Apresentação do projeto integrador
Módulo 4 · Aplicação na docência
Você chegou ao último Módulo. Os três anteriores construíram conhecimento em camadas — fundamentos (Módulo 1), análise e escrita técnica (Módulo 2), publicação e reprodutibilidade (Módulo 3). Cada Módulo deu uma peça. Este Módulo final pede que você una as peças num único projeto concreto — algo que você possa usar com seus alunos, mostrar a colegas, ou apresentar como exemplo do que aprendeu.
O nome técnico para esse tipo de exercício terminal de curso é Capstone. A palavra vem da arquitetura medieval: a capstone é a pedra final colocada no topo de um arco, a peça que “fecha” a estrutura e dá ao arco sua estabilidade. Sem a capstone, o arco continua de pé enquanto há suporte; com a capstone, sustenta-se sozinho. A metáfora é apropriada: você produziu várias pedras durante o curso (entendeu Quarto, dominou vibe coding, configurou Git, depositou no Zenodo). O Capstone é a pedra que une tudo num arco que sustenta seu próprio trabalho.
Este capítulo apresenta o que será feito nos próximos cinco capítulos. Não é um tutorial passo-a-passo — é um plano de projeto que você executa no seu próprio ritmo, com seus próprios dados ou tema, ao longo das semanas que precisar.
O objetivo
Produzir um compêndio reprodutível em Quarto + GitHub Pages + Zenodo que documente uma análise de dados em saúde — usando vibe coding em todo o caminho — e que sirva como material didático para você usar com seus alunos.
Os dois propósitos são deliberadamente combinados:
- Para você: prática integradora de tudo o que aprendeu. Sair do “li sobre” para “fiz”.
- Para sua docência: material concreto, reaproveitável, que demonstra ao aluno o fluxo completo de pesquisa reproduzível em saúde.
A consequência é que o tema do projeto importa. Não é exercício abstrato — é peça que vai entrar na sua disciplina, residência, grupo de pesquisa, ou apresentação. Escolha algo que você de fato vai usar.
O que será produzido
Ao fim do Capstone, você terá:
- Um repositório GitHub público com estrutura de compêndio (vimos em M4-B2-03).
- Um site Quarto navegável publicado via GitHub Pages que serve como portal do projeto.
- Um relatório técnico em formato de artigo (
.qmdque renderiza em PDF) com Métodos, Resultados e Discussão. - Um snapshot do compêndio depositado no Zenodo com DOI permanente.
- Um plano didático descrevendo como você vai usar o material com alunos.
Total estimado de tempo: 15-25 horas distribuídas em duas a quatro semanas, dependendo da complexidade do tema escolhido e da fluência adquirida no curso.
Estrutura do projeto
O Capstone segue cinco etapas, uma por capítulo deste Bloco:
| Capítulo | Etapa | Tempo aproximado |
|---|---|---|
02-tema-dataset |
Escolha do tema e do dataset | 2-4 horas |
03-planejamento |
Planejamento da análise (pergunta, SAP, estrutura) | 2-4 horas |
04-execucao |
Execução via vibe coding | 6-12 horas |
05-publicacao |
Publicação reprodutível (Git, Pages, Zenodo) | 3-5 horas |
06-retrospectiva |
Retrospectiva e plano didático | 2 horas |
A divisão é sugestiva, não rígida. Em projeto pequeno (dataset simples, análise direta), você passa mais rápido por algumas etapas. Em projeto ambicioso (cohort grande, análise complexa), passa mais devagar.
