geração-de-hipóteses

Geração de Hipóteses Científicas

Transforme uma observação em um conjunto transparente de explicações candidatas e testes. Uma hipótese é uma proposta a ser desafiada, não um achado, fato, diagnóstico ou recomendação.

Limites Inegociáveis

Antes de usar material não publicado, sensível, controlado, pessoal, proprietário, sujeito a controle de exportação ou relevante para segurança:

1. Confirme a autorização e as políticas institucionais, de financiadores, editoras, uso de dados, privacidade e IA aplicáveis.
2. Mantenha o material local, a menos que um humano autorizado aprove explicitamente um destino externo nomeado e o escopo dos dados.
3. Minimize as entradas. Não coloque dados sensíveis ou não publicados em pesquisas na web ou sistemas de IA externos sem autorização.
4. Pare no portão apropriado de humanos, animais, biossegurança, uso duplo, governança de dados ou regulatório.

Nunca:

• apresente uma hipótese, mecanismo, efeito causal, citação ou padrão aparente como evidência estabelecida;
• reivindique novidade porque uma busca rápida não encontrou nada;
• infira causalidade de associação, ordem temporal isolada, precisão preditiva ou saída de modelo;
• forneça diagnóstico, tratamento, dose, prognóstico ou outro conselho clínico específico do paciente;
• forneça otimização experimental prejudicial ou detalhes operacionais para patógenos, toxinas, armas, evasão ou outro uso indevido;
• ignore a revisão do IRB/REC, IACUC, IBC, biossegurança, uso duplo, privacidade, legal ou regulatória;
• fabrique fontes, identificadores, cobertura de busca, dados, resultados, aprovações ou pré-registro;
• pontue, classifique, selecione, aceite ou rejeite automaticamente hipóteses científicas.

Se uma solicitação cruzar um portão de segurança, produza apenas uma nota de risco/supervisão de alto nível e encaminhe para a autoridade local qualificada. Não continue com detalhes operacionais.

Mantenha os Objetos Distintos

Objeto	Significado
Observação	O que foi medido, notado ou relatado, com proveniência e incerteza
Pergunta de pesquisa	A pergunta respondível que define o escopo
Hipótese	Uma proposição explicativa ou relacional candidata
Mecanismo	O processo proposto conectando condições a um resultado
Estimando causal	O contraste causal precisamente definido a ser estimado
Predição	Uma implicação observável derivada antes de verificar o resultado alvo
Explicação alternativa	Uma explicação rival, incluindo viés ou explicações não causais
Hipótese nula	Um modelo de nenhum efeito/nenhuma diferença especificado usado por uma análise
Controle negativo	Um controle que se espera não operar através do mecanismo proposto
Operacionalização	Como um construto se torna uma variável, medição, intervenção ou categoria
Plano de análise	Transformações, modelos, contrastes, incerteza e regras de decisão pré-especificados
Evidência	Observações ou fontes que afetam uma alegação; nunca a própria alegação

Não colapse esses rótulos. Uma história mecanicista não é uma predição; uma predição não é evidência; a rejeição de uma nula não prova um mecanismo; o suporte para um candidato não elimina rivais não considerados.

Fluxo de Trabalho

1. Execute o portão de escopo e segurança

Registre:

• proprietário humano responsável e uso pretendido;
• sensibilidade dos dados, autorização, retenção e processamento permitido;
• pessoas, animais, ecossistemas, comunidades ou interesses de segurança afetados;
• revisões de ética, viabilidade, biossegurança, uso duplo e regulatórias necessárias;
• bloqueios não resolvidos e conhecimento de domínio necessário.

Nenhuma aprovação de script é uma aprovação ética, de segurança, regulatória ou científica.

2. Congele a observação

Escreva a observação antes da interpretação:

• medição ou fonte;
• população, sistema, lugar e tempo;
• unidade de observação e unidade de análise;
• incerteza, dados faltantes, exclusões e pré-processamento;
• se o padrão era esperado, exploratório ou selecionado após ver os resultados.

Use "relatado", "observado" ou "associado", não linguagem causal, a menos que um design causal e estimando o justifiquem.

3. Enquadre a pergunta de pesquisa

Escolha um framework apenas quando se encaixar:

• PICO/PICOT para perguntas de intervenção/eficácia: população, intervenção, comparador, desfecho e opcionalmente tempo.
• PECO para perguntas de exposição.
• População–teste índice–padrão de referência–condição alvo para precisão diagnóstica.
• População–fator prognóstico–desfecho–tempo para prognóstico.
• Um quadro construto–contexto–desfecho específico do domínio para trabalhos qualitativos, descritivos, mecanicistas ou teóricos.

