INTELIGENCIA ARTIFICIAL Y ESCRITURA ACADÉMICA: ¿QUÉ NOS RESERVA EL ALGORITMO GPT-3?
ARTIFICIAL INTELLIGENCE IN ACADEMIC WRITING: WHAT IS IN STORE WITH THE GPT-3 ALGORITHM?
Mário André de Freitas FARIAS2 Allessandra Elisabeth dos SANTOS3 Jefferson do Carmo Andrade SANTOS4 Jamile Santos dos Santos Rodrigues DIAS5
1 Universidade Federal de Sergipe (UFS), São Cristóvão – SE – Brasil. Professor Associado do Departamento de Letras Estrangeiras e Professor Permanente do Programa de Pós-graduação em Educação. Doutorado em Linguística Aplicada e Estudos da Linguagem (PUC-SP). ORCID: https://orcid.org/0000-0002-0785-5998. E- mail: pauloboasorte@academico.ufs.br
2 Instituto Federal de Sergipe (IFS), Lagarto – SE – Brasil. Professor de Sistemas de Informação e Professor Permanente do Mestrado Profissional em Educação Tecnológica. Doutorado em Ciência da Computação (UFBA). ORCID: https://orcid.org/0000-0002-4111-1298. E-mail: mario.andre@ifs.edu.br
4 Universidade Federal de Sergipe (UFS), São Cristóvão – SE – Brasil. Doutorando no Programa de Pós- Graduação em Educação. ORCID: https://orcid.org/0000-0002-3299-0948. E-mail: jeffersonandrade06@hotmail.com
RESUMEN: El objetivo de este estudio es discutir los posibles impactos de la inteligencia artificial, centrándose en el algoritmo GPT-3, en la redacción académica. Este algoritmo produce contenido basado en el aprendizaje de más de 170 mil millones de parámetros contenidos en la World Wide Web, una enorme base de datos que representa aproximadamente el 0.06% del contenido de Wikipedia. El usuario puede crear, con esta base de datos, oraciones, párrafos, diálogos, imágenes y capítulos de libros, que siguen normas gramaticales estandarizadas, simplemente insertando un comando inicial, como “punto de estudio”. Realizamos una búsqueda bibliográfica tomando como punto de partida el objetivo principal y, luego, definimos el problema, planteamos las citas relevantes, profundizamos la búsqueda y establecimos una relación con las fuentes obtenidas. Los resultados apuntan a la similitud de los textos producidos utilizando el GPT-3 con composiciones humanas, dificultando la identificación de autorías y diferenciando al traer referencias a fuentes utilizadas, lo que nos hace pensar en los aspectos éticos, la creatividad y la propiedad intelectual involucrados.
PALABRAS CLAVE: Inteligencia artificial. Escritura académica. Algoritmo GPT-3.
ABSTRACT: The aim of this study is to discuss the possible impacts of artificial intelligence, with a focus on the GPT-3 algorithm, on academic written production. This algorithm produces content based on the learning of more than 170 billion parameters of the World Wide Web, a huge database that represents about 0.06% of Wikipedia's content. The user can create, with this database, sentences, paragraphs, dialogs, images, and book chapters, which follow standardized grammatical norms, just by inserting an initial command, such as “studies show”. We carried out bibliographical research taking the main objective as a starting point and then, we defined the problem, raised the relevant citations, deepened the search, and established a relationship with the sources obtained. The results point to the similarity of texts produced using the GPT-3 to human compositions, making it difficult to identify authorship and differing by bringing references to used sources, which makes us think about the ethical, creativity and intellectual property aspects that may be involved.
KEYWORDS: Artificial intelligence. Academic writing. GPT-3 algorithm.
Na última década, temos vivenciado o surgimento e a potencialização de conflitos sociais em escalas locais e globais. Frequentemente, os problemas de contextos específicos acabam impactando outros lugares, principalmente quando falamos em países com alto poder econômico. A produção e disseminação de notícias falsas, formas emergentes de comunicação e o impacto dos algoritmos de inteligência artificial na produção de linguagens são alguns desses temas. Temos presenciado, nesse sentido, ações humanas em esferas diversas, como as ambientais e de relações interpessoais.
A inteligência artificial faz parte da nossa sociedade há décadas. O seu início foi reconhecido6 a partir da pesquisa de Turing (1950) e a ideia de que uma máquina pode ter conhecimento equivalente ao do ser humano. Desde então, diversas experiências de inteligência artificial vêm sendo utilizadas, em nosso cotidiano, com o intuito de direcionar as nossas experiências. Alguns exemplos podem ser verificados: em pedidos de transporte por aplicativo que constrói uma estrutura decisória para escolher a melhor opção de motorista, analisando uma série de variáveis (localização, perfil do solicitante, avaliação do motorista, etc.); quando buscamos relacionamentos on-line por meio de multiplataformas de localização de pessoas – elas analisam, além de informações de perfil informadas pelo usuário, dados dos históricos de outras combinações e localizam pessoas geograficamente próximas; quando usamos um robô varredor inteligente, usamos sensores e algoritmos inteligentes; quando navegamos nas redes sociais, os anúncios exibidos têm relação com os itens pesquisados por nós nos motores de busca; ou, ainda, quando interagimos com assistentes virtuais.
Os modelos de algoritmos que, em geral, exploram uma base de dados históricos produzidos por nós são os responsáveis pela personalização da experiência do usuário. Eles recomendam produtos, serviços ou conteúdos por meio de estratégias, como filtragem por associação e filtragem por conteúdo. Ações como essas se tornaram possíveis em virtude do aumento do poder de processamento dos computadores, que permitiu uma maior capacidade do processamento de linguagem natural, aprendizado de máquina, armazenamento e processamento de um grande volume de dados. Modelos de processamento de linguagem natural, a exemplo do algoritmo GPT-3, vêm sendo utilizados para diferentes propósitos, como implementação de robôs de atendimento a clientes e geração automática de textos temáticos.
O modelo algorítmico de inteligência artificial GPT-3 volta-se para a produção escrita na qual textos são gerados a partir de comandos humanos iniciais, a exemplo de uma frase, como “estudos apontam...” ou um comando, “desenhe um círculo”. Entretanto, todos os procedimentos seguintes até o produto final ficam a cargo do próprio modelo. O GPT-3 apresenta uma nova dimensão ao universo dos algoritmos de escrita, pois abrange uma variedade de gêneros textuais e vocabulários, graças a um banco de dados de escala ampliada. Além disso, o algoritmo traz a possibilidade de referenciação de citações, o que demanda, assim como em qualquer produção acadêmica, a reflexão sobre criatividade, propriedade
6 Embora Turing seja considerado o "pai" da Inteligência Artificial, “[a] IA foi antecipada na década de 1840 pela senhora Ada Lovelace. Mais precisamente, ela antecipou uma parte da IA concentrando-se nos símbolos e na lógica, sem vislumbrar as redes neurais ou a IA evolutiva e dinâmica. Tampouco, se voltou para o objetivo psicológico da IA, já que seu interesse era puramente tecnológico” (BODEN, 2020, p. 20, grifos do autor).
intelectual e autoria. Cabe perguntar, nesse sentido, a quem pertencem esses textos e em que contextos seríamos autorizados a utilizar modelos algorítmicos capazes de produzir textos literários, acadêmicos, manuais de funcionamento, dentre outros.
Diante dos aspectos mencionados, o objetivo geral deste artigo é discutir sobre possíveis impactos da inteligência artificial, especificamente o algoritmo GPT-3, na produção escrita acadêmica. Concebemos, nessa discussão, conceitos de criatividade a partir dos discursos contemporâneos sobre a produção de conteúdo com a utilização de programas de computador, aspectos de propriedade intelectual e autoria dos textos gerados em plataformas de modelos estatísticos de linguagem, além das implicações éticas da utilização do algoritmo GPT-3 para a escrita acadêmica.
Este trabalho é uma pesquisa bibliográfica. Por meio dela, delineamos os aspectos metodológicos que consistem em propor uma pesquisa bibliográfica sobre a temática central deste estudo. Em seguida, exploramos conceitos relacionados à inteligência artificial e aos algoritmos para a produção escrita, especificamente o GPT-3. Logo após, discutimos sentidos acerca da noção de escrita acadêmica na contemporaneidade. Posteriormente, tratamos acerca da ideia de criatividade na comunicação ubíqua. Depois, ponderamos sobre direitos autorais e propriedade intelectual para além dos discursos legais. Por fim, apresentamos algumas considerações e questionamentos oriundos das reflexões empreendidas.
O tipo de pesquisa adotado para a realização deste estudo foi a bibliográfica. Adotamos a concepção de Paiva (2019, p. 60) acerca desse procedimento metodológico, que distingue a pesquisa bibliográfica da revisão de literatura, pelo fato de que a primeira “vai além da mera busca de informações e não é uma simples compilação dos resultados dessas buscas”. Assim, a metodologia selecionada não se resume a uma descrição dos dados nas fontes pesquisadas, necessitando ainda de um estabelecimento de relações e comparações entre as informações.
Partindo das nossas questões de pesquisa, formulamos o título Inteligência artificial e escrita acadêmica: o que nos reserva o algoritmo GPT-3? e selecionamos termos que denotassem seu conteúdo, chegando à delimitação do tema-problema, primeira etapa sugerida por Pizzani et al. (2012) para a realização de uma pesquisa bibliográfica. Com os termos nomeados, tanto em língua portuguesa quanto em língua inglesa, prosseguimos com as etapas subsequentes, também destacadas em grifos: levantamento e fichamento das citações
O passo designado relação das fontes a serem obtidas indica que, nesta pesquisa, utilizamos fontes informacionais dos três tipos classificados por Pizzani et al. (2012): como fontes primárias, artigos e capítulos de livros; as secundárias, artigos de revisão bibliográfica e artigos de divulgação; e as terciárias, os materiais disponíveis on-line em bases de dados. Na base de dados Portal de Periódicos da CAPES, realizamos a fase de localização das fontes por se tratar de uma base de dados textuais que possibilita a obtenção dos textos completos dos artigos.
Finalizando a sequência de etapas de Pizzani et al. (2012) para a realização de uma pesquisa bibliográfica, realizamos a leitura e sumarização das fontes informacionais. Em seguida, as temáticas foram divididas a partir de tópicos específicos para que a fase final denominada de redação do trabalho iniciasse, como veremos nas seções posteriores.
Pretendemos, com esse roteiro, contribuir com o fomento, em sentido amplo, de um diálogo indisciplinar (MOITA LOPES, 2006) da Linguística Aplicada como uma ciência social (CELANI, 2017; SEALEY; CARTER, 2004) com as bases teóricas das áreas de Comunicação e Mídias, Ciência da Computação e teorias “do digital”, como o fazem Buzato et al. (2013).
Organizamos as próximas seções, a) oferecendo um panorama do nosso entendimento de inteligência artificial e como o algoritmo GPT-3 se insere nele; b) analisando a escrita acadêmica na contemporaneidade, com ênfase para a escrita de trabalhos científicos; c) apontando, no âmbito do discurso contemporâneo da comunicação ubíqua, as possíveis formas de entender o conceito de criatividade; d) pontuando os possíveis olhares sobre direitos autorais e propriedade intelectual de textos gerados em plataformas de modelos estatísticos de linguagem; e) alertando sobre os caminhos que, sem perceber, já começamos a trilhar.
