{"id":1252,"date":"2022-09-23T13:57:26","date_gmt":"2022-09-23T16:57:26","guid":{"rendered":"https:\/\/sites.usp.br\/neper\/?page_id=1252"},"modified":"2026-02-09T11:45:25","modified_gmt":"2026-02-09T14:45:25","slug":"conteudos","status":"publish","type":"page","link":"https:\/\/sites.usp.br\/neper\/conteudos\/","title":{"rendered":"Conte\u00fados"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Conte\u00fados<\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t

Acompanhe conte\u00fados sobre planejamento experimental, an\u00e1lise estat\u00edstica e reprodutibilidade na ci\u00eancia sugeridos pelo NEPER.\u00a0Sugest\u00f5es de refer\u00eancias relevantes que venham a se juntar a essa lista ser\u00e3o muito bem-vindas!<\/p>

\u00a0<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tArigos sobre Reprodutibilidade<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

A cultura do “publique ou pere\u00e7a” \u00e9 culpada pela crise de reprodutibilidade<\/span><\/b><\/p>\n

Nature,: 20 January 2025<\/span><\/i><\/p>\n

https:\/\/www.nature.com\/articles\/d41586-024-04253-w<\/span><\/a><\/p>\n

A chamada cultura do \u201cpublique ou pere\u00e7a\u201d \u00e9 frequentemente apontada como um dos principais fatores por tr\u00e1s da crise de reprodutibilidade cient\u00edfica. Um levantamento realizado com mais de 1.600 pesquisadores da \u00e1rea biom\u00e9dica tamb\u00e9m identificou o uso de amostras reduzidas e a sele\u00e7\u00e3o enviesada de dados como causas centrais desse problema. De acordo com uma pesquisa divulgada em novembro, quase 75% dos cientistas biom\u00e9dicos acreditam que a ci\u00eancia enfrenta, de fato, uma crise de reprodutibilidade, sendo a press\u00e3o por publicar o motivo mais citado. O estudo, publicado na revista PLoS Biology\u00b9, ouviu autores de artigos cient\u00edficos publicados ao longo de um ano, a partir de 1\u00ba de outubro de 2020, em 400 peri\u00f3dicos biom\u00e9dicos escolhidos aleatoriamente. Ao todo, 1.630 pesquisadores responderam ao question\u00e1rio, representando mais de 80 pa\u00edses. A maioria dos participantes era composta por homens (59%) e por professores ou pesquisadores l\u00edderes de grupo (72%). Al\u00e9m disso, 42% atuavam nos Estados Unidos, no Canad\u00e1 ou no Reino Unido. Segundo os dados coletados, 62% dos entrevistados afirmaram que a press\u00e3o para publicar contribui para a irreprodutibilidade \u201csempre\u201d ou \u201ccom muita frequ\u00eancia\u201d. Para Kelly Cobey, psic\u00f3loga social do Instituto do Cora\u00e7\u00e3o da Universidade de Ottawa e autora principal do estudo, esses resultados deixam claro que o problema est\u00e1 enraizado na cultura do pr\u00f3prio sistema de pesquisa. Trata-se, segundo ela, de um ambiente que prioriza o volume de publica\u00e7\u00f5es em detrimento da qualidade dos resultados. Cobey ressalta que a falta de reprodutibilidade cient\u00edfica n\u00e3o \u00e9 um fen\u00f4meno recente nem restrito \u00e0 biomedicina, tendo sido documentado em diversas \u00e1reas ao longo de d\u00e9cadas. O novo estudo, explica, buscou aprofundar achados de uma pesquisa publicada na Nature em 2016, na qual mais de 70% dos 1.576 cientistas entrevistados relataram dificuldades para reproduzir resultados obtidos por outros pesquisadores. Entre outros fatores apontados no estudo atual como contribuintes \u201csempre\u201d ou \u201cmuito frequentes\u201d para a irreprodutibilidade est\u00e3o o tamanho inadequado das amostras (55%), estudos finalizados que nunca chegam a ser publicados (54%), an\u00e1lises estat\u00edsticas mal conduzidas (50%) e a escolha seletiva de resultados (47%). Para Elisabeth Bik, microbiologista e investigadora cient\u00edfica na regi\u00e3o da Ba\u00eda de S\u00e3o Francisco, esses achados confirmam suspeitas discutidas h\u00e1 pelo menos duas d\u00e9cadas. \u201cH\u00e1 um aumento generalizado de diferentes tipos de erros\u201d, afirma. \u201cAlguns decorrem de descuido, enquanto outros parecem envolver m\u00e1 conduta.\u201d Bik, que j\u00e1 contribuiu para mais de 1.300 retrata\u00e7\u00f5es de artigos cient\u00edficos, passou a atuar na defesa da integridade cient\u00edfica ap\u00f3s descobrir que um de seus pr\u00f3prios trabalhos havia sido plagiado. Ela concorda que a press\u00e3o por produtividade acad\u00eamica desempenha um papel central nesse cen\u00e1rio.<\/span><\/p>\n

Reprodutibilidade e transpar\u00eancia: o que  est\u00e1 acontecendo e como podemos ajudar?<\/span><\/b><\/o:p><\/span><\/p>

Nature Communications volume 16, Article number: 1082\n(2025)<\/o:p><\/span><\/i><\/p>

https:\/\/www.nature.com\/articles\/s41467-024-54614-2<\/span><\/a><\/o:p><\/span><\/p>

