Referências e Citações

Propósito

Automatizar ao máximo o trabalho de gestão de referências — a tarefa que o autor mais detesta fazer manualmente. Cobrir desde a inserção inline até a geração da lista final formatada, incluindo verificação de integridade.

1. Estilos de citação suportados

• •Vancouver (ICMJE): Padrão para publicações médicas. Numeração sequencial [1], [2], etc.
• •ABNT: Padrão brasileiro. Autor-data (Sobrenome, Ano).
• •APA: Padrão em ciências sociais. Autor-data (Sobrenome, ano).
• •Outros conforme demanda do projeto.

Cada projeto define seu estilo no respectivo SKILL.md. Sempre verificar antes de inserir referências.

2. Inserção e formatação

Inserção inline

• •Vancouver: numeração sequencial conforme ordem de aparição no texto
• •ABNT/APA: formato autor-data

Lista de referências

• •Formatar conforme estilo definido no projeto
• •Periódicos, livros, Internet e legislação têm formatos distintos (consultar Manual do projeto)

Verificação de consistência

• •Toda referência citada no texto deve constar da lista final
• •Toda referência da lista deve estar citada no texto
• •Numeração sequencial sem lacunas (Vancouver)

3. Verificação e monitoramento de referências

Esta seção é operacional — usar como checklist ao inserir referências e ao auditar referências existentes.

3.1 Checklist por referência (executar ao inserir cada nova referência)

Antes de inserir qualquer referência no texto canônico, verificar:

3.2 Cuidados especiais com referências de IA

Referências sugeridas por modelos de linguagem (Perplexity, scite.ai, ChatGPT, Claude) DEVEM ser verificadas individualmente antes de inserção no texto. Riscos conhecidos e documentados:

• •Autores fabricados — nomes plausíveis mas inexistentes no periódico citado (caso Aldoseri et al. [7], Cap. 16)
• •Metadados misturados — título de um artigo combinado com volume/páginas de outro
• •DOIs inventados — DOIs com formato correto mas que retornam 404
• •Periódicos errados — artigo atribuído ao periódico errado
• •Dados quantitativos sem fonte — números específicos sem URL (ChatGPT: "HC-SP reduziu 40% tempo de auditoria" — inverificável)
• •Refs off-topic — scite.ai gerou 45,8% de refs off-topic sobre resíduos hospitalares e geriatria para um capítulo sobre Big Data/IA em gestão

Protocolo obrigatório para referências de IA:

1. •Verificar existência do artigo via DOI ou busca no site do periódico
2. •Conferir autores, título, volume, páginas e ano na fonte primária
3. •Para dados quantitativos específicos: localizar o número na fonte — não confiar que está lá
4. •Se qualquer dado não conferir, descartar e buscar a referência correta manualmente
5. •Documentar no notas_pesquisa.md que a referência foi verificada

Avaliação empírica das ferramentas (auditoria de 288 refs / 5 ferramentas, 2026-02-18):

→ Relatório completo: ~/escrita/Livro Editora Atheneu/relatorio-audit-deep-research.md → Pipeline recomendado: ~/escrita/skills/revisao-literatura/SKILL.md

3.3 Protocolo de prevenção (integrado ao workflow de escrita)

Ao pesquisar (etapa 1 do workflow):

• •Registrar em notas_pesquisa.md: URL de acesso, DOI (quando aplicável), data de verificação
• •Para periódicos: anotar DOI sempre que disponível (DOIs raramente quebram)
• •Para sites institucionais: anotar URL completa + capturar texto relevante (sites governamentais mudam URLs frequentemente)

Ao inserir referência no texto (etapa 3 do workflow):

• •Executar checklist 3.1 completo
• •Incluir URL ou DOI mesmo para artigos de periódico (facilita verificação futura)
• •Para legislação: separar referência legal (decreto/portaria) de dados quantitativos (relatórios operacionais)

Ao finalizar seção (entre etapas 3 e 4 do workflow):

• •Verificar consistência: todas as referências citadas estão na lista?
• •Verificar numeração sequencial (Vancouver)
• •Rodar checklist 3.1 para referências que foram inseridas sem verificação completa

3.4 Monitoramento periódico

Antes de submeter o capítulo/artigo final:

• •Re-verificar todos os links (URLs podem quebrar em semanas)
• •Priorizar DOIs como âncora estável (DOIs > URLs de sites)
• •Para URLs governamentais (DATASUS, ANS, Planalto): verificar com atenção redobrada

Classificação de risco de link rot:

Evidência empírica (auditoria Cap. 16, 2026-02-18): dos 217 links verificados, 71,4% acessíveis, 8,8% bloqueados por bot (não implica inexistência), 0,9% 404, 3,7% timeout. URLs de download de PDF foram as únicas 404 reais (2 casos).

