Social and Learning Technologies Research Group
Social and Learning Technologies
Research Group

Chat and Search

A busca por informação está em plena mudança, bem diante dos nossos olhos. Com a ascensão dos modelos de linguagem generativa, como o ChatGPT, a interação entre pessoas e sistemas digitais deixou de se restringir a comandos e palavras-chave. Hoje, já é possível buscarmos por meio de conversas em que as perguntas evoluem, as respostas se ajustam e o próprio conhecimento se constrói em tempo real.

Chamamos esse novo modo de interação de Chat and Search (ou Chat & Search – C&S) (Tibau et al., 2024): um processo híbrido que combina o diálogo (chat) com a busca (search), transformando o ato de procurar informação em uma experiência de construção de sentido compartilhada entre humano e IA (Inteligência Artificial). Nesse sentido, o processo C&S propõe uma visão dialógica da recuperação da informação, onde a busca deixa de ser uma transação isolada e se torna uma interação contínua, com o raciocínio e a interpretação caminhando juntos.

Historicamente, sistemas de busca dependiam da capacidade do usuário de traduzir sua dúvida em uma query precisa. Cada erro de formulação gerava uma nova tentativa, muitas vezes em um ciclo técnico e exaustivo. No Chat and Search, esse modelo se transforma e a busca deixa de ser um processo de tentativa e erro e passa a ser um diálogo contínuo, no qual cada troca contribui para esclarecer intenções, reformular hipóteses e refinar o foco informacional.

Dessa forma, as fronteiras entre “buscar”, “ler” e “aprender” tornam-se mais porosas. Em vez de navegar por uma lista de resultados, o usuário constrói conhecimento conversando, avaliando e ajustando a direção da busca de uma maneira mais próxima do pensamento humano do que da lógica algorítmica.

O processo Chat and Search

Esse processo é composto por quatro momentos principais, que se repetem em espiral (Figura 1):

Figura 1: Processo Chat and Search

No primeiro momento, Prompting, o usuário expressa sua intenção ou dúvida; em seguida, Responding, o sistema interpreta e gera uma resposta informacional; para então em Evaluating, o usuário analisar criticamente, validar e contextualizar o que recebeu de resposta; por fim, no momento Refining, a pergunta é reformulada, dando início a um novo ciclo de exploração. Cada iteração amplia a compreensão do usuário e gera novas oportunidades de aprendizagem, redefinindo o papel do sistema como um parceiro cognitivo que fornece respostas e atua ativamente na identificação da necessidade informacional, colaborando na modelagem do conhecimento e na evolução das ideias. Parte do “trabalho” do agente conversacional consiste exatamente em ajudar o usuário a explicitar sua real necessidade, acompanhando o impacto das informações coletadas na definição do problema e auxiliando-o a formular prompts mais claros ao longo da interação.

Além disso, o sistema deve ser capaz de identificar mudanças no estado de conhecimento do usuário (TIBAU et al., 2024). Isso pode ocorrer pela análise do comportamento durante a conversa (por exemplo, reformulações, hesitações, ou solicitações de confirmação) ou pela coleta de pistas sobre como o usuário utiliza as fontes encontradas para construir sua compreensão. Por fim, nas buscas mediadas por múltiplos turnos, os resultados de busca devem orientar as respostas do agente conversacional. Como propõem Radlinski e Craswell (2017), para satisfazer a necessidade de informação do usuário, a IA deve interagir com um conjunto de resultados para gerar uma resposta única e contextualizada. Esse aspecto exige que o agente seja capaz de decidir quando assumir ou devolver o controle da conversação (movimento que ocorre por meio de comandos, perguntas e afirmações), de modo a equilibrar a iniciativa entre humano e sistema. Essa alternância dinâmica depende da capacidade do usuário de avaliar os prompts e as respostas, assim como da habilidade da IA em selecionar e sintetizar subconjuntos relevantes do espaço de resultados, compondo uma resposta coerente e situada.

Linhas de pesquisa relacionadas

1) Dimensões Cognitivas e Educacionais: Explora o Chat and Search como parte da agenda de Searching as Learning, investigando métricas, estratégias metacognitivas e aprendizagem autorregulada.

Referências: Vakkari (2016); Rieh et al. (2016); Urgo et al. (2025); Yu & Liu (2025).

2) Design Cognitivo e Engenharia de Prompts: Analisa o papel do prompt como nova forma de formulação de busca, aproximando-se de táticas clássicas de Information Retrieval (Bates, 1979) e explorando o design de interfaces que apoiem o raciocínio crítico, a transparência e o controle do usuário.

Referências: Tibau et al. (2024).