Problemas com a reprodutibilidade\nexperimental afetam todas as \u00e1reas da ci\u00eancia, com opini\u00f5es divergentes sobre\nsuas causas e solu\u00e7\u00f5es. Especialistas de diferentes campos explicam que\nreprodutibilidade se refere \u00e0 capacidade de repetir experimentos com os mesmos\ndados, testes de robustez avaliam se diferentes an\u00e1lises produzem os mesmos\nresultados, e replicabilidade envolve obter os mesmos resultados com novos\ndados. A confus\u00e3o entre esses termos \u00e9 comum, e h\u00e1 um movimento para que\n\u201crepetibilidade\u201d seja usado como termo geral. A import\u00e2ncia da\nreprodutibilidade e transpar\u00eancia reside na necessidade de validar e contestar\nevid\u00eancias cient\u00edficas, assegurando que descobertas sejam confi\u00e1veis e\nverific\u00e1veis, o que \u00e9 fundamental para o progresso e integridade da ci\u00eancia.<\/span> O artigo aborda a import\u00e2ncia da reproducibilidade e\ntranspar\u00eancia na ci\u00eancia, destacando que experimentos n\u00e3o reproduz\u00edveis podem\nrevelar aspectos relacionados aos m\u00e9todos, reagentes, equipamento, operador ou\nvariabilidade biol\u00f3gica, sendo essenciais para o avan\u00e7o do conhecimento,\nespecialmente quando analisados cuidadosamente para identificar discrep\u00e2ncias.\nA reproducibilidade \u00e9 vista por v\u00e1rios professores como fundamental para\ngarantir a confiabilidade das descobertas, permitindo que outros pesquisadores\nconstruam sobre elas e economizando recursos. A transpar\u00eancia inclui divulga\u00e7\u00e3o\ndetalhada de m\u00e9todos e dados brutos, sendo crucial para a replicabilidade. O\ntexto tamb\u00e9m discute a crise atual de reproducibilidade na ci\u00eancia, que muitas\nvezes \u00e9 atribu\u00edda \u00e0 busca por resultados perfeitos, press\u00e3o por pioneirismo e a\numa espiral de pr\u00e1ticas insustent\u00e1veis que prejudicam o avan\u00e7o cient\u00edfico.\nApesar dos desafios, h\u00e1 uma resposta positiva da comunidade cient\u00edfica,\nreconhecendo a necessidade de reformas e melhorias no processo cient\u00edfico.<\/span>\nO texto aborda a crescente\ndisparidade entre o valor de mercado das publica\u00e7\u00f5es cient\u00edficas e a avalia\u00e7\u00e3o\nbibliom\u00e9trica dos pesquisadores, contrapondo-se \u00e0 necessidade fundamental do\navan\u00e7o cient\u00edfico de compartilhar conhecimentos de forma controlada e\nreproduz\u00edvel. Essa contradi\u00e7\u00e3o tem levado a uma crise na ci\u00eancia, impulsionada\npela busca por publica\u00e7\u00f5es r\u00e1pidas e atrativas, muitas vezes comprometendo a\nintegridade acad\u00eamica e a qualidade do trabalho. A depend\u00eancia excessiva de\nm\u00e9tricas scientom\u00e9tricas, o neg\u00f3cio da publica\u00e7\u00e3o acad\u00eamica e a falta de\nresponsabilidade financeira sobre resultados irreprodut\u00edveis contribuem para um\nambiente onde o foco passa a ser a carreira mais do que o progresso real da\nci\u00eancia. Para melhorar essa situa\u00e7\u00e3o, os autores sugerem a\u00e7\u00f5es como maior\ntranspar\u00eancia na pesquisa, incluindo divulga\u00e7\u00e3o de dados e m\u00e9todos, incentivo \u00e0\ndocumenta\u00e7\u00e3o de tentativas frustradas, uso de ferramentas digitais para\npromover cultura de reproducibilidade e o fortalecimento do pensamento cr\u00edtico.\nTamb\u00e9m destacam a import\u00e2ncia do papel dos revisores, que podem solicitar maior\ntranspar\u00eancia e questionar rigorosamente os estudos, promovendo uma avalia\u00e7\u00e3o\nmais criteriosa e confi\u00e1vel da ci\u00eancia.<\/o:p><\/span><\/span><\/p>

 <\/o:p><\/p>

 <\/span><\/p>

Ser\u00e1 que o machine learning<\/i> pode\nalimentar uma crise de reprodutibilidade na ci\u00eancia?<\/o:p><\/span><\/b><\/p>

Nature  NEWS 26\nJuly 2022<\/o:p><\/span><\/i><\/p>

https:\/\/www.nature.com\/articles\/d41586-022-02035-w<\/span><\/a><\/o:p><\/span><\/p>

