Retrospectiva e fechamento
Módulo 4 · Aplicação na docência
Esse é o último capítulo do curso. Você chegou aqui depois de ler — ou consultar — material que cobriu da história das IDEs nos anos 1980 ao depósito em Zenodo na era da IA generativa, passando por LGPD, Quarto, Git, R, Python, e a tese central: que vibe coding torna pesquisa em saúde reprodutível acessível a quem antes não tinha condições técnicas para produzi-la.
Seu Capstone está publicado, com DOI, e — esperançosamente — pronto para uso em sala de aula. Vale fechar com uma reflexão sobre o que mudou, o que pode mudar, e o que vem depois.
O que mudou em quem percorreu o curso
A transformação que esse curso propõe não é “aprender R” ou “aprender Python” ou “aprender Quarto”. É mais profunda do que técnica — é mudança no que você entende como pesquisa possível.
Antes: pesquisa em saúde com dados próprios estava restrita a quem tinha tempo para aprender programação ou dinheiro para pagar SPSS/SAS ou acesso a estatístico que cuidasse da parte computacional. Quem não tinha nenhum desses três frequentemente fazia pesquisa de menor escopo, com ferramentas mais frágeis, com resultados menos auditáveis. Esse era o estado de coisas quando você começou o curso.
Depois: pesquisa em saúde reproduzível, FAIR, citável, depositada com DOI, está acessível a qualquer pesquisador com computador, internet e algumas semanas de aprendizado. Você é uma demonstração disso — produziu, em prazo razoável, um compêndio que cumpre padrões internacionais de ciência aberta. Não porque você virou programador (não virou). Porque a IA fez a parte que era barreira.
Essa é a virada que o curso documenta e tentou ensinar a operacionalizar. A reflexão que vale fazer agora é o quê isso significa para sua trajetória como pesquisador, professor, e — possivelmente — multiplicador.
Multiplicação como função da docência
O Capstone foi pensado como material didático deliberadamente. Razão: este curso fala para professores, e professores são multiplicadores. Cada professor que adota essa forma de trabalho impacta dezenas — ao longo de uma carreira, centenas — de estudantes.
Algumas formas concretas de multiplicação que valem considerar:
1. Use o Capstone em aula. O plano didático que você escreveu (capítulo 05) é o roteiro mínimo. Comece pequeno: uma aula em que você mostra o compêndio e os alunos clonam, restauram o ambiente, rodam, comparam números. Em uma hora, eles veem pesquisa reprodutível na prática, algo que muitos nunca viram.
2. Substitua exemplos de SPSS por exemplos do Capstone em aulas existentes. Sem reformular o curso inteiro de uma vez. Aula sobre prevalência? Mostre o seu cálculo da PNS. Aula sobre comparação de grupos? Mostre o seu teste t. Substitui peça por peça.
3. Proponha o Capstone como exigência em pós-graduação. Mestrado e doutorado em saúde poderiam exigir dissertação como compendium reproduzível, não só PDF. Algumas universidades já caminham nessa direção — (Marwick; Boettiger; Mullen, 2018) documenta casos.
4. Forme outros professores. O curso está aberto, no GitHub. Se um colega quer aprender, indique. Se cinco colegas querem, ofereça oficina interna em seu departamento. Ciclos de multiplicação institucional acontecem por iniciativa individual antes de virarem política.
5. Contribua de volta para o curso. Encontrou erro? Tem capítulo melhor escrito sobre o tema? Quer adicionar exemplo do seu domínio específico? Issue ou PR no repositório (link no prefácio). Esse curso é projeto vivo — pode crescer com a comunidade.
O que esse curso NÃO ensinou (e onde aprofundar)
Para calibrar honestamente o que você ainda precisa aprender:
Bioestatística aplicada. O curso ensinou a executar análises com IA — não a escolher quais análises são apropriadas. Para dominar metodologia estatística em pesquisa em saúde:
- Regression Modeling Strategies (Frank Harrell, 2ª ed., 2015).
- Statistical Rethinking (Richard McElreath, 2ª ed., 2020) para estatística bayesiana.
- Modern Epidemiology (Lash, VanderWeele, Haneuse, Rothman, 4ª ed., 2021).
- Cursos do Coursera/edX com Hadley Wickham, Roger Peng e equipes de Bloomberg School.
R e Python em profundidade. O curso ensinou a usar via IA — não a programar. Para virar genuíno em R:
- R for Data Science (Wickham, Çetinkaya-Rundel, Grolemund, 2ª ed., 2023, online em r4ds.hadley.nz).