A inteligência artificial (IA) foi desenvolvida com a proposta de solucionar problemas que, até então, somente eram resolvidos por humanos. Essa tecnologia diz respeito à
reprodução artificial da mente humana, simulando o seu aspecto cognitivo, oferecendo predições, tomadas de decisões e repetições dela. Essa reprodução acontece com a leitura e análise do cálculo de dados e códigos recebidos. De acordo com Cope, Kalantzis e Searsmith (2020), a diferença entre a inteligência artificial e a inteligência humana reside no fato de que a IA está abaixo da inteligência humana, no sentido de que ela somente pode calcular a partir dos dados utilizados para aprendizagem. Entretanto, conforme Kaufman e Santaella (2020), o que faz com que a inteligência artificial mostre diferencial em relação à inteligência humana é o fato de que ela realiza tais cálculos de forma mais ágil e certeira, executando, muitas vezes, respostas de forma mais efetiva e assertiva, mas utilizando uma representação do conhecimento.
Com o intuito de compreender o que é Inteligência Artificial, Russel e Norvig (2021) analisaram oito definições. A princípio, as definições foram organizadas baseando-se em dois temas principais: processos de pensamento/raciocínio e comportamento. Posteriormente, foram subdivididas em quatro categorias: sistemas que pensam como humanos, sistemas que agem como humanos, sistemas que pensam racionalmente e sistemas que agem racionalmente. Apesar dessas quatro categorias serem historicamente consideradas relevantes na produção de conhecimento, é notória uma tensão envolvendo as abordagens centradas no humano e aquelas cujo foco está na racionalidade. Os autores explicam que abordagens com foco no humano integram a ciência empírica, trabalhando com hipóteses e experimentos, enquanto abordagens racionalistas reúnem os campos da matemática e da engenharia. Concordando com essa tensão, Wang (2019) também relata, após analisar alguns conceitos sobre IA, não haver consenso entre as definições. Ele afirma que as definições não podem ser entendidas como certas ou erradas, pois cada uma se baseia em critérios teóricos e práticos que influenciam a trajetória da pesquisa.
De acordo com Taulli (2020), existem dois tipos principais de IA: fraca e forte. A forte (ou Artificial General Intelligence - AGI) diz respeito ao raciocínio da inteligência por si própria, ou seja, a máquina realmente “pensa”, não somente reproduz linhas de raciocínio a partir do que foi aprendido e absorvido; e a fraca (ou Weak AI) é a inteligência artificial concentrada em tarefas específicas, ou seja, a máquina pensa, exclusivamente, a partir e sobre a tarefa solicitada a ela, a exemplo da Alexa, Siri ou a Cortana, assistentes virtuais cuja finalidade é executar tarefas propostas pelo usuário por meio do comando de voz, tendo como funcionalidades, agendar compromissos, verificar o tempo, programar despertadores, enviar mensagens ou ajustar configurações. Cabe ressaltar que, de acordo com Kaufman e Santaella (2020, p. 3), “o estágio atual de desenvolvimento da inteligência artificial (IA) é ainda
restrito”. Entretanto, as denominações forte e fraca não fazem jus à potencialidade da tecnologia, que tem mostrado cada vez mais suas capacidades, especialmente no que se refere ao seu subcampo machine learning [aprendizado de máquina, em português].
Recentemente, a startup Uber informou que, buscando inovação, está investindo em machine learning para proteger os seus clientes, identificando riscos com base nos dados coletados pelas milhões de viagens realizadas diariamente. Machine learning (ML) diz respeito ao aprendizado do computador e ao seu melhoramento a partir de uma representação do conhecimento original. O algoritmo aprende a partir de uma base de dados, evolui o aprendizado e, a partir dele, pode tomar decisões. Conforme explicitado por Kaufman e Santaella (2020, p. 4), “O ML explora o estudo e a construção de algoritmos que, seguindo instruções, fazem previsões ou tomam decisões baseadas em dados – modelos elaborados a partir de amostras”. Esse processo acontece pela coleta de dados e pela utilização de técnicas estatísticas.
O ML possui tipos diferentes de aprendizado, como o método semi-supervisionado, o método por reforço, e, por fim, o método que é mais comumente utilizado, o método supervisionado (DOMINGOS, 2012; JORDAN; MITCHELL, 2020), em que são adotadas abordagens sistemáticas tais como: classificadores de spam, reconhecedor de imagens e diagnósticos médicos, em que os dados selecionados assumem uma relação de pares com o objetivo de produzir uma previsão em resposta a uma consulta (JORDAN; MITCHELL, 2020; TAULLI, 2020).
Como uma subárea do ML, encontramos a tecnologia intitulada deep learning (DL), cuja tradução significa aprendizado profundo. Nesse sistema, são utilizadas redes neurais que imitam o cérebro humano e que processam grande quantidade de dados, aprofundando o seu aprendizado (MUTHUKRISHNAN, 2020; TAULLI, 2020). O DL firmou-se a partir do “crescimento exponencial dos dados e maior capacidade computacional” (KAUFMAN; SANTAELLA, 2020, p. 4), sendo um modelo avançado e com um tempo otimizado de treinamento. O modelo estatístico DL mostrou-se muito produtivo com relação às estruturas de dados, conseguindo processar reconhecimentos de imagens de forma mais efetiva bem como identificar e reconhecer a fala, dentre muitos outros aspectos. Segundo Lecun, Bengio e Hinton (2015), o destaque do DL está no fato de que os aprendizados realizados por ele não foram feitos por humanos, mas sim aprendidos a partir de análise de dados. A figura 1 mostra de que forma a Inteligência Artificial, o machine learning e o deep learning se relacionam.
Fonte: Muthukrishnan et al. (2020, p. 2)
A figura anterior mostra o macro contexto da atuação das máquinas, a inteligência artificial, cujo intuito é o aprendizado para reproduzir ações humanas caracterizadas por “inteligentes”, como tomada de decisão e raciocínio. Como integrante desse campo está o machine learning, com modelos computacionais desenvolvidos com base em estratégias de predição por meio de análise de dados. Diretamente conectada à ampliação do acesso a dados, surge uma subárea do aprendizado de máquina, o deep learning, e que, pela presença de inúmeras camadas ocultas na rede neural, possibilita a identificação de padrões que desafiariam o próprio humano. Um exemplo do uso do DL, em nosso cotidiano, é a transcrição da linguagem falada de maneira automática, normalmente denominada Reconhecimento Automático da Fala (Automatic Speech Recognition, em inglês). O aprendizado profundo registra as palavras mais utilizadas bem como as gírias ou siglas que fazem parte do nosso repertório comunicativo.
Dentre os modelos estatísticos de linguagem, foi desenvolvido o GPT-3, algoritmo que utiliza o DL e que foi desenvolvido pela OpenAI, empresa estadunidense fundada em 2015, voltada para pesquisa e desenvolvimento em Inteligência Artificial. Tanto o GPT-3 quanto suas versões anteriores, GPT-1 e GPT-2, são sistemas que produzem elementos textuais em resposta a um comando. Por produção, não cabe a ideia de que ele entende aquilo como uma mente humana, afinal, mesmo os comandos dados e ensinados são realizados por meio da imitação da inteligência humana. O GPT-2, antecessor do GPT-3, possui a capacidade de armazenamento em 1.5 bilhões de parâmetros e tem a capacidade de predizer palavras a partir
de um comando inicial. Já o GPT-3 é maior que o GPT-2, possuindo 175 bilhões de parâmetros. Para termos uma noção mais clara da dimensão desse algoritmo, os dados da Wikipédia, que englobam cerca de 6 milhões de artigos, representam, somente, 0,06% dos dados treinados pelo GPT-3. Os elementos textuais criados pelo sistema incluem livros reescritos a partir da introdução de seu autor, conversas com personalidades fictícias ou não, vivas ou não, a partir do aprendizado realizado pelo programa (VINCENT, 2020). Com um banco de dados até 100 vezes maior do que o dos seus antecessores, podemos considerar inúmeras possibilidades para a linguagem, para o aprendizado da máquina e para a maneira como eles se relacionam.
Cabe ressaltar que, conforme explicitado por Ferrari (2008), o computador entende a linguagem passada pelo ser humano quando realizada por meio de linguagem comum do computador com a máquina. Dessa forma, o GPT-3 não consegue criar nem expressar opiniões subjetivas do mundo como um ser humano, uma vez que a subjetividade humana vai além do aprendizado do algoritmo. O que o programa faz é produzir conteúdo com base em seu sentido sintático, e não semântico. Ainda que se criem textos, diálogos ou mesmo capítulos de livros seguindo normas gramaticais padronizadas, o algoritmo não terá a interpretação subjetiva. Conforme explicitado por Benzon (2020), máquinas aprendem a nossa linguagem somente da forma como nós a passamos para elas. Isso quer dizer que, no que diz respeito aos milhões de significados que nossa linguagem possui, o GPT-3 responde e produz somente o texto no que se refere ao significante. De acordo com Lecun (2018 apud KAUFMAN; SANTAELLA, 2020, p. 3), esses sistemas “não têm a capacidade de compreender o funcionamento do mundo a partir da observação (conceitos como tridimensionalidade, movimentação e permanência dos objetos, gravidade, inércia e rigidez dentre outros)”. Portanto, é explicitado que, embora ele produza textos, não entende o que está sendo escrito.
Ainda que seja comum pensar no computador, ou mesmo no GPT-3, como uma máquina de superinteligência (BENZON, 2020; FERRARI, 2008), há de se considerar que o seu conhecimento advém dos registros do seu programador. Esse fato é ressaltado por Benzon (2020), ao afirmar que a produção gerada pela ferramenta é somente uma representação da interação entre o ser humano e o mundo, isto é, todo o significado atribuído às produções do GPT-3 é o significado dado pelo próprio leitor. Isso não significa que o GPT-3 não venha a provocar uma mudança no modo de pensarmos as linguagens e tecnologias. Quando falamos sobre o GPT-3 e toda a sua potencialidade, estamos considerando, conforme exemplificado por Vincent (2020), novas possibilidades para a escrita, para o campo criativo, otimizações de
tempo e inúmeros recursos em constante expansão – um impacto que poderá ser observado na produção de trabalhos acadêmicos.
A produção de trabalhos acadêmicos se caracteriza por um processo permeado por ansiedade, angústia e estresse, tanto para o discente redigindo em segunda língua quanto para aquele escrevendo em sua língua materna (CASANAVE, 2019; RUSSEL-PINSON; HARRIS, 2019). O processo de escrita pode ser impactado por demandas de trabalho, conflitos familiares, leituras pendentes, falta de imersão na temática e desgastes com atraso de questões burocráticas.
Os pontos mencionados acima são semelhantes aos fatores causadores de estresse elencados por Russell-Pinson e Harris (2019), como: perfeccionismo, conflito de prioridades, escassez de tempo, ansiedade, desafios na relação com o orientador, autossabotagem por meio de hábitos cognitivos negativos e questões pessoais. Esses aspectos influenciam a postura adotada pelo estudante ao longo da escrita, o que pode levar ao desenvolvimento do fenômeno do impostor (HUTCHINS, 2015). Para os autores, algumas intervenções podem ser decisivas para amenizar esses fatores: o reconhecimento dos sinais de estresse e desgaste, o desenvolvimento de grupos de suporte, orientação adequada a cada fase da escrita acadêmica e acompanhamento psicológico ou terapêutico.
Discentes e orientadores precisam pensar sobre o que se espera de uma escrita acadêmica. Questões como revisão gramatical, estrutura consistente de parágrafos, fundamentação relevante ao tema abordado e adequação teórico-metodológica fazem parte do rigor científico. Sendo assim, a produção deve ser desenvolvida com coesão e coerência, seja no domínio do texto em si ou dos conceitos abordados. A preocupação com esses fatores não se refere, ao menos, apenas, a um preciosismo acadêmico, uma vez que o valor científico necessita de conexão entre períodos, parágrafos e seções.