Da\nbiomedicina \u00e0s ci\u00eancias pol\u00edticas, os pesquisadores usam cada vez mais o machine\nlearning como ferramenta para fazer previs\u00f5es com base em padr\u00f5es em seus\ndados. Mas as afirma\u00e7\u00f5es em muitos desses estudos provavelmente s\u00e3o exageradas,\nde acordo com dois pesquisadores da Universidade de Princeton, em Nova Jersey.\nEles querem alertar sobre o que chamam de \u201ccrise de reprodutibilidade iminente\u201d\nnas ci\u00eancias baseadas em machine learning. Tr\u00eas armadilhas a evitar no machine\nlearning O machine learning est\u00e1 sendo vendido como uma ferramenta que os\npesquisadores podem aprender em poucas horas e usar sozinhos \u2014 e muitos seguem\nesse conselho, diz Sayash Kapoor, pesquisador de machine learning em Princeton.\nE poucos cientistas percebem que os problemas que encontram ao aplicar\nalgoritmos de intelig\u00eancia artificial (IA) s\u00e3o comuns a outros campos, diz\nKapoor, coautor de um preprint sobre a \u201ccrise\u201d. Os revisores por pares n\u00e3o t\u00eam\ntempo para examinar esses modelos, ent\u00e3o a academia atualmente carece de\nmecanismos para eliminar artigos irreproduz\u00edveis, afirma ele. Kapoor e seu\ncoautor, Arvind Narayanan, criaram diretrizes para que os cientistas evitem\nessas armadilhas, incluindo uma lista de verifica\u00e7\u00e3o expl\u00edcita a ser submetida\ncom cada artigo. A defini\u00e7\u00e3o de reprodutibilidade de Kapoor e Narayanan \u00e9\nampla. Ela afirma que outras equipes devem ser capazes de replicar os\nresultados de um modelo, dados os detalhes completos sobre dados, c\u00f3digo e\ncondi\u00e7\u00f5es \u2014 frequentemente chamada de reprodutibilidade computacional, algo que\nj\u00e1 \u00e9 uma preocupa\u00e7\u00e3o para os cientistas de machine learning<\/i>. A dupla\ntamb\u00e9m define um modelo como irreproduz\u00edvel quando os pesquisadores cometem\nerros na an\u00e1lise de dados que significam que o modelo n\u00e3o \u00e9 t\u00e3o preditivo\nquanto alegado. Julgar tais erros \u00e9 subjetivo e geralmente requer um\nconhecimento profundo da \u00e1rea em que o machine learning est\u00e1 sendo aplicado.\nAlguns pesquisadores cujo trabalho foi criticado pela equipe discordam que seus\nartigos sejam falhos ou dizem que as afirma\u00e7\u00f5es de Kapoor s\u00e3o muito fortes. Em\nestudos sociais, por exemplo, pesquisadores desenvolveram modelos de machine\nlearning que visam prever quando um pa\u00eds provavelmente entrar\u00e1 em guerra civil.\nKapoor e Narayanan afirmam que, uma vez corrigidos os erros, esses modelos n\u00e3o\napresentam desempenho melhor do que as t\u00e9cnicas estat\u00edsticas padr\u00e3o. Mas David\nMuchlinski, cientista pol\u00edtico do Instituto de Tecnologia da Ge\u00f3rgia, em\nAtlanta, cujo artigo\u00b2 foi examinado pela dupla, afirma que o campo da previs\u00e3o\nde conflitos tem sido injustamente difamado e que estudos subsequentes\ncorroboram seu trabalho. Mais de 1.200 pessoas se inscreveram no que\ninicialmente era um pequeno workshop online sobre reprodutibilidade, realizado\nem 28 de julho, organizado por Kapoor e colegas, com o objetivo de encontrar e\ndisseminar solu\u00e7\u00f5es. “A menos que fa\u00e7amos algo assim, cada \u00e1rea continuar\u00e1\nencontrando esses problemas repetidamente”, diz ele. O otimismo excessivo\nem rela\u00e7\u00e3o ao poder dos modelos de machine learning pode ser prejudicial quando\nos algoritmos s\u00e3o aplicados em \u00e1reas como sa\u00fade e justi\u00e7a, afirma Momin Malik,\ncientista de dados da Cl\u00ednica Mayo, em Rochester, Minnesota, que deve palestrar\nno workshop. A menos que a crise seja enfrentada, a reputa\u00e7\u00e3o do machine\nlearning pode ser prejudicada, diz ele. Kapoor e Narayanan afirmam que\nproblemas semelhantes ocorrem na aplica\u00e7\u00e3o do machine learning a diversas\nci\u00eancias. A dupla analisou 20 revis\u00f5es em 17 \u00e1reas de pesquisa e contabilizou\n329 artigos cient\u00edficos cujos resultados n\u00e3o puderam ser totalmente replicados\ndevido a problemas na forma como o machine learning<\/i> foi aplicado. O\npr\u00f3prio Narayanan n\u00e3o est\u00e1 imune: um artigo de 2015 sobre seguran\u00e7a da\ncomputa\u00e7\u00e3o, do qual ele foi coautor, est\u00e1 entre os 329. “\u00c9 realmente um\nproblema que precisa ser abordado coletivamente por toda a comunidade”,\ndiz Kapoor. A quest\u00e3o mais proeminente que Kapoor e Narayanan destacam \u00e9 o\n“vazamento de dados”, quando as informa\u00e7\u00f5es do conjunto de dados com\no qual um modelo aprende incluem dados que ele usa posteriormente para\navalia\u00e7\u00e3o. Se esses dados n\u00e3o forem totalmente separados, o modelo efetivamente\nj\u00e1 viu as respostas e suas previs\u00f5es parecem muito melhores do que realmente\ns\u00e3o. A equipe identificou oito tipos principais de vazamento de dados contra os\nquais os pesquisadores podem ficar atentos. Por exemplo, o vazamento temporal\nocorre quando os dados de treinamento incluem pontos de um per\u00edodo posterior\naos dados de teste \u2014 o que \u00e9 um problema porque o futuro depende do passado.\nComo exemplo, Malik cita um artigo de 2011\u2074 que afirmava que um modelo que\nanalisava o humor dos usu\u00e1rios do Twitter poderia prever o valor de fechamento\ndo mercado de a\u00e7\u00f5es com uma precis\u00e3o de 87,6%. Mas, como a equipe testou o\npoder preditivo do modelo usando dados de um per\u00edodo anterior a parte do\nconjunto de treinamento, o algoritmo efetivamente p\u00f4de prever o futuro, afirma\nele. Problemas mais amplos incluem o treinamento de modelos em conjuntos de\ndados mais restritos do que a popula\u00e7\u00e3o que eles devem refletir, diz Malik.\nOutro problema \u00e9 que os algoritmos muitas vezes acabam dependendo de atalhos\nque nem sempre funcionam, diz Jessica Hullman, cientista da computa\u00e7\u00e3o da\nNorthwestern University em Evanston, Illinois, que falar\u00e1 no workshop.<\/span> A alta precis\u00e3o das previs\u00f5es em\ntestes muitas vezes engana as pessoas, fazendo-as pensar que os modelos est\u00e3o\ncaptando a \u201cverdadeira estrutura do problema\u201d de uma maneira semelhante \u00e0\nhumana, afirma ela. A situa\u00e7\u00e3o \u00e9 similar \u00e0 crise de replica\u00e7\u00e3o na psicologia,\nna qual as pessoas depositam muita confian\u00e7a em m\u00e9todos estat\u00edsticos,\nacrescenta. A euforia em torno das capacidades do machine learning contribuiu\npara que os pesquisadores aceitassem seus resultados com muita facilidade, diz\nKapoor. A pr\u00f3pria palavra \u201cprevis\u00e3o\u201d \u00e9 problem\u00e1tica, afirma Malik, j\u00e1 que a\nmaioria das previs\u00f5es \u00e9, na verdade, testada retrospectivamente e n\u00e3o tem nada\na ver com prever o futuro. A solu\u00e7\u00e3o de Kapoor e Narayanan para lidar com o\nvazamento de dados \u00e9 que os pesquisadores incluam em seus manuscritos\nevid\u00eancias de que seus modelos n\u00e3o apresentam cada um dos oito tipos de\nvazamento. Os autores sugerem um modelo para essa documenta\u00e7\u00e3o, que chamam de\n\u201cfolhas de informa\u00e7\u00f5es do modelo\u201d. Nos \u00faltimos tr\u00eas anos, a biomedicina avan\u00e7ou\nmuito com uma abordagem semelhante, afirma Xiao Liu, oftalmologista cl\u00ednica da\nUniversidade de Birmingham, no Reino Unido, que ajudou a criar diretrizes para\na elabora\u00e7\u00e3o de relat\u00f3rios de estudos que envolvem IA, por exemplo, em triagem\nou diagn\u00f3stico. Em 2019, Liu e seus colegas descobriram que apenas 5% dos mais\nde 20.000 artigos que utilizavam IA para imagens m\u00e9dicas eram descritos com\ndetalhes suficientes para discernir se funcionariam em um ambiente cl\u00ednico. As\ndiretrizes n\u00e3o melhoram diretamente os modelos de ningu\u00e9m, mas \u201ctornam muito\n\u00f3bvio quem fez um bom trabalho e, talvez, quem n\u00e3o fez\u201d, diz ela, o que \u00e9 um\nrecurso que os \u00f3rg\u00e3os reguladores podem aproveitar. A colabora\u00e7\u00e3o tamb\u00e9m pode\najudar, afirma Malik. Ele sugere que os estudos envolvam tanto especialistas na\ndisciplina relevante quanto pesquisadores em machine learning, estat\u00edstica e\namostragem de pesquisas. \u00c1reas em que o machine learning<\/i> encontra pistas\npara pesquisas subsequentes \u2014 como a descoberta de medicamentos \u2014 provavelmente\nse beneficiar\u00e3o enormemente da tecnologia, diz Kapoor. Mas outras \u00e1reas\nprecisar\u00e3o de mais trabalho para demonstrar sua utilidade, acrescenta ele.\nEmbora o machine leraning <\/i>ainda seja relativamente nova em muitas \u00e1reas,\nos pesquisadores devem evitar o tipo de crise de confian\u00e7a que se seguiu \u00e0\ncrise de replica\u00e7\u00e3o na psicologia h\u00e1 uma d\u00e9cada, afirma ele. “Quanto mais\nadiarmos, maior ser\u00e1 o problema.”<\/o:p><\/span><\/p>

