ทันเอไอ

Pesquisa indica que LLMs ajudam na revisão de modelos epidemiológicos, mas supervisão humana segue essencial

Pesquisadores desenvolveram um pipeline para LLMs extraírem dados de 536 estudos sobre propagação de doenças; precisão por artigo chegou a 81,67%, mas variou conforme a complexidade dos dados.

O estudo intitulado “Leveraging Large Language Models for Systematic Literature Review of Disease Spread Models” avaliou o uso de Large Language Models (LLMs) na realização de revisões sistemáticas de literatura (SLR), um processo que costuma demandar muito tempo para buscar, ler e categorizar artigos acadêmicos sob critérios padronizados.

A equipe desenvolveu um pipeline para extrair dados relevantes de 536 artigos revisados por pares focados em modelagem baseada em agentes (agent-based modeling) para a propagação de doenças. Em seguida, os resultados automatizados foram comparados a uma SLR conduzida por humanos.

Na análise por artigo, o GPT-4.1 obteve cerca de 77,95% de precisão, enquanto o GPT-5.0 alcançou aproximadamente 81,67%. No entanto, o desempenho variou muito dependendo do tipo de informação: ao avaliar por campo de dados específico, a precisão oscilou entre 32,40% e 100,00%, com métricas menos confiáveis em campos complexos ou sujeitos a interpretação subjetiva.

O estudo também constatou que o nível de concordância entre diferentes LLMs pode funcionar como um indicativo preliminar de qualidade. Divergências acentuadas costumam sinalizar alucinações (geração de dados plausíveis, mas ausentes no texto original), ajudando a definir quais campos exigem revisão humana prioritária — embora a concordância entre modelos não seja garantia absoluta de exatidão.

Assim, as conclusões apoiam o uso de LLMs para aliviar a carga operacional na extração de dados, e não para substituir os pesquisadores, especialmente em tarefas que exigem julgamento crítico e interpretação de contexto. O artigo foi publicado no arXiv (categoria cs.AI) e tem apresentação prevista na Winter Simulation Conference 2026.