Fabricação e Falsificação de Dados na Pesquisa em 2026: O Que É e Como Evitar

Resposta rápida: fabricação e falsificação de dados são duas formas distintas de má conduta científica — fabricação é inventar dados ou resultados que nunca existiram, e falsificação é manipular, omitir ou alterar dados reais para que apoiem uma conclusão desejada. Junto com o plágio, formam o chamado “FFP” (fabrication, falsification, plagiarism), reconhecido internacionalmente como as três violações mais graves de integridade em pesquisa.

Quando se fala em má conduta acadêmica no Brasil, a atenção quase sempre recai sobre o plágio — copiar texto de outra pessoa sem citar. Mas existe uma categoria de violação igualmente grave, e muitas vezes mais difícil de detectar, que envolve os próprios dados da pesquisa: fabricação e falsificação. Um TCC, dissertação ou artigo pode estar livre de qualquer cópia textual e, ainda assim, ser cientificamente fraudulento se os dados apresentados foram inventados ou manipulados.

Este guia explica a diferença entre fabricação e falsificação, como cada uma aparece na prática, e quais hábitos de pesquisa protegem o estudante de cometer esses erros — inclusive de forma não intencional.

O que significa FFP na integridade científica?

FFP é a sigla em inglês para Fabrication, Falsification, Plagiarism — fabricação, falsificação e plágio. É a categorização mais usada internacionalmente, inclusive por agências de fomento e comitês de ética, para descrever as violações mais sérias de integridade em pesquisa, distintas de problemas menores de conduta questionável (como autoria honorária ou publicação fatiada). No Brasil, o CNPq formalizou diretrizes de integridade em pesquisa que dialogam diretamente com esse conceito internacional — o guia sobre política de integridade acadêmica nas universidades brasileiras detalha como isso se traduz institucionalmente.

A razão de tratar fabricação e falsificação como categoria própria, separada do plágio, é que elas atacam a credibilidade dos resultados científicos em si — não apenas a autoria do texto. Um artigo pode ser 100% original em sua redação e, mesmo assim, relatar descobertas que nunca aconteceram.

O que é fabricação de dados?

Fabricação é inventar dados, resultados ou observações que nunca foram coletados. Isso pode acontecer de formas variadas:

• Criar respostas de questionário que nunca foram aplicadas a participantes reais.
• Inventar valores numéricos para preencher uma tabela de resultados quando o experimento não foi concluído a tempo.
• Relatar entrevistas ou observações de campo que nunca ocorreram.
• Gerar “dados sintéticos” com ferramentas de IA e apresentá-los como coleta empírica real, sem indicar a origem sintética.

Exemplo ilustrativo: um estudante que não conseguiu aplicar seu questionário ao número planejado de participantes decide preencher as lacunas com respostas que ele mesmo escreve, para que a amostra pareça completa. Mesmo que os números finais “façam sentido” estatisticamente, esses dados são fabricados — eles não vieram de nenhum respondente real.

O que é falsificação de dados?

Falsificação é diferente de fabricação: em vez de inventar dados do zero, o pesquisador manipula, altera ou omite dados reais para que o resultado se encaixe na hipótese desejada. Formas comuns incluem:

• Remover seletivamente resultados “fora da curva” (outliers) sem justificativa metodológica, apenas porque atrapalham a conclusão esperada.
• Alterar valores em uma planilha de resultados para reduzir a variação ou aumentar a significância estatística.
• Editar imagens científicas (gráficos, géis, microscopia) de forma a exagerar ou esconder um efeito.
• Reportar apenas os testes estatísticos que deram resultado significativo, escondendo os que não confirmaram a hipótese (uma prática relacionada, mas distinta, chamada de “p-hacking” quando feita de forma sistemática).

Exemplo ilustrativo: um pesquisador que testa três métodos experimentais, mas só dois trazem o resultado esperado, decide relatar apenas esses dois no artigo final e descartar o terceiro sem explicar o motivo real da exclusão. Isso é falsificação por omissão seletiva.

Como diferenciar fabricação, falsificação e plágio?

Quais são as consequências acadêmicas?

Fabricação e falsificação são tratadas com a mesma ou maior gravidade que o plágio pelas comissões de integridade das universidades brasileiras. As consequências típicas incluem:

• Reprovação do trabalho e, em cursos de pós-graduação, possível desligamento do programa.
• Instauração de processo disciplinar formal, conduzido pela comissão de ética ou de integridade em pesquisa da instituição.
• Retratação (retirada) de artigos já publicados, quando a fraude é descoberta após a publicação — um processo público que fica associado ao nome do autor em bases como o PubMed e o Web of Science.
• Em pesquisas financiadas por agências como CNPq ou CAPES, possível devolução de recursos e inelegibilidade para bolsas futuras.
• Perda de credibilidade acadêmica que afeta coautores e orientadores, mesmo quando não participaram diretamente da fraude.

Diferente de um problema de citação, que costuma ser corrigível com reescrita, fabricação e falsificação comprometem a validade científica do trabalho inteiro — não há “correção” possível além de refazer a coleta de dados de forma legítima.

Como proteger a integridade dos seus dados?

Algumas práticas simples reduzem drasticamente o risco de fabricação ou falsificação, inclusive acidental:

Mantenha um caderno de laboratório ou registro de coleta

Anotar data, método e condições de cada coleta de dados — mesmo em pesquisas qualitativas ou de ciências humanas — cria um rastro verificável que protege tanto contra acusações injustas quanto contra a tentação de “completar” dados faltantes.

Preserve os dados brutos

Guarde a planilha original, sem edições, separada de qualquer versão tratada estatisticamente. Isso permite provar, se necessário, que nenhuma manipulação ocorreu entre a coleta e a análise.

Justifique toda exclusão de dados no texto

Se um outlier ou um participante for excluído da análise, o critério estatístico ou metodológico usado deve estar explícito na seção de metodologia — nunca “por que atrapalhava o resultado”.

Considere o pré-registro do estudo

Em pesquisas experimentais, registrar hipóteses e métodos de análise antes da coleta (pré-registro) é uma prática crescente que impede a reinterpretação seletiva dos dados depois que os resultados já são conhecidos.

Converse com o orientador diante de resultados “decepcionantes”

Resultados que não confirmam a hipótese inicial são cientificamente válidos e publicáveis — a pressão para “ajustar” dados geralmente vem de uma expectativa equivocada de que só resultados positivos têm valor. Um bom exercício de compreensão real das próprias fontes, aliás, começa desde a fase de revisão bibliográfica: veja também como reduzir a similaridade do TCC de forma ética para práticas de integridade que se aplicam tanto ao texto quanto aos dados.

Ferramentas de autoverificação de originalidade, como o Tesify Antiplágio, ajudam a garantir que o texto do trabalho esteja livre de sobreposição indevida — mas vale lembrar que integridade de dados é uma dimensão separada, que depende de registro cuidadoso da coleta, não de verificação textual.

Perguntas frequentes