 <\/span><\/p>

Reprodutibilidade em\npesquisas baseadas em machine learning<\/i>: vis\u00e3o geral, barreiras e fatores\nmotivadores<\/o:p><\/span><\/b><\/p>

Wiley\nOnline Library 14 April 2025 <\/o:p><\/span><\/i><\/p>

https:\/\/onlinelibrary.wiley.com\/doi\/full\/10.1002\/aaai.70002<\/span><\/a><\/o:p><\/span><\/p>

Muitas \u00e1reas de pesquisa est\u00e3o\natualmente lidando com problemas relacionados aos baixos n\u00edveis de\nreprodutibilidade. Quest\u00f5es como a falta de transpar\u00eancia, de dados ou c\u00f3digo,\na baixa ades\u00e3o aos padr\u00f5es e a sensibilidade das condi\u00e7\u00f5es do machine\nlearning<\/i> (ML) fazem com que muitos artigos n\u00e3o sejam sequer reproduz\u00edveis\nem princ\u00edpio. Nos casos em que s\u00e3o reproduz\u00edveis, os experimentos de\nreprodutibilidade t\u00eam encontrado n\u00edveis preocupantemente baixos de similaridade\ncom os resultados originais. Apesar dos apelos anteriores de pesquisadores de machine\nlearning sobre esse tema e de v\u00e1rias iniciativas argumentamos que a comunidade\nem geral continua a tratar essa quest\u00e3o com muita leviandade. A baixa\nreprodutibilidade amea\u00e7a a confian\u00e7a e a integridade dos resultados da\npesquisa. Portanto, neste artigo, os autores apresentam uma nova perspectiva\nsobre as principais barreiras e impulsionadores (tanto procedimentais quanto\nt\u00e9cnicos) para o aumento da reprodutibilidade em v\u00e1rios n\u00edveis (m\u00e9todos,\nc\u00f3digo, dados e experimentos). Resultados n\u00e3o confi\u00e1veis podem prejudicar o\nprogresso cient\u00edfico, desperdi\u00e7ando recursos, reduzindo a confian\u00e7a, retardando\ndescobertas e minando a base para pesquisas futuras. No entanto, muitos campos\ncient\u00edficos enfrentam atualmente quest\u00f5es cruciais sobre a reprodutibilidade\ndos resultados de pesquisa. As preocupa\u00e7\u00f5es com uma \u201ccrise de\nreprodutibilidade\u201d foram levantadas com maior destaque nas ci\u00eancias biom\u00e9dicas\ne sociais, mas a pesquisa que emprega intelig\u00eancia artificial (IA) em geral, e ML\nem particular, tamb\u00e9m est\u00e1 sob escrut\u00ednio. O ML est\u00e1 se integrando cada vez\nmais profundamente aos m\u00e9todos de pesquisa, n\u00e3o apenas na ci\u00eancia da\ncomputa\u00e7\u00e3o, mas em todas as disciplinas. Portanto, as quest\u00f5es relativas \u00e0\nreprodutibilidade do machine learning levantam preocupa\u00e7\u00f5es urgentes sobre a\nconfiabilidade e a validade das descobertas, n\u00e3o apenas para cientistas da\ncomputa\u00e7\u00e3o, mas tamb\u00e9m para grandes \u00e1reas da pesquisa cient\u00edfica de ponta em\ndiversas disciplinas. As causas da baixa reprodutibilidade podem ser t\u00e9cnicas,\nmetodol\u00f3gicas ou culturais. Em linhas gerais, algumas causas, como a falta de\ncompartilhamento de dados e c\u00f3digo, a falta ou a baixa ades\u00e3o a padr\u00f5es, o\nprojeto de pesquisa inadequado ou incentivos insuficientes, podem ser\nconsideradas comuns a muitos dom\u00ednios. Al\u00e9m dos desafios comuns enfrentados por\noutras disciplinas, o uso de ML introduz obst\u00e1culos \u00fanicos para a\nreprodutibilidade, incluindo a sensibilidade \u00e0s condi\u00e7\u00f5es de treinamento de ML,\nfontes de aleatoriedade, n\u00e3o determinismo inerente, custos (econ\u00f4micos e\nambientais) de recursos computacionais e o uso crescente de ferramentas de ML\nautomatizado. Entre os aspectos metodol\u00f3gicos e culturais, as especificidades\nda pesquisa em ML, como o \u201cvazamento de dados\u201d, bem como quest\u00f5es espec\u00edficas\nde ML relacionadas a vieses n\u00e3o observados, falta de transpar\u00eancia, relato\nseletivo de resultados e culturas de publica\u00e7\u00e3o, tamb\u00e9m desempenham um papel. A\ncultura do \u201cpublish or perish<\/i>\u201d permeia a academia, pressionando os\npesquisadores a publicar o m\u00e1ximo poss\u00edvel de artigos nos peri\u00f3dicos ou\nconfer\u00eancias de maior prest\u00edgio ou classifica\u00e7\u00e3o. Por sua vez, essa cultura\ndistorce os incentivos para atalhos, dando origem \u00e0s chamadas \u201cpr\u00e1ticas de\npesquisa question\u00e1veis\u201d e \u201cpr\u00e1ticas de design, an\u00e1lise ou relato que foram\nquestionadas\u201d. devido ao potencial de a pr\u00e1tica ser empregada com o prop\u00f3sito de\napresentar evid\u00eancias tendenciosas em favor de uma afirma\u00e7\u00e3o\u201d. O artigo tem\ncomo objetivo fornecer uma vis\u00e3o geral detalhada da reprodutibilidade e suas\nbarreiras e impulsionadores associados no ML. O texto fornece uma categoriza\u00e7\u00e3o\ncontextual das barreiras e impulsionadores para os quatro tipos de\nreprodutibilidade no ML (descri\u00e7\u00e3o, c\u00f3digo, dados e experimento), com\nrefer\u00eancia espec\u00edfica \u00e0 pesquisa em ci\u00eancia da computa\u00e7\u00e3o e \u00e1reas biom\u00e9dicas. O\nobjetivo \u00e9 analisar o estado atual da reprodutibilidade no ML, fornecer\nconselhos concretos sobre estrat\u00e9gias para que os pesquisadores mitiguem\nproblemas de reprodutibilidade em seus pr\u00f3prios trabalhos, destacar \u00e1reas-chave\nonde pesquisas adicionais s\u00e3o necess\u00e1rias em \u00e1reas espec\u00edficas e fomentar ainda\nmais a discuss\u00e3o sobre a amea\u00e7a representada por essas quest\u00f5es urgentes.<\/span>\nO artigo est\u00e1 estruturado da\nseguinte forma: na se\u00e7\u00e3o \u201cDefinindo Reprodutibilidade\u201d, esclarece os termos e\ndefini\u00e7\u00f5es operacionais. Em seguida, analisa as barreiras ao aumento da\nreprodutibilidade da pesquisa orientada por ML \ne, posteriormente, os fatores que impulsionam a reprodutibilidade do ML,\nincluindo diferentes ferramentas, pr\u00e1ticas e interven\u00e7\u00f5es. Aqui, tamb\u00e9m\napresenta uma compara\u00e7\u00e3o dos pontos fortes e das limita\u00e7\u00f5es potenciais desses\nfatores. Por fim, o texto mapeia as barreiras aos fatores impulsionadores para\najudar a determinar a viabilidade de v\u00e1rias op\u00e7\u00f5es para aprimorar a\nreprodutibilidade do ML.<\/o:p><\/span><\/p>