Dessa forma, a proficiência linguística no idioma que o pesquisador disserta interfere no processo e no resultado da escrita, havendo, por sua vez, esforço e ausência de confiança no caso dessa redação ser em segunda língua. No entanto, Casanave (2019) afirma que mesmo os acadêmicos cujo domínio na língua materna seja suficiente apresentam a preocupação com aspectos formais da linguagem e proficiência diante das exigências de uma produção acadêmica. A autora acrescenta que, como uma tese é a escrita mais relevante na vida acadêmica de um aluno, ela impacta não somente a sua reputação como também a do seu
orientador. As altas e irreais expectativas projetadas pelos discentes acerca do nível de escrita de uma tese geram ansiedade e prejudicam a qualidade da pesquisa podendo, inclusive, interferir na possível contribuição desse estudo para a comunidade acadêmica e para a sociedade.
A escrita acadêmica, com destaque para os trabalhos em ciências humanas, envolve autoria. Pensar nesse aspecto demanda estar atento para o engajamento do escritor no processo de criação intelectual, o que requer posicionamento em vez da imposição de uma suposta neutralidade. A autoria está relacionada à demarcação da identidade do escritor na produção, assim como a preocupação com a entrega de um trabalho inédito e livre de problemas envolvendo plágio.
Alcançar expertise para a escrita de um trabalho acadêmico requer anos de dedicação e esforço. Na visão de Casanave (2019), os anos de estudo em um doutorado, por exemplo, dificilmente garantem que todos os pesquisadores atinjam esse objetivo. A autora chama atenção para o significado dessa expertise, não se resumindo ao domínio de conteúdos acerca das regras linguísticas e textuais ou sobre métodos de pesquisa, mas também à performance de uma expertise ainda não incorporada. Thompson (2012) corrobora a necessidade de o pesquisador apresentar autoria e posicionamento ao longo da escrita e demonstrar também uma performance que convença o ambiente acadêmico nada neutro.
A escrita de trabalhos acadêmicos em nível de graduação e pós-graduação tem sido atravessada por fatores sociais cada vez mais salientes. Como as universidades estão gradativamente ampliando o acesso de grupos diversificados, os conflitos profissionais, familiares e educacionais que impactam diretamente a qualidade da escrita têm sido potencializados (MADDEN, 2016). Não queremos afirmar que esses mesmos conflitos não eram enfrentados previamente, mas vale destacar que, na contemporaneidade, essas questões se intensificam, uma vez que o nível de acesso a bens de consumo e sobrevivência entre as classes sociais ainda é permeado por abismos.
Todos esses fatores têm impactado a produção da escrita acadêmica. Por conta da disseminação crescente de ideologias neoliberais, nas quais os investimentos em ciências humanas tendem a diminuir, estudantes têm experienciado dificuldades, como a diminuição da oferta de bolsas em programas de pós-graduação e a impossibilidade de afastamento ou redução na carga horária das atividades profissionais para o cumprimento dos créditos acadêmicos.
Os autores mencionados, nesta seção, recomendam que o desenvolvimento da escrita acadêmica na contemporaneidade ocorra em grupos de suporte para escrita, realizando
atividades, como revisão em pares, feedback não avaliativo, orientação formal e informal por mentores e suporte emocional. Tais atividades funcionam como uma extensão da orientação e potencializam o desenvolvimento de autoria do pesquisador.
Tentando estabelecer um contraponto em relação a essas orientações, apresentamos, na seção seguinte, uma discussão sobre a criatividade no discurso contemporâneo, em tempos de comunicação ubíqua, aspecto que o algoritmo GPT-3 pode desestabilizar, especialmente quando se trata da ideia clássica de produção textual.
Em um cenário de ubiquidade, a maior parte das interações e experiências tem ocorrido amplamente em meios digitais, havendo construção de sentidos e identidades com recursos multimodais e por meio de processos coletivos e transformativos. Essas possibilidades de autoexpressão podem acontecer de uma forma imaginativa e criativa nos processos de expressão escrita mais formais e concretizadas, principalmente, em práticas de remix (fan fiction, mash-up musicais, machinima etc.), assim como em contextos de estudo, trabalho e entretenimento (BURWELL, 2013; KNOBEL, 2015).
A criatividade pode ser entendida como uma habilidade crucial para compor a força transformativa da lógica econômica, que vem à tona, especialmente, no cenário desafiador atribuído às constantes e impactantes mudanças acarretadas pelas tecnologias digitais (FLORIDA, 2012). Diante desse cenário, Burwell (2013) e Knobel (2015) apontam para a transição do conceito de criatividade, a princípio, focado no criar individual e solitário para uma conceituação de criatividade como uma produção social, coletiva e promotora de construção de sentidos.
Neves-Pereira (2018) explica a trajetória dos conceitos de criatividade na contemporaneidade a partir do que denomina “posicionamento conceitual”, a despeito da ausência de uniformidade quanto à interpretação desse fenômeno. Para a autora, é relevante promover o diálogo acerca das distintas posições conceituais com o intuito de se possibilitar criatividade na pesquisa científica, além de defender que “[estudar] criatividade é muito importante, mas ser criativo, na ciência, parece uma proposta de maior relevância” (NEVES- PEREIRA, 2018, p. 5). Quatro posicionamentos conceituais são marcantes nessa discussão e abarcam elementos relacionados à inovação, ao sistema e de caráter sócio-histórico e psicossociocultural.
O primeiro deles é a chamada posição conceitual padrão, de Stein (1953), para quem a criatividade é vista como um processo em que um indivíduo cria algo útil e inovador. Embora esse conceito tenha sido bem aceito – servindo, inclusive, como base para os testes de Torrance (1996) que medem características do pensamento criativo, e para outras linhas de pesquisa sobre personalidade criativa, processo criativo e produto criativo – são visíveis as divergências acerca das perspectivas dos aspectos de utilidade e novidade nas investigações.
Com isso, surge um segundo posicionamento conceitual, a posição sistêmica de Csikszentmihalyi (2014), cuja compreensão de criatividade é transferida do ato do criar individual, visto mais como um fenômeno mental para um processo permeado por significações de aspectos culturais e sociais. A ideia, segundo Neves-Pereira (2018, p. 7), é de que a criatividade advém do julgamento e aceitação de determinados grupos de indivíduos ao invés de um “produto de indivíduos singulares, em ações individuais [...] Ela sempre vai gerar modificações em todas as instâncias envolvidas [...] o sujeito, seu núcleo social e seu nicho cultural”.
A terceira posição conceitual sócio-histórica da criatividade é baseada nas contribuições de Vygotsky (1990) para a Psicologia, cuja abordagem modifica as formas de compreensão dos processos de desenvolvimento humano e aprendizagem. O desenvolvimento humano é redefinido de um “processo evolutivo interno a processo sócio-histórico” (VYGOTSKY, 1990, p. 8), alterando a concepção de criatividade como fenômeno humano. Nessa posição, há um modelo denominado de Imaginação Criativa, oriunda dos estudos de Vygotsky acerca da criatividade, não se identificando, entretanto, um conceito oficial. Esse modelo não destaca as questões de utilidade ou originalidade, entendendo, por sua vez, o fenômeno criatividade integrante de processos complexos e intrínsecos a outras funções psicológicas humanas.
O quarto e último posicionamento abordado por Neves-Pereira (2018) se fundamenta em Vygotsky (1990), mas apresenta uma definição objetiva de criatividade. A posição conceitual sociocultural de Glaveanu (2010) compreende criatividade como um processo psicossociocultural, que acontece em um espaço intersubjetivo e por meios de interações sociais dialógicas, na tentativa de entender como ocorrem as transformações de elementos culturais simbólicos em novos e originais, ou seja, produtos criativos. Preocupados com essas transformações ocorridas no cenário da Sociedade de Informação para a Sociedade Pós- Informação, Glaveanu et al. (2019) elaboram um manifesto como uma resposta ao ritmo acelerado da presença de variadas formas de inteligência artificial, apontando para a criatividade como um aspecto necessário para a dignidade e sobrevivência da espécie humana.
Os autores reafirmam a visão de criatividade como um fenômeno sociocultural, no qual mente e cultura são intrínsecas e continuamente se moldam entre si, e que contribuições de novos estudos sobre o tema impactam diretamente organizações e escolas.
Refletindo sobre a escrita no contexto acadêmico, visualizamos tentativas para motivação de uma escrita individual, criativa e argumentativa, porém, uma escrita com tecnologias analógicas, na qual o aluno pouco se identifica, pois esse modo de escrever tende a não mais representá-lo. Se o cenário das culturas digitais oferece liberdade e multimodos para expressão, via imagens, sons, vídeos, e ainda sem restringir a sua construção de sentido individual e de comunidade, adolescentes e jovens se encorajam, então, a expressar suas visões de mundo, representativas de suas identidades em cenários da comunicação ubíqua, isto é, com dispositivos móveis conectados à internet, podendo ser realizado a qualquer hora e em qualquer lugar.
O escrever nas mídias digitais, portanto, delineia-se como um processo criativo de forma coletiva e transformativa. Burwell (2013) destaca a relevância do educar adolescentes e jovens para pensar criticamente acerca do poder da mídia, reconhecendo o potencial pedagógico de práticas como o remix. Nessa discussão, ela concorda que as identidades das pessoas jovens e suas visões de mundo estão sendo cada vez mais moldadas por meio de textos e interações digitais, enfatizando a introdução de conversas sobre representação, apropriação, criatividade e propriedade intelectual no ambiente de sala de aula.
Pensando nos cenários contemporâneos sobre criatividade na produção textual, apresentamos, na seção seguinte, algumas discussões sobre direitos autorais e propriedade intelectual. Essas duas temáticas possuem forte apelo no campo jurídico no que concerne à garantia de reconhecimento dos autores e inventores de artefatos diversos da sociedade, contemplando o domínio artístico, literário, industrial e científico de modo geral. O nosso foco, porém, recai sobre a problematização da noção de autoria/criação em tempos em que os discursos sobre criatividade têm sido desestabilizados.
A Declaração Universal dos Direitos Humanos (ONU, 1948), no artigo 27, menciona que toda pessoa tem o direito de usufruir das produções culturais e de ter salvaguarda dos interesses morais e materiais oriundos de sua autoria. Essa referência, apesar de não ser normativa, coloca em destaque questões de propriedade intelectual, especificamente no que concerne a direitos autorais.
No contexto brasileiro, temos duas leis que regulamentam a propriedade intelectual: a Lei nº 9.279 (BRASIL, 1996), que normatiza sobre direitos e deveres concernentes à propriedade industrial, abrangendo a concessão de patentes, o registro de marcas e o reconhecimento de invenções; e a Lei nº 9.610 (BRASIL, 1998), que legisla sobre direitos autorais, envolvendo a produção artística, literária e demais obras de criação do espírito. Essas obras estão vinculadas ao intelecto e, em muitos casos, não estão atreladas à valorização da subjetividade do autor.
Nesta seção, o olhar que lançamos em relação à escrita na contemporaneidade parte de dois pontos principais: uma discussão relacionada a direitos autorais para além das leis e a problematização do que tem sido entendido como produção de textos. Em face das possibilidades ofertadas por plataformas e dispositivos digitais, como o GPT-3, a escrita tem sido cada vez mais expressa com um fenômeno multimodal. Diante disso, pensar em produção textual apenas no domínio tipográfico significa negligenciar que aspectos sonoros, visuais e táteis, por exemplo, impactam a leitura, a escrita e, portanto, a construção de sentidos. Partindo dessa perspectiva, pensamos que a efervescência dos ambientes digitais coloca em pauta a necessidade de repensarmos o que entendemos por propriedade intelectual, pois o pertencimento dos textos vai além dos domínios jurídicos. Neste texto, apontamos uma problematização da noção de autoria a partir do diálogo entre as normas apresentadas legislação brasileira e discussões nos campos da educação e linguagem que ressignificam os conceitos de autoria.