4. Verificação de claims (afirmações vs. referências)

Status: Operacional (Camada 1 automatizada + Camada 2 interativa)

O que é

Sistema que verifica se as afirmações no texto são realmente suportadas pelas referências citadas. Motivado pela descoberta de que 9/30 referências do Cap. 16 tinham autores fabricados — se metadados estavam errados, dados citados podem estar igualmente fabricados.

Tipos de verificação

Uso

# Camada 1 — verificação automatizada
source .venv/bin/activate
python -m tools verify-claims "Projeto/capitulo.md" --project "Projeto"

# Camada 2 — revisão interativa via skill
/verify-claims "Projeto/capitulo.md" --project "Projeto"

Outputs

• •<arquivo>.claims-report.md — relatório legível com claims agrupados por risco
• •<arquivo>.claims-data.json — dados estruturados para atualização pela Camada 2

Detalhes técnicos

• •Hierarquia de resolução: pipeline/refs → PMC full text → PubMed abstract → CrossRef abstract
• •Cache em .refs-cache.json (reutilizado entre execuções)
• •Variantes numéricas PT↔EN (vírgula decimal, mil/billion, moeda)
• •Detecção de erros matemáticos (valores absolutos + percentagem derivada)
• •Skill interativa: ~/escrita/skills/pesquisa-academica/verify-claims.md

4.5 Facts Registry (camada preventiva)

Status: Operacional

Relação entre as camadas

facts-crosscheck: ponte entre as camadas

O facts-crosscheck conecta as duas camadas:

python -m tools facts-crosscheck "Projeto"

Cruza os dados quantitativos do .claims-data.json (output do verify-claims) com o .facts-registry.json. Identifica dados usados no texto que NÃO foram registrados previamente no Facts Registry.

Quando usar cada ferramenta

Referência

Skill completa: ~/escrita/skills/pesquisa-academica/extract-facts.md

5. Formato de armazenamento — .bib + Pandoc

Decisão (2026-02-18)

O formato de armazenamento é .bib (BibTeX), gerado automaticamente pelo pipeline como subproduto da verificação via CrossRef.

Abordagem em camadas (não excludentes):

Geração de .bib

O pipeline gera refs.bib automaticamente na etapa 9 (s09_synthesize.py). Cada referência verificada contém metadados completos (título, autores, ano, DOI, journal, volume, issue, páginas) obtidos do CrossRef.

# Gerar .bib do projeto
python -m tools export "Projeto" --format bib
# Output: ~/escrita/Projeto/pipeline/refs.bib

Uso com Pandoc + CSL

Para converter Markdown com citações para Word/PDF com referências formatadas:

# Vancouver (padrão médico)
pandoc capitulo16.md --citeproc --bibliography pipeline/refs.bib \
  --csl vancouver.csl -o capitulo16.docx

# ABNT
pandoc artigo.md --citeproc --bibliography pipeline/refs.bib \
  --csl abnt.csl -o artigo.docx

CSL files: baixar de https://www.zotero.org/styles

Verificação automatizada

O pipeline inclui verificação na etapa 10 (s10_validate.py):

• •Re-verificar DOIs e URLs das referências finais
• •Checar consistência das grades
• •Relatório de problemas encontrados

python -m tools run "Projeto" --from-stage 10

6. Experiência acumulada

Caso Atheneu (Capítulo 16, 2025-2026)

• •Estilo: Vancouver adaptado ao Manual do Autor Atheneu
• •Referências incluem: artigos de periódico, relatórios de consultorias, legislação brasileira, sites institucionais
• •Formato registrado no SKILL.md do projeto
• •Auditoria realizada em 2026-02-18: 10 referências verificadas. Achados principais:
  • •1 referência inválida (possível alucinação de IA) — removida/substituída
  • •1 URL quebrada (site governamental) — corrigida
  • •1 dado sem fonte adequada ("80% não estruturados") — fonte complementar adicionada
  • •Relatório completo: ~/escrita/Livro Editora Atheneu/relatorio-auditoria-referencias.md
• •Lição aprendida: Referências de modelos de linguagem devem ser verificadas individualmente. O Deep Research do scite.ai produziu referências tangenciais de baixa utilidade.