 <\/span><\/p>

Desafios da IA\nreproduz\u00edvel na ci\u00eancia de dados biom\u00e9dicos<\/o:p><\/span><\/b><\/p>

Springer\nNature Link: 10 January 2025<\/o:p><\/span><\/i><\/p>

https:\/\/link.springer.com\/article\/10.1186\/s12920-024-02072-6<\/span><\/a><\/o:p><\/span><\/p>

A\nirreprodutibilidade da IA na ci\u00eancia de dados biom\u00e9dicos frequentemente\ndecorre de diversos fatores-chave, incluindo o n\u00e3o determinismo inerente aos\nmodelos de IA, varia\u00e7\u00f5es nos dados, pr\u00e9-processamento de dados, custos\ncomputacionais e varia\u00e7\u00f5es de hardware. Isso surge de v\u00e1rias fontes inerentes \u00e0\narquitetura dos modelos, aos processos de treinamento, \u00e0 acelera\u00e7\u00e3o por\nhardware ou mesmo \u00e0s defini\u00e7\u00f5es matem\u00e1ticas. Por exemplo, os Modelos de\nAprendizagem Linear (LLMs) podem produzir sa\u00eddas diferentes para a mesma\nentrada devido \u00e0 amostragem estoc\u00e1stica durante a gera\u00e7\u00e3o de texto, \u00e0\naleatoriza\u00e7\u00e3o em processos de treinamento, como embaralhamento de dados e\ninicializa\u00e7\u00e3o de pesos, e \u00e0 variabilidade induzida pelo hardware proveniente de\nrecursos de computa\u00e7\u00e3o paralela. Os fatores que contribuem para isso incluem\ninicializa\u00e7\u00e3o aleat\u00f3ria de pesos, descida de gradiente em mini-lotes, t\u00e9cnicas\nde regulariza\u00e7\u00e3o por dropout e acelera\u00e7\u00e3o por hardware. O uso de m\u00e9todos de\notimiza\u00e7\u00e3o n\u00e3o determin\u00edsticos, como a Descida de Gradiente Estoc\u00e1stica (SGD) e\nsuas variantes, que utilizam mini-lotes aleat\u00f3rios de dados, agrava ainda mais\nesse efeito. Al\u00e9m disso, decis\u00f5es arquitet\u00f4nicas como a escolha de fun\u00e7\u00f5es de\nativa\u00e7\u00e3o e o uso de camadas de dropout para regulariza\u00e7\u00e3o introduzem\nvariabilidade que impacta a reprodutibilidade. Por exemplo, a desativa\u00e7\u00e3o\naleat\u00f3ria de neur\u00f4nios durante o treinamento por meio de dropout pode levar a\ncomportamentos diferentes do modelo entre as execu\u00e7\u00f5es. Fun\u00e7\u00f5es de ativa\u00e7\u00e3o com\ntransi\u00e7\u00f5es abruptas, como sigmoide ou tangente hiperb\u00f3lica (tanh), podem\namplificar problemas de precis\u00e3o de ponto flutuante, particularmente quando\ncombinadas com acelera\u00e7\u00e3o por hardware (por exemplo, GPUs ou TPUs). Al\u00e9m disso,\na pr\u00f3pria acelera\u00e7\u00e3o por hardware (por exemplo, usando GPUs) introduz varia\u00e7\u00f5es\naleat\u00f3rias nos dados devido ao processamento paralelo e \u00e0s limita\u00e7\u00f5es de\nprecis\u00e3o de ponto flutuante. Varia\u00e7\u00f5es entre os conjuntos de dados de\ntreinamento e teste podem levar a problemas de irreprodutibilidade, como sobreajuste\n(overfitting). Por exemplo, um modelo treinado com dados gen\u00f4micos de alta\nqualidade pode apresentar desempenho ruim quando testado em conjuntos de dados\nque cont\u00eam artefatos. Esse desequil\u00edbrio pode fazer com que o modelo generalize\nmal, levando a taxas de erro mais altas ou diagn\u00f3sticos incorretos para grupos\nsub-representados, como a n\u00e3o detec\u00e7\u00e3o de diabetes de in\u00edcio precoce em\nindiv\u00edduos mais jovens. Al\u00e9m disso, essa sub-representa\u00e7\u00e3o pode fazer com que o\ndesempenho do modelo varie drasticamente entre diferentes configura\u00e7\u00f5es ou\npopula\u00e7\u00f5es de teste, comprometendo, em \u00faltima an\u00e1lise, sua reprodutibilidade.\nAl\u00e9m disso, o vazamento de dados \u2014 quando informa\u00e7\u00f5es do conjunto de teste\ninfluenciam inadvertidamente o processo de treinamento \u2014 pode inflar artificialmente\nas m\u00e9tricas de desempenho, fazendo com que os modelos falhem em conjuntos de\ndados independentes e, assim, prejudicando a reprodutibilidade da IA. O\npr\u00e9-processamento de dados \u00e9 crucial para a reprodutibilidade de modelos de IA,\nparticularmente em ci\u00eancia de dados biom\u00e9dicos. T\u00e9cnicas como normaliza\u00e7\u00e3o,\nsele\u00e7\u00e3o de caracter\u00edsticas, vetoriza\u00e7\u00e3o, redu\u00e7\u00e3o de dimensionalidade e\nintegra\u00e7\u00e3o de dados influenciam significativamente o treinamento e a an\u00e1lise\nsubsequente. A escolha dos m\u00e9todos dentro desses processos pode levar a\nvaria\u00e7\u00f5es na qualidade dos dados de treinamento e teste ou introduzir\naleatoriedade no processo de treinamento. Por exemplo, a normaliza\u00e7\u00e3o em lote \u2014\numa t\u00e9cnica de regulariza\u00e7\u00e3o amplamente utilizada em aprendizado profundo \u2014 introduz\nvaria\u00e7\u00f5es aleat\u00f3rias nos dados, principalmente durante o treinamento, devido ao\nc\u00e1lculo das estat\u00edsticas do mini-lote. Como mencionado, a normaliza\u00e7\u00e3o ou\nsele\u00e7\u00e3o