Se levarmos em consideração a Lei Brasileira de Direitos Autorais, em seu artigo 11, o autor é definido como aquele que cria obras literárias, artísticas e científicas. Tal definição está direcionada, prioritariamente, a um processo de produção individual, aspecto divergente daquele apontado por Jenkins (2009) em que a produção textual na contemporaneidade está baseada em uma cultura participativa. A autoria pensada à luz da cultura participativa tenciona pensar que toda criação é inspirada em algo e que o caráter inédito não recai necessariamente em algo inexistente, mas no empreendimento de um novo olhar. Nessa acepção, de acordo com Burwell (2013), a produção textual está pautada em aspectos de representação, apropriação, criatividade e propriedade intelectual.
A escrita acadêmica na contemporaneidade, principalmente se mediada por bases pós- estruturalistas, precisa levar em conta o conceito de apropriação ética, o que demanda que a autoria não seja vista apenas como um processo baseado em leis. Entendemos a apropriação ética como a preocupação em reconhecer que todo processo de criação parte de um contexto específico, se ancora em outras produções e reconhece as referências utilizadas. Diante das
possibilidades tecnológicas da contemporaneidade, Burwell (2013) defende a existência de espaços para discussão de textos e práticas digitais na educação. Pensamos, ainda, que a educação contemporânea demanda pensar a relação, em muitos casos, convergente, entre textos digitais e não-digitais.
Ilustramos, logo abaixo, uma noção ampla acerca da propriedade intelectual, entendida não apenas como um aspecto restrito a leis. Apresentamos a propriedade intelectual a partir do que é apontado na legislação, mas ampliamos a discussão ao passo que analisamos tal conceito pela perspectiva da educação e da linguagem por meio de olhares pós-estruturalistas. Dessa forma, apontamos, na figura abaixo, a apropriação ética e a criatividade como elementos relevantes na discussão sobre o pertencimento dos textos produzidos na atualidade.
Fonte: Elaboração dos autores
Seguindo uma perspectiva ampliada sobre propriedade intelectual, assim como apresentamos na imagem acima, Boa Sorte (2018) aponta que a noção de expressão escrita restrita à produção de textos tipográficos precisa ser questionada, uma vez que, levando em conta uma linha multimodal, os conceitos de escrita e de texto têm sido expandidos, tanto no produto em si quanto nos sentidos que construímos (COPE; KALANTZIS, 2000). Com isso, a leitura também passa a ser entendida como coautoria, ao passo que começa a ser vista como construção de sentidos (SOUZA, 2018). Os textos, portanto, passam a ser visualizados como
produtos inacabados e suscetíveis a interpretações diversas, resultando, assim, em textos diferentes para cada contexto e leitor-coautor. Além disso, suportes variados, a exemplo de dispositivos de áudio e vídeo, passam a possibilitar a produção textual, problematizando a ideia de que um texto resulta apenas da escrita em papel ou em programas de edição tipográfica.
Nessa direção, a produção textual tem sido cada vez mais pensada à luz da criação de remixes. Práticas de remixagem têm se tornado aspectos marcantes em tempos de culturas digitais, pois passaram a ser vistas além do domínio do entretenimento. Em breves palavras, remixes podem ser conceituados como textos produzidos de forma colaborativa por meio de cópia, combinação, manipulação ou transformação de conteúdo que podem potencializar as identidades e as práticas sociais dos seus criadores (BURWELL, 2013). Apesar de apontarmos as práticas de remixes como significativas para o campo educacional, não defendemos o empreendimento de olhares contemplativos; tais práticas tencionam um direcionamento crítico, o que representa pensar sobre os impactos éticos dessas criações na sociedade. Nesse sentido, levando em consideração Janks (2010; 2014) e Burwell (2013), os textos precisam ser vistos pelo prisma da análise crítica, a qual atenta para questões de autoria, criatividade, poder e justiça social.
Essa tecnologia já está em curso. A linguagem é constantemente modificada pelos usos que fazemos das tecnologias. Ainda que o modelo precise ser aprimorado, conforme explicita Vincent (2020), o que realmente faz do GPT-3 uma tecnologia diferenciada é a sua capacidade de gerenciar bilhões de dados bem como a sua formulação das respostas, produzindo textos por conta própria, uma vez que o sistema aprendeu e avançou mais do que suas versões anteriores. Escritas acadêmicas podem ser produzidas, propagando o conhecimento para cada vez mais pesquisadores, alunos, professores e leigos em determinadas áreas.
Há que considerar a quem a tecnologia vai servir. Em testes realizados (VINCENT, 2020) com o GPT-3, ele produziu séries de tweets racistas e machistas, espelhando as postagens de quem atua nas redes. Como explicam Brown et al. (2020), não há como afirmar que a própria tecnologia simplesmente criou tais opiniões, e sim que as reproduziu dos dados analisados em seu treinamento.
Considerando todas as mudanças ocorridas com a IA em seu curso, cada vez mais máquinas têm sido aprimoradas e ensinadas um pouco mais sobre nós e a nossa forma de ver o mundo. Assim como a linguagem é dinâmica e se remodela no decorrer dos anos, também a tecnologia o faz. No presente do GPT-3, há infinitas possibilidades para o ensino e aprendizado, para as produções científicas, literárias, ficcionais, para o ensino básico e superior, público e privado. Essa já é uma realidade, sendo que, daqui para frente, a tendência é que o algoritmo GPT-3 seja aprimorado e se desenvolva, aprendendo, expandindo todas as suas potencialidades e oferecendo uma versão avançada daquilo que já é possível de ser visualizado e utilizado.
As discussões apresentadas neste artigo perpassam dois conflitos latentes: as ponderações são preliminares, mas, ao mesmo tempo, estão entregues ao caráter efêmero dos estudos no campo das tecnologias. Por outro lado, posto que o acesso ao GPT-3 está limitado aos desenvolvedores do sistema, aos especialistas em gerenciamento de dados e a pesquisadores, propomos uma tentativa de reflexão prévia sobre os impactos que esse modelo algorítmico pode empregar na escrita acadêmica quando for liberado a todos os usuários. A nossa intenção, portanto, não é apontar passos a serem seguidos por professores, especialistas em escrita acadêmica ou entusiastas do campo da inteligência artificial. Propomos pensar sobre os impactos que podem ocorrer a partir do uso desse algoritmo, em tempos que a autoria se torna um fenômeno em constante desestabilização e reestruturação.
Ao longo do texto, discutimos sobre temáticas que nos pareceram relevantes à problematização da escrita acadêmica na contemporaneidade, dentre elas, criatividade, ética e propriedade intelectual. Em nossa concepção, o algoritmo GPT-3 pode apresentar dilemas que nos tencionam à reflexão acerca do que entendemos por autoria. Por outro lado, pensamos que essa ponderação não está direcionada a analisar a autoria apenas a partir de direcionamentos canônicos. Como a produção acadêmica tem sido atravessada pelos impactos das culturas digitais, consideramos a relevância de pensarmos sobre os impactos dos modelos algorítmicos de produção escrita nos sentidos que construímos atualmente sobre autoria, criatividade e ética.
BENZON, W. GPT-3: Waterloo or rubicon? Here be Dragons. Cognitive and Neuroscience, ago. 2020. Disponível em: https://www.researchgate.net/publication/343444766_GPT- 3_Waterloo_or_Rubicon_Here_be_Dragons. Acesso em: 6 out. 2020.
BOA SORTE, P. Remixes e expressão escrita em língua inglesa. In: JORDÃO, C. M.; MARTINEZ, J.; MONTE MÓR, W. (org.). Letramentos em prática na formação inicial de professores de inglês. Campinas: Pontes, 2018.
BOA SORTE, P. English teaching assistants in Brazil: conceptions of subject matter, teaching and learning to teach. Revista Tempos e Espaços em Educação, v. 11, p. 227-237, 2018.
BODEN, M. Inteligência artificial: uma brevíssima introdução. São Paulo: Editora Unesp, 2020.
BOTTENTUIT JR., J. B.; MENEZ, M. R. C. S.; WUNSCH, L. P. Aplicativos móveis para a alfabetização e letramento no contexto do ensino fundamental. Tempos e Espaços em Educação, v. 11, n. 01, p. 37-56, 2018.
BRASIL. Lei n. 9.279, de 14 de maio de 1996. Regula direitos e obrigações relativos à propriedade intelectual. Brasília, DF, 15 maio 1996. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/l9279.htm. Acesso em: 6 out. 2020.
BRASIL. Lei n. 9.610, de 19 de fevereiro de 1998. Altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Brasília, DF, 20 fev. 1998. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/l9610.htm. Acesso em: 6 out. 2020.
BROWN, T. B. et al. Language models are few-shot learners. Cornell University Library. 2020. 75 p. Disponível em: https://arxiv.org/pdf/2005.14165v1.pdf. Acesso em: 30 out. 2020.
BURWELL, C. The pedagogical potential of video remix: critical conversations about culture, creativity and copyright. Journal of Adolescent & Adult Literacy, v. 57, n. 3, p. 205-213, nov. 2013.
BUZATO, M. E. K. et al. Remix, mashups, paródia e companhia: por uma taxonomia multidimensional da transtextualidade na cultura digital. Revista Brasileira de Linguística Aplicada, Belo Horizonte, v. 13, n. 4, p. 1191-1221, 2013.
CASANAVE, C. P. Performing expertise in doctoral dissertations: thoughts on a fundamental dilemma facing doctoral students and their supervisors. Journal of Second Language Writing, v. 43, n. 1, p. 57-62, 2019.
CELANI, M. A. A. Linguística Aplicada e Transdisciplinaridade. In: FREIRE, M. M. Vias para a pesquisa: reflexões e mediações. São Paulo: Cruzeiro do Sul Educacional - Campus Virtual, 2017.
COPE, B.; KALANTZIS, M.; SEARSMITH, D. Artificial intelligence for education: knowledge and its assessment in AI-enabled learning ecologies. Educational Philosophy
https://doi.org/10.1080/00131857.2020.1728732. Acesso em: 11 nov. 2020.
COPE, B.; KALANTZIS, M. Multiliteracies: literacy learning and the design of social futures. London: Routledge, 2000.
CSIKSZENTMIHALYI, M. Teoria do Flow, pesquisa e aplicações. ComCiência, Campinas,
n. 161, set. 2014. Disponível em: http://comciencia.scielo.br/scielo.php? script=sci_arttext&pid=S1519-76542014000700010&lng=en&nrm=iso. Acesso em: 11 nov. 2020.
DOMINGOS, P. A few useful things to know about machine learning. Communications of
the ACM, v. 55, n. 10, p. 78-87, out. 2012.
FERRARI, F.; CECHINEL, C. Introdução a algoritmos e programação. Bagé, RS: Universidade Federal do Pampa, 2008. Disponível em: http://www.cristiancechinel.pro.br/my_files/algorithms/bookhtml/apostila-algoritmos.html. Acesso em: 2 out. 2020.
FLORIDA, R. The rise of the creative class revisited. New York: Basic Books, 2012.
GLAVEANU, V. P. Paradigms in the study of creativity: introducing the perspective of cultural psychology. New Ideas in Psychology, v. 28, n. 1, p. 79-93, abr. 2010. DOI: https://doi.org/10.1016/j.newideapsych.2009.07.007
GLAVEANU, V. P. et al. Advancing creativity theory and research: a social-cultural manifesto. Journal of Creative Behavior, v. 54, n. 3, p. 741-745, 2019. DOI: https://doi.org/ 10.1002/jocb.395
HUTCHINS, H. M. Outing the imposter: a study exploring imposter phenomenon among higher education faculty. New Horizons in Adult Education & Human Resource Development, v. 27, n. 2, p. 2-12, 2015.