PICO não é um modelo universal. Defina partes interessadas, contexto, limites, viabilidade e qual resposta mudaria o conhecimento ou a prática. FINER é um mnemônico de refinamento de perguntas — Viável, Interessante, Nova, Ética, Relevante — não um sistema de pontuação. Trate "Novel" como não resolvido até que uma busca documentada, adequada ao propósito, e revisão especializada o apoiem.

4. Estabeleça um limite de evidências datado

Busque antes de fazer afirmações dependentes da literatura. Prefira pesquisas primárias, políticas oficiais, artigos de métodos primários, diretrizes de relato atuais e revisões sistemáticas usadas para orientação.

Registre:

• data e corte da busca;
• bancos de dados/índices, consultas, filtros e limite de triagem;
• tipos de fontes incluídos e excluídos;
• fontes apoiando, desafiando ou contextualizando cada afirmação;
• limitações conhecidas de acesso, idioma, banco de dados e tempo.

Uma busca pode estabelecer o que foi pesquisado, não a ausência universal. Diga "não localizado dentro do limite de busca documentado", nunca "nenhum trabalho anterior existe". Use assets/search_boundary_template.json, assets/evidence_ledger_template.csv e references/literature_search_strategies.md.

5. Gere rivais antes de escolher testes

Crie múltiplos candidatos de classes explicativas genuinamente diferentes quando plausível:

• mecanismo proposto;
• artefato de medição ou processamento;
• confusão ou causa comum;
• seleção ou atrito;
• condicionamento em um colisor;
• causalidade reversa;
• diferenças temporais, contextuais ou de condição de contorno;
• variação estocástica;
• mecanismos concorrentes em outra escala.

Gere um conjunto rival inicial independentemente antes da expansão assistida por IA para reduzir ancoragem e homogeneização. Não force um número fixo ou simetria falsa. Mantenha todo candidato rotulado como candidate.

O padrão de inferência forte de Platt motiva hipóteses alternativas e testes cruciais, mas alternativas falhas não tornam o sobrevivente verdadeiro. Alternativas desconhecidas, suposições auxiliares, erro de medição e mecanismos mistos permanecem possíveis.

6. Declare o tipo de alegação e o estimando

Classifique cada alvo como:

• descritivo;
• associacional;
• preditivo;
• causal;
• mecanicista.

Para um alvo causal, defina antes da análise:

• população ou sistema alvo;
• intervenção/exposição e comparador;
• desfecho e horizonte de tempo;
• resumo no nível da população;
• versões de tratamento e manuseio de eventos intercorrentes quando relevante;
• suposições de identificação e análogo de estudo alvo/design.

Documente riscos de confusão, seleção, colisor, medição e causalidade reversa separadamente. Uma estimativa causal observacional permanece dependente de suposições. Use references/causal_inference_and_claims.md.

7. Derive predições discriminantes

Para cada candidato:

1. Declare condições e condições de contorno.
2. Nomeie o observável e a medição.
3. Declare o padrão esperado e a incerteza.
4. Declare um resultado incompatível com o candidato sob suposições declaradas.
5. Compare o resultado esperado com pelo menos um rival.
6. Defina resultados indeterminados e o que seria aprendido com eles.

Prefira testes onde os rivais preveem resultados significativamente diferentes. Adicione controles positivos, processuais e negativos quando cientificamente apropriado. Um controle negativo deve ser incapaz de operar através do mecanismo alvo, enquanto compartilha vias de viés relevantes; não é um grupo não tratado decorativo.

Use assets/prediction_rival_matrix_template.csv e assets/falsification_controls_template.json.

8. Operacionalize e valide a medição

Para cada construto, registre:

• papel da variável e definição operacional;
• população/sistema, unidade, tempo e condições;
• instrumento/método, calibração, controle de qualidade e mascaramento;
• confiabilidade/repetibilidade;
• evidência de validade e aplicabilidade;
• dados faltantes, limites de detecção, transformações, pontos de corte e suas justificativas;
• invariância de medição ou comparabilidade entre grupos quando relevante;
• viés de medição e limitações previsíveis.

Não trate um proxy conveniente como o próprio construto. Valide com:

python3 scripts/check_operationalization.py local-operationalization.json

9. Combine design e análise com a alegação

Especifique:

• amostragem, unidade experimental, alocação, randomização, mascaramento e controles;
• regras de inclusão/exclusão e parada;
• justificativa de tamanho amostral, precisão ou informação baseada em suposições declaradas;
• desfechos, contrastes, estimandos, modelos, medidas de efeito e incerteza;
• manuseio de dados faltantes e eventos intercorrentes;
• multiplicidade entre desfechos, modelos, subgrupos, looks e hipóteses;
• suposições, diagnósticos, robustez e análises de sensibilidade;
• plano de replicação ou validação independente;
• o que é confirmatório versus exploratório.

