzidos/</guid><description>Comparações entre grupos exigem evidência empírica de invariância em quatro níveis. Sem isso, a estatística descritiva esconde ruído sistemático que o parecerista metodológico identifica em segundos.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>dados</category><category>invariância de mensuração</category><category>psicometria</category><category>CFA</category><category>instrumentos traduzidos</category><category>validação cross-cultural</category><category>lavaan</category></item><item><title>Modelagem multinível: quando MLM é obrigatório e quando OLS basta</title><link>https://ariaresearch.pro/pt/insights/modelagem-multinivel-quando-mlm-quando-ols/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/modelagem-multinivel-quando-mlm-quando-ols/</guid><description>ICC abaixo de 0,05 permite OLS robusto; entre 0,05 e 0,20 exige cluster-correction ou MLM; acima de 0,20 MLM é obrigatório. A regra que pareceristas metodológicos verificam antes da segunda página.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>dados</category><category>modelagem multinível</category><category>MLM</category><category>ICC</category><category>dados aninhados</category><category>OLS</category><category>cluster-robust standard errors</category></item><item><title>Resposta a pareceristas: defender com dados, ceder com dignidade</title><link>https://ariaresearch.pro/pt/insights/resposta-a-pareceristas-apos-major-revisions/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/resposta-a-pareceristas-apos-major-revisions/</guid><description>Revisão maior tem 84,7% de aceite final no segmento médico-científico Q1. A carta de resposta decide se o manuscrito atravessa essa janela ou se perde nela.</description><pubDate>Mon, 25 May 2026 00:00:00 GMT</pubDate><category>escrita</category><category>resposta a pareceristas</category><category>revisão por pares</category><category>submissão</category><category>manuscript revision</category><category>publicação acadêmica</category></item><item><title>Visão computacional em imagens médicas: AUC alto não basta</title><link>https://ariaresearch.pro/pt/insights/visao-computacional-em-imagens-medicas-pipeline-humano-no-loop/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/visao-computacional-em-imagens-medicas-pipeline-humano-no-loop/</guid><description>Pipelines de visão computacional para imagens médicas falham em periódicos Q1 não pela métrica de acurácia e sim pela ausência de validação externa documentada, breakdown por subgrupo demográfico, e protocolo explícito de intervenção humana. Modelos com AUC interno de 0,95 caem para 0,54 em dados de outro hospital, e os frameworks STARD-AI, TRIPOD+AI e CLAIM consolidaram essa expectativa editorial entre 2020 e 2025.</description><pubDate>Sun, 24 May 2026 00:00:00 GMT</pubDate><category>ia</category><category>visão computacional</category><category>imagens médicas</category><category>deep learning</category><category>validação externa</category></item><item><title>P-valor sozinho não passa: pareceristas Q1 leem na seção de resultados</title><link>https://ariaresearch.pro/pt/insights/efeito-tamanho-vs-p-valor-pos-asa-2016/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/efeito-tamanho-vs-p-valor-pos-asa-2016/</guid><description>Periódicos Q1 não baniram o p-valor; baniram o p-valor sozinho. Hoje, pareceristas leem a seção de resultados procurando quatro elementos no pacote mínimo de reporte pós-ASA 2016: tamanho de efeito, intervalo de confiança, justificativa de poder estatístico, e interpretação substantiva separada da inferencial.</description><pubDate>Sun, 24 May 2026 00:00:00 GMT</pubDate><category>dados</category><category>estatística</category><category>tamanho de efeito</category><category>p-valor</category><category>revisão por pares</category></item><item><title>Desk reject não é problema de inglês, é de contribuição fraca</title><link>https://ariaresearch.pro/pt/insights/desk-reject-nao-e-problema-de-ingles/</link><guid isPermaLink="true">https://ariaresearch.pro/pt/insights/desk-reject-nao-e-problema-de-ingles/</guid><description>A rejeição imediata em periódico Q1 raramente decorre de inglês ruim. Em quatro de cada cinco casos, o que decide o desk reject é a descalibração entre tese e missão declarada do venue, a clareza com que o abstract entrega a contribuição, e a coerência entre seções de método e resultados.</description><pubDate>Tue, 12 May 2026 00:00:00 GMT</pubDate><category>escrita</category><category>peer review</category><category>desk reject</category><category>escrita acadêmica</category><category>estratégia editorial</category></item></channel></rss>