JANKS, H. Reading texts critically. In: JANKS, H. Literacy and power. USA: Routledge, 2010.
JANKS, H. Doing critical literacy: texts and activities for students and teachers. New York: Routledge, 2014.
JENKINS, H. Cultura da convergência. Trad. Susana Alexandria. São Paulo: Aleph, 2009. JORDAN, M.; MITCHELL, T. Machine learning: trends, perspectives, and prospects.
KAUFMAN, D.; SANTAELLA, L. O papel dos algoritmos de inteligência artificial nas redes sociais. Revista Famecos, Porto Alegre, v. 27, p. 1-10, jan./dez. 2020.
KNOBEL, M. Imagining beyond the domesticated “new”: creative remixings of literacies, community, and place. An analytic review of the research literature. Literacy Research Association Conference Symposium, dez. 2015.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, p. 446-444, 27 maio 2015.
MADDEN, S. Introduction: access as praxis for graduate writing. Praxis: Writing Central Journal, v. 14, n. 1, p. 1-8, 2016.
MOITA LOPES, L. P. (org.) Por uma linguística aplicada indisciplinar. São Paulo: Parábola Editorial, 2006.
MUTHUKRISHNAN, N. et al. Brief History of Artificial Intelligence. Neuroimaging Clinics of North America, v. 30, n. 4, p. 393-399, nov. 2018. DOI: https://doi.org/10.1016/j.nic.2020.07.004
NEVES-PEREIRA, M. C. Posições conceituais em criatividade. Psicologia em Estudo, v. 23, p. 1-15, ago. 2018. DOI: https://doi.org/10.4025/psicolestud.v23i0.39223
ONU. Organização das Nações Unidas. Declaração Universal dos Direitos Humanos. Assembleia Geral das Nações Unidas. Paris, 10 dez. 1948.
PAIVA, V. L. M. O. Manual de pesquisa em estudos linguísticos. São Paulo: Parábola, 2019.
PIZZANI, L. et al. A arte da pesquisa bibliográfica na busca do conhecimento. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, Campinas, v. 10, n. 2, p. 53- 66, 2012. DOI: https://doi.org/10.20396/rdbci.v10i1.1896
RUSSEL, S. J.; NORVIG, P. Artificial Intelligence: a modern approach. New Jersey. Prentice Hall, 2021.
RUSSELL-PINSON, L.; HARRIS, M. L. Anguish and anxiety, stress and strain: Attending to writers’ stress in the dissertation process. Journal of Second Language Writing, v. 43, p.
63-71, 2019.
SEALEY, A.; CARTER, B. Applied Linguistics as social science. London: Continuum, 2004.
SOUZA, M. A. A. Formação de professores de Inglês: buscando caminhos para uma Educação linguística crítica. In: PESSOA, R. R.; SILVESTRE, V. P. V.; MONTE MÓR, W. Perspectivas críticas da Educação linguística no Brasil: trajetórias e práticas de professoras(es) universitárias(os) de Inglês. São Paulo: Pá de Palavra, 2018. p. 163-174.
STEIN, M. Creativity and culture. The Journal of Psychology, v. 36, n. 2, p. 311-22, 1953.
TAULLI, T. Introdução à inteligência artificial: uma abordagem não técnica. 1. ed. São Paulo: Novatec, 2020. 232 p.
THOMPSON, P. Achieving a voice of authority in PhD theses. In: HYLAND, K.; GUINDA,
C.S. (Eds.) Stance and voice in written academic genres. UK: Palgrave MacMillan, 2012. p. 119-133.
THÜRLER, D.; SANTOS, J. L. Um debate sobre a escola como tecnologia político-cultural. Revista Tempos e Espaços em Educação, v. 7, n. 12, p. 29-44, out. 2014. DOI: https://doi.org/10.20952/revtee.v0i0.2950
TORRANCE, T.F. Revelation, creation and law. The Heythrop Journal, v. 37, p. 273-283, 1996.
TURING, A. Computing machinery and intelligence. Mind, v. LIX, n. 236, p. 433-460, out. 1950, Pages, DOI: https://doi.org/10.1093/mind/LIX.236.433
VINCENT, J. Openai’s latest breakthrough is astonishingly powerful, but still fighting its flaws:the ultimate autocomplete. The Verge, 2020. Disponível em: https://www.theverge.com/21346343/gpt-3-explainer-openai-examples-errors-agi-potential. Acesso em: 5 out. 2020.
VYGOTSKY, L. A construção do pensamento e da linguagem. Trad. Paulo Bezerra. São Paulo: Martins Fontes, 1990.
WANG, P. On defining artificial intelligence. Journal of Artificial General Intelligence, v. 10, n. 2, p. 1-37, ago. 2019. DOI: https://doi.org/10.2478/jagi-2019-0002
ZACCHI, V. J. Literacies and digital gaming: negotiating meanings in English language teacher education. Revista Tempos e Espaços em Educação, v. 11, n. 1, p. 153-168, 2018. DOI: https://doi.org/10.20952/revtee.v11i01.9831
BOA SORTE, P.; FARIAS, M. A. F.; SANTOS, A. E.; SANTOS, J. C. A.; DIAS, J. S. S. R.
Inteligência artificial e escrita acadêmica: o que nos reserva o algoritmo GPT-3? Rev. EntreLínguas, Araraquara, v. 7, n. 00, e021035, 2021. e-ISSN: 2447-3529. DOI: https://doi.org/10.29051/el.v7i1.15352
INTELIGÊNCIA ARTIFICIAL E ESCRITA ACADÊMICA: O QUE NOS RESERVA O ALGORITMO GPT-3?
INTELIGENCIA ARTIFICIAL Y ESCRITURA ACADÉMICA: ¿QUÉ NOS RESERVA EL ALGORITMO GPT-3?
Mário André de Freitas FARIAS2 Allessandra Elisabeth dos SANTOS3 Jefferson do Carmo Andrade SANTOS4 Jamile Santos dos Santos Rodrigues DIAS5
1 Federal University of Sergipe (UFS), São Cristóvão – SE – Brazil. Associate Professor of the Foreign Language Department and Permanent Professor of the Postgraduate Program in Education. Doctorate in Applied Linguistics and Language Studies (PUC-SP). ORCID: https://orcid.org/0000-0002-0785-5998. E-mail: pauloboasorte@academico.ufs.br
2 Federal Institute of Sergipe (IFS), Lagarto – SE – Brazil. Professor of Information Systems and Permanent Professor of the Professional Master in Technological Education. Doctorate in Computer Science (UFBA). ORCID: https://orcid.org/0000-0002-4111-1298. E-mail: mario.andre@ifs.edu.br
4 Federal University of Sergipe (UFS), São Cristóvão – SE – Brazil. Doctoral student in the Postgraduate Program in Education. ORCID: https://orcid.org/0000-0002-3299-0948. E-mail: jeffersonandrade06@hotmail.com
RESUMO: O objetivo deste estudo é discutir os possíveis impactos da inteligência artificial, com foco no algoritmo GPT-3, na produção escrita acadêmica. Esse algoritmo produz conteúdo com base na aprendizagem de mais de 170 bilhões de parâmetros constantes na rede mundial de computadores. O usuário pode criar, com esse banco de dados, frases, parágrafos, diálogos, imagens e capítulos de livros, que seguem normas gramaticais padronizadas, bastando apenas a inserção de um comando inicial, como “estudos apontam”. Realizamos uma pesquisa bibliográfica tomando o objetivo central como ponto de partida para delimitarmos o problema, levantarmos as citações relevantes, aprofundarmos a busca e estabelecermos relação com as fontes obtidas. Os resultados apontam semelhanças de textos produzidos com o uso do GPT-3 a composições humanas, dificultando a identificação da autoria e se diferenciando por trazer referências a fontes utilizadas, o que nos faz pensar acerca dos aspectos éticos, de criatividade e de propriedade intelectual implicados.
PALAVRAS-CHAVE: Inteligência artificial. Escrita acadêmica. Algoritmo GPT-3.
RESUMEN: El objetivo de este estudio es discutir los posibles impactos de la inteligencia artificial, centrándose en el algoritmo GPT-3, en la redacción académica. Este algoritmo produce contenido basado en el aprendizaje de más de 170 mil millones de parámetros contenidos en la World Wide Web, una enorme base de datos que representa aproximadamente el 0.06% del contenido de Wikipedia. El usuario puede crear, con esta base de datos, oraciones, párrafos, diálogos, imágenes y capítulos de libros, que siguen normas gramaticales estandarizadas, simplemente insertando un comando inicial, como “punto de estudio”. Realizamos una búsqueda bibliográfica tomando como punto de partida el objetivo principal y, luego, definimos el problema, planteamos las citas relevantes, profundizamos la búsqueda y establecimos una relación con las fuentes obtenidas. Los resultados apuntan a la similitud de los textos producidos utilizando el GPT-3 con composiciones humanas, dificultando la identificación de autorías y diferenciando al traer referencias a fuentes utilizadas, lo que nos hace pensar en los aspectos éticos, la creatividad y la propiedad intelectual involucrados.
PALABRAS CLAVE: Inteligencia artificial. Escritura académica. Algoritmo GPT-3.
In the last decade, we have experienced the emergence and enhancement of local and global social conflicts. Often, the problems of specific contexts end up impacting other places, especially when we talk about countries with high economic power. Some of these themes are the production and dissemination of false news, emerging forms of communication, and the impact of artificial intelligence algorithms on language production. In this sense, we have witnessed human actions in different spheres, such as environmental and interpersonal relationships.
Artificial intelligence has been part of our society for decades. It was recognized6 from the research of Turing (1950) and the idea that a machine and a human being can have equivalent knowledge. Since then, several artificial intelligence experiments have been used, in our daily lives, to direct our experiences. Some examples can be observed: in urban transportation apps that build a decision structure to allow the driver to choose the best route, analyzing a series of variables (location, costumer's profile, driver evaluation, etc.); when we try online dating apps that work through multi-platforms of locating people –, in addition to profile information provided by the user, they analyze data from the history of other combinations and find people geographically close; when we use an intelligent sweeping robot, we use sensors and intelligent algorithms; when we browse social networks, the displayed ads relate to the items we searched for in search engines; or even when we interact with virtual assistants.
Algorithms that generally explore a historical database produced by us are responsible for customizing the user experience. For example, they recommend products, services, or content through filtering by association and filtering by content. Actions like these became possible due to the increase in the processing power of computers, which allowed a greater capacity for natural language processing, machine learning, storage, and processing of a large volume of data. Natural language processing, such as the GPT-3 algorithm, has been used for different purposes, such as implementing customer service robots and the automatic generation of thematic texts.
The GPT-3 algorithmic artificial intelligence turns to written production in which texts are generated from initial human commands, such as a sentence, such as "studies point out..." or a command, "draw a circle." However, all the following procedures until the final product oversee the model itself. Thanks to an enlarged-scale database, the GPT-3 introduces a new dimension to the universe of writing algorithms, as it covers various textual genres and vocabularies. In addition, the algorithm brings the possibility of referencing citations, which demands, as in any academic writing, reflection on creativity, intellectual property, and authorship. It is worth asking, in this sense, to whom these texts belong and in which contexts we would be able to use algorithmic models capable of producing literary, academic texts, operating manuals, among others.
6 Although Turing is considered the "father" of Artificial Intelligence, “[a] AI was anticipated in the 1840s by Mrs. Ada Lovelace. More precisely, she anticipated a part of AI focusing on symbols and logic, without looking at neural networks or evolutionary and dynamic AI. Nor did she turn to the psychological objective of AI, as her interest was purely technological” (BODEN, 2020, p. 20, emphasis added).
