Indexação com IA na biblioteca: fluxo em 4 passos

verified

Por Rafael Pessi · Edição e verificação

Atualizado em 6 de novembro de 2026 · Como este texto foi produzido

format_quote

Resposta direta

A IA ajuda a levantar os conceitos de um documento e a sugerir termos de indexação, mas quem decide o termo final é o bibliotecário, comparando cada sugestão com o vocabulário controlado da sua biblioteca.

O fluxo que funciona tem quatro passos: definir a exaustividade, gerar termos, organizá-los em facetas (PMEST) e validar no vocabulário oficial. A IA trabalha bem nos dois do meio. Os dois das pontas são decisões profissionais.

Envie à IA só os elementos pré-textuais da obra, nunca o documento inteiro.

account_tree Qual é o fluxo de indexação com IA?

A indexação de assunto segue a lógica que as normas já descrevem: analisar o documento, decidir o que é relevante e traduzir isso em termos de uma linguagem documentária. A norma brasileira para esse trabalho é a ABNT NBR 12676 (Métodos para análise de documentos: determinação de seus assuntos e seleção de termos de indexação). A IA entra como apoio em cada etapa, sem mudar a ordem do raciocínio.

No Curso IA para Bibliotecários, o fluxo é ensinado em quatro passos:

1
Filtro de exaustividade. Antes de pedir qualquer termo, o bibliotecário decide a profundidade: uma indexação sintética, com poucos termos para o assunto geral, ou detalhada, que cobre também os assuntos secundários. Essa escolha depende da política da biblioteca e não é da IA.
2
Geração de termos. A IA propõe termos principais, secundários, relacionados e termos livres, cada um com a justificativa de por que foi sugerido. É a etapa em que ela ganha mais tempo.
3
Estrutura facetada (PMEST). Os termos são distribuídos em facetas, o que mostra o que está faltando e evita uma lista solta de palavras.
4
Validação no vocabulário controlado. O bibliotecário confere cada termo contra o vocabulário oficial da biblioteca (tesauro, cabeçalhos de assunto, DeCS, entre outros) e decide o termo preferido. Termos livres que não existem no vocabulário continuam sendo livres até alguém decidir.

category O que é o PMEST e por que ele ajuda?

PMEST reúne as cinco facetas que o bibliotecário indiano S. R. Ranganathan propôs para analisar um assunto: Personalidade (o objeto central), Matéria (o material de que é feito), Energia (a ação ou o processo), Espaço (onde) e Tempo (quando). Nem todo documento tem as cinco. A vantagem prática é que a pergunta "o que falta?" fica visível.

Faceta	Pergunta que responde	No exemplo fictício
P Personalidade	De quem ou de que se trata?	Adultos não alfabetizados
M Matéria	De que material ou substância?	Não se aplica a este documento
E Energia	Que ação ou processo?	Alfabetização por rádio
S Espaço	Onde?	Sertão de Pernambuco
T Tempo	Quando?	1990 a 2000

Exemplo fictício, simplificado para ilustrar. A análise de facetas pode variar entre catalogadores, e é por isso que a revisão humana importa.

science O que os estudos já mostram?

A indexação automática não é novidade: ela existe há anos em bases de saúde. O que mudou é o acesso a modelos de linguagem de uso geral. Três fontes ajudam a calibrar a expectativa.

medical_services DeCS Finder IA (BIREME)

A BIREME, centro da Organização Pan-Americana da Saúde, mantém o DeCS (Descritores em Ciências da Saúde), vocabulário usado para indexar a literatura científica em saúde. O DeCS Finder IA sugere descritores a partir de artigos, resumos ou textos completos, segundo a metodologia de indexação da base LILACS, em um modelo semiautomático.

Num trabalho apresentado no SNBU 2025, a equipe da BIREME combinou o DeCS Finder IA com o Annif, ferramenta da Biblioteca Nacional da Finlândia. O melhor conjunto de modelos, avaliado em 324 documentos, chegou a cerca de 52% de precisão e de revocação. Os autores registram limitações e concluem que a atuação humana continua central na validação e no refinamento. Os números são da própria equipe que desenvolveu a ferramenta.

forum ChatGPT na indexação (UFMG)

Um relato de experiência da UFMG, apresentado no TOI2026, testou o ChatGPT em versão gratuita em quatro ambientes idênticos, com o vocabulário LCSH (Library of Congress Subject Headings). O modelo foi útil para identificar conceitos e sugerir termos, mas houve instabilidade nas respostas, uso inadequado de termos autorizados e termos que não existem no vocabulário controlado. Os autores recomendam mediação crítica.

compare ChatGPT, DeepSeek e Gemini (UFMG e IFMG)

Outro estudo do TOI2026 comparou ChatGPT Plus, DeepSeek e Gemini na indexação de recursos educacionais. Os termos gerados ficaram próximos das palavras-chave do autor e menos próximos dos descritores atribuídos por bibliotecários. Em outras palavras, os modelos se aproximam mais de uma indexação derivada do texto do que de uma indexação feita com a linguagem da biblioteca.

