Blog do ferdy — extração de dados de artigos científicos para revisão sistemática Entrar no ferdy
ferdyblog

Tenho 80 PDFs de artigos. E agora?

A busca terminou, a triagem terminou, e agora existe uma pasta no seu computador com oitenta PDFs. Todos relevantes, todos lidos pela metade, e a planilha de extração continua com uma linha preenchida — a do primeiro artigo, feita com entusiasmo há três semanas.

Este é o ponto em que a maioria das revisões empaca. Não é falta de método nem de disciplina: é que a etapa seguinte é longa, repetitiva e não parece progresso.

Por que trava exatamente aqui

As etapas anteriores dão retorno rápido. Buscar traz resultado na hora; triar reduz a pilha e isso é visível. Extrair é o contrário: cada artigo consome de 20 a 40 minutos e o avanço é de um oitenta avos.

Em oitenta artigos, são 27 a 53 horas. Uma semana e meia de trabalho integral, ou dois meses de quem consegue dedicar duas horas por dia. E é trabalho de transcrição: localizar a amostra, copiar, colar na coluna certa, voltar ao PDF, procurar o instrumento, copiar, colar.

Pior: é trabalho em que o erro não aparece. Uma amostra transcrita na linha errada não dá mensagem nenhuma — só sustenta uma conclusão falsa que ninguém mais vai conferir.

Antes de abrir o primeiro PDF: defina as colunas

O erro mais caro desta etapa é começar a extrair sem saber exatamente o que extrair. Você preenche trinta artigos, percebe que precisava de uma coluna a mais, e volta aos trinta.

Defina os campos antes, por escrito, com o formato de cada um. Não basta “amostra” — escreva “número de participantes analisados, apenas o numeral; se houver perdas, use o n final”. Não basta “ano” — escreva “ano de publicação, quatro dígitos; se houver versão online antecipada, use o ano do fascículo”.

Parece exagero e não é: essa precisão é o que faz as oitenta linhas serem comparáveis entre si. Uma coluna preenchida de três jeitos diferentes não serve para nada depois.

Teste em cinco artigos que você já leu

Antes de encarar os oitenta, extraia cinco que você conhece bem e confira linha por linha. É aqui que se descobre que a coluna “desfecho” está ambígua, que faltou uma para o país do estudo, que “instrumento” às vezes tem dois.

Ajustar a definição nesse ponto custa dez minutos. Descobrir no artigo sessenta custa a tarde inteira.

O que dá para automatizar e o que não dá

Vale separar com honestidade.

Dá para automatizar a localização e a transcrição: achar no texto o que você pediu e colocar na coluna certa, com o formato que você definiu, igual em todos os artigos.

Não dá para automatizar o critério — o que entra na revisão, o que cada achado significa, se dois estudos medem a mesma coisa com nomes diferentes. Isso é leitura, e leitura é o trabalho.

Também não se automatiza a conferência. Qualquer extração automática precisa ser verificada, e por isso vale pedir, numa das colunas, a frase do artigo que sustenta o dado — assim a conferência é olhar a frase ao lado do número, não reabrir o PDF.

Como fica com os oitenta PDFs

No ferdy o caminho é: você escreve as colunas uma vez, com a instrução de cada uma, arrasta os oitenta arquivos e recebe a tabela — um artigo por linha, pronta para exportar em Excel ou CSV.

Três coisas que costumam ser perguntadas:

  • PDF digitalizado não funciona. Arquivo que é imagem, sem camada de texto, não é lido — passe um OCR antes. Ele aparece como ilegível e não é cobrado.
  • Falha não custa nada. Só se paga pelo artigo que vira linha; erro de leitura, arquivo corrompido ou serviço indisponível não consomem crédito.
  • Os dados são seus. O PDF não fica armazenado — é usado no processamento e apagado em seguida. O que permanece é a tabela, que você exporta e exclui quando quiser.

Se a sua revisão é sistemática, a extração é a etapa 6 de oito — e as outras sete estão descritas em revisão sistemática passo a passo. Se você ainda está montando as colunas, vale ler antes como escolher as colunas da sua tabela: é a decisão que determina se as oitenta linhas vão servir.