Given the aspects above, the general objective of this article is to discuss the possible impacts of artificial intelligence, specifically the GPT-3 algorithm, on academic written production. In this discussion, we conceive concepts of creativity from contemporary discourses on content production using computer programs, aspects of intellectual property, and authorship of texts generated on statistical language model platforms, in addition to the ethical implications of using the GPT-3 algorithm for academic writing.
This work is bibliographic research. Through it, we outline the methodological aspects of proposing bibliographical research on the central theme of this study. Then, we explore concepts related to artificial intelligence and algorithms for written production, specifically GPT-3. Soon after, we discussed meanings about the notion of contemporaneity academic writing. Later, we deal with the idea of creativity in ubiquitous communication. Then, we ponder copyright and intellectual property in addition to legal discourse. Finally, we present some considerations and questions arising from the reflections undertaken.
We chose a bibliographic search approach to carry out this study. We adopt Paiva's conception (2019, p. 60) about this methodological procedure, which distinguishes bibliographic research from a literature review because the first "goes beyond the mere search for information and is not a simple compilation of the results of these searches." Thus, the selected methodology is not limited to describing the data in the researched sources; it also requires establishing relationships and comparisons between the information.
We formulated the title Artificial intelligence and academic writing from our research questions: what does the GPT-3 algorithm reserve for us? Then, we selected terms that denoted its content, arriving at the delimitation of the problem theme, the first step suggested by Pizzani et al. (2012) to carry out a literature search. After, with the named terms, both in Portuguese and in English, we proceeded with the subsequent steps, also highlighted in italics: survey and recording of relevant citations, and deepening of the search, considering theoretical references, especially from the last three to five years, in addition to authors such as Benzon (2020), on artificial intelligence and the GPT-3 algorithm, Burwell (2013), to start the discussion on the concept of creativity and intellectual property, and Casanave (2019); Russell-Pinson and Harris (2019) for the section on academic writing.
The wanted step designated relationship of sources indicates that, in this research, we used informational sources of the three types classified by Pizzani et al. (2012): as primary
sources, articles, and book chapters; secondary ones, bibliographic review articles; and third ones, materials available online in databases. In CAPES’s (Coordination for the Improvement of Higher Education Personnel) database, we carried out the source localization phase. It is a textual database that allows us to obtain the full texts of the articles.
Finalizing the sequence of steps by Pizzani et al. (2012) to execute a bibliographic search, we read and summarized informational sources. Then, the themes were divided according to specific topics so that the final phase, called the writing of the work, could begin, as we will see in the later sections.
With this script, we intend to contribute to the promotion, in a broad sense, of a multidisciplinary dialogue (MOITA LOPES, 2006) of Applied Linguistics as social science (CELANI, 2017; SEALEY; CARTER, 2004) with the theoretical bases of the areas of Communication and Media, Computer Science and "digital" theories, as Buzato et al. (2013).
We organize the following sections, a) offering an overview of our understanding of artificial intelligence and how the GPT-3 algorithm fits into it; b) analyzing contemporary academic writing, with an emphasis on writing scientific papers; c) pointing out, within the scope of the contemporary discourse of ubiquitous communication, the possible ways to understand the concept of creativity; d) punctuating the possible views on copyright and intellectual property of texts generated in statistical language model platforms; e) warning about the paths that we have already started to tread, without realizing it.
The development of Artificial intelligence (AI) aims to solve problems that, until then, were only solved by humans. This technology refers to the artificial reproduction of the human mind, simulating its cognitive aspect, offering predictions, decision making, and repetitions. This reproduction happens by reading and analyzing the calculation of data and codes received. According to Cope, Kalantzis, and Searsmith (2020), the difference between artificial intelligence and human intelligence lies in AI being below human intelligence. It can only calculate from data used for learning. However, according to Kaufman and Santaella (2020), artificial intelligence is different from human intelligence because it performs such calculations in a more agile and accurate way, often executing more effective and assertive answers but using a representation of knowledge.
To understand what Artificial Intelligence is, Russell and Norvig (2021) analyzed eight definitions. At first, the definitions were organized based on two main themes:
thought/reasoning processes and behavior and, further, subdivided into four categories: systems that think like humans, systems that act like humans, systems that reason, and systems that act rationally. Although these four categories are historically considered relevant in knowledge production, a tension involving human-centered approaches and those focused on rationality is evident. The authors explain that human-focused approaches integrate empirical science, working with hypotheses and experiments, while rationalist approaches combine mathematics and engineering. Agreeing with this tension, Wang (2019) also reports that after analyzing some AI concepts, there is no consensus between the definitions. Furthermore, he states that the purposes cannot be understood as right or wrong, as each one's foundation in theoretical and practical criteria influences the research trajectory.
According to Taulli (2020), there are two main types of AI: weak and strong. The strong (or Artificial General Intelligence - AGI) concerns the reasoning of the intelligence itself; the machine really "thinks," not only reproduces lines of reasoning from what has learned and absorbed. The Weak AI is artificial intelligence concentrated on specific tasks; that is, the machine thinks exclusively from and about the task requested of it, such as Alexa, Siri, or Cortana. Virtual assistants whose purpose is to perform tasks proposed by the user through voice command, having as functionalities, scheduling appointments, checking the time, scheduling alarm clocks, sending messages, or adjusting settings. It is worth pointing out that, according to Kaufman and Santaella (2020, p. 3), "the current stage of development of artificial intelligence (AI) is still restricted." However, the strong and weak names do not do justice to the potential of technology, which has increasingly shown its capabilities, especially about its machine learning subfield.
Recently, startup Uber reported that seeking innovation is investing in machine learning to protect its customers, identifying risks based on data collected from the millions of daily trips. Machine learning (ML) is about computer learning and improving it from a representation of original knowledge. The algorithm learns from a database, evolves the understanding, and based on it, can make decisions. As explained by Kaufman and Santaella (2020, p. 4), "ML explores the study and construction of algorithms that, following instructions, make predictions or make decisions based on data – models made from samples." This process takes place through data collection and the use of statistical techniques.
ML has different types of learning, such as the semi-supervised method, the reinforcement method, and, finally, the most used method, the supervised method (DOMINGOS, 2012; JORDAN; MITCHELL, 2020). Then, systematic approaches are
adopted, such as spam classifiers, image recognizers, and medical diagnoses. The selected data assume a relationship to produce a prediction in response to a query (JORDAN; MITCHELL, 2020; TAULLI, 2020).
As a sub-area of ML, we find the technology called deep learning (DL). In this system, neural networks that imitate the human brain and process large amounts of data are used, deepening their learning (MUTHUKRISHNAN, 2020; TAULLI, 2020). The DL was established from the "exponential growth of data and greater computational capacity" (KAUFMAN, SANTAELLA, 2020, p. 4), being an advanced model with an optimized training time. The DL statistical model proved to be very productive concerning data structures, managing to process image recognition more effectively and identifying and recognizing speech, among many other aspects. According to Lecun, Bengio, and Hinton (2015), the highlight of the DL lies in the fact that the lessons learned by it do not come from humans but data analysis. Figure 1 shows how Artificial Intelligence, machine learning, and deep learning are related.
Source: Muthukrishnan et al. (2020, p. 2)
The previous figure shows the macro context of machine performance, artificial intelligence, which aims to learn to reproduce human actions characterized by "intelligence" such as decision-making and reasoning. Machine learning is part of this field, with computational models developed based on prediction strategies through data analysis. Directly connected to the expansion of access to data, a sub-area of machine learning
emerges, called deep learning. The presence of countless hidden layers in the neural network enables identifying patterns that challenge the human being. An example of the use of DL in our daily lives is the automatic transcription of the spoken language, usually called Automatic Speech Recognition. Deep learning registers the most used words and the slang or acronyms that are part of our communicative repertoire.
Among the statistical models of language, the GPT-3, an algorithm that used DL, was developed by OpenAI, an American company founded in 2015, dedicated to research and development in Artificial Intelligence. The GPT-3 and its previous versions, GPT-1 and GPT- 2 produce textual elements in response to a command. Contemplating its production, the GPT-3 does not understand as a human mind, even though it functions with commands given and taught through the imitation of human intelligence. GPT-2, the predecessor of GPT-3, has a storage capacity of 1.5 billion parameters and can predict words from an initial command. The GPT-3 is larger than the GPT-2, having 175 billion parameters. To have a more precise notion of the dimension of this algorithm, the data from Wikipedia, which comprises about 6 million articles, represents only 0.06% of the trained data by the GPT-3. The textual elements created by the system include books rewritten from the introduction of their author, conversations with fictitious personalities or not, alive, or not, based on the learning carried out by the program (VINCENT, 2020). With a database up to 100 times larger than its predecessors, we can consider countless possibilities for language, machine learning, and how they relate.
It is noteworthy that, as explained by Ferrari (2008), the computer understands the language passed by the human being when performed through the common language of the computer with the machine. Thus, the GPT-3 cannot create or express subjective opinions of the world as a human being since human subjectivity goes beyond the algorithm's learning. What the program does is produce content based on its syntactic rather than semantic sense. Even if texts, dialogues, or book chapters follow standardized grammatical rules, the algorithm will not have a subjective interpretation. Benzon (2020) explained that machines learn our language only in the way we pass it on to them, which means that, as far as the millions of meanings our language has, the GPT-3 responds and produces only the text as far as the signifier. According to Lecun (2018 apud KAUFMAN; SANTAELLA, 2020, p. 3), these systems "cannot understand the functioning of the world from observation (concepts such as three-dimensionality, movement, and permanence of objects, gravity, inertia, and rigidity among others)." Therefore, it is explicit that it does not understand the text, although it produces texts.
Although it is common to think of computers, or even the GPT-3, as a superintelligence machine (BENZON, 2020; FERRARI, 2008), it must be considered that its knowledge comes from the records of its programmer. The fact highlighted by Benzon (2020) when stating that the production generated by the tool is only a representation of the interaction between the human being and the world. In other words, all the meaning attributed to the GPT-3 productions is the meaning given by the reader. It does not mean that GPT-3 will not change the way we think about languages and technologies. When we talk about the GPT-3 and all its potential, we are considering, as exemplified by Vincent (2020), new possibilities for writing, for the creative field, time optimizations, and countless resources in constant expansion – an impact observed in the production of academic papers.
We understand that producing academic papers is a process full of anxiety, anguish, and stress, both for students writing in a second language and those writing in their mother tongue (CASANAVE, 2019; RUSSEL-PINSON; HARRIS, 2019). In addition, the writing process can be enhanced by work demands, family conflicts, pending readings, lack of immersion in the subject, and delayed bureaucratic issues.
The points mentioned above are similar to the stress-causing factors listed by Russell- Pinson and Harris (2019), such as perfectionism, conflict of priorities, lack of time, anxiety, challenges in the relationship with the advisor, and self-sabotage through negative cognitive habits, and personal issues. These aspects influence the posture adopted by the student throughout the writing, which can lead to the development of the imposter phenomenon (HUTCHINS, 2015). For the authors, some interventions can be decisive to alleviate these factors: recognizing signs of stress and weariness, developing support groups, adequate guidance for each stage of academic writing, psychological or therapeutic follow-up.
Students and advisors need to think about what to expect of academic writing. Issues such as grammar review, consistent paragraph structure, relevant reasoning to the topic addressed, and theoretical-methodological adequacy are part of scientific rigor. Therefore, the production must be developed with cohesion and coherence, whether in the field of the text itself or of the concepts discussed. The concern with these factors does not refer, at least, only to an academic preciosity since the scientific value needs a connection between periods, paragraphs, and sections.