- Manual Básico da Linguagem R do autor (Alvarenga da Silva, 2024) — referência canônica em PT-BR.
- Advanced R (Wickham, 2ª ed., 2019, online em adv-r.hadley.nz).
Para Python:
- Python for Data Analysis (Wes McKinney, 3ª ed., 2022, online em wesmckinney.com/book).
- Python Data Science Handbook (Jake VanderPlas, 2ª ed., 2023).
Reprodutibilidade computacional avançada. Para níveis 4-5 (Docker, Binder, workflows complexos):
- The Turing Way (community-driven, online em the-turing-way.netlify.app) — referência canônica e crescente em ciência reprodutível.
- Computational Reproducibility in Archaeological Research (Marwick, 2017).
- Reproducible Research with R and RStudio (Christopher Gandrud, 3ª ed., 2018).
Vibe coding como técnica. A área ainda é jovem, com material disperso. Acompanhar a comunidade que cresce em torno dela é a forma mais rápida de aprender:
- Blogs de engenheiros que discutem sobre o tema (Simon Willison, Wes McKinney, Hadley Wickham).
- Conferências da Posit (positconf), useR!, JuliaCon — começam a ter painéis sobre IA em workflows científicos.
- Cursos modernos da DeepLearning.AI (Andrew Ng) sobre LLMs aplicados.
A escala temporal das mudanças
Vale uma palavra de cautela. As mudanças que esse curso descreve são recentes. Vibe coding como técnica acessível tem menos de três anos em 2026. Algumas coisas vão evoluir rapidamente:
- Modelos de IA vão ficar melhores (e mais baratos), aumentando a fluência da geração de código.
- Workflows específicos podem mudar — agentes podem virar mais autônomos, ou voltar a ser mais ferramenta-de-precisão dependendo de como a indústria evolui.
- Novas ferramentas vão surgir; algumas das atuais podem ser descontinuadas.
- A regulamentação de IA (em saúde especialmente) está sendo escrita em tempo real.
Isso significa que o que você aprendeu aqui é o estado da arte de 2026. Em 2030, o cenário será diferente. A boa notícia: os princípios fundamentais — separar dados raw e processed, versionar com Git, depositar com DOI, documentar uso de IA — não vão envelhecer. As ferramentas específicas (qual modelo, qual IDE, qual repositório) vão mudar; a disciplina não muda.
Se você internalizou os princípios, está preparado para adaptar a ferramenta quando a próxima geração chegar.
A última recomendação
Termine este curso fazendo uma coisa simples: publique seu Capstone. Não em “versão perfeita” daqui a meses. Versão 1.0, agora, com os defeitos que tem, com os números que produziu, com a reflexão didática que escreveu.
A tentação de ficar polindo é grande, e em pesquisa séria isso atrapalha. Versionamento existe justamente para que você possa publicar 1.0 hoje e 1.1 daqui a um mês com correções. Cada versão tem DOI próprio. Cada uma é citável.
A única forma de impactar é publicar. Trabalho não publicado, mesmo que excelente, não muda nada. Trabalho publicado mediocremente já entra no sistema, é encontrável por outros, abre conversas, gera melhorias.
Vai lá, publica.
Encerramento
Você chegou aqui. Percorreu 5 módulos, 13 blocos, mais de 70 capítulos, centenas de páginas de prosa. Produziu seu próprio Capstone reproduzível. Tem DOI, repositório no GitHub, site no GitHub Pages.
Daqui a alguns anos — se a tese deste curso estiver correta — pesquisa em saúde reprodutível será a norma, não exceção. Você terá feito parte da geração de pesquisadores que operacionalizou essa transição.
Quando isso acontecer, vai parecer óbvio. “Como é que algum dia foi diferente? Como é que se fazia ciência sem reprodutibilidade?”. A obviedade retroativa é o sinal de transição bem-sucedida — e o pesquisador que percorreu este curso terá contribuído para que ela aconteça.
Boa pesquisa.
— Final do curso.
Este material é vivo. Erros encontrados, sugestões de melhoria, novos capítulos para temas mal cobertos, ou simplesmente “obrigado, mudou minha forma de trabalhar” — tudo isso é bem-vindo. Caminhos para reportar estão no Prefácio.
E se você publicou seu Capstone — mande o link. Quero ver. Pode acabar virando referência em futuras versões deste curso.