de caracter\u00edsticas inadequada, aplicada antes da divis\u00e3o dos dados em\nconjuntos de treinamento e teste, pode resultar em vazamento de dados,\nimpactando ainda mais o treinamento. Al\u00e9m disso, m\u00e9todos de redu\u00e7\u00e3o de\ndimensionalidade como t-SNE e UMAP s\u00e3o inerentemente n\u00e3o determin\u00edsticos, pois\ndependem da resolu\u00e7\u00e3o de problemas de otimiza\u00e7\u00e3o n\u00e3o convexos com m\u00faltiplas\nsolu\u00e7\u00f5es poss\u00edveis, contribuindo para a variabilidade no pr\u00e9-processamento de\ndados. Esses desafios s\u00e3o particularmente relevantes para conjuntos de dados\nbiom\u00e9dicos complexos e de grande escala, onde m\u00e9todos de pr\u00e9-processamento ideais\nainda n\u00e3o foram estabelecidos. Os custos computacionais para modelos de IA,\nespecialmente em dom\u00ednios biom\u00e9dicos complexos, s\u00e3o substanciais e impactam\nsignificativamente a reprodutibilidade. Por exemplo, modelos como o AlphaFold3\nabordam problemas NP-dif\u00edceis, com a complexidade computacional aumentando\nexponencialmente com o tamanho da entrada, tornando a verifica\u00e7\u00e3o por terceiros\nintensiva em recursos. Os c\u00e1lculos em GPU e TPU podem produzir resultados n\u00e3o\ndetermin\u00edsticos devido ao processamento paralelo, opera\u00e7\u00f5es de ponto flutuante,\narredondamento estoc\u00e1stico e diferen\u00e7as de software em frameworks como\nTensorFlow e PyTorch. Essas varia\u00e7\u00f5es induzidas pelo hardware, juntamente com\nos altos custos computacionais, dificultam os esfor\u00e7os de verifica\u00e7\u00e3o independente\ne exacerbam os desafios de reprodutibilidade. Principais desafios para alcan\u00e7ar\nIA reproduz\u00edvel em ci\u00eancia de dados biom\u00e9dicos Alcan\u00e7ar IA reproduz\u00edvel em\nci\u00eancia de dados biom\u00e9dicos \u00e9 um desafio devido \u00e0s complexidades inerentes aos\ndados, modelos e processos de aprendizado, agravadas por um dilema da teoria\ndos jogos. A complexidade dos dados refere-se aos desafios decorrentes das\ncaracter\u00edsticas e da qualidade dos dados de entrada usados em modelos de IA\nbiom\u00e9dica.<\/span> Esses\ndesafios incluem alta dimensionalidade, onde conjuntos de dados com in\u00fameras\ncaracter\u00edsticas aumentam as demandas computacionais e complicam a modelagem, e\nheterogeneidade, que envolve varia\u00e7\u00f5es em tipos de dados como texto, imagens e\nvalores num\u00e9ricos. Al\u00e9m disso, a multimodalidade, ou a necessidade de combinar\ndiversas fontes de dados, como dados gen\u00f4micos com imagens ou registros\ncl\u00ednicos, amplifica ainda mais a complexidade. Problemas como dados faltantes e\nru\u00eddo exigem imputa\u00e7\u00e3o ou limpeza, frequentemente introduzindo variabilidade,\nenquanto vi\u00e9s e desequil\u00edbrio nos conjuntos de dados podem resultar em modelos\nque generalizam mal para popula\u00e7\u00f5es ou classes sub-representadas. Conjuntos de\ndados de alta dimensionalidade, heterog\u00eaneos e multimodais, juntamente com\ndados faltantes ou desbalanceados, complicam o pr\u00e9-processamento e introduzem\nvariabilidade, dificultando a padroniza\u00e7\u00e3o de fluxos de trabalho reproduz\u00edveis,\nespecialmente em \u00e1reas biom\u00e9dicas. Conjuntos de dados biom\u00e9dicos frequentemente\ncont\u00eam diversos tipos de dados, como sequ\u00eancias gen\u00f4micas, imagens e registros\ncl\u00ednicos, cada um caracterizado por alta dimensionalidade e heterogeneidade. Essas\ncaracter\u00edsticas dificultam o desenvolvimento de t\u00e9cnicas de pr\u00e9-processamento\nque padronizem os dados de forma eficaz, sem introduzir inconsist\u00eancias. Sem\nestruturas de pr\u00e9-processamento personalizadas e padronizadas, essas varia\u00e7\u00f5es\ncomprometem a reprodutibilidade dos modelos de IA. Al\u00e9m disso, t\u00e9cnicas de\nregulariza\u00e7\u00e3o e otimiza\u00e7\u00e3o, como dropout e normaliza\u00e7\u00e3o em lote, s\u00e3o empregadas\npara controlar o sobreajuste, mas podem introduzir variabilidade, aumentando o\ndesafio do treinamento de modelos complexos. Embora modelos com maior\ncomplexidade frequentemente alcancem um desempenho not\u00e1vel em tarefas\ndesafiadoras, isso ocorre \u00e0 custa de uma menor reprodutibilidade. A\ncomplexidade do modelo aumenta significativamente o risco de sobreajuste e,\nembora as t\u00e9cnicas de regulariza\u00e7\u00e3o visem resolver esse problema, elas\nfrequentemente introduzem varia\u00e7\u00f5es adicionais que reduzem a reprodutibilidade.\nPor exemplo, o dropout, um m\u00e9todo de regulariza\u00e7\u00e3o amplamente utilizado,\ndesativa neur\u00f4nios aleatoriamente durante o treinamento, resultando em\ndiferentes configura\u00e7\u00f5es de modelo em cada itera\u00e7\u00e3o.<\/o:p><\/span><\/p>