Therefore, the linguistic proficiency in the language that the researcher is disserting interferes with the writing process and results, on the other hand, in effort and lack of confidence in writing using a second language. However, Casanave (2019) states that even academics whose mastery of the mother tongue is sufficient are concerned with formal aspects of language and proficiency in the face of the demands of academic production. The author adds that, as a thesis is the most relevant writing in a student's academic life, it impacts their reputation and advisor. Students' high and unrealistic expectations about the level of writing of a thesis generate anxiety and impair the quality of research and may even interfere with the possible contribution to the academic community and society.
Academic writing, with emphasis on works in the human sciences, involves authorship. Thinking about this aspect demands awareness of the writer's engagement in intellectual creation, which requires positioning instead of imposing supposed neutrality. In addition, authorship is related to the demarcation of the writer's identity in the production and the concern with the delivery of an unpublished work, free from plagiarism problems.
Achieving expertise for writing an academic paper requires years of dedication and effort. In Casanave's view (2019), years of study in a doctorate, for example, hardly guarantee that all researchers achieve this goal. The author draws attention to the meaning of this expertise, not limited to the domain of content about linguistic and textual rules or research methods, but also the performance of expertise not yet incorporated. Thompson (2012) corroborates the need for the researcher to present authorship and positioning throughout the writing and demonstrating a performance that convinces the academic environment that is not neutral.
Increasingly salient social factors have crossed the writing of academic papers at the undergraduate and graduate levels. As universities are gradually expanding the access of diverse groups, professional, family, and educational conflicts that directly impact the quality of writing have been enhanced (MADDEN, 2016). We do not want to say that these same conflicts were not previously faced. However, it is worth mentioning that, nowadays, these issues are intensifying since the level of access to consumer goods and survival among social classes is still permeated by abysses.
All these factors have impacted the production of academic writing. In addition, due to the growing dissemination of neoliberal ideologies, in which investments in human sciences tend to decrease, students have experienced difficulties, such as the decrease in the offer of scholarships in graduate programs and the impossibility of taking leave or reducing the workload of activities professionals for the fulfillment of academic credits.
The authors mentioned in this section recommend that contemporary academic writing develops in writing support groups, carrying out group reviews, non-evaluative feedback, formal and informal mentoring by mentors, and emotional support. Such activities work as an extension of the orientation and enhance the researcher's authorship development.
Trying to establish a counterpoint to these guidelines, we present, in the next section, a discussion about creativity in contemporary discourse, in times of ubiquitous communication, an aspect that the GPT-3 algorithm can destabilize, especially when it comes to the classic idea of textual production.
In a ubiquitous scenario, most interactions and experiences have primarily taken place in digital media, constructing senses and identities with multimodal resources and collective and transformative processes. These possibilities of self-expression can happen imaginatively and creatively in more formal processes and materialized, mainly in remix practices (fan fiction, musical mash-up, machinima, etc.) and in contexts of study, work, and entertainment (BURWELL, 2013; KNOBEL, 2015).
Creativity can be understood as a crucial skill to compose the transformative force of economic logic, which comes to light, especially in the challenging scenario attributed to the constant and impactful changes brought about by digital technologies (FLORIDA, 2012). Given this scenario, Burwell (2013) and Knobel (2015) point to the transition from the concept of creativity, initially focused on individual and solitary creation, to a conceptualization of creativity as a social, collective production that promotes the construction of senses.
Neves-Pereira (2018) explains the trajectory of the concepts of creativity in contemporary times based on what he calls "conceptual positioning," despite the lack of uniformity regarding the interpretation of this phenomenon. For the author, it is essential to promote dialogue about the different conceptual positions to enable creativity in scientific research, in addition to defending that "[studying] creativity is crucial but being creative in science seems to be a proposal of greater relevance" (NEVES-PEREIRA, 2018, p. 5). Four conceptual positions are striking in this discussion and encompass elements related to innovation, the system, and a socio-historical and psycho-social-cultural character.
The first of these is the so-called standard conceptual position by Stein (1953), for whom creativity is a process in which an individual creates something valuable and
innovative. Although the acceptance of this concept – even serving as a basis for Torrance's tests (1996) that measure characteristics of creative thinking, and for other lines of research on creative personality, creative process, and creative product – the differences regarding perspectives of the aspects of usefulness and novelty in investigations.
With this, a second conceptual position emerges, the systemic position of Csikszentmihalyi (2014), whose understanding of creativity is transferred from the act of individual creation, seen more as a mental phenomenon to a process permeated by meanings of cultural and social aspects. The idea, according to Neves-Pereira (2018, p. 7), is that creativity comes from the judgment and acceptance of certain groups of individuals rather than a "product of singular individuals, in individual actions [...] It always will generate changes in all instances involved [...] the subject, its social nucleus, and its cultural niche".
The third socio-historical conceptual position of creativity is on the contributions of Vygotsky (1990) to Psychology, whose approach modifies the ways of understanding the processes of human development and learning. Human development is redefined from an "internal evolutionary process to a socio-historical process" (VYGOTSKY, 1990, p. 8), changing the conception of creativity as a human phenomenon. In this position, there is a model called Creative Imagination, derived from Vygotsky's studies on creativity, not identifying, however, an official concept. This model does not highlight issues of utility or originality, understanding, in turn, the phenomenon of creativity as part of complex intrinsic processes to other human psychological functions.
The fourth and last position addressed by Neves-Pereira (2018) is based on Vygotsky (1990) but presents an objective definition of creativity. Glaveanu's (2010) sociocultural conceptual position understands creativity as a psychosocial-cultural process, which takes place in an intersubjective space and through dialogical social interactions, attempting to understand how the transformations of symbolic cultural elements into new and original ones occur, that is, creative products. Concerned with these transformations that occurred in the scenario of the Information Society for the Post-Information Society, Glaveanu et al. (2019) elaborate a manifesto as a response to the accelerated pace of the presence of various forms of artificial intelligence, pointing to creativity as a necessary aspect for the dignity and survival of the human species. The authors reaffirm the vision of creativity as a sociocultural phenomenon. Mind and culture are intrinsic and continuously shape each other, and that contributions from new studies on the subject directly impact organizations and schools.
Reflecting on writing in the academic context, we visualize attempts to motivate individual, creative, and argumentative writing. However, writing with analog technologies,
which the student hardly identifies themselves, no longer represents them. If the scene of digital cultures offers freedom and multiple ways of expression via images, sounds, videos, and even without restricting their construction of individual and community meaning, adolescents and young people are encouraged to express their representative views of the world, using their identities in ubiquitous communication scenarios with mobile devices connected to the internet, anytime and anywhere.
Therefore, writing in digital media is outlined as a creative process in a collective and transformative way. Burwell (2013) highlights the relevance of educating adolescents and young people to think critically about the power of the media, recognizing the pedagogical potential of practices. In this discussion, she agrees that young people's identities and their worldviews are increasingly being shaped through digital texts and interactions, emphasizing the introduction of conversations about representation, appropriation, creativity, and intellectual property in the classroom environment.
Thinking about contemporary scenarios and creativity in textual production, we present, in the next section, some discussions about copyright and intellectual property. These two themes have strong appeal in the legal field to guarantee the recognition of authors and inventors of different artifacts in society, covering the artistic, literary, industrial, and scientific domains in general. Our focus, however, is on the discussion about authorship/creation in times when discourses on destabilized creativity.
In article 27 of The Universal Declaration of Human Rights (UN, 1948), everyone has the right to enjoy cultural productions and have the moral and material interests of their authorship safeguarded. Although this reference is not normative, it highlights intellectual property issues, specifically concerning copyright.
In the Brazilian context, we have two laws that regulate intellectual property: No. 9,279 (BRASIL, 1996), which regulates rights and duties concerning industrial property, covering the granting of patents, registration of trademarks, and recognition of inventions; and No. 9,610 (BRASIL, 1998), which legislates on copyright, involving artistic and literary production and other works of creation of the spirit. These works connect to the intellect and, in many cases, are not related to the appreciation of the author's subjectivity.
This section observes that the foundation of writing in contemporary times stands on two main points: a discussion of copyright beyond the law and what text production is by
understanding. Given the possibilities digital platforms and devices offer, such as the GPT-3, writing as a multimodal phenomenon. Therefore, thinking about textual production only in the typographic domain means neglecting that sound, visual and tactile aspects, for example, impact reading, writing, and the construction of meanings. From this perspective, we think that the enthusiasm of digital environments brings the need to rethink what we understand by intellectual property, as the belonging of texts goes beyond the legal domain. In this text, we point out a problematization of the notion of authorship from the dialogue between the norms presented in Brazilian legislation and discussions in education and language that give new meaning to the concepts of authorship.
If we consider the Brazilian Copyright Regulation, in its article 11, the author is the one who creates literary, artistic, and scientific works. This definition primarily directs to an individual production process, an aspect that differs from that pointed out by Jenkins (2009), in which contemporary textual production is based on participatory culture. Authorship thought based on participatory culture tends to think that all creations are inspired by something and that the character does not necessarily fall into something non-existent but into the undertaking of a new look. In this sense, according to Burwell (2013), textual production is based on aspects of representation, appropriation, creativity, and intellectual property.
Contemporary academic writing, mainly mediated by post-structuralist bases, needs to consider the concept of ethical appropriation, which demands that authorship is not seen only as a process based on laws. We understand ethical appropriation as recognizing that every creation process starts from a specific context, is anchored in other productions, and recognizes the references used. Given the technological possibilities of contemporaneity, Burwell (2013) defends the existence of spaces for discussing digital texts and practices in education. We also think that contemporary education demands thinking about the relationship, in many cases, between digital and non-digital texts.
We illustrate, below, a broad notion about intellectual property, understood not only as an aspect restricted to laws. We present intellectual property based on what is in the legislation. In addition, however, we broaden the discussion as we analyze this concept from the perspective of education and language through post-structuralist views. In this way, in the figure below, we point out ethical appropriation and creativity as relevant elements in the discussion about the belonging of texts produced today.
Source: Authors' ellaboration
Following a broad perspective on intellectual property, as shown in the image above, Boa Sorte (2018) points out that the notion of written expression restricted to the production of typographic texts is questionable. Since considering a multimodal line, the concepts of writing and text have been expanded, both in the product itself and in the meanings, we construct (COPE; KALANTZIS, 2000). Furthermore, reading can also be understood as co- authorship while being recognized as constructing meanings (SOUZA, 2018). The texts, therefore, are seen as unfinished products and susceptible to different interpretations, thus resulting in different texts for each context and reader-coauthor. In addition, varied supports, such as audio and video devices, start to enable textual production, problematizing the idea that a text results only from writing on paper or in typographic editing programs.
In this direction, the creation of remixes is increasingly becoming influential in textual production. Moreover, remixing practices have become salient aspects in times of digital cultures, as they came to be seen beyond the realm of entertainment. In brief, remixes are texts produced collaboratively through copying, combining, manipulating, or transforming content to enhance their creators' identities and social practices (BURWELL, 2013). Although we point out the practices of remixes as significant for the educational field, we do not defend the undertaking of contemplative gazes; such practices intend a critical direction, which represents thinking about the ethical impacts of these creations on society. In this sense,
considering Janks (2010; 2014) and Burwell (2013), the texts need to be seen through the prism of critical analysis, which pays attention to authorship, creativity, power, and social justice.
This technology is already real. Our uses of technologies constantly modify the language. Although the model needs improvement, as Vincent explains (2020), what makes the GPT-3 a differentiated technology is its ability to manage billions of data as well as its formulation of responses, producing texts on its own once the system has learned and advanced further than its previous versions. Production of Academic writings can propagate knowledge to more and more researchers, students, teachers, and laypeople in certain areas.
One must consider whom the technology will serve. In tests carried out (VINCENT, 2020) with the GPT-3, he produced a series of racist and sexist tweets, mirroring those in the networks. As Brown et al. (2020) explained, it is impossible to affirm that technology created such opinions but reproduced them from the data analyzed in its training.