Não use mínimos universais de tamanho amostral. Não interprete um valor p limiar como a probabilidade de uma hipótese ser verdadeira ou como importância do efeito. Veja references/experimental_design_patterns.md.

Para ensaios de intervenção, use as diretrizes atuais do protocolo SPIRIT 2025 e as diretrizes de relato CONSORT 2025 quando aplicável. Elas melhoram a completude; não certificam qualidade de design, ética ou conformidade regulatória.

10. Previna HARKing e exponha desvios

Antes de acessar os desfechos alvo, registre com timestamp a pergunta, candidatos, predições, desfechos, exclusões, transformações, análise, multiplicidade, plano de dados faltantes e regra de parada quando viável.

Depois:

• rotule ideias e análises dependentes dos dados como exploratórias;
• preserve e relate as análises planejadas;
• liste desvios com data, justificativa, quem decidiu e impacto esperado;
• nunca reescreva um padrão observado como uma predição a priori.

Pré-registro é um plano transparente, não uma proibição de adaptação. Registered Reports adicionam revisão por pares cega aos resultados e aceitação em princípio sob a política da revista. Veja references/preregistration_and_open_science.md.

11. Planeje replicação e atualização

Distinga:

• reprodutibilidade: resultados computacionais consistentes a partir dos mesmos dados/código/condições;
• replicabilidade: consistência entre estudos coletando novos dados para a mesma pergunta.

Preserve proveniência, versões, código, materiais e registros de decisão quando o compartilhamento for autorizado. Planeje replicação independente ou testes de transporte através de limites relevantes. Atualize o status do candidato quando evidências contrárias, nulas ou de replicação chegarem; não esconda resultados negativos.

12. Aplique responsabilidade humana

O humano responsável deve verificar:

• cada citação e link fonte-para-alegação;
• plausibilidade de domínio e validade de medição;
• suposições causais e design estatístico;
• ética, viabilidade, segurança, privacidade e status regulatório;
• todo texto, ideias e citações assistidas por IA;
• se é necessária expertise mais ampla ou contribuição da comunidade.

IA pode confabular citações, ancorar o raciocínio e homogeneizar conjuntos de candidatos. Registre o uso permitido de IA e influência material. Mantenha ideação humana independente e geração de rivais no processo.

Índice de Ferramentas Locais

Todos os CLIs são limitados, sem dependências, locais, determinísticos e não pontuam:

Tarefa	Ativo	Comando
Esquema de registro de hipótese	assets/hypothesis_record_template.json	python3 scripts/validate_hypothesis_schema.py record.json
Lista de verificação de medição	assets/operationalization_template.json	python3 scripts/check_operationalization.py checklist.json
Matriz de predição/rival	assets/prediction_rival_matrix_template.csv	python3 scripts/validate_prediction_matrix.py matrix.csv
Lint de linguagem de alegação	Markdown anotado	python3 scripts/lint_causal_claims.py draft.md
Falsificação/controles	assets/falsification_controls_template.json	python3 scripts/check_falsification_controls.py controls.json
Auditoria de evidência/fonte	assets/evidence_ledger_template.csv + assets/search_boundary_template.json	python3 scripts/audit_evidence_ledger.py ledger.csv boundary.json
Andaime de pré-registro	assets/preregistration_scaffold_template.md	python3 scripts/generate_preregistration_scaffold.py record.json -o preregistration.md

Códigos de saída são 0 para saída estruturalmente válida, 1 para validação concluída com erros e 2 para entrada malformada/insegura. Os relatórios validam declarações e consistência interna apenas; eles não verificam verdade científica ou selecionam uma hipótese. Esquemas completos estão em references/tool_reference.md.

Referências

• references/concepts_and_workflow.md — modelo de objeto, inferência forte, incerteza e ciclo de vida do candidato
• references/hypothesis_quality_criteria.md — critérios de revisão humana não pontuados
• references/literature_search_strategies.md — busca de evidências rastreável e limitada
• references/causal_inference_and_claims.md — estimandos e riscos de viés causal
• references/experimental_design_patterns.md — design, controles, medição, multiplicidade e replicação
• references/preregistration_and_open_science.md — pré-registro, Registered Reports, desvios e ciência aberta
• references/ethics_safety_and_ai.md — portões de supervisão, uso duplo, manuseio de dados e IA responsável
• references/tool_reference.md — esquemas CLI, limites e exemplos
• references/source_ledger.md — notas de fontes autoritativas datadas
• references/security_validation.md — achados de linha de base e registro de validação

O registro de fontes incluído é assets/source_ledger.csv, verificado até 2026-07-23. Reavalie políticas e orientações sensíveis ao tempo antes de uma data posterior ou jur...