 <\/span><\/p>

Interven\u00e7\u00f5es de ci\u00eancia\naberta para melhorar a reprodutibilidade e a replicabilidade da pesquisa: uma\nrevis\u00e3o de escopo<\/o:p><\/span><\/b><\/p>

Royal\nSociety Open Science: 5 April 2025<\/o:p><\/span><\/i><\/p>

https:\/\/royalsocietypublishing.org\/rsos\/article\/12\/4\/242057\/235595\/Open-science-interventions-to-improve<\/span><\/i><\/a><\/o:p><\/span><\/i><\/p>

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n<\/p>

A\nconfiabilidade e a credibilidade dos resultados da pesquisa est\u00e3o em quest\u00e3o.\nIsso \u00e9 especialmente verdadeiro em rela\u00e7\u00e3o \u00e0 sua reprodutibilidade (definida\nneste artigo como a obten\u00e7\u00e3o de resultados iguais ou semelhantes ao repetir\nan\u00e1lises de estudos anteriores usando o projeto, os dados e o c\u00f3digo originais;\ncf. e replicabilidade (definida aqui como a obten\u00e7\u00e3o de resultados iguais ou\nsemelhantes ao repetir, total ou parcialmente, um estudo anterior. A\nreprodutibilidade e a replicabilidade, portanto, sustentam a credibilidade e a\nconfiabilidade dos resultados de pesquisa em muitas \u00e1reas, especialmente em\nci\u00eancia, tecnologia, engenharia e matem\u00e1tica. Fundamental para este debate\nforam as falhas em reproduzir os resultados de estudos nas ci\u00eancias m\u00e9dicas,\ncomportamentais e sociais. \u00c1reas como psicologia, pesquisa biom\u00e9dica, economia\ne ci\u00eancias sociais em geral testemunharam estudos com m\u00faltiplos laborat\u00f3rios,\ncujos resultados indicaram n\u00edveis de reprodutibilidade variando entre 30 e 70%.\nUm artigo na Nature News em 2016 relatou resultados de uma pesquisa\n(ironicamente, eles pr\u00f3prios carentes de transpar\u00eancia) que destacou que entre\n60 e 80% dos cientistas em v\u00e1rias disciplinas encontraram obst\u00e1culos na\nreprodu\u00e7\u00e3o o trabalho de seus pares, com dificuldades igualmente not\u00e1veis\nencontradas ao tentar replicar seus pr\u00f3prios experimentos (40\u201360%). Dadas\nessas diferen\u00e7as interdisciplinares, espera-se que os fatores e pr\u00e1ticas que\npodem influenciar o n\u00edvel de reprodutibilidade da pesquisa variem em sua\nefic\u00e1cia (o que funciona, em que circunst\u00e2ncias). Fatores que t\u00eam sido\nassociados a n\u00edveis percebidos de baixa reprodutibilidade incluem a n\u00e3o\npublica\u00e7\u00e3o seletiva, pr\u00e1ticas de pesquisa question\u00e1veis, treinamento\ninsuficiente em m\u00e9todos de pesquisa e falta de transpar\u00eancia e acessibilidade\naos dados. Interven\u00e7\u00f5es para melhorar a reprodutibilidade podem ter como alvo\nessas pr\u00e1ticas. Os defensores da ci\u00eancia aberta acreditam que a abertura de\nm\u00e9todos, materiais e comunidade melhorar\u00e1 a reprodutibilidade da ci\u00eancia; no\nentanto, o acesso inadequado aos dados necess\u00e1rios para repetir experimentos ou\nan\u00e1lises continua sendo uma grande preocupa\u00e7\u00e3o em toda a ci\u00eancia. Para avaliar\nquais interven\u00e7\u00f5es foram formalmente testadas quanto \u00e0 sua efic\u00e1cia na melhoria\nda reprodutibilidade da ci\u00eancia, realizamos uma revis\u00e3o explorat\u00f3ria da\nliteratura.<\/span><\/p>\n