3)Epistemologia e Ética da Busca Conversacional: Investiga a confiança, a autoria e a mediação epistêmica na era dos sistemas generativos. Como preservar a autonomia cognitiva quando a resposta vem mediada por uma IA que interpreta, resume e recontextualiza o mundo informacional?

Referências: Schneider (2025).

4) Futuros Sociotécnicos da Busca: Reflete sobre o impacto cultural e institucional do Chat and Search, como o desaparecimento das páginas de resultados, o surgimento da conversa informacional contínua e o papel da mediação humana no futuro da informação, da ciência e da educação.

Referências: Agrawal (2025).

As interseções entre os quatro eixos (Figura 2) representam zonas de investigação em que diferentes perspectivas se encontram, revelando tensões e oportunidades para a pesquisa. Cada sobreposição define problemas centrais, perguntas orientadoras ou focos de atuação desenvolvidos no âmbito do SALT.

Figura 2: Mapa conceitual das interseções do processo Chat and Search

  • A ∩ B (Cognição × Design)
    Problema: como o design do prompt e da interface aciona processos metacognitivos?
    Pergunta: quais scaffolds promovem o ganho de conhecimento sem gerar dependência (“spoon-feeding”¹)?

  • A ∩ C (Cognição × Epistemologia)
    Problema: como medir o ganho de conhecimento (DKG – Degree of Knowledge Gain) em conjunto com a vigilância epistêmica?
    Pergunta: quais sinais conversacionais indicam checagem independente por parte do usuário?

  • B ∩ C (Design × Epistemologia)
    Problema: como oferecer transparência sem sobrecarga cognitiva?
    Pergunta: que indicadores (confiança, viés, dificuldade) melhor calibram a percepção de confiabilidade?

  • B ∩ D (Design × Sociotécnico)
    Problema: transição da interface de resultados para a orquestração conversacional institucional.
    Pergunta: que políticas e controles são adequados para agentes em bibliotecas, universidades e cursos?

  • A ∩ D (Cognição × Sociotécnico)
    Problema: compreender os efeitos de longo prazo do Chat and Search na aprendizagem.
    Pergunta: o processo melhora a autonomia cognitiva? Em quais públicos e contextos?

  • C ∩ D (Epistemologia × Sociotécnico)
    Problema: o papel da mediação humana em ecossistemas conversacionais mediados por IA.
    Pergunta: quais papéis se transformam ou ressurgem (como os de especialistas e curadores)?

  • A ∩ B ∩ C (Cognição × Design × Epistemologia)
    Foco: desenvolvimento de métricas compostas que combinem DKG, sinais de verificação e diversidade de perspectivas.

  • A ∩ B ∩ D / B ∩ C ∩ D (Interseções com Futuro)
    Foco: pilotos institucionais em instituições (como empresas, universidades e bibliotecas), com interfaces explicáveis, logs anonimizados e indicadores de aprendizagem e uso responsável.

¹ O termo “spoon-feeding” significa dar a alguém tanta ajuda ou informação que a pessoa não tem oportunidade de agir ou pensar de forma independente.

Referências Gerais

BATES, M. J. Information search tactics. Journal of the American Society for Information Science, v. 30, n. 4, p. 205–214, 1979.

RIEH, S. Y.; COLLINS-THOMPSON, K.; HANSEN, P.; LEE, H.-J. Towards searching as a learning process: A review of current perspectives and future directions. Journal of Information Science, v. 42, n. 1, p. 19–34, 2016.

VAKKARI, P. Searching as learning: A systematization based on literature. Journal of Information Science, v. 42, n. 1, p. 7–18, 2016.

RADLINSKI, F.; CRASWELL, N. A theoretical framework for conversational search. Proceedings of the 2017 Conference on Conference Human Information Interaction and Retrieval (CHIIR), p. 117–126, 2017. 

TIBAU, M.; SIQUEIRA, S. W. M.; NUNES, B. P. ChatGPT for chatting and searching: repurposing search behavior. Library & Information Science Research, v. 46, n. 4, e101331, 2024.YU, R.; LIU, J. Chat as Learning in Interactive Information Retrieval and Generation. ACM SIGIR Forum, v. 59, n. 1, 2025.

URGO, K.; ARGUELLO, J. et al. Search as learning. Foundations and Trends in Information Retrieval, v. 19, n. 4, p. 365–556, 2025.

SCHNEIDER, S. Chatbot Epistemology. Social Epistemology, v. 39, n. 3, p. 1–17, 2025. 

AGRAWAL, K. The Future of AI in Digital Search: Towards a Fully Conversational Experience. Journal of Computer Science and Technology Studies, v. 7, n. 4, p. 298–306, 2025. 

Publicações sobre Chat and Search

Publicações sobre Searching as Learning