Como o Capstone integra os módulos anteriores
Para clarificar a “capstone” como pedra final que une o arco — em qual fase do projeto você invoca o que aprendeu:
| Módulo | Bloco | O que entra no Capstone |
|---|---|---|
| 0 | Setup | Você usa as ferramentas que instalou (R, Python, Quarto, Positron, Git, Zotero) |
| 1 | Conceitos Fundamentais (B1) | LGPD para dados sensíveis; documentar uso de IA conforme ICMJE |
| 1 | Agentes de IA (B2) | Claude Cowork ou Code para escrever a análise via vibe coding; AGENTS.md no projeto |
| 1 | Terminal (B3) | Comandos básicos para inicializar projeto, rodar git, quarto render |
| 1 | Ambientes (B4) | Positron como IDE principal |
| 1 | Convenções técnicas (B5) | Nomeação kebab-case/snake_case; YAML em _quarto.yml; encoding UTF-8 |
| 2 | Markdown e Quarto (B1) | Documento .qmd com texto + código + citações + LaTeX para fórmulas |
| 2 | Dados (B2) | Formato apropriado (CSV/Parquet); tidy data; estrutura dados/raw/processed |
| 2 | Python e R (B3) | Análise via vibe coding; ambientes isolados (renv ou uv); Quarto integrado |
| 3 | Git e GitHub (B1) | Repositório versionado; site via GitHub Pages |
| 3 | Reprodutibilidade (B2) | FAIR; compêndio; Zenodo + DOI |
Note que o Capstone pratica simultaneamente coisas de todos os módulos. Não é exercício isolado. É a costura que torna explícita a coerência do que você aprendeu.
A dimensão didática
O ponto que diferencia este Capstone de um trabalho final tradicional é a ênfase deliberada em docência. Você não está produzindo apenas para si — está produzindo algo que vai usar com seus alunos.
Isso muda decisões em cada etapa:
- Tema: escolha algo que sirva de exemplo em sala de aula, não só seu projeto pessoal.
- Dataset: prefira dado público brasileiro (DataSUS, IBGE, gov.br) sempre que possível — alunos podem refazer.
- Documentação: seja generoso em comentários e explicações inline. Pense no aluno futuro lendo o código.
- Plano didático: o último capítulo pede que você descreva como vai usar o material — qual aula, qual exercício, qual avaliação.
Isso é o que torna o Capstone parte do ciclo amplo de impacto do curso. Você aprende e replica. Seus alunos veem trabalho real, não tutorial. Em alguns deles, o exemplo dispara vontade de fazer o próprio. A multiplicação acontece.
Pré-requisitos
Antes de começar o Capstone, certifique-se de que você tem:
Se algum desses pontos está fraco, pause e revisite o Módulo correspondente antes de seguir.
Trabalho individual ou em grupo?
A maioria dos pesquisadores fará o Capstone individualmente — é seu projeto, sua docência, seu portfólio. Mas há cenários onde trabalho em dupla ou pequeno grupo funciona bem:
- Pares co-orientadores que querem material conjunto para um curso compartilhado.
- Equipe de laboratório desenvolvendo material que vai virar compêndio do grupo.
- Departamento que adota o curso institucionalmente — vários professores produzindo Capstones que se complementam (cada um cobre uma área da disciplina).
Em grupo, o desafio extra é Git colaborativo (PRs, merge conflicts) — mas isso é benefício didático extra: você ensina aos alunos depois.
Conexão com IA — uso pesado e documentado
Vibe coding é central no Capstone, não opcional. A expectativa é que você use Claude Cowork, Claude Code, Gemini CLI ou Codex CLI continuamente ao longo do projeto — para escrever scripts, gerar tabelas, propor figuras, redigir Métodos, sugerir mensagens de commit.
Como o curso defende ciência aberta e transparência conforme ICMJE, documente o uso. No relatório técnico final, inclua seção curta sobre “Uso de IA neste projeto” descrevendo:
- Quais agentes foram usados (e versões dos modelos).
- Em que etapas a IA contribuiu mais.
- Que decisões foram humanas (escolha do tema, decisão metodológica, validação de resultados).
Esse hábito é o que separa pesquisa séria de pesquisa que apenas “deixou a IA fazer”. A IA fez muito; você decidiu o quê e validou.
O que vem a seguir
A primeira etapa, no próximo capítulo, é a escolha do tema e do dataset — provavelmente a decisão mais importante do Capstone. Sem tema bem escolhido, o resto fica mecânico. Com tema bem escolhido, todo o trabalho ganha sentido.