A leitura em conjunto: a IA acelera o levantamento de conceitos, mas o passo que depende do vocabulário da sua biblioteca é justamente o que ela erra com mais facilidade. Por isso o passo 4 do fluxo é do profissional.

fact_check Onde o bibliotecário precisa validar?

check_circle A IA faz bem

Levantar os conceitos presentes no título, no resumo e nas palavras-chave.
Separar termos principais, secundários e relacionados.
Explicar por que cada termo foi sugerido.
Organizar os termos em facetas e apontar o que falta.

rule O bibliotecário valida

Se o termo existe no vocabulário controlado e qual é o preferido.
Se a exaustividade escolhida foi respeitada.
Se há termo inventado ou usado fora do sentido autorizado.
O nível de confiança: a análise de poucos elementos gera sugestões menos seguras.

Um exemplo vindo da prática do curso: numa demonstração feita só com o sumário de uma obra, a própria ferramenta indicou confiança "média para alta", porque tinha visto pouco do documento. A maioria dos termos saiu como termos livres, e coube ao bibliotecário checar o termo preferido no vocabulário da biblioteca. Esse tipo de aviso é parte do controle de qualidade, não um detalhe.

lock O que enviar à IA nessa tarefa?

Apenas os elementos pré-textuais: título, resumo, palavras-chave e sumário. O documento completo fica de fora, por causa dos direitos autorais e dos dados de pesquisa que teses e dissertações costumam carregar. Trabalhos com sigilo ou embargo não devem ir a uma plataforma aberta. Os limites do que se pode enviar estão detalhados em O que bibliotecários podem e não podem enviar a um chatbot de IA.

menu_book Fontes citadas

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. ABNT NBR 12676:1992 – Métodos para análise de documentos: determinação de seus assuntos e seleção de termos de indexação. Rio de Janeiro: ABNT, 1992.
BIREME/OPAS/OMS. DeCS Finder AI optimizes indexing of health scientific texts. Boletim BIREME, 19 dez. 2024. Disponível em: boletin.bireme.org. Acesso em: 6 nov. 2026.
RIO-BRANCO, A. et al. Especialização de inteligência artificial para indexação automática em Ciências da Saúde: integração da ferramenta DeCS Finder IA com Annif. In: SNBU 2025. Disponível em: portal.febab.org.br. Acesso em: 6 nov. 2026.
PROCÓPIO, A. et al. Inteligência Artificial Generativa na indexação de objetos informacionais: uma experiência com o ChatGPT. In: TOI2026. Zenodo, 30 set. 2026. Disponível em: zenodo.org. Acesso em: 6 nov. 2026.
LIMA, A. et al. Large Language Models na indexação automática de recursos educacionais: análise comparativa entre linguagem autoral e representação bibliotecária. In: TOI2026. Zenodo. Disponível em: zenodo.org. Acesso em: 6 nov. 2026.
RANGANATHAN, S. R. Prolegomena to library classification. 3. ed. Bombay: Asia Publishing House, 1967.
BIREME. DeCS Finder IA. Disponível em: decsfinderia.bvsalud.org. Acesso em: 6 nov. 2026.

quiz Perguntas frequentes

A IA pode substituir o indexador na biblioteca?

Não. Os estudos e as próprias ferramentas descrevem a IA como apoio à indexação. O DeCS Finder IA, da BIREME, é apresentado como indexação semiautomática, e os pesquisadores que o desenvolveram afirmam que a atuação humana continua central na validação e no refinamento. Em testes com o ChatGPT, pesquisadores da UFMG observaram instabilidade e uso inadequado de termos autorizados, o que exige mediação crítica do profissional.

O que é o PMEST e para que serve na indexação?

PMEST é a sigla das cinco facetas propostas por S. R. Ranganathan: Personalidade, Matéria, Energia, Espaço e Tempo. Na indexação, ajuda a organizar os conceitos de um documento em categorias antes de buscá-los no vocabulário controlado. Nem todo documento tem as cinco facetas.

Posso enviar a obra inteira para a IA indexar?

Não é o recomendado. A regra ensinada no Curso IA para Bibliotecários é enviar apenas os elementos pré-textuais, como título, resumo, palavras-chave e sumário, e nunca o documento completo, por causa dos direitos autorais e de possíveis dados de pesquisa. Trabalhos sob sigilo ou embargo não devem ir a uma plataforma aberta.

fact_check Como este texto foi produzido

A pesquisa e a redação deste artigo contaram com apoio de inteligência artificial (Claude, da Anthropic). As fontes citadas foram localizadas e abertas para conferência.

A edição final, a checagem dos dados e a responsabilidade pelo que está publicado são de Rafael Pessi, jornalista. Aqui vale o mesmo critério que o artigo defende para a indexação: a IA sugere, uma pessoa confere e responde pelo resultado.

Entender o fluxo é o primeiro passo

No Curso IA para Bibliotecários da WeWiser, a indexação temática é trabalhada na prática, com a análise de obras reais. Este artigo mostra o fluxo e os limites; a skill de indexação completa e a prática guiada, com a validação no vocabulário da sua biblioteca, ficam para o programa.

Conhecer o Curso IA para Bibliotecários arrow_forward

Indexação com IA: da análise de assunto ao vocabulário controlado