Ética na ciência não é sobre comitês, é sobre o que acontece depois
A maioria dos pesquisadores que eu conheço pensa em ética científica como um formulário para preencher antes de começar qualquer projeto. Isso é ingênuo. O problema real começa quando os dados já estão coletados, os revisores já votaram e ainda restam decisões que o formulário não cobre. Eu lido com isso desde 2008. A primeira vez que vi um comitê de ética cair, foi porque um pesquisador pubblicou um conjunto de dados anonimizados sem ter validado a reidentificação. Três variáveis aparentemente inócuas, um artigo em revista internacional, e dois processos administrativos paralelos. O comitê nunca mais exigiu declaração de conformidade padrão — agora eles querem prova de que a anonimização foi testada.
Entre os diversos problemas éticos que advém da atividade científica
Quando a gente fala sério sobre isso, os problemas se dividem em três camadas que a literatura raramente organiza assim, mas que na prática aparecem juntas todo santo dia. Camada um: integridade dos dados. Isso inclui fabricação, falsificação e má conduta analítica. O ponto que ninguém conta é que a má conduta analítica é a mais comum e a mais difícil de detectar. P-valuing, seleção de modelos pós-hoc, exclusão de outliers sem justificativa — tudo isso existe em uma zona cinzenta onde muitos pesquisadores vão sem nem perceber. Um colega meu descobriu que seu modelo de regressão logística tinha removido 47 amostras "por falta de convergência", mas os 47 casos eram exatamente aqueles que contradiziam a hipótese dele. Ele não sabia que estava fazendo isso. O relatório do comitê chamou de negligência grave. Ele ficou furioso.
Camada dois: relação com participantes e sujeitos. Consentimento informado, privacidade, justiça na seleção de populações. O detalhe prático que todo mundo esquece: consentimento não é um documento, é um processo contínuo. Eu já vi pesquisa com populações vulneráveis em que o consentimento foi assinado numa única sessão, sem explicação do direito de desistir sem penalidade. Isso acontece com frequência em comunidades rurais e periféricas, onde a autoridade do pesquisador é automaticamente percebida como intocável. A regra de ouro aqui é simples e raramente aplicada: o participante pode sair a qualquer momento, e isso precisa estar escrito no protocolo antes da coleta começar, não depois. Camada três: responsabilidade social e ambiental. Pesquisa que gera dano ambiental, dados que são usados para fins militares ou de vigilância, técnicas que abrem caminho para aplicações que o pesquisador original jamais apoiaria. Esse é o campo mais controverso e o menos regulado. O problema é que a maioria dos códigos de ética ainda trata isso como uma cláusula final, quando na verdade deveria ser parte da avaliação de risco no início do projeto.
Como lidar com isso no dia a dia
Vou ser direto, porque já perdi tempo demais com teoria que não ajuda na hora de escrever um protocolo ou revisar um artigo. Primeiro, documente tudo desde o início. Não é burocracia. É a única coisa que te protege quando alguém questiona uma decisão metodológica três anos depois. Eu mantenho um registro de auditoria simples: DataHQ, ou até mesmo um repositório versionado com commits claros em cada etapa de análise. Quando precisei refazer uma análise de coorte inteira porque um participante revelou sua identidade nas variáveis demográficas, o registro me permitiu reconstruir o que havia sido excluído e propor a correção em menos de duas semanas.
Segundo, use verificação dupla em cada etapa crítica. Não precisa ser duas pessoas diferentes necessariamente, mas pelo menos um escrutínio independente dos dados brutos antes de qualquer transformação. Dois colegas meus fizeram isso automaticamente depois que um artigo conjunto foi retratado porque um script de limpeza tinha transformado valores ausentes em zeros. O erro foi técnico, a consequência foi ética. Eles hoje passam todas as análises por um par cego antes de submeter qualquer coisa. Terceiro, planeje a reidentificação antes de coletar. Isso é específico demais para a maioria dos protocolos. Se você trabalha com dados de saúde, geolocalização, ou qualquer coisa que combine variáveis pessoais com dados ambientais ou comportamentais, faça um teste de reidentificação com pelo menos três variáveis cruzadas. Eu costumo usar uma abordagem baseada em k-anonimidade com pelo menos k=5 para qualquer conjunto que seja compartilhado publicamente. Isso não garante segurança absoluta, mas reduz drasticamente o risco de identificação acidental. Um estudo de que participamos em 2019 quase foi cancelado por esse motivo. A equipe de análise resolveu rodando um script de generalização de faixas etárias e codificação de profissões antes de liberar os dados. Levou quatro horas. Salvou o projeto.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Quarto, não confie em código de ética genérico. Cada área tem particularidades. Pesquisa qualitativa com comunidades indígenas exige protocolos diferentes de pesquisa quantitativa em laboratório. A resolução 466 do Conselho Nacional de Saúde no Brasil cobre bem a maior parte dos estudos biomédicos, mas deixa lacunas enormes para pesquisas sociais, computacionais e ambientais. Sempre inclua uma seção específica no seu protocolo explicando por que o código padrão se aplica — ou por que você está adotando medidas adicionais.