\n<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tBibliografia<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Amrhein, V., & Greenland, S. (2018). Remove, rather than redefine, statistical significance. Nature Human Behaviour, 2<\/em>(1), 4-4. doi:10.1038\/s41562-017-0224-0<\/p>

Amrhein, V., Greenland, S., & McShane, B. (2019). Retire statistical significance.\u00a0Nature, 567<\/em>(7748), 305-307. doi:10.1038\/d41586-019-00857-9<\/p>

Benjamin, D. J., Berger, J. O., Johannesson, M., Nosek, B. A., Wagenmakers, E. J., Berk, R., . . . Johnson, V. E. (2018). Redefine statistical significance.\u00a0Nature Human Behaviour, 2<\/em>(1), 6-10. doi:10.1038\/s41562-017-0189-z<\/p>

Fidler, F., Thomason, N., Cumming, G., Finch, S., & Leeman, J. (2004). Editors can lead researchers to confidence intervals, but can\u2019t make them think \u2013 Statistical reform lessons from medicine.\u00a0Psychological Science, 15<\/em>(2), 119-126. doi:10.1111\/j.0963-7214.2004.01502008.x<\/p>

Ioannidis, J. P. A. (2005). Why most published research findings are false.\u00a0Plos Medicine, 2<\/em>(8), 696-701. doi:10.1371\/journal.pmed.0020124<\/p>

Lakens, D., Adolfi, F. G., Albers, C. J., Anvari, F., Apps, M. A. J., Argamon, S. E., . . . Zwaan, R. A. (2018). Justify your alpha.\u00a0Nature Human Behaviour, 2<\/em>(3), 168-171. doi:10.1038\/s41562-018-0311-x<\/p>

Lazic, S. E. (2016)\u00a0Experimental Design for Laboratory Biologists<\/em>. Cambridge; [United Kingdom]: Cambridge University Press.<\/p>

Leek, J. (2017). Five ways to fix statistics.\u00a0Nature, 551<\/em>(7682), 557-+.<\/p>

Montgomery, D. C. (2009).\u00a0Design and analysis of experiments<\/em>\u00a0(7th ed. ed.). Hoboken, N.J.: Wiley.<\/p>

Munafo, M. R., Nosek, B. A., Bishop, D. V. M., Button, K. S., Chambers, C. D., du Sert, N. P., . . . Ioannidis, J. P. A. (2017). A manifesto for reproducible science.\u00a0Nature Human Behaviour, 1<\/em>(1), 9. doi:10.1038\/s41562-016-0021<\/p>

Nagy, G. A., Fang, C. M., Hish, A. J., Kelly, L., Nicchitta, C. V., Dzirasa, K., & Rosenthal, M. Z. (2019). Burnout and Mental Health Problems in Biomedical Doctoral Students.\u00a0Cbe-Life Sciences Education, 18<\/em>(2), 14. doi:10.1187\/cbe.18-09-0198<\/p>

Oehlert, G. W. (2000).\u00a0A first course in design and analysis of experiments<\/em>. New York ; [United Kingdom]: W.H. Freeman.<\/p>

Pashler, H., & Harris, C. R. (2012). Is the Replicability Crisis Overblown? Three Arguments Examined.\u00a0Perspectives on Psychological Science, 7<\/em>(6), 531-536. doi:10.1177\/1745691612463401<\/p>

Wilson, S. L. et al. (2021). Sharing biological data: why, when, and how,\u00a0FEBS Letters<\/em>\u00a0595,\u00a0<\/span>847\u2013863 (https:\/\/febs.onlinelibrary.wiley.com\/doi\/full\/10.1002\/1873-3468.14067)<\/p>

Smaldino, P. E., & McElreath, R. (2016). The natural selection of bad science.\u00a0Royal Society Open Science, 3<\/em>(9), 17. doi:10.1098\/rsos.160384<\/p>

Wasserstein, R. L., Schirm, A. L., & Lazar, N. A. (2019). Moving to a World Beyond \u201cp < 0.05\u201d.\u00a0American Statistician, 73<\/em>, 1-19. doi:10.1080\/00031305.2019.1583913<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tV\u00eddeos<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

Estimation Statistics and Statistical Power (Neuronline)<\/a>
Do You Really Want to Test a Hypothesis? (Daniel Lakens)<\/a>
What is a p-value? (Daniel Lakens)<\/a>
The British Psychological Society \u2013 Replicability Event (Eric-Jan Wagenmakers)<\/a>
A New 5-Minute Video Introducin JASP (Eric-Jan Wagenmakers)<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t

\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\tLinks<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

M\u00e9todos alternativos ao uso de animais em pesquisa reconhecidos no Brasil<\/a><\/p>

The UK Reproducibility Network (UKRN)<\/a><\/p>

ReproducibiliTea<\/a><\/p>

ReproducibiliTea Brasil<\/span><\/a><\/p><\/div>

Center for Open Science<\/a><\/p>

ARRIVE guidelines (Animal Research: Reporting of\u00a0In Vivo<\/em>\u00a0Experiments)<\/a><\/p>

National Centre for Replacement Refinement and Reduction of Animals in Research<\/a><\/p><\/div><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Conte\u00fados Acompanhe conte\u00fados sobre planejamento experimental, an\u00e1lise estat\u00edstica e reprodutibilidade na ci\u00eancia sugeridos pelo NEPER.\u00a0Sugest\u00f5es de refer\u00eancias relevantes que venham a se juntar a essa lista ser\u00e3o muito bem-vindas! \u00a0 Arigos sobre Reprodutibilidade A cultura do “publique ou pere\u00e7a” \u00e9 culpada pela crise de reprodutibilidade Nature,: 20 January 2025 https:\/\/www.nature.com\/articles\/d41586-024-04253-w A chamada cultura do \u201cpublique…<\/p>\n","protected":false},"author":22663,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":"","_links_to":"","_links_to_target":""},"class_list":["post-1252","page","type-page","status-publish","hentry","post"],"_links":{"self":[{"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/pages\/1252","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/users\/22663"}],"replies":[{"embeddable":true,"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/comments?post=1252"}],"version-history":[{"count":4,"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/pages\/1252\/revisions"}],"predecessor-version":[{"id":1615,"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/pages\/1252\/revisions\/1615"}],"wp:attachment":[{"href":"https:\/\/sites.usp.br\/neper\/wp-json\/wp\/v2\/media?parent=1252"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}