Considering all the changes with AI through time, more and more machines have improved and taught a little more about us and our way of seeing the world. Just as language is dynamic and remodels itself over the years, so does technology. In the presence of the GPT-3, there are infinite possibilities for teaching and learning, for scientific, literary, fictional productions, for primary and higher education, public and private. This is a reality. The trend is for the GPT-3 algorithm to be improved and developed, learning, expanding its potential, and offering an advanced version of what is already possible to visualize and use.
The discussions presented in this article permeate two latent conflicts: the considerations are preliminary, but, at the same time, they relate to the ephemeral character of studies in the field of technologies. On the other hand, since access to the GPT-3 is limited to system developers, data management specialists, and researchers, we propose an attempt to reflect beforehand on the impacts this algorithmic model can have on academic writing when released to all users. Our intention, therefore, is not to point out steps to be followed by professors, specialists in academic writing, or enthusiasts in the field of artificial intelligence. Instead, we propose to think about the impacts that can occur from the use of this algorithm in times when authorship becomes a phenomenon in constant destabilization and restructuring.
We discussed themes that seemed relevant to the problematization of contemporary academic writing throughout the text, including creativity, ethics, and intellectual property. In
our conception, the GPT-3 algorithm can present dilemmas that make us think about what we mean by authorship. On the other hand, this consideration does not aim to analyze authorship only from canonical directions. As the impacts of digital cultures have crossed production in academia, we consider the relevance of thinking about the impacts of algorithmic models of written production in the senses we currently build on authorship, creativity, and ethics.
BENZON, W. GPT-3: Waterloo or rubicon? Here be Dragons. Cognitive and Neuroscience, ago. 2020. Disponível em: https://www.researchgate.net/publication/343444766_GPT- 3_Waterloo_or_Rubicon_Here_be_Dragons. Acesso em: 6 out. 2020.
BOA SORTE, P. Remixes e expressão escrita em língua inglesa. In: JORDÃO, C. M.; MARTINEZ, J.; MONTE MÓR, W. (org.). Letramentos em prática na formação inicial de professores de inglês. Campinas: Pontes, 2018.
BOA SORTE, P. English teaching assistants in Brazil: conceptions of subject matter, teaching and learning to teach. Revista Tempos e Espaços em Educação, v. 11, p. 227-237, 2018.
BODEN, M. Inteligência artificial: uma brevíssima introdução. São Paulo: Editora Unesp, 2020.
BOTTENTUIT JR., J. B.; MENEZ, M. R. C. S.; WUNSCH, L. P. Aplicativos móveis para a alfabetização e letramento no contexto do ensino fundamental. Tempos e Espaços em Educação, v. 11, n. 01, p. 37-56, 2018.
BRASIL. Lei n. 9.279, de 14 de maio de 1996. Regula direitos e obrigações relativos à propriedade intelectual. Brasília, DF, 15 maio 1996. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/l9279.htm. Acesso em: 6 out. 2020.
BRASIL. Lei n. 9.610, de 19 de fevereiro de 1998. Altera, atualiza e consolida a legislação sobre direitos autorais e dá outras providências. Brasília, DF, 20 fev. 1998. Disponível em: http://www.planalto.gov.br/ccivil_03/leis/l9610.htm. Acesso em: 6 out. 2020.
BROWN, T. B. et al. Language models are few-shot learners. Cornell University Library. 2020. 75 p. Disponível em: https://arxiv.org/pdf/2005.14165v1.pdf. Acesso em: 30 out. 2020.
BURWELL, C. The pedagogical potential of video remix: critical conversations about culture, creativity and copyright. Journal of Adolescent & Adult Literacy, v. 57, n. 3, p. 205-213, nov. 2013.
BUZATO, M. E. K. et al. Remix, mashups, paródia e companhia: por uma taxonomia multidimensional da transtextualidade na cultura digital. Revista Brasileira de Linguística Aplicada, Belo Horizonte, v. 13, n. 4, p. 1191-1221, 2013.
CASANAVE, C. P. Performing expertise in doctoral dissertations: thoughts on a fundamental dilemma facing doctoral students and their supervisors. Journal of Second Language Writing, v. 43, n. 1, p. 57-62, 2019.
CELANI, M. A. A. Linguística Aplicada e Transdisciplinaridade. In: FREIRE, M. M. Vias para a pesquisa: reflexões e mediações. São Paulo: Cruzeiro do Sul Educacional - Campus Virtual, 2017.
COPE, B.; KALANTZIS, M.; SEARSMITH, D. Artificial intelligence for education: knowledge and its assessment in AI-enabled learning ecologies. Educational Philosophy and Theory, v. 53, n. 12, p. 1229-1245, 2018. Disponível em:
https://doi.org/10.1080/00131857.2020.1728732. Acesso em: 11 nov. 2020.
COPE, B.; KALANTZIS, M. Multiliteracies: literacy learning and the design of social futures. London: Routledge, 2000.
CSIKSZENTMIHALYI, M. Teoria do Flow, pesquisa e aplicações. ComCiência, Campinas,
n. 161, set. 2014. Disponível em: http://comciencia.scielo.br/scielo.php? script=sci_arttext&pid=S1519-76542014000700010&lng=en&nrm=iso. Acesso em: 11 nov. 2020.
DOMINGOS, P. A few useful things to know about machine learning. Communications of
the ACM, v. 55, n. 10, p. 78-87, out. 2012.
FERRARI, F.; CECHINEL, C. Introdução a algoritmos e programação. Bagé, RS: Universidade Federal do Pampa, 2008. Disponível em: http://www.cristiancechinel.pro.br/my_files/algorithms/bookhtml/apostila-algoritmos.html. Acesso em: 2 out. 2020.
FLORIDA, R. The rise of the creative class revisited. New York: Basic Books, 2012.
GLAVEANU, V. P. Paradigms in the study of creativity: introducing the perspective of cultural psychology. New Ideas in Psychology, v. 28, n. 1, p. 79-93, abr. 2010. DOI: https://doi.org/10.1016/j.newideapsych.2009.07.007
GLAVEANU, V. P. et al. Advancing creativity theory and research: a social-cultural manifesto. Journal of Creative Behavior, v. 54, n. 3, p. 741-745, 2019. DOI: https://doi.org/ 10.1002/jocb.395
HUTCHINS, H. M. Outing the imposter: a study exploring imposter phenomenon among higher education faculty. New Horizons in Adult Education & Human Resource Development, v. 27, n. 2, p. 2-12, 2015.
JANKS, H. Reading texts critically. In: JANKS, H. Literacy and power. USA: Routledge, 2010.
JANKS, H. Doing critical literacy: texts and activities for students and teachers. New York: Routledge, 2014.
JENKINS, H. Cultura da convergência. Trad. Susana Alexandria. São Paulo: Aleph, 2009. JORDAN, M.; MITCHELL, T. Machine learning: trends, perspectives, and prospects.
KAUFMAN, D.; SANTAELLA, L. O papel dos algoritmos de inteligência artificial nas redes sociais. Revista Famecos, Porto Alegre, v. 27, p. 1-10, jan./dez. 2020.
KNOBEL, M. Imagining beyond the domesticated “new”: creative remixings of literacies, community, and place. An analytic review of the research literature. Literacy Research Association Conference Symposium, dez. 2015.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, p. 446-444, 27 maio 2015.
MADDEN, S. Introduction: access as praxis for graduate writing. Praxis: Writing Central Journal, v. 14, n. 1, p. 1-8, 2016.
MOITA LOPES, L. P. (org.) Por uma linguística aplicada indisciplinar. São Paulo: Parábola Editorial, 2006.
MUTHUKRISHNAN, N. et al. Brief History of Artificial Intelligence. Neuroimaging Clinics of North America, v. 30, n. 4, p. 393-399, nov. 2018. DOI: https://doi.org/10.1016/j.nic.2020.07.004
NEVES-PEREIRA, M. C. Posições conceituais em criatividade. Psicologia em Estudo, v. 23, p. 1-15, ago. 2018. DOI: https://doi.org/10.4025/psicolestud.v23i0.39223
PAIVA, V. L. M. O. Manual de pesquisa em estudos linguísticos. São Paulo: Parábola, 2019.
PIZZANI, L. et al. A arte da pesquisa bibliográfica na busca do conhecimento. RDBCI: Revista Digital de Biblioteconomia e Ciência da Informação, Campinas, v. 10, n. 2, p. 53- 66, 2012. DOI: https://doi.org/10.20396/rdbci.v10i1.1896
RUSSEL, S. J.; NORVIG, P. Artificial Intelligence: a modern approach. New Jersey. Prentice Hall, 2021.
RUSSELL-PINSON, L.; HARRIS, M. L. Anguish and anxiety, stress and strain: Attending to writers’ stress in the dissertation process. Journal of Second Language Writing, v. 43, p.
63-71, 2019.
SEALEY, A.; CARTER, B. Applied Linguistics as social science. London: Continuum, 2004.
SOUZA, M. A. A. Formação de professores de Inglês: buscando caminhos para uma Educação linguística crítica. In: PESSOA, R. R.; SILVESTRE, V. P. V.; MONTE MÓR, W. Perspectivas críticas da Educação linguística no Brasil: trajetórias e práticas de professoras(es) universitárias(os) de Inglês. São Paulo: Pá de Palavra, 2018. p. 163-174.
STEIN, M. Creativity and culture. The Journal of Psychology, v. 36, n. 2, p. 311-22, 1953.
TAULLI, T. Introdução à inteligência artificial: uma abordagem não técnica. 1. ed. São Paulo: Novatec, 2020. 232 p.
THOMPSON, P. Achieving a voice of authority in PhD theses. In: HYLAND, K.; GUINDA,
C.S. (Eds.) Stance and voice in written academic genres. UK: Palgrave MacMillan, 2012. p. 119-133.
THÜRLER, D.; SANTOS, J. L. Um debate sobre a escola como tecnologia político-cultural. Revista Tempos e Espaços em Educação, v. 7, n. 12, p. 29-44, out. 2014. DOI: https://doi.org/10.20952/revtee.v0i0.2950
TORRANCE, T.F. Revelation, creation and law. The Heythrop Journal, v. 37, p. 273-283, 1996.
TURING, A. Computing machinery and intelligence. Mind, v. LIX, n. 236, p. 433-460, out. 1950, Pages, DOI: https://doi.org/10.1093/mind/LIX.236.433
UN. United Nations. The Universal Declaration of Human Rights. Paris, 1948.
VINCENT, J. Openai’s latest breakthrough is astonishingly powerful, but still fighting its flaws:the ultimate autocomplete. The Verge, 2020. Disponível em: https://www.theverge.com/21346343/gpt-3-explainer-openai-examples-errors-agi-potential. Acesso em: 5 out. 2020.
VYGOTSKY, L. A construção do pensamento e da linguagem. Trad. Paulo Bezerra. São Paulo: Martins Fontes, 1990.
WANG, P. On defining artificial intelligence. Journal of Artificial General Intelligence, v. 10, n. 2, p. 1-37, ago. 2019. DOI: https://doi.org/10.2478/jagi-2019-0002
ZACCHI, V. J. Literacies and digital gaming: negotiating meanings in English language teacher education. Revista Tempos e Espaços em Educação, v. 11, n. 1, p. 153-168, 2018. DOI: https://doi.org/10.20952/revtee.v11i01.9831
BOA SORTE, P.; FARIAS, M. A. F.; SANTOS, A. E.; SANTOS, J. C. A.; DIAS, J. S. S. R.
Artificial intelligence and academic writing: what do the GPT-3 algorithm reserve us? EntreLínguas, Araraquara, v. 7, n. 00, e021035, 2021. e-ISSN: 2447-3529. DOI: https://doi.org/10.29051/el.v7i1.15352