O que a maioria dos pesquisadores erra
Erros éticos raramente vêm de má intenção. Vêm de pressa, de falta de supervisão e de achar que regras existem para quem não tem disciplina. Os três mais comuns que eu vejo são: Ausência de plano de gestão de dados. Sem isso, a anonimização é sorte, não método. Você coleta, você analisa, você publica, e torce para que nada vaze. Eu já encontrei bases de dados publicadas com IDs que podiam ser cruzados com registros públicos em menos de quinze minutos. Isso acontece com frequência.
Uso de dados secundários sem reavaliação ética. Dados que foram coletados com consentimento para um fim específico podem não ser adequados para outro. O consentimento original não cobre automaticamente novos usos. A tendência é achar que sim, mas não é. Um grupo de pesquisa que acompanho usou dados de um cadastro público de saúde para um estudo de determinantes sociais e foi advertido porque o uso original dos dados não previa análise acadêmica. O comitê deles, que tinha aprovado o projeto inicial, não se pronunciou sobre o novo uso. Erro estrutural. Negligência com conflitos de interesse financeiros e institucionais. Isso não se resume a receber dinheiro de empresas. Inclui vínculos empregatícios, posições em conselhos, patentes pendentes, e mesmo expectativas de promoção ligadas aos resultados. Se há qualquer possibilidade de que o financiamento ou a carreira influenciem a interpretação, declare. A omissão é pior que o conflito em si.
Alternativas e limites dos métodos atuais
O sistema atual de comitês de ética é lento, inconsistente e muitas vezes desconectado da realidade da pesquisa moderna. Reuniões trimestrais, prazos de três meses para aprovação, e avaliadores que nem sempre têm formação técnica na área estudada. Para pesquisas computacionais e com grandes volumes de dados, isso é especialmente problemático. O comitê tradicional não tem ferramentas para avaliar riscos de privacidadade em datasets massivos, e o pesquisador que precisa de agilidade acaba improvisando soluções que não passam por nenhum escrutínio. Alguns grupos estão adotando modelos de revisão contínua, onde a ética é integrada ao pipeline de desenvolvimento em vez de ser uma etapa separada. Isso funciona bem em projetos de longo prazo, mas não é viável para pesquisa pontual ou com financiamento limitado. A alternativa prática que eu recomendo, se você está em uma instituição sem suporte estruturado, é buscar parcerias com grupos que já têm experiência consolidada em ética da sua área. Um colega meu que trabalha com inteligência artificial e viés algorítmico começou a usar uma checklist adaptada da OECD, que cobre os pontos mais críticos para pesquisa com dados sensíveis em, e passou a compartilhá-la com grupos menores da própria universidade. É informal, mas funciona melhor do que tentar navegar pela burocracia padrão sozinho.
O limite mais honesto que eu posso apontar: nenhum sistema de revisão atual consegue prevenir todos os problemas éticos. A ética na ciência é uma prática diária, não um carimbo. O melhor protocolo do mundo não substitui o julgamento consciente de quem conduz a pesquisa. Eu já vi comitês aprovarem projetos com falhas óbvias de proteção de dados, e já vi pesquisadores seguirem risca todos os passos formais e ainda assim causar dano. O diferencial sempre foi quem prestava atenção nos detalhes, não quem preenchia os formulários corretamente. Se você está começando um projeto agora, a recomendação mais útil que eu tenho é esta: antes de submeter qualquer coisa, escreva uma página descrevendo o pior cenário possível para sua pesquisa. O que pode dar errado? Quem pode ser prejudicado? Como você saberia que deu errado? A resposta honesta para essas perguntas vale mais do que qualquer certificado de aprovação.
